005. Hipoteza badawcza i hipoteza statystyczna – to nie jest to samo

W poprzednich lekcjach kursu na statystyk.edu.pl rozróżnialiśmy temat, problem, cel i pytanie badawcze. Kolejny krok polega na sformułowaniu przewidywania, które można poddać sprawdzeniu. W tym miejscu łatwo jednak pomylić dwa poziomy opisu: hipotezę badawczą oraz hipotezę statystyczną. Choć są ze sobą powiązane, nie oznaczają tego samego.

Hipoteza badawcza dotyczy sensu merytorycznego badanego zjawiska: zdrowia, zachowania, funkcjonowania organizmu, relacji społecznych albo skuteczności interwencji. Hipoteza statystyczna jest natomiast formalnym zapisem założeń, które pozwalają wykorzystać dane z próby do oceny określonego twierdzenia o populacji.

1. Czym jest hipoteza badawcza?

Hipoteza badawcza to uzasadnione, wstępne twierdzenie dotyczące przewidywanej właściwości badanego zjawiska lub relacji między zjawiskami. Powinna wynikać z problemu badawczego, wcześniejszej wiedzy, teorii, wyników poprzednich badań albo racjonalnego modelu wyjaśniającego.

Hipoteza nie jest luźnym przypuszczeniem w rodzaju „być może coś się wydarzy”. Jest zdaniem, które można skonfrontować z obserwacją lub eksperymentem. Musi zatem odnosić się do pojęć możliwych do zoperacjonalizowania, czyli przełożenia na zmienne, procedury pomiaru i kryteria oceny.

Cechy dobrej hipotezy badawczej

• Jest merytorycznie uzasadniona – ma podstawę w teorii, literaturze lub wcześniejszych obserwacjach.
• Jest empirycznie sprawdzalna – można zebrać dane, które będą z nią zgodne albo będą stanowiły dla niej wyzwanie.
• Jest dostatecznie precyzyjna – wskazuje, czego dotyczy, u kogo, w jakich warunkach i w jakim kierunku może występować zależność.
• Uwzględnia sposób pomiaru – wiadomo, jak rozpoznać i zmierzyć analizowane konstrukty.
• Nie wykracza poza schemat badania – badanie obserwacyjne może wykazać zależność, ale zwykle nie uzasadnia prostego wniosku o przyczynowości.

Przykładowa hipoteza badawcza może brzmieć: „U dorosłych pacjentów z nadciśnieniem udział w sześciomiesięcznym programie edukacji zdrowotnej wiąże się z większym obniżeniem skurczowego ciśnienia tętniczego niż standardowa opieka.” To twierdzenie zawiera populację, interwencję, porównanie, wynik oraz przewidywany kierunek różnicy.

Warto zauważyć słowo „wiąże się”, a nie „powoduje”, jeżeli projekt nie jest randomizowanym badaniem eksperymentalnym. Dobór słownictwa powinien odpowiadać możliwościom wnioskowania wynikającym z projektu badania.

2. Czym jest hipoteza statystyczna?

Hipoteza statystyczna to formalne twierdzenie o rozkładzie zmiennej, wartości parametru populacji albo relacji między parametrami. Jest zapisywana za pomocą symboli matematycznych i odnosi się do tego, co można oceniać na podstawie danych z próby.

Jeżeli badacz porównuje średnie ciśnienie tętnicze w dwóch grupach, hipoteza statystyczna może dotyczyć średnich populacyjnych:

H0: μ1 − μ2 = 0

H1: μ1 − μ2 ≠ 0

• H₀ – hipoteza zerowa; w tym przykładzie zakłada brak różnicy średnich w populacji.
• H₁ – hipoteza alternatywna; zakłada, że różnica istnieje.
• μ₁ – średnia wartość wyniku w populacji pierwszej, na przykład wśród osób uczestniczących w programie.
• μ₂ – średnia wartość wyniku w populacji drugiej, na przykład w grupie standardowej opieki.
• ≠ – znak różnicy dwustronnej; wskazuje, że interesuje nas zarówno wynik wyższy, jak i niższy.

Hipoteza statystyczna nie opisuje całej teorii ani wszystkich powodów, dla których badacz spodziewa się efektu. Jest jej technicznym przełożeniem na określony parametr i konkretny sposób analizy.

3. Najważniejsza różnica między obiema hipotezami

Element	Hipoteza badawcza	Hipoteza statystyczna
Poziom	Merytoryczny i teoretyczny	Formalny i matematyczny
Przedmiot	Zjawisko, mechanizm, relacja lub przewidywany efekt	Parametr, rozkład lub relacja w populacji
Język	Opisowy, dziedzinowy	Symboliczny, probabilistyczny
Przykład	Program edukacyjny poprawia kontrolę ciśnienia	μprogram − μstandard ≠ 0
Ocena	Na podstawie interpretacji wyników i całego uzasadnienia	Za pomocą określonej procedury statystycznej

Nie należy więc pisać, że „hipoteza badawcza została przyjęta, ponieważ p < 0,05”. Test statystyczny dostarcza informacji o zgodności danych z określoną hipotezą zerową przy założeniach danego modelu. Nie rozstrzyga samodzielnie, czy teoria badacza jest prawdziwa, ważna klinicznie ani czy zaobserwowana zależność ma charakter przyczynowy (Wasserstein i Lazar, 2016).

4. Hipoteza zerowa i alternatywna

W klasycznym testowaniu hipotez badacz formułuje co najmniej dwie wzajemnie konkurencyjne hipotezy. Hipoteza zerowa opisuje określony model odniesienia, często brak różnicy, brak związku albo brak efektu. Hipoteza alternatywna wskazuje, jakie odstępstwo od modelu zerowego jest rozważane.

Hipoteza alternatywna może być:

• dwustronna: H1: μ1 − μ2 ≠ 0;
• jednostronna prawostronna: H1: μ1 − μ2 > 0;
• jednostronna lewostronna: H1: μ1 − μ2 < 0.

Wybór hipotezy jednostronnej powinien być uzasadniony przed analizą danych, a nie dokonany po obejrzeniu wyników. Jeżeli interwencja może być zarówno korzystna, jak i szkodliwa, zwykle właściwsza jest hipoteza dwustronna. Jednostronność nie jest sposobem na „łatwiejsze” uzyskanie istotności statystycznej.

5. Co właściwie ocenia p-wartość?

p-wartość to prawdopodobieństwo uzyskania wyniku co najmniej tak odległego od wartości zakładanej przez H₀, jak wynik zaobserwowany, przy założeniu, że H₀ jest prawdziwa oraz że poprawnie określono model, sposób losowania i procedurę analityczną.

Nie jest to prawdopodobieństwo prawdziwości H₀. Nie jest również prawdopodobieństwem, że wynik powstał „wyłącznie przez przypadek”. Nie wynika z niej także wielkość efektu ani jego znaczenie dla pacjenta, organizacji lub społeczeństwa. Zwracają na to uwagę zarówno stanowisko American Statistical Association, jak i opracowania kliniczne dotyczące interpretacji wyników (Wasserstein i Lazar, 2016; Schober, Bossers i Schwarte, 2018).

Próg α, na przykład 0,05, jest ustalonym z góry poziomem tolerowanego ryzyka odrzucenia prawdziwej hipotezy zerowej w długiej serii hipotetycznych powtórzeń procedury. Nie jest uniwersalną granicą między prawdą a fałszem. Wnioski powinny uwzględniać również estymowaną wielkość efektu, przedział ufności, jakość pomiaru, wielkość próby, założenia modelu i znaczenie praktyczne.

6. Przykład praktyczny: program edukacyjny w nadciśnieniu

Załóżmy, że zespół pielęgniarski bada program edukacyjny dotyczący przyjmowania leków, ograniczenia soli i samodzielnych pomiarów ciśnienia. Pacjentów przydzielono losowo do programu albo standardowej opieki. Głównym wynikiem jest zmiana skurczowego ciśnienia tętniczego po sześciu miesiącach.

Krok 1. Hipoteza badawcza

„Pacjenci uczestniczący w programie edukacyjnym uzyskają większe obniżenie skurczowego ciśnienia tętniczego niż pacjenci objęci standardową opieką.”

Krok 2. Hipoteza statystyczna

Jeżeli μE oznacza średnią zmianę ciśnienia w grupie edukacyjnej, a μS średnią zmianę w grupie standardowej, można zapisać:

H0: μE − μS = 0
H1: μE − μS < 0

Znak „< 0” wynika z przyjętej definicji zmiany: ujemna zmiana oznacza obniżenie ciśnienia. Gdyby badacz nie chciał z góry ograniczać kierunku różnicy, zastosowałby hipotezę dwustronną.

Krok 3. Interpretacja hipotetycznego wyniku

Załóżmy, że różnica średnich wyniosła −5 mmHg, 95-procentowy przedział ufności wyniósł od −8 do −2 mmHg, a p = 0,002. Wynik jest zgodny z różnicą między grupami i wskazuje na wysoką precyzję oszacowania w odniesieniu do zera. Jednak dopiero wiedza kliniczna pozwala ocenić, czy obniżenie o 5 mmHg jest wystarczająco duże, aby uzasadniać zmianę organizacji opieki, dodatkowe koszty i obciążenie pacjentów.

Możliwy jest również wynik p = 0,18 przy różnicy −5 mmHg i szerokim przedziale ufności od −13 do 3 mmHg. Nie oznacza to, że program „na pewno nie działa”. Oznacza, że dane nie dostarczają wystarczająco precyzyjnej podstawy do odrzucenia H₀ według przyjętej procedury. Przyczyną może być między innymi zbyt mała próba, duża zmienność wyników lub rzeczywiście niewielki efekt. Altman i Bland (1995) podkreślali, że brak przekonujących dowodów na efekt nie jest automatycznie dowodem jego braku.

7. Drugi przykład: stres a jakość snu u studentów

W badaniu przekrojowym psycholog chce ocenić, czy wyższy poziom stresu wiąże się z gorszą jakością snu. Hipoteza badawcza może brzmieć: „Studenci o wyższym poziomie odczuwanego stresu będą osiągać niższe wyniki w skali jakości snu.”

Hipoteza statystyczna dla współczynnika korelacji populacyjnej może być zapisana następująco:

H0: ρ = 0
H1: ρ < 0

• ρ oznacza korelację w populacji;
• ρ = 0 oznacza brak liniowej zależności w przyjętym modelu;
• ρ < 0 oznacza przewidywaną zależność ujemną.

Nawet istotna statystycznie korelacja nie dowodzi, że stres powoduje problemy ze snem. Możliwy jest wpływ odwrotny albo działanie trzeciej zmiennej, na przykład obciążenia pracą, depresyjności lub sytuacji ekonomicznej. W badaniu obserwacyjnym należy więc mówić o związku, a nie o skutku przyczynowym.

Najczęstsze błędy

1. Traktowanie hipotezy badawczej i statystycznej jako synonimów. Pierwsza ma sens merytoryczny, druga formalizuje wybrany fragment tego sensu.
2. Formułowanie hipotezy po obejrzeniu danych. Taka praktyka zaciera granicę między testowaniem przewidywania a tworzeniem wyjaśnienia post hoc.
3. Uznawanie p > 0,05 za dowód braku efektu. Niewielka moc badania może uniemożliwić wykrycie efektu.
4. Uznawanie p < 0,05 za dowód ważnego efektu. Bardzo mała różnica może stać się istotna przy dużej próbie.
5. Pomijanie kierunku i jednostek efektu. Sama informacja o istotności nie mówi, czy różnica wynosi 0,2 punktu, czy 20 punktów.
6. Używanie hipotezy jednostronnej wyłącznie dla uzyskania niższej p-wartości. Kierunek powinien wynikać z uzasadnienia merytorycznego i być określony przed analizą.
7. Wyciąganie wniosków przyczynowych z korelacji. Rodzaj hipotezy nie zmienia ograniczeń projektu badania.
8. Testowanie wielu hipotez bez planu. Liczne analizy zwiększają ryzyko przypadkowego uzyskania istotnego wyniku; należy określić wynik główny, analizy dodatkowe i sposób postępowania z wielokrotnymi porównaniami.

Jak poprawnie zapisać hipotezy w projekcie badania?

1. Najpierw określ problem i pytanie badawcze.
2. Zdefiniuj populację, ekspozycję lub interwencję, porównanie i wynik.
3. Sformułuj hipotezę badawczą w języku dziedzinowym.
4. Wskaż, jaki parametr populacji będzie oceniany.
5. Zapisz H₀ i H₁, określając kierunek, jeśli jest uzasadniony.
6. Ustal główny wynik, poziom α, planowaną metodę analizy oraz minimalną ważną różnicę, jeżeli można ją określić.
7. Raportuj nie tylko p-wartość, lecz także wielkość efektu i przedział ufności. Zalecenia SAMPL wskazują również na potrzebę jasnego określenia testu, jego założeń, charakteru jedno- lub dwustronnego oraz sposobu raportowania wyników (Lang i Altman, 2013).

Co warto zapamiętać?

• Hipoteza badawcza jest merytorycznym przewidywaniem dotyczącym badanego zjawiska.
• Hipoteza statystyczna jest formalnym twierdzeniem o parametrze lub rozkładzie w populacji.
• Hipoteza statystyczna powinna wynikać z hipotezy badawczej, ale nie wyczerpuje jej treści.
• Test statystyczny ocenia zgodność danych z H₀ przy określonych założeniach; nie ustala prawdziwości teorii.
• Nie odrzucenie H₀ nie oznacza jej udowodnienia.
• p-wartość nie jest prawdopodobieństwem prawdziwości H₀ ani miarą wielkości efektu.
• Interpretacja powinna łączyć istotność statystyczną, wielkość efektu, precyzję, znaczenie praktyczne i ograniczenia projektu.
• Wnioskowanie przyczynowe wymaga odpowiedniego schematu badania, a nie tylko odpowiednio zapisanej hipotezy.

Najkrótsza reguła: hipoteza badawcza mówi, czego oczekujemy w świecie badanego zjawiska, a hipoteza statystyczna mówi, jak to oczekiwanie zapisujemy w modelu danych.

\n

Źródła i dalsza lektura

\n

1. Altman, D. G.; Bland, J. M. (1995). Statistics notes: Absence of evidence is not evidence of absence. BMJ, 311(7003), 485. DOI: 10.1136/bmj.311.7003.485.
2. Wasserstein, R. L.; Lazar, N. A. (2016). The ASA’s Statement on p-Values: Context, Process, and Purpose. The American Statistician, 70(2), 129–133. DOI: 10.1080/00031305.2016.1154108.
3. Schober, P.; Bossers, S. M.; Schwarte, L. A. (2018). Statistical Significance Versus Clinical Importance of Observed Effect Sizes: What Do P Values and Confidence Intervals Really Represent?. Anesthesia & Analgesia, 126(3), 1068–1072. DOI: 10.1213/ANE.0000000000002798.
4. Borenstein, M. (1997). Hypothesis testing and effect size estimation in clinical trials. Annals of Allergy, Asthma & Immunology, 78(1), 5–11. DOI: 10.1016/S1081-1206(10)63363-7.
5. Lang, T. A.; Altman, D. G. (2013). Basic Statistical Reporting for Articles Published in Biomedical Journals: The “Statistical Analyses and Methods in the Published Literature” or The SAMPL Guidelines. Guidelines for Reporting Health Research: A User’s Manual. Wiley-Blackwell. Źródło.

\n