097. Dychotomizacja zmiennych ciągłych – dlaczego zwykle tracimy informację?

W badaniach często spotykamy się z pokusą zamiany zmiennej ciągłej na dwie kategorie: pacjent ma albo nie ma nadciśnienia, osoba jest albo nie jest otyła, wynik testu psychologicznego jest albo niski, albo wysoki. Taki zabieg może ułatwiać komunikację, tworzenie tabel i podejmowanie decyzji klinicznych. W analizie naukowej bywa jednak kosztowny. Dychotomizacja, czyli podział zmiennej ciągłej według jednego punktu odcięcia, zwykle usuwa część informacji o różnicach między osobami, zmniejsza moc statystyczną i może zniekształcić obraz zależności.

W tej lekcji, zgodnie z podejściem rozwijanym w publicznym szkoleniu na statystyk.edu.pl, rozdzielimy trzy kwestie: opisową wygodę, cel decyzyjny oraz modelowanie statystyczne. To, że dwie kategorie są wygodne w praktyce, nie oznacza jeszcze, że powinny zastąpić pomiar liczbowy w analizie.

Czym jest dychotomizacja?

Dychotomizacja polega na przekształceniu zmiennej ciągłej lub co najmniej uporządkowanej w zmienną mającą tylko dwie wartości. Najczęściej wybiera się punkt odcięcia c i definiuje nową zmienną:

D = 0, gdy X < c; D = 1, gdy X ≥ c

gdzie X oznacza pierwotną zmienną ciągłą, c jest ustalonym punktem odcięcia, a D jest nową zmienną dychotomiczną.

Przykładowo, dla skurczowego ciśnienia tętniczego można utworzyć zmienną „poniżej 140 mmHg” versus „co najmniej 140 mmHg”. Dla wskaźnika masy ciała można porównać osoby z BMI poniżej 30 kg/m² i osoby z BMI równym 30 kg/m² lub wyższym. W psychologii można podzielić wynik kwestionariusza depresji na „poniżej progu” i „na poziomie progu lub wyżej”.

Nie każda zmienna dwuwartościowa powstała w ten sposób. Płeć w określonym sposobie operacjonalizacji, obecność mutacji genetycznej czy wystąpienie zgonu mogą być naturalnie binarne. Problem dotyczy przede wszystkim sytuacji, w której pomiar zawiera więcej informacji, lecz badacz dobrowolnie zastępuje go kategoriami.

Dlaczego zmienna ciągła zawiera więcej informacji?

Załóżmy, że zmierzono skurczowe ciśnienie tętnicze u czterech osób: 118, 139, 141 i 178 mmHg. Po zastosowaniu punktu odcięcia 140 mmHg otrzymujemy odpowiednio: 0, 0, 1, 1. Dwie osoby z wartościami 118 i 139 mmHg stają się identyczne w analizie, mimo że dzieli je 21 mmHg. Podobnie wartości 141 i 178 mmHg są traktowane tak samo, chociaż różnica może mieć znaczenie kliniczne i prognostyczne.

Dychotomizacja usuwa zatem informację o:

• odległości wyniku od punktu odcięcia;
• różnicach między osobami należącymi do tej samej kategorii;
• stopniowym wzroście lub spadku ryzyka;
• możliwych wartościach progowych innych niż przyjęty punkt odcięcia;
• kształcie zależności, na przykład liniowym, krzywoliniowym albo progowym.

W praktyce oznacza to, że osoby o bardzo podobnych wynikach po przeciwnych stronach punktu odcięcia mogą zostać uznane za radykalnie różne, natomiast osoby bardzo różniące się, lecz znajdujące się po tej samej stronie progu, są traktowane jako takie same.

Najważniejszy koszt: mniejsza moc statystyczna

Moc statystyczna to prawdopodobieństwo wykrycia efektu o określonej wielkości, jeżeli efekt rzeczywiście istnieje w populacji. Gdy zmienną ciągłą zastąpimy zmienną binarną, zwykle zwiększamy błąd pomiaru reprezentowany przez uproszczony zapis danych i zmniejszamy możliwość rozróżniania badanych osób.

Jacob Cohen pokazał, że dychotomizacja może prowadzić do zmniejszenia mocy testu i niedoszacowania zależności, szczególnie wtedy, gdy podział przebiega w sposób nieoptymalny lub gdy grupy są nierówne liczebnie (Cohen, 1983). MacCallum i współpracownicy wskazywali, że popularny podział według mediany często nie ma uzasadnienia merytorycznego i może poważnie pogarszać jakość analiz korelacyjnych, regresyjnych oraz analiz interakcji (MacCallum et al., 2002).

Intuicyjnie: jeżeli badacz ma 100 różnych wartości pomiaru, dysponuje znacznie bogatszą informacją niż wtedy, gdy zna tylko etykietę „niski” albo „wysoki”. Aby odzyskać podobną precyzję po dychotomizacji, potrzebna byłaby często większa próba. Nie istnieje jednak uniwersalna reguła mówiąca, że każdy podział wymaga dokładnie dwa razy większej liczebności. Koszt zależy między innymi od rozkładu zmiennej, punktu odcięcia, siły związku, wariancji oraz rodzaju modelu.

Przykład 1: ciśnienie tętnicze i ryzyko udaru

Wyobraźmy sobie badanie 2000 dorosłych osób, w którym mierzono skurczowe ciśnienie tętnicze i obserwowano wystąpienie udaru w ciągu pięciu lat. Możliwe są co najmniej dwa sposoby analizy.

Wariant A: zachowanie zmiennej ciągłej

Ciśnienie można wprowadzić do modelu jako wartość liczbową, na przykład w mmHg. W regresji logistycznej badacz może oszacować zmianę ilorazu szans udaru przypadającą na wzrost ciśnienia o 10 mmHg. Taki wynik zachowuje informację o stopniowaniu ekspozycji.

Przykładowa interpretacja mogłaby brzmieć: „Po uwzględnieniu wieku, płci i palenia tytoniu wzrost skurczowego ciśnienia o 10 mmHg wiązał się z wyższymi szansami udaru, przy czym oszacowanie obarczone było 95-procentowym przedziałem ufności”. Nie wolno jednak automatycznie zakładać, że relacja jest liniowa. Można sprawdzić ją za pomocą wykresu, wielomianów ułamkowych, splajnów restrykcyjnych lub innych uzasadnionych metod modelowania.

Wariant B: podział przy 140 mmHg

W drugim wariancie tworzymy zmienną: „ciśnienie poniżej 140 mmHg” versus „ciśnienie co najmniej 140 mmHg”. Analiza może być prostsza, lecz traci informację. Osoba z wynikiem 140 mmHg i osoba z wynikiem 190 mmHg trafiają do tej samej grupy. Z kolei osoba z wynikiem 139 mmHg pozostaje w innej kategorii niż osoba z wynikiem 140 mmHg.

Jeżeli prawdziwa zależność ryzyka jest stopniowa, dychotomizacja może osłabić związek. Jeżeli jest nieliniowa, jeden próg może dodatkowo ukryć jej kształt. Altman i Royston opisali ten problem na przykładach medycznych, wskazując między innymi, że model z bilirubiną pozostawioną na skali ciągłej może wyjaśniać znacznie więcej zmienności niż model, w którym rozkład bilirubiny podzielono według mediany (Altman & Royston, 2006).

Przykład 2: wynik depresji w psychologii i pielęgniarstwie

Załóżmy, że pielęgniarki badają objawy depresyjne u pacjentów po hospitalizacji za pomocą kwestionariusza dającego wynik od 0 do 27 punktów. Badacz dzieli wyniki na „brak istotnych objawów” poniżej 10 punktów oraz „podwyższone objawy” od 10 punktów.

Taki próg może być uzasadniony, jeżeli celem jest decyzja organizacyjna: komu zaproponować dodatkową konsultację lub przesiewową rozmowę kliniczną. W takim zastosowaniu kategoria może być narzędziem triage’u. Nie oznacza to jednak, że wynik 9 i 10 punktów różni się jakościowo, ani że wynik 10 i 20 punktów oznacza podobny poziom trudności.

Jeżeli pytanie badawcze brzmi: „Czy nasilenie objawów depresyjnych wiąże się z długością hospitalizacji?”, lepiej zachować wynik ciągły. Model oparty na dwóch kategoriach odpowiada na inne pytanie: „Czy osoby przekraczające próg różnią się od osób poniżej progu?”. Jest to mniej szczegółowe i często mniej wydajne pytanie.

Dychotomizacja a pozorna prostota interpretacji

Jednym z argumentów za podziałem jest łatwa interpretacja. Wynik „grupa wysokiego ryzyka versus grupa niskiego ryzyka” wydaje się bardziej zrozumiały niż współczynnik regresji dla jednego punktu skali. Jest to argument komunikacyjny, a nie wystarczający argument metodologiczny.

Lepszym rozwiązaniem bywa przedstawienie modelu ciągłego w sposób zrozumiały dla odbiorcy. Można raportować efekt na każde 5 lub 10 jednostek, podać przewidywane prawdopodobieństwa dla kilku realistycznych wartości, zastosować wykres zależności albo zaprezentować wyniki w tabeli. Takie sposoby zachowują informację, a jednocześnie ułatwiają interpretację.

Ważne jest również rozróżnienie między istotnością statystyczną, wielkością efektu i znaczeniem praktycznym. Dychotomizacja nie staje się uzasadniona tylko dlatego, że po podziale uzyskano wartość p mniejszą niż 0,05. Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej. Nie mówi też sama przez się, czy różnica ma znaczenie kliniczne.

Kiedy podział na dwie kategorie może być uzasadniony?

Dychotomizacja nie jest zakazana w każdej sytuacji. Może być racjonalna, gdy:

• istnieje wcześniej ustalony, merytoryczny punkt odcięcia wynikający z wytycznych, walidacji testu lub procedury klinicznej;
• celem jest konkretna decyzja, na przykład kwalifikacja do interwencji, izolacji, dalszej diagnostyki albo pilnego transportu;
• zmienna jest analizowana jako wynik klasyfikacyjny, a nie jako pełny opis zjawiska;
• punkt odcięcia został określony przed analizą i nie dobrano go po obejrzeniu wyników;
• badacz pokazuje, jakie informacje zostały utracone, oraz przeprowadza analizę wrażliwości.

Nawet wtedy warto odróżnić dwa zastosowania. Kategoria może być użyteczna w decyzji klinicznej, lecz niekoniecznie w modelu etiologicznym lub prognostycznym. W praktyce klinicznej próg może być potrzebny do uruchomienia procedury, ale model ryzyka powinien nadal korzystać z wartości ciągłej.

Alternatywy dla dychotomizacji

Model liniowy

Najprostszą alternatywą jest pozostawienie zmiennej w oryginalnej skali i oszacowanie średniej zmiany wyniku na jednostkę lub na sensowny przyrost, na przykład 10 mmHg, 5 punktów albo 1 kg/m².

Splajny restrykcyjne

Jeżeli zależność może być krzywoliniowa, można użyć splajnów restrykcyjnych. Pozwalają one opisać elastyczny kształt relacji bez narzucania jednego progu. Wyniki należy prezentować przede wszystkim graficznie oraz za pomocą przewidywanych wartości i przedziałów ufności.

Wielomiany ułamkowe

Wielomiany ułamkowe stanowią jedną z metod modelowania ciągłych predyktorów w regresji. Royston i Sauerbrei opisują ich zastosowanie jako sposób na uchwycenie nieliniowości bez automatycznego dzielenia zmiennych na kategorie (Royston & Sauerbrei, 2008).

Przedziały opisowe

Kwintyle, kwartyle lub inne grupy mogą być przydatne w tabelach opisowych i na wykresach. Nie powinny jednak automatycznie zastępować modelowania ciągłego. Jeżeli stosuje się kilka kategorii, nadal tracimy część informacji, a granice przedziałów mogą wpływać na wynik.

Analiza przypadku: punkt odcięcia wybrany po obejrzeniu danych

Badacz analizuje związek wieku z ryzykiem powikłania po zabiegu. Po sprawdzeniu danych zauważa, że największa różnica występuje przy 67 latach, więc tworzy grupy „poniżej 67” i „67 lub więcej”. Następnie raportuje istotny statystycznie iloraz szans.

To postępowanie jest problematyczne, ponieważ punkt odcięcia został wybrany na podstawie tych samych danych, które służą do oceny efektu. Taki wybór może zwiększać optymizm oszacowania i zawyżać wrażenie, że znaleziono stabilny próg kliniczny. Inne próby mogą dać inny punkt odcięcia. W takiej sytuacji należy przede wszystkim zachować wiek jako zmienną ciągłą, a ewentualny próg traktować jako hipotezę wymagającą zewnętrznej walidacji.

Jeżeli celem jest stworzenie narzędzia predykcyjnego, należy dodatkowo ocenić kalibrację, dyskryminację i działanie modelu w danych niezależnych. Sam fakt, że podział uzyskał małą wartość p, nie świadczy o użyteczności klinicznej.

Najczęstsze błędy

1. Dzielnie według mediany bez uzasadnienia. Mediana zapewnia często podobne liczebności grup, ale nie jest automatycznie ważnym biologicznie punktem odcięcia.
2. Traktowanie wartości granicznej jako ostrej granicy natury. Wynik 139 i 140 może być praktycznie niemal taki sam, mimo że po podziale trafią do różnych kategorii.
3. Wybieranie progu na podstawie najmniejszej wartości p. Jest to forma selekcji wyniku i może prowadzić do niestabilnych, nadmiernie optymistycznych wniosków.
4. Interpretowanie kategorii jako przyczyn. Podział wieku na grupy nie dowodzi, że przekroczenie konkretnego wieku powoduje zdarzenie.
5. Ukrywanie informacji w tabeli. Podanie wyłącznie liczebności grup nie pokazuje rozrzutu, wartości skrajnych ani różnic wewnątrz kategorii.
6. Mylenie wygody raportowania z poprawnością modelu. Prostsza tabela nie musi oznaczać lepszej analizy.
7. Brak analizy wrażliwości. Jeżeli próg jest niepewny, warto sprawdzić, czy wnioski zmieniają się przy rozsądnych alternatywnych wartościach odcięcia.

Jak postępować w praktyce?

1. Najpierw określ cel analizy: opis, predykcja, ocena etiologiczna czy decyzja kliniczna.
2. Sprawdź, czy punkt odcięcia wynika z wiarygodnego źródła i został ustalony przed analizą.
3. Obejrzyj rozkład zmiennej oraz wykres jej związku z wynikiem.
4. Jeżeli to możliwe, zachowaj zmienną ciągłą w głównym modelu.
5. Sprawdź liniowość i rozważ modelowanie nieliniowe.
6. Jeśli potrzebujesz kategorii dla decyzji, oddziel analizę decyzyjną od analizy zależności.
7. Raportuj wielkość efektu i 95-procentowy przedział ufności, a nie wyłącznie wartość p.
8. Opisz w metodach sposób ustalenia punktu odcięcia i uzasadnij jego zastosowanie.

Co warto zapamiętać?

• Dychotomizacja zamienia bogatą informację liczbową na dwie etykiety.
• Najczęściej prowadzi do utraty informacji, mniejszej mocy statystycznej i mniej precyzyjnych oszacowań.
• Podział według mediany jest wygodny technicznie, ale zwykle nie ma sam w sobie uzasadnienia naukowego.
• Próg może być potrzebny do decyzji klinicznej, lecz nie musi być najlepszym sposobem modelowania zależności.
• W analizie należy odróżniać istotność statystyczną, wielkość efektu i znaczenie praktyczne.
• Jeśli zależność jest nieliniowa, lepsze mogą być splajny, wielomiany ułamkowe lub inne metody modelowania ciągłych predyktorów.
• Każdy punkt odcięcia wybrany na podstawie danych wymaga ostrożności i najlepiej niezależnej walidacji.

Dobra praktyka metodologiczna nie polega na całkowitym unikaniu kategorii, lecz na świadomym dopasowaniu sposobu reprezentacji zmiennej do pytania badawczego. Jeżeli pytamy o stopniowanie ryzyka, zachowajmy skalę ciągłą. Jeżeli podejmujemy decyzję według ustalonego progu, użyjmy kategorii, ale nie udawajmy, że próg wyczerpuje całą informację zawartą w pomiarze.

\n

Źródła i dalsza lektura

\n

1. Altman, D. G., & Royston, P. (2006). The cost of dichotomising continuous variables. BMJ, 332(7549), 1080. DOI: 10.1136/bmj.332.7549.1080.
2. Cohen, J. (1983). The Cost of Dichotomization. Applied Psychological Measurement, 7(3), 249–253. DOI: 10.1177/014662168300700301.
3. MacCallum, R. C., Zhang, S., Preacher, K. J., & Rucker, D. D. (2002). On the practice of dichotomization of quantitative variables. Psychological Methods, 7(1), 19–40. DOI: 10.1037/1082-989X.7.1.19.
4. Royston, P., & Sauerbrei, W. (2008). Multivariable Model-Building: A Pragmatic Approach to Regression Analysis Based on Fractional Polynomials for Modelling Continuous Variables. 1st edition. John Wiley & Sons. Informacja wydawcy / źródło.
5. Harrell, F. E., Jr. (2015). Regression Modeling Strategies: With Applications to Linear Models, Logistic and Ordinal Regression, and Survival Analysis. 2nd edition. Springer International Publishing. Informacja wydawcy / źródło.

\n