064. Jak budować hipotezy kierunkowe i niekierunkowe?

Hipoteza badawcza jest przewidywaniem dotyczącym relacji między zmiennymi, różnicy między grupami albo wartości parametru w populacji. Dobrze sformułowana hipoteza nie jest luźnym przypuszczeniem, lecz zdaniem, które można skonfrontować z danymi przy użyciu wcześniej zaplanowanej procedury badawczej i statystycznej. W tej lekcji skupimy się na rozróżnieniu hipotez kierunkowych i niekierunkowych. Jest to ważne nie tylko ze względów językowych. Wybór kierunku wpływa na sposób zaplanowania analizy, interpretację wyników, dobór testu jednostronnego lub dwustronnego oraz ocenę, czy wniosek był rzeczywiście uzasadniony.

W publicznym szkoleniu na statystyk.edu.pl hipoteza powinna być traktowana jako element większej całości: temat – cel – pytanie badawcze – zmienne – projekt – analiza – wniosek. Nie należy zaczynać od wyboru testu statystycznego. Najpierw trzeba ustalić, jakie twierdzenie o zjawisku chcemy sprawdzić i czy dane badanie pozwala na jego wiarygodną ocenę.

Czym jest hipoteza badawcza?

Hipoteza badawcza to jasno określone, empirycznie sprawdzalne twierdzenie dotyczące badanego zjawiska. Powinna wskazywać co najmniej:

• populację, do której odnosi się przewidywanie;
• zmienną niezależną, ekspozycję, interwencję albo predyktor;
• zmienną zależną, czyli wynik lub efekt;
• rodzaj oczekiwanej relacji: różnicę, zależność, zmianę albo brak różnicy;
• – jeżeli jest to uzasadnione – przewidywany kierunek tej relacji.

Przykładowo zdanie: „U dorosłych pacjentów z nadciśnieniem program samokontroli ciśnienia wiąże się z lepszym przestrzeganiem zaleceń niż standardowa edukacja” zawiera populację, interwencję, grupę porównawczą, wynik i kierunek przewidywanej różnicy. Jest bardziej użyteczne metodologicznie niż ogólne stwierdzenie: „Samokontrola ciśnienia ma wpływ na pacjentów”.

W badaniach ilościowych rozróżnia się zwykle hipotezę badawczą, nazywaną także hipotezą alternatywną, oraz hipotezę zerową. Hipoteza zerowa opisuje brak różnicy, brak związku albo określoną wartość parametru. Hipoteza alternatywna opisuje możliwość, że dane są niezgodne z hipotezą zerową w zakresie przyjętym przez badacza.

Hipoteza kierunkowa

Hipoteza kierunkowa nie tylko zakłada istnienie różnicy lub związku, lecz także określa, w którą stronę ten efekt ma przebiegać. Badacz przewiduje na przykład, że:

• średnia w grupie interwencyjnej będzie wyższa niż w grupie kontrolnej;
• czas oczekiwania na pomoc będzie krótszy po wdrożeniu nowej procedury;
• większa liczba godzin snu będzie wiązać się z mniejszym nasileniem objawów;
• wzrost obciążenia pracą będzie prowadził do większego wyczerpania zawodowego.

Jeżeli oznaczymy średnią wyniku w grupie eksperymentalnej jako μE, a średnią w grupie kontrolnej jako μK, hipoteza kierunkowa może mieć postać:

H1: μE > μK

Oznacza to, że średni wynik w grupie eksperymentalnej jest większy niż w grupie kontrolnej. Odpowiadająca jej hipoteza zerowa, w prostym ujęciu testowym, może być zapisana jako:

H0: μE ≤ μK

W praktyce klasycznych testów często testuje się punktową hipotezę zerową H0: μE = μK, a kierunek określa się przez hipotezę alternatywną. Najważniejsze jest, aby badacz rozumiał, jaki obszar wyników uważa za zgodny z przewidywaniem, a jaki za sprzeczny z nim.

Kiedy kierunek jest uzasadniony?

Hipotezę kierunkową należy stosować wtedy, gdy kierunek wynika z przekonującej podstawy teoretycznej, wcześniejszych badań, mechanizmu biologicznego, modelu psychologicznego albo dobrze uzasadnionej wiedzy praktycznej. Nie wystarczy, że badacz „bardziej podoba sobie” jedną możliwość. Kierunek powinien zostać określony przed analizą danych, a najlepiej już w protokole, planie analizy lub prerejestracji.

Przykładowo w badaniu wpływu programu ćwiczeń na wydolność fizyczną uzasadnione może być przewidywanie wzrostu wydolności, jeśli program został zaprojektowany jako trening poprawiający sprawność, a wcześniejsze badania wskazują na podobny efekt. Nie oznacza to jednak, że wynik przeciwny można później zignorować. Jeżeli program pogorszył wydolność, taki rezultat może być klinicznie i naukowo bardzo ważny.

Hipoteza niekierunkowa

Hipoteza niekierunkowa zakłada, że istnieje różnica lub związek, ale nie przewiduje, czy efekt będzie dodatni, czy ujemny. Przykład:

„Średnie nasilenie lęku różni się między studentami pielęgniarstwa pracującymi i niepracującymi zawodowo.”

Hipoteza ta nie mówi, która grupa uzyska wyższy wynik. Różnica może wystąpić w dowolnym kierunku. Zapis matematyczny wygląda następująco:

H1: μE ≠ μK

Symbol μE oznacza średnią w grupie eksperymentalnej lub badanej, μK – średnią w grupie kontrolnej albo porównawczej, natomiast znak ≠ oznacza, że średnie nie są równe. Odpowiadająca hipoteza zerowa ma postać:

H0: μE = μK

Hipoteza niekierunkowa jest właściwa, gdy literatura jest niespójna, mechanizm może działać w dwóch przeciwnych kierunkach, badanie ma charakter eksploracyjny albo konsekwencje obu kierunków są równie ważne. W badaniach klinicznych i zdrowia publicznego często zachowuje się ostrożność i wybiera hipotezę niekierunkową, ponieważ niekorzystny efekt interwencji może być równie istotny jak efekt korzystny.

Hipoteza kierunkowa a test jednostronny

Hipoteza kierunkowa jest pojęciem metodologicznym, natomiast test jednostronny jest decyzją dotyczącą procedury statystycznej. Pojęcia te są powiązane, ale nie są identyczne. Samo użycie zdania „spodziewamy się wzrostu” nie uzasadnia automatycznie testu jednostronnego.

W teście dwustronnym analizuje się odchylenia od hipotezy zerowej w obu kierunkach. W teście jednostronnym obszar odrzucenia hipotezy zerowej znajduje się tylko po jednej stronie rozkładu statystyki testowej. Przy tym samym poziomie alfa test jednostronny może mieć większą moc wykrywania efektu w z góry określonym kierunku, ale traci możliwość pełnej oceny efektu w kierunku przeciwnym.

Decyzja o zastosowaniu testu jednostronnego musi być podjęta przed obejrzeniem wyników. Jeśli badacz najpierw analizuje dane, a dopiero potem wybiera korzystniejszy kierunek, zwiększa ryzyko błędu pierwszego rodzaju i przedstawia analizę post hoc jako potwierdzającą. Dyskusja dotycząca testów jedno- i dwustronnych obejmuje także konsekwencje kliniczne, planowanie liczebności próby i interpretację wyników przeciwnych do oczekiwanych (Koch i in., 1991; Ruxton, 2010).

W wielu badaniach biomedycznych rozsądny jest test dwustronny, nawet gdy badacz ma określone oczekiwania kierunkowe. Pozwala on wykryć zarówno poprawę, jak i pogorszenie wyniku. Szczególnie ważne jest to wtedy, gdy nieoczekiwany efekt przeciwny może mieć znaczenie dla bezpieczeństwa pacjentów.

Przykład 1: badanie kliniczne

Załóżmy, że badacz ocenia, czy telefoniczne przypomnienia poprawiają przestrzeganie wizyt kontrolnych u pacjentów z cukrzycą typu 2. Wynikiem jest odsetek zaplanowanych wizyt, na których pacjent się pojawił.

Wersja kierunkowa

„Pacjenci otrzymujący telefoniczne przypomnienia będą uczestniczyć w większym odsetku zaplanowanych wizyt kontrolnych niż pacjenci otrzymujący standardową informację.”

W notacji:

H1: μprzypomnienia > μstandard

Kierunek jest uzasadniony, jeśli wcześniejsze badania i mechanizm interwencji wskazują, że przypomnienie powinno zmniejszać zapominanie o wizycie. Mimo to w raporcie należy podać oszacowanie różnicy, przedział ufności i dokładną metodę analizy. Nie wystarczy napisać, że wynik był „istotny”.

Wersja niekierunkowa

„Odsetek odbytych wizyt kontrolnych różni się między pacjentami otrzymującymi telefoniczne przypomnienia a pacjentami otrzymującymi standardową informację.”

Ta wersja jest właściwsza, jeśli przypomnienia mogą działać również niekorzystnie, na przykład przez zwiększanie obciążenia pacjentów lub wywoływanie irytacji. Hipoteza niekierunkowa nie oznacza braku teorii. Oznacza jedynie, że teoria nie uzasadnia wystarczająco mocnego przewidywania znaku efektu.

Przykład 2: psychologia i zdrowie publiczne

Badacz analizuje związek między czasem korzystania z mediów społecznościowych a jakością snu młodych dorosłych. Jakość snu mierzona jest standaryzowanym kwestionariuszem, w którym wyższy wynik oznacza gorszą jakość snu.

Hipoteza kierunkowa może brzmieć:

„Większa liczba godzin korzystania z mediów społecznościowych wiąże się z wyższym wynikiem pogorszenia jakości snu.”

Można ją zapisać jako dodatnią zależność:

H1: ρ > 0

Symbol ρ oznacza populacyjny współczynnik korelacji, a znak > 0 wskazuje na dodatni kierunek zależności. Należy jednak pamiętać, że w badaniu przekrojowym taka hipoteza dotyczy związku, a nie dowodu, że korzystanie z mediów społecznościowych powoduje pogorszenie snu. Możliwe są między innymi odwrotna zależność, wspólna przyczyna, taka jak stres, oraz wpływ innych zmiennych zakłócających.

Hipoteza niekierunkowa mogłaby mieć postać: „Czas korzystania z mediów społecznościowych jest związany z jakością snu młodych dorosłych.” Wtedy zapisujemy:

H1: ρ ≠ 0

Wybór wersji zależy od stanu wiedzy, celu badania i konsekwencji błędnego pominięcia efektu w kierunku przeciwnym. Przy raportowaniu warto oddzielić hipotezy pierwotne, wtórne i eksploracyjne, co jest zgodne z zaleceniami JARS dotyczącymi przejrzystego przedstawiania założeń, analiz i wniosków (Appelbaum i in., 2018).

Jak krok po kroku zbudować dobrą hipotezę?

1. Zidentyfikuj populację. Określ, kogo dotyczy przewidywanie: pacjentów po udarze, ratowników medycznych, studentów, mieszkańców określonego regionu.
2. Wskaż zmienne. Zdefiniuj interwencję, ekspozycję, predyktor i wynik. Unikaj pojęć nieoperacyjnych, takich jak „lepsze funkcjonowanie”, jeśli nie wiadomo, jak będzie mierzone.
3. Określ relację. Zdecyduj, czy hipoteza dotyczy różnicy między grupami, korelacji, predykcji, zmiany w czasie czy efektu interwencji.
4. Oceń podstawy teoretyczne. Sprawdź, czy istnieją wystarczające argumenty za konkretnym kierunkiem.
5. Wybierz kierunek lub jego brak. Nie dopasowuj hipotezy do otrzymanych danych.
6. Ustal wynik pierwotny. Jeśli mierzysz wiele rezultatów, wskaż, który jest najważniejszy, aby ograniczyć ryzyko selektywnego raportowania.
7. Zaplanuj analizę. Hipoteza powinna być zgodna ze skalą pomiaru, projektem badania, modelem statystycznym i planowaną prezentacją przedziałów ufności.

Znaczenie efektu, nie tylko jego kierunku

Kierunek efektu nie mówi, czy efekt jest duży, ważny klinicznie lub praktycznie. Można uzyskać statystycznie istotną różnicę o bardzo małej wielkości albo nie uzyskać istotności przy efekcie potencjalnie ważnym, lecz niedokładnie oszacowanym z powodu małej próby. Dlatego hipotezę należy łączyć z określeniem minimalnej ważnej różnicy, gdy jest to możliwe.

Załóżmy, że nowa procedura skraca czas oczekiwania w izbie przyjęć średnio o 1 minutę. Wynik może być zgodny z kierunkową hipotezą i osiągnąć małą wartość p przy bardzo dużej próbie, ale jego znaczenie organizacyjne może być niewielkie. Odwrotnie, skrócenie czasu o 15 minut może mieć duże znaczenie praktyczne, lecz w małej próbie nie osiągnąć konwencjonalnego poziomu istotności. Wniosek powinien uwzględniać estymowaną wielkość efektu, przedział ufności, precyzję pomiaru i konsekwencje dla praktyki (Greenland i in., 2016).

Warto również pamiętać, że wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej. Nie mówi też, jakie jest prawdopodobieństwo, że hipoteza kierunkowa jest prawdziwa. Jest miarą zgodności danych z określonym modelem i hipotezą zerową przy założeniach danej procedury.

Najczęstsze błędy

• Dopisywanie kierunku po analizie. Jeśli kierunek wybrano na podstawie zaobserwowanego wyniku, hipoteza ma charakter post hoc i nie powinna być przedstawiana jako wcześniej potwierdzona.
• Mylenie hipotezy z pytaniem badawczym. Pytanie brzmi: „Czy grupy się różnią?”, a hipoteza zawiera przewidywane twierdzenie, na przykład: „Grupa interwencyjna osiągnie niższy wynik”.
• Używanie języka przyczynowego w badaniu obserwacyjnym. Związek między ekspozycją a wynikiem nie dowodzi, że ekspozycja spowodowała wynik.
• Traktowanie hipotezy kierunkowej jako gwarancji wyniku. Hipoteza jest przewidywaniem podlegającym sprawdzeniu, a nie opisem faktu.
• Stosowanie testu jednostronnego tylko po to, aby łatwiej uzyskać p < 0,05. Taka decyzja jest metodologicznie nieuczciwa, jeśli nie została uzasadniona i zaplanowana wcześniej.
• Pomijanie efektu przeciwnego. Wynik w kierunku przeciwnym może mieć duże znaczenie kliniczne lub społeczne i powinien być omówiony.
• Formułowanie zbyt wielu hipotez. Duża liczba testów zwiększa ryzyko przypadkowych wyników. Należy rozróżniać hipotezy pierwotne, wtórne i eksploracyjne.
• Brak operacjonalizacji. Sformułowanie „zdrowie psychiczne będzie lepsze” jest niepełne, dopóki nie wiadomo, jak zdrowie psychiczne zostanie zmierzone i co oznacza „lepsze”.

Przykład praktyczny: analiza przypadku

Zespół pielęgniarski chce ocenić, czy krótkie szkolenie z komunikacji zmniejsza poziom stresu zawodowego u pielęgniarek pracujących na oddziale ratunkowym. Badanie obejmuje dwie grupy: szkolenie i standardowe materiały informacyjne. Stres mierzony jest wynikiem zwalidowanego kwestionariusza, w którym wyższy wynik oznacza większe nasilenie stresu.

Nieprecyzyjna hipoteza brzmi: „Szkolenie poprawi sytuację pielęgniarek.” Nie wiadomo, jaki jest wynik, jak będzie mierzony ani co oznacza poprawa.

Lepsza hipoteza kierunkowa brzmi: „Po zakończeniu szkolenia pielęgniarki z grupy interwencyjnej będą miały niższy średni wynik stresu zawodowego niż pielęgniarki z grupy kontrolnej.”

Można ją zapisać:

H1: μszkolenie − μkontrola < 0

Różnica jest zdefiniowana jako wynik grupy szkoleniowej minus wynik grupy kontrolnej. Wartość ujemna oznacza niższy stres w grupie szkoleniowej. Hipoteza zerowa może być testowana jako brak różnicy, a analiza powinna uwzględniać projekt badania, pomiar wyjściowy, ewentualne różnice między grupami i utratę uczestniczek.

Jeżeli wcześniejsze dane nie pozwalają przewidzieć, czy szkolenie zmniejszy, czy zwiększy stres, właściwsza będzie hipoteza niekierunkowa: „Średni wynik stresu zawodowego różni się między pielęgniarkami uczestniczącymi w szkoleniu a pielęgniarkami z grupy kontrolnej.” Wtedy wynik przeciwny do oczekiwanego nie będzie traktowany jako formalnie niewidoczny.

Co warto zapamiętać?

• Hipoteza kierunkowa przewiduje zarówno istnienie efektu, jak i jego znak: wzrost, spadek, dodatni lub ujemny związek.
• Hipoteza niekierunkowa przewiduje różnicę lub związek, ale nie określa jego kierunku.
• Kierunek powinien wynikać z teorii, wcześniejszych badań albo uzasadnionego mechanizmu i być ustalony przed analizą danych.
• Hipoteza kierunkowa nie oznacza automatycznie, że trzeba zastosować test jednostronny.
• W badaniach klinicznych często warto rozważyć test dwustronny, ponieważ efekt przeciwny do oczekiwanego może być ważny dla bezpieczeństwa.
• Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej ani alternatywnej.
• Każdą hipotezę należy oceniać razem z wielkością efektu, przedziałem ufności, precyzją oszacowania i znaczeniem praktycznym.
• Przejrzysty raport powinien oddzielać hipotezy potwierdzające od analiz eksploracyjnych.

Najbezpieczniejsza praktyka polega na tym, aby najpierw zapisać pytanie badawcze, następnie hipotezę w języku merytorycznym, a dopiero potem jej wersję statystyczną. Dzięki temu analiza nie zastępuje rozumowania metodologicznego, lecz służy sprawdzeniu jasno określonego twierdzenia.

\n

Źródła i dalsza lektura

\n

1. Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. DOI: 10.1037/amp0000191.
2. Greenland, S., Senn, S. J., Rothman, K. J., Carlin, J. B., Poole, C., Goodman, S. N., & Altman, D. G. (2016). Statistical tests, P values, confidence intervals, and power: A guide to misinterpretations. European Journal of Epidemiology, 31(4), 337–350. DOI: 10.1007/s10654-016-0149-3.
3. Koch, G. G. (1991). One-sided and two-sided tests and p values. Journal of Biopharmaceutical Statistics, 1(1), 161–170. DOI: 10.1080/10543409108835014.
4. Ruxton, G. D. (2010). When should we use one-tailed hypothesis testing?. Methods in Ecology and Evolution, 1(2), 114–117. DOI: 10.1111/j.2041-210X.2010.00014.x.
5. Freedman, L. S. (2008). An analysis of the controversy over classical one-sided tests. Clinical Trials, 5(6), 635–640. DOI: 10.1177/1740774508098590.
6. Cooper, H. (2020). Reporting Quantitative Research in Psychology: How to Meet APA Style Journal Article Reporting Standards. 2nd ed.. American Psychological Association. Informacja wydawcy / źródło.
7. American Psychological Association (2018). APA Style Journal Article Reporting Standards. American Psychological Association. Źródło.

\n