051. Badanie opisowe a badanie wyjaśniające – różnice w celach

W poprzednich lekcjach kursu na statystyk.edu.pl analizowaliśmy, jak budować cele możliwe do osiągnięcia, mierzalne i zgodne z projektem badania. Kolejnym krokiem jest rozróżnienie dwóch szerokich orientacji badawczych: opisu i wyjaśniania. Obie są potrzebne, ale odpowiadają na inne pytania, wymagają innego sposobu formułowania celów i prowadzą do odmiennych wniosków.

Najkrócej: badanie opisowe odpowiada na pytanie „jak jest?”, natomiast badanie wyjaśniające dąży do odpowiedzi na pytanie „dlaczego tak jest?” albo bardziej precyzyjnie: „czy określony czynnik wiąże się z wynikiem i czy projekt pozwala ocenić mechanizm lub efekt tej zależności?” Różnica ta nie sprowadza się jednak do zastosowania tabel opisowych albo testu statystycznego. Dotyczy przede wszystkim celu poznawczego, konstrukcji projektu, kolejności pomiarów i zakresu dopuszczalnej interpretacji.

1. Dwa podstawowe sposoby stawiania pytania

Badanie opisowe koncentruje się na charakterystyce zjawiska, populacji, grupy, sytuacji klinicznej lub procesu. Badacz ustala, jak często coś występuje, jakie przyjmuje wartości, jak rozkłada się w czasie lub przestrzeni oraz które cechy badanych są typowe, a które rzadkie. Opis może obejmować częstości, proporcje, średnie, mediany, miary zmienności, rozkłady wyników i podstawowe charakterystyki podgrup.

Badanie wyjaśniające wychodzi poza samą charakterystykę zjawiska. Jego celem jest sprawdzenie, czy określone zmienne pozostają w relacji zgodnej z hipotezą, czy obserwowany związek jest zgodny z proponowanym mechanizmem oraz czy inne czynniki mogą tłumaczyć tę zależność. W zależności od projektu badanie wyjaśniające może dotyczyć zależności statystycznych, predykcji, mechanizmów albo efektów interwencji.

Warto od razu wprowadzić ważne zastrzeżenie: „wyjaśniające” nie oznacza automatycznie „przyczynowe”. Badanie obserwacyjne może być analityczne i służyć testowaniu hipotez, lecz samo wykazanie związku między zmiennymi nie dowodzi, że jedna z nich wywołuje drugą. Wnioskowanie przyczynowe wymaga odpowiedniego projektu, uzasadnienia założeń, kontroli zakłóceń i jasno określonego kontrfaktycznego efektu; szczegółowo rozwijają to Hernán i Robins (2020).

2. Badanie opisowe: cele, dane i wnioski

2.1. Typowe cele opisowe

Cel opisowy powinien wskazywać co będzie opisane, u kogo, gdzie i w jakim czasie. Przykładowe cele to:

• oszacowanie częstości występowania objawów depresyjnych wśród studentów pielęgniarstwa w roku akademickim 2026/2027;
• opis struktury wieku i płci pacjentów przyjmowanych do szpitalnego oddziału ratunkowego w określonym okresie;
• określenie odsetka mieszkańców gminy spełniających zalecenia dotyczące aktywności fizycznej;
• charakterystyka poziomu bólu po zabiegu oraz rozkładu czasu oczekiwania na świadczenie.

W takich celach nie trzeba zakładać, że jedna zmienna oddziałuje na inną. Można oczywiście opisać wyniki osobno w podgrupach, na przykład według płci, wieku lub miejsca zamieszkania. Samo porównanie odsetków albo średnich nadal nie musi zmieniać badania w projekt wyjaśniający. Decydujące jest to, czy porównanie było zaplanowane jako próba odpowiedzi na pytanie o różnice i ich możliwe uwarunkowania, czy jedynie jako sposób pełniejszego przedstawienia populacji.

2.2. Co może zawierać analiza?

W badaniu opisowym stosuje się między innymi:

• liczebności i odsetki dla zmiennych jakościowych;
• średnią i odchylenie standardowe, gdy rozkład oraz skala pomiaru to uzasadniają;
• medianę i kwartyle, gdy rozkład jest asymetryczny lub występują wartości odstające;
• przedziały ufności dla częstości, średnich lub innych parametrów populacyjnych;
• wykresy słupkowe, histogramy, wykresy pudełkowe i szeregi czasowe.

Przedział ufności jest szczególnie użyteczny, ponieważ informuje o precyzji oszacowania. Na przykład odsetek 18% bez informacji o liczebności próby i niepewności jest niepełnym wynikiem. Należy jednak pamiętać, że przedział ufności nie naprawia błędu doboru próby, błędów pomiaru ani niereprezentatywności badanej grupy.

W badaniu opisowym warto opisywać również brakujące dane, kryteria włączenia, sposób rekrutacji oraz jednostkę analizy. Błędne rozpoznanie jednostki analizy może prowadzić do pozornie dużej liczby obserwacji, gdy wielokrotne pomiary tej samej osoby zostaną potraktowane jak pomiary niezależnych osób. Problem ten podkreślali Altman i Bland (1997), wskazując, że w badaniach medycznych podstawowym przedmiotem zainteresowania często pozostaje pacjent, a nie pojedynczy pomiar. ([bmj.com](https://www.bmj.com/content/314/7098/1874?utm_source=openai))

3. Badanie wyjaśniające: cele, hipotezy i relacje między zmiennymi

3.1. Od opisu do pytania o zależność

Badanie wyjaśniające rozpoczyna się zwykle od modelu pojęciowego. Badacz określa:

• zmienną objaśnianą, czyli wynik, który chce zrozumieć;
• zmienną objaśniającą, czyli czynnik potencjalnie powiązany z wynikiem;
• zmienne zakłócające, które mogą być związane zarówno z ekspozycją, jak i wynikiem;
• kierunek czasowy oraz mechanizm, który uzasadnia oczekiwaną relację.

Przykładowy cel może brzmieć: „ocena, czy poziom obciążenia pracą jest związany z nasileniem objawów wypalenia zawodowego wśród ratowników medycznych”. Jest to cel analityczny lub wyjaśniający, ponieważ zakłada analizę relacji między zmiennymi. Nie uprawnia jednak jeszcze do zdania: „obciążenie pracą powoduje wypalenie”. Jeżeli dane zebrano jednorazowo, możliwe jest także odwrócenie kierunku zależności: osoby z nasilonym wypaleniem mogą oceniać swoje obciążenie jako większe.

3.2. Wzór pomocny przy porządkowaniu celu

Cel wyjaśniający można zapisać w postaci schematu:

Y = f(X, Z) + ε

gdzie:

• Y oznacza zmienną objaśnianą, czyli wynik, na przykład poziom ciśnienia tętniczego;
• X oznacza główną zmienną objaśniającą, na przykład spożycie soli;
• Z oznacza inne zmienne uwzględnione w modelu, na przykład wiek, masę ciała lub aktywność fizyczną;
• f oznacza założoną postać zależności, na przykład liniową albo nieliniową;
• ε oznacza składnik niewyjaśnionej zmienności i błędu.

Ten zapis nie dowodzi przyczynowości. Pomaga natomiast sprawdzić, czy cel został zbudowany logicznie: jaki wynik analizujemy, jaki czynnik jest najważniejszy i jakie alternatywne wyjaśnienia trzeba uwzględnić. W badaniu opisowym taki model może nie być potrzebny, ponieważ głównym zadaniem jest oszacowanie rozkładu Y, a nie wyjaśnienie jego zróżnicowania.

3.3. Jakie wyniki są istotne?

W badaniu wyjaśniającym należy raportować nie tylko wartość p. Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej ani prawdopodobieństwem, że wynik powstał „przypadkiem”. Jest miarą zgodności danych z określonym modelem i hipotezą zerową przy przyjętych założeniach. Dlatego należy podawać również wielkość efektu, przedział ufności, kierunek związku i jego znaczenie praktyczne.

Przykładowo iloraz szans równy 1,30 może być statystycznie istotny w bardzo dużej próbie, ale jego znaczenie kliniczne może być niewielkie. Z drugiej strony wynik nieistotny statystycznie nie oznacza, że efekt jest równy zero; może wskazywać na małą precyzję oszacowania, zbyt małą próbę lub dużą zmienność.

4. Najważniejsze różnice między badaniem opisowym i wyjaśniającym

Element	Badanie opisowe	Badanie wyjaśniające
Główne pytanie	Jak często? Jakie wartości? Kogo i czego dotyczy zjawisko?	Z czym wiąże się wynik? Jakie czynniki mogą go tłumaczyć?
Cel	Charakterystyka populacji lub zjawiska	Ocena relacji, hipotezy, mechanizmu lub efektu
Rola zmiennych	Opis rozkładów i grup	Rozróżnienie wyniku, ekspozycji i czynników zakłócających
Typowa analiza	Statystyki opisowe, przedziały ufności, wykresy	Porównania, korelacje, regresja, analiza podłużna lub interwencyjna
Język wniosków	„W badanej grupie odsetek wynosił…”	„Zaobserwowano związek po uwzględnieniu…”
Ryzyko nadinterpretacji	Uogólnienie poza badaną populację	Traktowanie związku jako przyczynowego

Granica między tymi typami nie zawsze jest absolutna. Jedno badanie może zawierać część opisową i część wyjaśniającą. Na przykład projekt kohortowy może najpierw opisać częstość nowych zachorowań, a następnie ocenić związek między ekspozycją a zachorowaniem. W raporcie trzeba wtedy wyraźnie oddzielić cele i wyniki obu części.

5. Dwa przykłady zastosowania

Przykład 1. Zdrowie publiczne i aktywność fizyczna

Badacz chce zbadać aktywność fizyczną dorosłych mieszkańców powiatu.

Wersja opisowa: „Celem jest oszacowanie odsetka dorosłych mieszkańców powiatu, którzy w badanym miesiącu spełniają przyjęte kryterium aktywności fizycznej, oraz opisanie tego odsetka według wieku i płci”. W tym przypadku najważniejsze są definicja aktywności, sposób doboru mieszkańców, kompletność odpowiedzi i precyzja oszacowania.

Wersja wyjaśniająca: „Celem jest ocena, czy dostęp do terenów rekreacyjnych wiąże się z prawdopodobieństwem spełniania kryterium aktywności fizycznej po uwzględnieniu wieku, dochodu, stanu zdrowia i wykształcenia”. Tu potrzebny jest model zależności, uzasadnienie zmiennych zakłócających i ostrożna interpretacja. Jeśli jest to badanie przekrojowe, można mówić o związku, lecz nie należy twierdzić, że sama dostępność terenów rekreacyjnych powoduje większą aktywność.

Przykład 2. Pielęgniarstwo i ból pooperacyjny

Oddział chirurgiczny chce przeanalizować dokumentację 300 pacjentów.

Cel opisowy: „Opisanie nasilenia bólu w pierwszych 24 godzinach po zabiegu, częstości zastosowania leków przeciwbólowych oraz czasu do pierwszej oceny bólu”. Wyniki mogą wskazać, jak wygląda praktyka i gdzie występują braki w dokumentacji.

Cel wyjaśniający: „Ocena, czy opóźnienie pierwszej oceny bólu wiąże się z większym nasileniem bólu po 24 godzinach po uwzględnieniu rodzaju zabiegu, wieku i wyjściowego poziomu bólu”. Taki cel wymaga wcześniejszego określenia, które pomiary są ekspozycją, które wynikiem, a które potencjalnymi czynnikami zakłócającymi. Dane z dokumentacji mogą być niepełne, a decyzja o czasie oceny bólu nie jest losowa. Dlatego wniosek przyczynowy byłby nieuprawniony bez dodatkowych założeń i odpowiedniego projektu.

6. Przykład praktyczny: od nieprecyzyjnego tematu do dwóch celów

Rozważmy temat: „Stres studentów medycyny”. Jest on zbyt ogólny, ponieważ nie wskazuje populacji, czasu, sposobu pomiaru ani rodzaju pytania.

Cel opisowy: „Opisanie poziomu odczuwanego stresu, częstości objawów bezsenności oraz rozkładu wyników w skali stresu wśród studentów medycyny drugiego i trzeciego roku w semestrze zimowym”.

Cel wyjaśniający: „Ocena związku między liczbą godzin pracy zarobkowej w tygodniu a wynikiem w skali odczuwanego stresu, z uwzględnieniem roku studiów, liczby godzin nauki i jakości snu”.

W pierwszej wersji głównym zadaniem jest rzetelny opis. W drugiej pojawia się pytanie o zależność. Jeżeli pomiar zostanie wykonany tylko raz, należy użyć sformułowania „związek” lub „współwystępowanie”. Jeżeli studenci będą obserwowani w kilku punktach czasowych, można lepiej ocenić następstwo czasowe, ale nadal nie każda obserwacja podłużna automatycznie uzasadnia wniosek przyczynowy.

Wybór standardu raportowania powinien odpowiadać projektowi. Dla badań obserwacyjnych przydatne są zalecenia STROBE, które porządkują raportowanie badań kohortowych, kliniczno-kontrolnych i przekrojowych (von Elm i in., 2007). ([journals.plos.org](https://journals.plos.org/plosmedicine/article?id=10.1371%2Fjournal.pmed.0040296&utm_source=openai)) Dla randomizowanych badań interwencyjnych właściwym punktem odniesienia jest CONSORT 2010 (Schulz i in., 2010; Moher i in., 2010). ([bmj.com](https://www.bmj.com/content/340/bmj.c332/related?utm_source=openai))

7. Najczęstsze błędy

• Nazywanie każdego badania „wyjaśniającym” tylko dlatego, że zastosowano test statystyczny. Test porównawczy sam w sobie nie określa celu badania.
• Wnioskowanie o przyczynowości z badania przekrojowego. Jednoczesny pomiar ekspozycji i wyniku często nie pozwala ustalić, co było pierwsze.
• Mieszanie opisu i wyjaśniania w jednym celu. Cel powinien jasno wskazywać, czy badacz szacuje częstość, porównuje grupy, ocenia związek czy analizuje efekt.
• Pomijanie populacji i czasu. „Zbadanie depresji u studentów” jest mniej użyteczne niż wskazanie konkretnej grupy, okresu i narzędzia pomiarowego.
• Traktowanie istotności statystycznej jako ważności praktycznej. Należy interpretować wielkość efektu i jego przedział ufności, a nie tylko wartość p.
• Nieuwzględnianie błędu doboru. Wynik uzyskany w grupie ochotników nie musi opisywać całej populacji.
• Mechaniczne dodawanie wielu zmiennych do modelu. Każda zmienna powinna mieć uzasadnienie merytoryczne, a nie być wprowadzana wyłącznie dlatego, że jest dostępna w bazie.
• Używanie języka przyczynowego w badaniu obserwacyjnym. Bez odpowiedniego projektu lepiej pisać „wiązało się z”, „współwystępowało z” lub „było skorelowane z”.

8. Jak sprawdzić zgodność celu z projektem?

1. Zapisz główne pytanie jednym zdaniem.
2. Określ, czy pytanie dotyczy częstości, rozkładu, różnicy, związku, predykcji czy efektu interwencji.
3. Wskaż jednostkę analizy: osobę, wizytę, pomiar, oddział, szkołę albo gminę.
4. Ustal, czy kolejność czasowa między potencjalną przyczyną a wynikiem jest znana.
5. Sprawdź, czy sposób doboru próby pozwala uogólniać wynik na określoną populację.
6. Dobierz analizę i język raportu do rzeczywistych możliwości projektu.

Jeżeli celem jest wyłącznie oszacowanie częstości, nie trzeba tworzyć rozbudowanego modelu przyczynowego. Jeżeli natomiast celem jest ocena związku lub efektu, sam opis rozkładów będzie niewystarczający. W obu przypadkach najważniejsza jest zgodność między pytaniem, projektem, pomiarem, analizą i wnioskiem.

Co warto zapamiętać?

• Badanie opisowe odpowiada przede wszystkim na pytanie: jak wygląda zjawisko?
• Badanie wyjaśniające odpowiada na pytanie: z czym zjawisko się wiąże i jakie wyjaśnienia są zgodne z danymi?
• Badanie wyjaśniające nie jest automatycznie badaniem przyczynowym.
• Cel opisowy powinien wskazywać populację, zjawisko, czas i sposób pomiaru.
• Cel wyjaśniający powinien rozróżniać wynik, główną zmienną objaśniającą i potencjalne czynniki zakłócające.
• Wartość p nie zastępuje oceny wielkości efektu, precyzji i znaczenia praktycznego.
• Jedno badanie może zawierać zarówno część opisową, jak i wyjaśniającą, ale cele i wnioski tych części powinny być rozdzielone.

Dobre badanie nie zaczyna się od pytania „jaki test zastosować?”, lecz od pytania „co dokładnie chcę opisać albo wyjaśnić i jakie wnioski rzeczywiście pozwoli uzasadnić mój projekt?”. To rozróżnienie jest jednym z fundamentów poprawnego planowania badań omawianego w publicznym szkoleniu na statystyk.edu.pl.

\n

Źródła i dalsza lektura

\n

1. Altman, Douglas G. (1991). Practical Statistics for Medical Research. 1st edition. Chapman and Hall. Informacja wydawcy / źródło.
2. Hernán, Miguel A.; Robins, James M. (2020). Causal Inference: What If. Chapman & Hall/CRC. Informacja wydawcy / źródło.
3. Kirkwood, Betty R.; Sterne, Jonathan A. C. (2003). Essential Medical Statistics. 2nd edition. Blackwell Science. Informacja wydawcy / źródło.
4. Altman, Douglas G.; Bland, J. Martin (1997). Statistics Notes: Units of analysis. The BMJ, 314(7098), 1874. DOI: 10.1136/bmj.314.7098.1874.
5. von Elm, Erik; Altman, Douglas G.; Egger, Matthias; Pocock, Stuart J.; Gøtzsche, Peter C.; Vandenbroucke, Jan P.; for the STROBE Initiative (2007). The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) Statement: Guidelines for Reporting Observational Studies. PLoS Medicine, 4(10), e296. DOI: 10.1371/journal.pmed.0040296.
6. Vandenbroucke, Jan P.; von Elm, Erik; Altman, Douglas G.; Gøtzsche, Peter C.; Mulrow, Cynthia D.; Pocock, Stuart J.; Poole, Charles; Schlesselman, James J.; Egger, Matthias; for the STROBE Initiative (2007). Strengthening the Reporting of Observational Studies in Epidemiology (STROBE): Explanation and Elaboration. PLoS Medicine, 4(10), e297. DOI: 10.1371/journal.pmed.0040297.
7. Schulz, Kenneth F.; Altman, Douglas G.; Moher, David; for the CONSORT Group (2010). CONSORT 2010 Statement: updated guidelines for reporting parallel group randomised trials. The BMJ, 340, c332. DOI: 10.1136/bmj.c332.
8. Moher, David; Hopewell, Sally; Schulz, Kenneth F.; Montori, Victor; Gøtzsche, Peter C.; Devereaux, P. J.; Elbourne, Diana; Egger, Matthias; Altman, Douglas G. (2010). CONSORT 2010 Explanation and Elaboration: updated guidelines for reporting parallel group randomised trials. The BMJ, 340, c869. DOI: 10.1136/bmj.c869.

\n