365. Duża próba a testy normalności – problem nadmiernej czułości

W poprzednich lekcjach rozróżnialiśmy normalność danych od normalności reszt oraz omawialiśmy test Shapiro–Wilka, histogram i wykres Q–Q. Teraz skupimy się na problemie, który szczególnie często pojawia się w badaniach medycznych, psychologicznych i społecznych: w dużej próbie formalny test normalności może wykazać istotne statystycznie odstępstwo, choć jego znaczenie dla planowanej analizy jest niewielkie. Nie oznacza to, że test jest „zepsuty”. Oznacza to, że jego czułość rośnie wraz z liczebnością próby, a badacz musi interpretować wynik w kontekście celu analizy.

1. Na czym polega problem nadmiernej czułości?

Test normalności sprawdza określoną hipotezę statystyczną. W uproszczeniu hipoteza zerowa głosi, że dane są zgodne z rozkładem normalnym, natomiast hipoteza alternatywna wskazuje na odstępstwo od normalności. Dla testu Shapiro–Wilka można zapisać to następująco:

H₀: rozkład populacji, z której pochodzą obserwacje, jest normalny.

H₁: rozkład populacji różni się od rozkładu normalnego.

Jeżeli wartość p jest mniejsza od przyjętego poziomu istotności, na przykład α = 0,05, odrzucamy H₀. Nie wolno jednak tłumaczyć tego jako prawdopodobieństwa, że H₀ jest prawdziwa albo fałszywa. Wartość p jest miarą zgodności danych z H₀ przy założeniu, że H₀ obowiązuje; nie jest miarą wielkości odchylenia ani jego znaczenia klinicznego.

W dużej próbie nawet bardzo mała różnica między rozkładem obserwowanym a idealnym rozkładem normalnym może zostać wykryta. Test odpowiada wówczas na pytanie: czy dane są dokładnie zgodne z normalnością? Badacz często potrzebuje jednak innego pytania: czy odstępstwo jest na tyle duże, aby zmienić wnioski z planowanej analizy? Są to pytania powiązane, ale nieidentyczne.

Gosselin zwraca uwagę, że normalność jest w praktycznych danych empirycznych raczej przybliżeniem niż dosłownym opisem rzeczywistości, a duże próby mogą ograniczać konsekwencje umiarkowanych odstępstw od normalności (Gosselin, 2024). Podobny wniosek wynika z analiz dotyczących dużych zbiorów danych zdrowia publicznego: test t i regresja liniowa często pozostają użyteczne także wtedy, gdy zmienna wynikowa nie ma dokładnie rozkładu normalnego, szczególnie gdy próba jest duża i pytanie dotyczy średniej (Lumley i in., 2002).

2. Dlaczego liczebność próby zmienia interpretację testu?

Wartość statystyki testowej zależy od tego, jak bardzo dane odbiegają od modelu, ale także od liczby obserwacji. Im więcej obserwacji, tym dokładniej można oszacować kształt rozkładu. W dużej próbie test ma więc większą moc, czyli większą zdolność wykrywania rzeczywistych odstępstw od H₀. Problem polega na tym, że „rzeczywiste odstępstwo” może być bardzo małe.

Można przedstawić tę sytuację za pomocą prostego schematu:

duża próba → mały błąd losowy oszacowania → większa moc testu → częstsze małe wartości p

Nie wynika z tego, że duża próba jest wadą. Przeciwnie, duża próba zwykle zwiększa precyzję estymacji. Wymaga jednak odejścia od mechanicznej reguły: „p < 0,05, więc nie wolno użyć testu parametrycznego”. Taka reguła ignoruje to, czego dotyczy właściwa analiza.

Test normalności ocenia cały kształt rozkładu: skośność, kurtozę, ciężkie ogony, wielomodalność czy pojedyncze obserwacje odstające. Tymczasem założenia konkretnego modelu mogą dotyczyć przede wszystkim reszt, niezależności obserwacji, homogeniczności wariancji albo poprawnej specyfikacji zależności między zmiennymi. Nawet bardzo mała wartość p dla testu normalności surowej zmiennej nie musi więc oznaczać, że zaplanowany model jest niepoprawny.

3. Normalność czego właściwie sprawdzamy?

To pytanie powinno poprzedzać wybór testu normalności. W teście t dla dwóch niezależnych grup nie chodzi zwykle o to, aby każda obserwacja w obu grupach pochodziła z idealnie normalnego rozkładu. Znaczenie mają między innymi rozkłady w grupach, ich liczebności, podobieństwo wariancji, niezależność obserwacji oraz odporność procedury na odstępstwa.

W regresji liniowej klasyczne założenie normalności dotyczy przede wszystkim składnika losowego, a w praktyce ocenia się je na podstawie reszt. W analizie wariancji również bardziej użyteczna jest diagnostyka reszt modelu niż automatyczne badanie każdej zmiennej surowej. W modelach uogólnionych, na przykład regresji logistycznej lub Poissona, normalność zmiennej wynikowej nie jest wymaganym założeniem w takim sensie, jak w klasycznym modelu liniowym. Wymuszenie normalności przez transformację albo wybór niewłaściwego modelu może być gorsze niż zaakceptowanie nie-normalnego rozkładu i zastosowanie procedury przeznaczonej dla danego typu danych.

Ghasemi i Zahediasl podkreślają, że normalność należy oceniać z uwzględnieniem konkretnej procedury statystycznej, a nie jako abstrakcyjny warunek każdej analizy (Ghasemi i Zahediasl, 2012). W praktyce pytanie powinno brzmieć: które założenie jest potrzebne do uzasadnienia tego estymatora, przedziału ufności lub testu?

4. Jak łączyć test normalności z innymi metodami?

Wykres Q–Q

Wykres Q–Q porównuje kwantyle empiryczne z kwantylami rozkładu teoretycznego. Jeżeli punkty układają się w przybliżeniu wzdłuż linii, dane mogą być wystarczająco zgodne z normalnością dla określonego celu analitycznego. W dużej próbie nie należy jednak oczekiwać idealnego dopasowania. Niewielkie odchylenia, widoczne szczególnie przy końcach rozkładu, mogą mieć minimalne znaczenie praktyczne.

Warto zwracać uwagę na kształt odchylenia. Krzywizna na obu końcach może wskazywać na cięższe lub lżejsze ogony, asymetryczne odchylenie może sugerować skośność, a dwa wyraźne skupienia – możliwą wielomodalność. Są to informacje, których sama wartość p nie opisuje.

Histogram i statystyki opisowe

Histogram pozwala zobaczyć, czy dane tworzą jeden główny szczyt, czy występują nietypowe skupienia, ograniczenia skali lub obserwacje skrajne. W dużych próbach histogram powinien mieć sensownie dobraną liczbę przedziałów; zbyt mało przedziałów ukrywa strukturę, a zbyt wiele tworzy pozorny „szum”. Przydatne są także mediana, średnia, kwartyle, odchylenie standardowe, współczynnik skośności oraz zakres wartości.

Ocena wpływu odstępstwa

Jeśli test normalności jest istotny, trzeba sprawdzić, czy alternatywna analiza daje podobny wniosek. Można porównać klasyczny przedział ufności z przedziałem uzyskanym metodą bootstrapową, zastosować odporną miarę położenia albo rozważyć transformację zgodną z mechanizmem powstawania danych. Nie chodzi o wybieranie tej metody, która daje „ładniejszy” wynik, lecz o ocenę stabilności wniosku.

Shatz zaleca, aby diagnostykę opierać na kombinacji testów, wizualizacji i miar wielkości odstępstwa, zamiast traktować wynik testu jako binarny przełącznik „normalne–nienormalne” (Shatz, 2024). W szczególności różnica między p = 0,049 a p = 0,051 nie uzasadnia nagłej zmiany interpretacji danych.

5. Przykład 1: ciśnienie tętnicze w dużym badaniu populacyjnym

Załóżmy, że badacze analizują skurczowe ciśnienie tętnicze u 12 000 dorosłych osób. Rozkład jest lekko prawoskośny, ponieważ część uczestników ma bardzo wysokie wartości. Test Shapiro–Wilka daje p < 0,001. Mechaniczna interpretacja brzmiałaby: „dane nie są normalne, więc nie wolno stosować testu t ani regresji liniowej”.

Takie rozumowanie jest zbyt uproszczone. Badacze powinni najpierw ustalić, jakie jest pytanie. Jeżeli chcą oszacować średnią różnicę ciśnienia między grupą palaczy i niepalących albo średnią zmianę ciśnienia po interwencji, klasyczny model liniowy może być użyteczny, zwłaszcza przy dużej liczebności, niezależności obserwacji i braku skrajnie wpływowych punktów. Należy sprawdzić reszty modelu, wariancję w grupach i przedziały ufności.

Jeżeli jednak pytanie dotyczy typowej wartości dla pacjenta, a nie średniej populacyjnej, mediana i przedział kwartylowy mogą być lepszym opisem. Gdy interesuje nas odsetek osób przekraczających próg nadciśnienia, właściwsza będzie analiza binarna, a nie próba „normalizowania” ciśnienia za wszelką cenę.

Wniosek: istotny test normalności ujawnił asymetrię, ale sam nie rozstrzygnął, czy model liniowy jest nieodpowiedni.

6. Przykład 2: czas pobytu pacjentów w szpitalu

Czas pobytu jest zwykle zmienną prawoskośną: wielu pacjentów przebywa w szpitalu krótko, a nieliczni pozostają bardzo długo. W bazie obejmującej 5000 hospitalizacji test normalności niemal na pewno może być istotny. Próba normalizacji danych logarytmem może być uzasadniona, ale nie zawsze jest najlepszym rozwiązaniem.

Jeżeli celem jest porównanie czasu pobytu między oddziałami, badacz może rozważyć medianę, regresję dla danych dodatnich i skośnych, model gamma z funkcją łączącą logarytmiczną albo analizę czasu do zdarzenia, jeśli występuje cenzorowanie. Wybór powinien wynikać z charakteru zmiennej, rozkładu reszt, pytania klinicznego i sposobu raportowania efektu.

Nie należy twierdzić, że oddział „wydłuża pobyt”, jeśli dane są obserwacyjne i nie kontrolują wszystkich czynników zakłócających. Można natomiast napisać, że po uwzględnieniu określonych zmiennych pobyt był średnio lub typowo dłuższy w jednej grupie. Diagnostyka rozkładu nie zastępuje rozumowania o projekcie badania.

7. Wzór i intuicja: dlaczego małe różnice bywają wykrywane?

W wielu testach statystycznych można intuicyjnie myśleć o statystyce jako o ilorazie sygnału i szumu:

statystyka testowa ≈ obserwowane odstępstwo / niepewność oszacowania

Wraz ze wzrostem liczebności próby niepewność oszacowania zwykle maleje. Dla średniej standardowy błąd można zapisać jako:

SE = s / √n

• SE – standardowy błąd średniej;
• s – odchylenie standardowe w próbie;
• n – liczebność próby;
• √n – pierwiastek z liczebności próby.

Nie jest to wzór na statystykę Shapiro–Wilka, lecz pokazuje ogólną zasadę: większa próba zwiększa precyzję i ułatwia wykrywanie różnic. Dlatego wartość p może stać się bardzo mała mimo tego, że odstępstwo nie zmienia w praktyce oszacowania efektu ani decyzji klinicznej.

8. Najczęstsze błędy

• Traktowanie testu normalności jako bramki decyzyjnej. Wynik istotny nie oznacza automatycznie, że trzeba porzucić wszystkie metody parametryczne.
• Badanie normalności niewłaściwej zmiennej. W regresji często ważniejsze są reszty modelu niż surowy rozkład zmiennej zależnej.
• Uznawanie dużej wartości p za dowód normalności. Brak podstaw do odrzucenia H₀ nie potwierdza, że rozkład jest normalny.
• Interpretowanie p jako wielkości problemu. O istotności statystycznej nie można wnioskować o istotności klinicznej.
• Ignorowanie rodzaju danych. Liczby zliczeń, odsetki, czasy i wyniki ograniczone do skali mają często inne właściwe modele niż zmienna ciągła o rozkładzie symetrycznym.
• Automatyczne usuwanie obserwacji odstających. Punkt skrajny może być błędem pomiaru, ale może też reprezentować prawdziwy przypadek kliniczny.
• Raportowanie wyłącznie decyzji „normalne/nienormalne”. Należy opisać zastosowane wykresy, charakter odchylenia i jego wpływ na analizę.
• Wybieranie analizy po obejrzeniu wyników. Zmiana modelu tylko dlatego, że daje korzystniejszy wynik, zwiększa ryzyko stronniczości.

9. Praktyczny schemat postępowania

1. Określ pytanie badawcze i parametr, który chcesz oszacować: średnią, medianę, różnicę, iloraz, odsetek czy parametr modelu.
2. Ustal, którego założenia rzeczywiście wymaga planowana metoda.
3. Obejrzyj histogram, wykres Q–Q i – w modelach – wykresy reszt.
4. Sprawdź obserwacje odstające, skośność, wielomodalność i heterogeniczność wariancji.
5. Jeżeli stosujesz test normalności, interpretuj jego wynik razem z liczebnością próby i wielkością odstępstwa.
6. Porównaj stabilność wniosków przy rozsądnej analizie alternatywnej, na przykład bootstrapie, transformacji lub modelu odpowiednim dla typu danych.
7. Raportuj nie tylko wartość p, lecz także estymatę efektu, przedział ufności i znaczenie praktyczne.

10. Przykład praktyczny: raportowanie wyniku

Niepoprawny zapis mógłby brzmieć: „Ponieważ test Shapiro–Wilka był istotny, użyto testu nieparametrycznego”. Taki opis nie informuje, jak duże było odstępstwo, czy dotyczyło danych czy reszt oraz dlaczego wybrana metoda była adekwatna.

Lepszy zapis: „Rozkład czasu pobytu był prawoskośny, co potwierdzał wykres Q–Q oraz test Shapiro–Wilka, p < 0,001. Ze względu na dużą liczebność próby i pytanie dotyczące różnicy median zastosowano model odpowiedni dla dodatnich, skośnych danych oraz przedstawiono mediany, przedziały ufności i miarę wielkości efektu. Wnioski były podobne w analizie wrażliwości opartej na transformacji logarytmicznej”.

Drugi przykład: „W badaniu 12 000 osób test normalności dla ciśnienia skurczowego był istotny, jednak odchylenie miało niewielki wpływ na reszty modelu i oszacowanie różnicy średnich. Raportowano więc skorygowaną różnicę średnich wraz z 95-procentowym przedziałem ufności, a nie samą wartość p testu normalności”.

Co warto zapamiętać?

• W dużej próbie testy normalności są bardzo czułe na małe odstępstwa od idealnego rozkładu normalnego.
• Istotny wynik testu nie mówi, że planowana analiza jest automatycznie nieważna.
• Brak istotności nie dowodzi normalności.
• Oceniaj to, czego wymaga konkretny model: często ważniejsze są reszty, niezależność, wariancja i wpływ obserwacji.
• Łącz test z wykresem Q–Q, histogramem, statystykami opisowymi i oceną wielkości odstępstwa.
• Rozróżniaj istotność statystyczną, wielkość efektu i znaczenie praktyczne.
• Nie wybieraj analizy wyłącznie na podstawie progu p = 0,05.
• Najważniejsze pytanie brzmi nie „czy dane są idealnie normalne?”, lecz „czy odstępstwo podważa wnioski, które chcę wyciągnąć?”.

W publicznym szkoleniu na statystyk.edu.pl ten sposób myślenia łączy się z wcześniejszymi lekcjami o wykresach diagnostycznych, normalności reszt i wielkościach efektu. Dzięki temu test normalności staje się jednym z elementów rozumowania metodologicznego, a nie automatycznym mechanizmem wyboru testu.

Źródła i dalsza lektura

1. Thomas Lumley, Paula Diehr, Scott Emerson, Lu Chen (2002). The Importance of the Normality Assumption in Large Public Health Data Sets. Annual Review of Public Health, 23, 151–169. DOI: 10.1146/annurev.publhealth.23.100901.140546.
2. Asghar Ghasemi, Saleh Zahediasl (2012). Normality Tests for Statistical Analysis: A Guide for Non-Statisticians. International Journal of Endocrinology and Metabolism, 10(2), 486–489. DOI: 10.5812/ijem.3505.
3. Romain-Daniel Gosselin (2024). Testing for normality: a user’s (cautionary) guide. Laboratory Animals, 58(5), 433–437. DOI: 10.1177/00236772241276808.
4. Itamar Shatz (2024). Assumption-checking rather than (just) testing: The importance of visualization and effect size in statistical diagnostics. Behavior Research Methods, 56, 826–845. DOI: 10.3758/s13428-023-02072-x.
5. Nornadiah Mohd Razali, Bee Wah Yap (2011). Power Comparisons of Shapiro–Wilk, Kolmogorov–Smirnov, Lilliefors and Anderson–Darling Tests. Journal of Statistical Modeling and Analytics, 2(1), 21–33. Pełny opis źródła.
6. John Ludbrook (1995). Issues in biomedical statistics: comparing means under normal distribution theory. Australian and New Zealand Journal of Surgery, 65(4), 267–272. DOI: 10.1111/j.1445-2197.1995.tb00626.x.