098. Transformacje zmiennych – po co i kiedy je stosować?

Transformacja zmiennej polega na zastąpieniu jej wartości inną, systematycznie obliczoną wartością, na przykład logarytmem, pierwiastkiem kwadratowym albo potęgą. Nie zmienia ona pierwotnych obserwacji w sensie pomiaru, lecz tworzy nową skalę analityczną. Właściwie zastosowana transformacja może pomóc lepiej opisać zależność między zmiennymi, ograniczyć wpływ silnej asymetrii, ustabilizować wariancję lub przybliżyć model do założeń wymaganych przez daną metodę.

Nie należy jednak traktować transformacji jako obowiązkowego etapu każdej analizy ani jako sposobu na „naprawianie” danych wyłącznie po to, aby uzyskać istotność statystyczną. Transformacja powinna wynikać z celu badania, właściwości danych i założeń konkretnego modelu. W tym sensie jest decyzją metodologiczną, a nie kosmetyczną.

Czym jest transformacja zmiennej?

Załóżmy, że obserwujemy zmienną Y, na przykład stężenie białka C-reaktywnego, czas oczekiwania na przyjęcie do szpitala albo wynik skali objawów. Transformacja polega na zdefiniowaniu nowej zmiennej:

Y* = f(Y)

gdzie Y* oznacza zmienną po transformacji, Y jest zmienną pierwotną, a f oznacza określoną funkcję matematyczną. Przykładowo:

• Y* = ln(Y) – logarytm naturalny;
• Y* = √Y – pierwiastek kwadratowy;
• Y* = 1/Y – odwrotność;
• Y* = Y² – podniesienie do kwadratu.

Transformacja jest zwykle monotoniczna, czyli zachowuje kolejność obserwacji. Jeżeli jedna osoba ma większą wartość niż druga przed transformacją, to po zastosowaniu rosnącej funkcji nadal będzie miała większą wartość. Nie oznacza to jednak, że zachowane zostają odległości między obserwacjami, średnie arytmetyczne, różnice ani interpretacja współczynników modelu.

Po co stosuje się transformacje?

Ograniczenie asymetrii rozkładu

W wielu badaniach medycznych i społecznych zmienne ilościowe mają prawostronnie skośny rozkład: większość obserwacji skupia się przy niższych wartościach, a niewielka liczba osób ma bardzo wysokie wyniki. Dotyczy to między innymi stężenia triglicerydów, czasu hospitalizacji, liczby wizyt w poradni, dochodu lub czasu oczekiwania na świadczenie.

Logarytmowanie silnie zmniejsza względne różnice między dużymi wartościami. Przykładowo różnica między 10 a 20 jest taka sama jak między 100 a 110 w skali surowej, ale w praktyce pierwszy wzrost oznacza podwojenie, a drugi wzrost o około 10%. Skala logarytmiczna lepiej odpowiada sytuacjom, w których ważniejsze są proporcje lub zmiany względne niż różnice bezwzględne (Bland i Altman, 1996a; Feng i in., 2013).

Stabilizacja wariancji

Wariancja może rosnąć wraz ze średnią. Przykładowo pacjenci z większym wyjściowym stężeniem biomarkera mogą wykazywać także większe bezwzględne zróżnicowanie wyników. W takim przypadku odchylenie standardowe nie jest podobne w całym zakresie wartości. Logarytm lub pierwiastek mogą częściowo ograniczyć tę zależność, dzięki czemu model liniowy może lepiej spełniać założenie homoscedastyczności, czyli względnie stałej wariancji reszt.

Ważne jest, że ocenia się przede wszystkim rozkład i wariancję reszt modelu, a nie wyłącznie rozkład samej zmiennej zależnej. Silnie skośna zmienna wynikowa nie zawsze uniemożliwia zastosowanie regresji liniowej, jeżeli reszty są odpowiednio zachowujące się i model jest adekwatny.

Uproszczenie nieliniowej zależności

Transformacja może sprawić, że relacja między zmiennymi stanie się bliższa liniowej. Załóżmy, że wzrost ryzyka powikłań szybko zwiększa się przy niskich wartościach ekspozycji, a następnie przyrost ryzyka stopniowo maleje. Zależność między surowymi wartościami może być zakrzywiona, natomiast zależność między logarytmem ekspozycji a wynikiem może być bardziej przybliżona linią prostą.

Nie należy jednak zakładać, że każda krzywizna wymaga transformacji. Alternatywą może być wielomian, splajn, model addytywny uogólniony albo odpowiedni model nieliniowy. Wybór powinien wynikać z pytania badawczego i mechanizmu zjawiska, a nie tylko z wyglądu wykresu.

Lepsza interpretacja efektu

W badaniach biomedycznych często bardziej sensowne jest pytanie o zmianę względną niż absolutną. Jeżeli wynik modelu dotyczy logarytmu stężenia, różnica między grupami po przekształceniu może po odwróceniu transformacji odpowiadać stosunkowi średnich geometrycznych. Bland i Altman (1996b) podkreślali, że różnica logarytmów jest logarytmem ilorazu:

ln(A) − ln(B) = ln(A/B)

gdzie A i B oznaczają dwie dodatnie wartości. Po eksponencjacji otrzymujemy A/B, czyli iloraz. Dlatego w analizie logarytmowanych wyników efekt można opisywać jako iloraz średnich geometrycznych albo procentową różnicę względną, a nie jako zwykłą różnicę jednostek pierwotnej skali.

Najczęściej stosowane transformacje

Transformacja logarytmiczna

Najczęściej stosuje się ln(Y), czyli logarytm naturalny. Można użyć także logarytmu dziesiętnego lub o podstawie 2, ale trzeba konsekwentnie opisać podstawę logarytmu. Transformacja wymaga dodatnich wartości. Dla obserwacji równych zero nie można bezrefleksyjnie obliczyć ln(0), ponieważ logarytm z zera nie jest zdefiniowany.

Dodanie stałej, na przykład zastosowanie ln(Y + 1), bywa używane przy zerach, ale nie jest neutralnym zabiegiem. Stała powinna mieć uzasadnienie merytoryczne i zostać podana w publikacji. Jeżeli zera mają znaczenie jakościowo inne niż wartości dodatnie, lepszy może być model dwuczęściowy, osobna zmienna wskazująca wystąpienie zera lub model właściwy dla danych licznikowych.

Transformacja pierwiastkowa

Pierwiastek kwadratowy jest często rozważany dla danych licznikowych, na przykład liczby zdarzeń, wizyt lub urazów, szczególnie gdy wartości są nieujemne i umiarkowanie skośne. Współcześnie często preferuje się jednak modele dla danych zliczeniowych, takie jak regresja Poissona lub ujemno-dwumianowa, zamiast transformowania wyniku wyłącznie po to, aby użyć regresji liniowej.

Transformacja odwrotna

Transformacja 1/Y może być przydatna w szczególnych sytuacjach, gdy zależność ma charakter hiperboliczny. Jest trudna interpretacyjnie, ponieważ odwraca kierunek zmian i silnie wpływa na obserwacje o małych wartościach. Powinna być stosowana oszczędnie, z jasnym uzasadnieniem.

Transformacja Boxa-Coxa

Rodzina transformacji Boxa-Coxa pozwala dobrać parametr potęgi na podstawie danych:

Y(λ) = (Yλ − 1) / λ dla λ ≠ 0

oraz

Y(λ) = ln(Y) dla λ = 0

Symbol Y oznacza dodatnią zmienną, a λ jest parametrem określającym rodzaj transformacji. Dla wybranych wartości λ otrzymujemy przybliżenia znanych przekształceń: λ = 1 odpowiada skali zbliżonej do surowej, λ = 0,5 – pierwiastkowi, a λ = 0 – logarytmowi. Box i Cox (1964) zaproponowali ocenę parametru w ramach modelu, zwykle z wykorzystaniem kryterium wiarygodności.

Transformacja Boxa-Coxa nie „odkrywa prawdziwej transformacji” w sensie przyczynowym. Wskazuje jedynie skalę, na której określony model może działać lepiej według przyjętego kryterium. Wynik należy sprawdzić na wykresach diagnostycznych i interpretować razem z sensem klinicznym.

Kiedy transformować zmienną zależną, a kiedy niezależną?

Transformacja zmiennej zależnej może być uzasadniona, gdy reszty modelu wykazują asymetrię, wariancja zależy od wartości przewidywanych lub relacja z predyktorami jest nieliniowa. W regresji liniowej to zachowanie reszt jest ważniejsze niż sam fakt, że wynik nie ma rozkładu normalnego.

Transformacja zmiennej niezależnej może pomóc opisać nieliniowy wpływ predyktora. Przykładowo efekt wieku może zmieniać się szybko we wczesnej dorosłości, a następnie wolniej; użycie logarytmu wieku jest jedną z możliwości, choć nie zawsze najlepszą. Samo skośne rozmieszczenie predyktora nie jest wystarczającym powodem do transformacji. Jeżeli związek predyktora z wynikiem jest liniowy, jego skośność może nie stanowić problemu.

W modelach z wynikiem binarnym, na przykład „rehospitalizacja: tak/nie”, nie należy logarytmować wyniku binarnego. Logit jest elementem modelu regresji logistycznej i dotyczy prawdopodobieństwa opisanego przez model, a nie prostego przekształcenia zmiennej 0–1 w analizowanym zbiorze.

Przykład 1: stężenie biomarkera

W badaniu pacjentów z nadciśnieniem analizowano stężenie hs-CRP. Większość wyników wynosiła 1–4 mg/l, ale u kilku osób stężenie przekraczało 30 mg/l. Histogram wskazywał silną prawostronną skośność, a wykres reszt względem wartości dopasowanych sugerował większą zmienność przy wyższych poziomach biomarkera.

Badacz rozważył model z wynikiem ln(hs-CRP). Po dopasowaniu sprawdził: wykres reszt, Q-Q plot reszt, obserwacje wpływowe, liniowość relacji z predyktorami oraz przedziały ufności. Jeżeli model byłby adekwatny, współczynnik przy ekspozycji interpretowano by jako zmianę logarytmu średniego poziomu hs-CRP. Po eksponencjacji współczynnika można uzyskać iloraz przewidywanych wartości.

Przykładowo, jeśli współczynnik dla palenia wynosi 0,262, to exp(0,262) ≈ 1,30. Przy pozostałych warunkach modelu palenie wiązałoby się z około 30-procentowo wyższym przewidywanym poziomem biomarkera na skali multiplikatywnej. Nie oznacza to automatycznie, że palenie powoduje wzrost hs-CRP, jeżeli dane pochodzą z badania obserwacyjnego.

Przykład 2: czas pobytu w szpitalu

W analizie dokumentacji medycznej czas pobytu pacjentów wynosił od 1 do 90 dni. Rozkład był silnie skośny, ponieważ większość pacjentów wypisywano po kilku dniach, ale część pozostawała w szpitalu znacznie dłużej. Zespół rozważył logarytmowanie czasu pobytu.

Jeżeli celem było porównanie typowego czasu pobytu między oddziałami, wynik po transformacji można opisać poprzez średnie geometryczne i ich iloraz. Jeżeli celem było przewidywanie liczby dni z uwzględnieniem cenzorowania, zgonów lub wypisu jako zdarzenia konkurencyjnego, zwykła transformacja logarytmiczna może być niewystarczająca. Należałoby rozważyć model czasu do zdarzenia albo model odpowiedni dla dodatnich, skośnych danych. Transformacja nie zastępuje rozpoznania struktury wyniku.

Jak oceniać, czy transformacja pomogła?

1. Zdefiniuj problem. Zapisz, czy chodzi o asymetrię, nierówną wariancję, nieliniowość, wpływ wartości skrajnych czy interpretację względną.
2. Obejrzyj dane. Użyj histogramu, wykresu pudełkowego, wykresu rozrzutu i wykresów zależności wariancji od średniej.
3. Dopasuj model na właściwej skali. Nie oceniaj transformacji wyłącznie na podstawie tego, czy histogram wygląda „bardziej normalnie”.
4. Sprawdź diagnostykę reszt. Obejrzyj liniowość, stałość wariancji, obserwacje wpływowe i odpowiedniość rozkładu reszt.
5. Porównaj interpretację. Zastanów się, czy wynik na skali logarytmicznej, pierwiastkowej lub surowej odpowiada pytaniu klinicznemu.
6. Raportuj decyzję. Podaj zastosowaną funkcję, podstawę logarytmu, sposób postępowania z zerami, kryterium wyboru i sposób powrotu do skali oryginalnej.

W publikacji warto przedstawić wyniki na skali zrozumiałej dla odbiorcy. Jeżeli analiza została wykonana na logarytmach, można podać iloraz lub procentową różnicę wraz z przedziałem ufności. Należy unikać sugerowania, że po transformacji otrzymano „zwykłą średnią” w jednostkach pierwotnych. Eksponentowana średnia logarytmów odpowiada średniej geometrycznej, a nie arytmetycznej (Bland i Altman, 1996a).

Transformacja a testowanie hipotez

Transformacja zmienia przedmiot analizy. Porównanie średnich logarytmów nie jest tym samym co porównanie średnich arytmetycznych na skali pierwotnej. W przypadku dwóch grup różnica średnich logarytmów po odwróceniu transformacji odpowiada ilorazowi średnich geometrycznych. Wartość odniesienia dla braku różnicy wynosi wtedy 1, a nie 0.

Nie wolno też interpretować wartości p jako prawdopodobieństwa prawdziwości hipotezy zerowej. Wartość p informuje o zgodności danych z określonym modelem i hipotezą zerową przy założeniach procedury. O znaczeniu wyniku decydują także wielkość efektu, przedział ufności, precyzja oszacowania i znaczenie praktyczne.

Najczęstsze błędy

• Automatyczne logarytmowanie każdej skośnej zmiennej. Skośność może być biologicznie naturalna, a właściwym rozwiązaniem może być model z innym rozkładem wynikowym.
• Transformowanie wyłącznie po to, aby uzyskać p < 0,05. Jest to praktyka zwiększająca ryzyko selektywnego raportowania.
• Sprawdzanie normalności tylko zmiennej wynikowej. W regresji ważne są przede wszystkim właściwości reszt i poprawność specyfikacji modelu.
• Dodawanie stałej do zer bez uzasadnienia. Wynik zależy wtedy od arbitralnego wyboru tej stałej.
• Interpretowanie współczynnika po logarytmowaniu jak różnicy w jednostkach surowych. Najczęściej należy użyć ilorazu, średniej geometrycznej lub procentowej zmiany.
• Brak informacji o podstawie logarytmu. Logarytm naturalny, dziesiętny i o podstawie 2 prowadzą do innych współczynników liczbowych.
• Transformowanie wyniku binarnego. Zmienna 0–1 wymaga modelu odpowiedniego dla wyniku binarnego, a nie logarytmowania.
• Ignorowanie wartości skrajnych. Transformacja może zmniejszyć ich wpływ, ale nie rozstrzyga, czy są błędami pomiaru, czy prawdziwymi obserwacjami.
• Raportowanie wyłącznie wyników po transformacji. Czytelnik powinien znać skalę analizy i sposób interpretacji w skali pierwotnej.

Co warto zapamiętać?

• Transformacja tworzy nową skalę analityczną; nie jest prostym zabiegiem technicznym bez konsekwencji interpretacyjnych.
• Najczęstsze cele to ograniczenie asymetrii, stabilizacja wariancji, przybliżenie liniowości i opis efektów względnych.
• Logarytm jest szczególnie użyteczny dla dodatnich danych prawostronnie skośnych, ale nie rozwiązuje problemu zer automatycznie.
• Transformację ocenia się w kontekście konkretnego modelu, przede wszystkim na podstawie diagnostyki reszt.
• Po transformacji trzeba poprawnie odwrócić skalę interpretacji: różnica logarytmów staje się logarytmem ilorazu, a po eksponencjacji otrzymujemy iloraz.
• Nie każda skośna zmienna wymaga transformacji; czasem lepszy jest model o innym rozkładzie lub elastyczna funkcja zależności.
• W ramach publicznego szkolenia na statystyk.edu.pl transformacje warto traktować jako element szerszego procesu: od pytania badawczego, przez rozpoznanie danych, po diagnostykę i transparentny raport.

\n

Źródła i dalsza lektura

\n

1. Box, G. E. P., Cox, D. R. (1964). An Analysis of Transformations. Journal of the Royal Statistical Society: Series B (Methodological), 26(2), 211–243. DOI: 10.1111/j.2517-6161.1964.tb00553.x.
2. Bland, J. M., Altman, D. G. (1996). Statistics notes: Transformations, means, and confidence intervals. BMJ, 312(7038), 1079. DOI: 10.1136/bmj.312.7038.1079.
3. Bland, J. M., Altman, D. G. (1996). Statistics notes: The use of transformation when comparing two means. BMJ, 312(7039), 1153. DOI: 10.1136/bmj.312.7039.1153.
4. Feng, C., Wang, H., Lu, N., Tu, X. M. (2013). Log transformation: application and interpretation in biomedical research. Statistics in Medicine, 32(2), 230–239. DOI: 10.1002/sim.5486.
5. West, R. M. (2022). Best practice in statistics: The use of log transformation. Annals of Clinical Biochemistry, 59(3), 162–165. DOI: 10.1177/00045632211050531.
6. Vickers, A. J., Altman, D. G. (2001). Analysing controlled trials with baseline and follow up measurements. BMJ, 323(7321), 1123. DOI: 10.1136/bmj.323.7321.1123.

\n

Jeżeli potrzebujesz indywidualnego wsparcia w doborze metod, przygotowaniu bazy lub opracowaniu wyników badań, sprawdź analiza statystyczna.