413. ANCOVA – po co uwzględniać współzmienną?

PrzezMarcin Skrok

W poprzednich lekcjach modułu 21 analizowaliśmy porównywanie średnich oraz znaczenie interakcji i założeń ANOVA. W tej lekcji wykonujemy kolejny krok: zastanowimy się, co zrobić, gdy wynik zależny zależy nie tylko od przynależności do grupy, lecz także od dodatkowej zmiennej ilościowej. Taką zmienną nazywamy współzmienną, a procedurę łączącą analizę wariancji z regresją liniową — analizą kowariancji, czyli ANCOVA.

ANCOVA nie jest „magicznym wyrównywaniem” grup ani sposobem na uzyskanie istotności statystycznej za wszelką cenę. Jej sens polega na tym, że część zróżnicowania wyniku można wyjaśnić zmienną pomocniczą, zanim porówna się grupy. Dzięki temu porównanie może stać się bardziej precyzyjne. W badaniach z randomizacją współzmienną bywa najczęściej pomiar wyjściowy tego samego wyniku, na przykład poziom bólu przed rozpoczęciem leczenia. W szkoleniu na statystyk.edu.pl ANCOVA jest naturalnym rozwinięciem interpretacji modeli liniowych i ANOVA.

Czym jest współzmienna?

Współzmienna to zmienna uwzględniana w modelu statystycznym obok głównego czynnika, którego wpływ chcemy ocenić. Zwykle jest ilościowa, choć w szerszym sensie do modelu można włączać również zmienne jakościowe, takie jak płeć, ośrodek badawczy czy kategoria wieku. W klasycznej ANCOVA główny czynnik jest kategoryczny, na przykład rodzaj terapii, a współzmienna jest najczęściej ciągła, na przykład wynik testu przed interwencją.

Warto odróżnić trzy role zmiennej:

  • czynnik grupujący — określa, które grupy porównujemy, na przykład terapia standardowa i nowa terapia;
  • zmienna zależna — jest wynikiem, który chcemy wyjaśnić, na przykład wynik testu depresji po leczeniu;
  • współzmienna — może wyjaśniać część różnic w zmiennej zależnej, na przykład wynik testu depresji przed leczeniem.

Nie każda zmienna skorelowana z wynikiem powinna automatycznie trafić do modelu. Współzmienną należy wybierać na podstawie projektu badania, wiedzy merytorycznej i planu analizy. Szczególnie ostrożnie trzeba traktować zmienne mierzone po rozpoczęciu interwencji. Jeśli są one skutkiem leczenia, ich kontrolowanie może usunąć część rzeczywistego efektu interwencji albo prowadzić do obciążenia estymacji.

Intuicja ANCOVA

Załóżmy, że porównujemy trzy programy rehabilitacji po zawale. Wynikiem jest dystans pokonany w teście wysiłkowym po 12 tygodniach. Pacjenci różnią się jednak sprawnością początkową. Osoba, która przed rehabilitacją pokonywała 400 metrów, ma inną prognozowaną wartość końcową niż osoba pokonująca 150 metrów. Jeśli porównamy wyłącznie surowe średnie po 12 tygodniach, część różnic między grupami może odzwierciedlać przypadkowy rozkład sprawności początkowej, a nie różnice między programami.

ANCOVA odpowiada na pytanie: jak różniłyby się przewidywane średnie wyniki grup, gdyby grupy miały taką samą wartość współzmiennej? W praktyce najczęściej oznacza to porównanie średnich wyników końcowych po statystycznym uwzględnieniu wspólnego poziomu wyjściowego. Nie porównujemy zatem po prostu obserwowanych średnich, lecz średnie skorygowane względem współzmiennej.

Można to przedstawić geometrycznie. W przypadku dwóch grup model dopasowuje dwie proste regresji opisujące związek między współzmienną a wynikiem. Jeśli założymy wspólne nachylenie tych prostych, różnica między nimi odpowiada efektowi grupy po uwzględnieniu współzmiennej. Właśnie dlatego ANCOVA jest jednocześnie szczególnym przypadkiem ANOVA i regresji liniowej (Vickers & Altman, 2001).

Model ANCOVA

Dla dwóch grup i jednej współzmiennej model można zapisać następująco:

Yi = β0 + β1Gi + β2Xi + εi

Znaczenie symboli jest następujące:

  • Yi — wynik końcowy osoby i, czyli zmienna zależna;
  • β0 — wyraz wolny, czyli przewidywany wynik dla grupy referencyjnej przy wartości współzmiennej równej zero;
  • Gi — kod grupy, na przykład 0 dla kontroli i 1 dla interwencji;
  • β1 — różnica między grupami po uwzględnieniu współzmiennej; jest to podstawowy parametr zainteresowania;
  • Xi — wartość współzmiennej, na przykład wynik wyjściowy;
  • β2 — współczynnik opisujący związek współzmiennej z wynikiem przy stałej przynależności do grupy;
  • εi — składnik losowy, czyli część wyniku niewyjaśniona przez model.

W modelu z większą liczbą grup zamiast jednej zmiennej G stosuje się zmienne wskaźnikowe lub odpowiednią parametryzację czynnika. Wtedy test główny sprawdza, czy po uwzględnieniu współzmiennej istnieją różnice między średnimi skorygowanymi wszystkich grup. Sam wynik testu F nie mówi jednak, które grupy się różnią. Potrzebne mogą być zaplanowane kontrasty albo odpowiednie porównania post-hoc.

Dlaczego uwzględniać współzmienną?

1. Zwiększenie precyzji

Jeżeli współzmienna jest silnie związana z wynikiem końcowym, wyjaśnia część wariancji, która w przeciwnym razie pozostawałaby w składniku błędu. Mniejszy błąd resztowy może oznaczać węższy przedział ufności dla różnicy między grupami i większą moc testu. W randomizowanych badaniach klinicznych ANCOVA z pomiarem wyjściowym często jest bardziej efektywna niż analiza samego wyniku końcowego albo analiza zmiany wyniku (Vickers & Altman, 2001; Van Breukelen, 2006).

2. Uwzględnienie wartości początkowych

Randomizacja nie gwarantuje identycznych średnich w każdej próbie. W małym badaniu grupa interwencyjna może przypadkowo mieć nieco wyższe ciśnienie tętnicze na początku, mimo że randomizacja była prawidłowa. Włączenie wartości wyjściowej do modelu pozwala oszacować różnicę końcową przy porównywalnym poziomie początkowym.

3. Lepsza odpowiedź na pytanie badawcze

Jeżeli pytanie brzmi: „czy grupy różnią się po leczeniu, przy uwzględnieniu wartości wyjściowej?”, ANCOVA bezpośrednio odpowiada temu pytaniu. Nie jest natomiast zamiennikiem dobrze zaplanowanego badania ani sposobem na naprawienie poważnych różnic wynikających z doboru uczestników.

ANCOVA a analiza zmiany wyniku

Częstą alternatywą jest obliczenie zmiany Δ = wynik końcowy − wynik początkowy, a następnie porównanie średnich zmian. Oba podejścia mogą dawać podobne wnioski, ale nie są algebraicznie identyczne. Analiza zmiany zakłada w praktyce, że współczynnik przy wartości początkowej wynosi 1. ANCOVA estymuje ten współczynnik na podstawie danych.

W randomizowanym badaniu z ilościowym wynikiem ANCOVA zwykle zapewnia większą precyzję, zwłaszcza gdy korelacja pomiaru początkowego i końcowego jest wyraźna. Van Breukelen (2006) wskazuje jednak, że w badaniach nierandomizowanych interpretacja jest trudniejsza. Gdy grupy są z góry różne, wybór między korektą o współzmienną a analizą zmiany może prowadzić do odmiennych wyników, ponieważ każda metoda opiera się na innych założeniach.

Nie należy wybierać metody po obejrzeniu wartości p. Plan analizy powinien określać, czy podstawowym wynikiem będzie wartość końcowa skorygowana o pomiar początkowy, zmiana wyniku czy model podłużny. Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej. Niezależnie od metody należy raportować estymowaną różnicę, przedział ufności, wielkość efektu i znaczenie praktyczne.

Założenia ANCOVA

ANCOVA korzysta z założeń modelu liniowego oraz dodatkowych założeń dotyczących współzmiennej.

  1. Niezależność obserwacji. Wyniki osób nie powinny być traktowane jako niezależne, jeśli uczestnicy są zagnieżdżeni w klasach, oddziałach lub ośrodkach. W takich sytuacjach potrzebny może być model wielopoziomowy.
  2. Liniowy związek współzmiennej z wynikiem. Jeśli związek jest krzywoliniowy, prosty składnik β2X może być niewystarczający. Można rozważyć transformację, składnik kwadratowy albo model splajnów.
  3. Jednorodność nachyleń regresji. Związek między współzmienną a wynikiem powinien być podobny w grupach. Sprawdza się to przez testowanie interakcji grupa × współzmienna. Jeśli interakcja jest istotna lub merytorycznie wiarygodna, nie należy bezrefleksyjnie stosować klasycznej ANCOVA ze wspólnym nachyleniem.
  4. Współzmienna mierzona przed interwencją. Szczególnie ważne jest, aby nie kontrolować zmiennej będącej pośrednikiem efektu albo skutkiem leczenia.
  5. Odpowiednia skala i wiarygodność pomiaru. Silny błąd pomiaru współzmiennej może osłabiać korzyść z korekty.
  6. Rozkład reszt i stałość wariancji. Należy ocenić reszty, obserwacje odstające oraz homoskedastyczność. Przy naruszeniach można rozważyć transformację, błędy odporne lub inny model.

Założenie jednorodności nachyleń jest szczególnie istotne. Jeśli terapia działa inaczej u osób z niskim i wysokim wynikiem wyjściowym, właściwym modelem może być model z interakcją. Wtedy pytanie nie brzmi już „jaka jest jedna średnia różnica między grupami?”, lecz „jak różnica między grupami zmienia się wraz ze współzmienną?”.

Przykład praktyczny: leczenie bólu

W badaniu porównano nowy program fizjoterapii z leczeniem standardowym u 90 osób z przewlekłym bólem kręgosłupa. Wynikiem był wynik skali bólu po 8 tygodniach, gdzie wyższa wartość oznaczała większy ból. Współzmienną był wynik tej samej skali przed rozpoczęciem programu.

Średni ból po 8 tygodniach wyniósł 4,8 punktu w grupie standardowej i 4,3 punktu w grupie nowej terapii. Surowa różnica wynosiła 0,5 punktu. Po uwzględnieniu bólu początkowego model oszacował różnicę na 0,7 punktu na korzyść nowej terapii, z 95-procentowym przedziałem ufności od 0,1 do 1,3. Wynik testu może wskazywać na istotność statystyczną, ale interpretacja praktyczna zależy od minimalnej ważnej klinicznie różnicy dla użytej skali. Jeżeli wynosi ona 1 punkt, rezultat może być statystycznie przekonujący, lecz klinicznie umiarkowany.

W raporcie należy podać: opis grup, sposób kodowania, średnią i odchylenie standardowe współzmiennej, oszacowaną różnicę skorygowaną, 95-procentowy przedział ufności, wynik testu oraz informację o sprawdzeniu interakcji grupa × ból początkowy. Samo zdanie „ANCOVA wykazała istotną różnicę” jest niewystarczające.

Drugi przykład: program psychologiczny

Załóżmy badanie trzech programów redukcji lęku u studentów. Wynikiem jest wynik kwestionariusza lęku po sześciu tygodniach, a współzmienną — wynik wyjściowy. Programy mogą mieć różne średnie końcowe, ale ich uczestnicy mogli różnić się poziomem lęku na początku.

ANCOVA pozwala porównać średnie końcowe przy wspólnym, reprezentatywnym poziomie lęku początkowego. Jeśli test ogólny dla czynnika „program” jest istotny, badacz powinien wykonać zaplanowane kontrasty, na przykład program A versus kontrola i program B versus kontrola. Nie należy wykonywać dowolnych wielu testów bez kontroli błędu rodzinnego. Warto także przedstawić wykres średnich skorygowanych z przedziałami ufności, pamiętając, że są to wartości modelowe, a nie bezpośrednio obserwowane średnie dla wszystkich osób.

Najczęstsze błędy

  • Dodawanie współzmiennej tylko dlatego, że grupy różnią się na początku. W randomizowanym badaniu decyzję powinien uzasadniać plan analizy i wartość prognostyczna zmiennej, a nie wyłącznie test istotności dla różnic bazowych.
  • Kontrolowanie zmiennej będącej skutkiem interwencji. Może to prowadzić do „odcięcia” części efektu, który chcemy oszacować.
  • Ignorowanie interakcji grupa × współzmienna. Wspólne nachylenie nie jest wiarygodne, jeśli efekt zależy od poziomu wyjściowego.
  • Traktowanie skorygowanych średnich jako obserwowanych średnich. Są one przewidywaniami modelu dla określonego poziomu współzmiennej.
  • Wybieranie między ANCOVA i analizą zmiany na podstawie niższego p. To praktyka post hoc zwiększająca ryzyko selektywnego raportowania.
  • Wnioskowanie przyczynowe z badania obserwacyjnego. Korekta o wiek, wynik wyjściowy lub inne zmienne nie usuwa automatycznie niezmierzonych czynników zakłócających.
  • Brak raportowania brakujących danych. Współzmienna może mieć brakujące wartości, a wykluczenie kompletnych przypadków może zmienić skład analizowanej próby.
  • Raportowanie wyłącznie wartości p. Potrzebne są także różnice, przedziały ufności, miary zmienności i ocena znaczenia praktycznego.

Jak raportować ANCOVA?

Przejrzysty opis powinien obejmować:

  1. uzasadnienie wyboru współzmiennej i moment jej pomiaru;
  2. definicję zmiennej zależnej oraz sposobu kodowania grup;
  3. opis modelu, w tym informację o testowaniu interakcji;
  4. liczebności grup i liczbę obserwacji uwzględnionych w analizie;
  5. oszacowanie różnicy skorygowanej, 95-procentowy przedział ufności i wartość p;
  6. ocenę założeń oraz sposób postępowania w razie ich naruszenia;
  7. interpretację praktyczną, a nie tylko statystyczną.

W badaniach klinicznych warto wcześniej określić model w protokole lub planie analizy. Wytyczne raportowania badań randomizowanych podkreślają znaczenie jasnego opisu analiz i wyników, a standardy APA zachęcają do przedstawiania estymat i przedziałów ufności zamiast ograniczania raportu do decyzji „istotne–nieistotne” (American Psychological Association, 2020).

Co warto zapamiętać?

  • ANCOVA łączy porównanie grup z regresją liniową.
  • Współzmienna pomaga wyjaśnić część zróżnicowania wyniku i może zwiększyć precyzję oszacowania.
  • W badaniach randomizowanych pomiar wyjściowy często jest użyteczną współzmienną, ale decyzję należy planować z wyprzedzeniem.
  • Podstawowy parametr zainteresowania to różnica między grupami po uwzględnieniu współzmiennej.
  • Trzeba sprawdzić liniowość, niezależność, wariancję reszt i jednorodność nachyleń regresji.
  • ANCOVA nie naprawia automatycznie błędów projektu i nie uzasadnia przyczynowego języka w badaniu obserwacyjnym.
  • Warto raportować wielkość efektu, przedział ufności i znaczenie praktyczne, a nie samą wartość p.

Najkrótsza odpowiedź na pytanie z tytułu brzmi: współzmienną uwzględniamy wtedy, gdy ma merytoryczne uzasadnienie i może poprawić porównanie grup bez naruszania interpretacji efektu. Dobrze zastosowana ANCOVA zwiększa przejrzystość i precyzję analizy; zastosowana mechanicznie może natomiast skomplikować model i wprowadzić błąd.

Źródła i dalsza lektura

  1. Andrew J. Vickers; Douglas G. Altman (2001). Analysing controlled trials with baseline and follow up measurements. BMJ, 323(7321), 1123–1124. DOI: 10.1136/bmj.323.7321.1123.
  2. Gerard J. P. Van Breukelen (2006). ANCOVA versus change from baseline: more power in randomized studies, more bias in nonrandomized studies [corrected]. Journal of Clinical Epidemiology, 59(9), 920–925. DOI: 10.1016/j.jclinepi.2006.02.007.
  3. Michael J. K. Kahan; Douglas G. Morris (2012). Reporting and analysis of outcomes in randomized controlled trials: extension of the CONSORT statement. BMJ, 345, e5661. DOI: 10.1136/bmj.e5661.
  4. Betty R. Kirkwood; Jonathan A. C. Sterne (2003). Essential Medical Statistics. 2nd edition. Blackwell Science. Informacja wydawcy / źródło.
  5. Douglas C. Montgomery (2020). Design and Analysis of Experiments. 10th edition. John Wiley & Sons, Inc.. Informacja wydawcy / źródło.
  6. American Psychological Association (2020). Publication Manual of the American Psychological Association. 7th edition. American Psychological Association. Informacja wydawcy / źródło.

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

Podobne wpisy

Jeden komentarz

  1. Pingback: Jednorodność nachyleń regresji w ANCOVA

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Wymagane pola są oznaczone *