066. Jak przełożyć hipotezę merytoryczną na hipotezę statystyczną?

Hipoteza merytoryczna mówi, czego badacz oczekuje w rzeczywistości: że leczenie poprawi wynik, że stres wiąże się z gorszą jakością snu albo że interwencja edukacyjna zmniejszy liczbę błędów. Jest sformułowana językiem problemu badawczego i teorii. Hipoteza statystyczna jest jej formalnym odpowiednikiem: określa, jakie wartości parametrów populacji są zgodne z założeniem o braku efektu oraz jakie wartości wskazywałyby na efekt zgodny z hipotezą merytoryczną.

Przejście od jednej postaci do drugiej nie jest mechaniczną zamianą słów na symbole. Wymaga określenia populacji, jednostki analizy, zmiennych, kierunku zależności, miary efektu i planowanego modelu statystycznego. Właśnie dlatego hipoteza statystyczna powinna wynikać z projektu badania, a nie być dopisywana dopiero po obejrzeniu wyników. W publicznym szkoleniu na statystyk.edu.pl warto traktować ten etap jako most między rozumowaniem merytorycznym a analizą danych.

1. Dwa poziomy formułowania hipotezy

Hipoteza merytoryczna

Hipoteza merytoryczna jest zdaniem dotyczącym badanego zjawiska. Może mieć postać:

• porównawczą: „Pacjenci uczestniczący w programie rehabilitacji osiągają lepszą sprawność niż pacjenci korzystający ze standardowej opieki”;
• korelacyjną: „Wyższy poziom stresu wiąże się z gorszą jakością snu studentów pielęgniarstwa”;
• predykcyjną: „Poziom wypalenia zawodowego przewiduje zamiar odejścia z pracy”;
• przyczynową: „Udział w interwencji edukacyjnej zmniejsza częstość błędów w przygotowaniu leków”.

Ostatni przykład wymaga szczególnej ostrożności. Język przyczynowy jest uzasadniony tylko wtedy, gdy schemat badania, sposób przydziału do grup i kontrola zakłóceń pozwalają na wnioskowanie o wpływie interwencji. W badaniu przekrojowym można wykazać współwystępowanie, ale nie należy automatycznie pisać, że jedna zmienna powoduje drugą.

Hipoteza statystyczna

Hipoteza statystyczna odnosi się do parametru populacji, na przykład średniej, różnicy średnich, proporcji, ilorazu szans, współczynnika korelacji albo współczynnika regresji. Najczęściej rozpatruje się parę konkurencyjnych hipotez:

H0: parametr spełnia warunek braku efektu
H1: parametr nie spełnia warunku braku efektu

Symbol H0 oznacza hipotezę zerową, a H1 lub HA — hipotezę alternatywną. W klasycznym testowaniu badacz nie „udowadnia” hipotezy alternatywnej. Sprawdza, czy dane są wystarczająco niezgodne z modelem opisanym przez H0, przy założeniu określonego modelu probabilistycznego.

2. Procedura przekładu krok po kroku

Krok 1. Określ populację i jednostkę analizy

Najpierw trzeba odpowiedzieć, kogo lub czego dotyczy hipoteza. Czy populacją są wszyscy pacjenci z nadciśnieniem leczeni w podstawowej opiece zdrowotnej, osoby starsze w określonym regionie, czy studenci jednej uczelni? Jednostką analizy może być pacjent, pomiar, oddział, gospodarstwo domowe albo szkoła.

To ważne, ponieważ parametr statystyczny dotyczy populacji, a nie wyłącznie zebranej próby. Próba dostarcza estymatora, natomiast hipoteza odnosi się do wartości, którą chcemy oszacować w populacji.

Krok 2. Zidentyfikuj zmienne

W hipotezie należy wskazać zmienną objaśniającą, ekspozycję lub interwencję oraz zmienną wynikową. Trzeba też określić ich poziom pomiaru i sposób kodowania. „Poprawa stanu zdrowia” jest zbyt ogólna. Lepiej wskazać wynik: zmianę wyniku w skali bólu, odsetek pacjentów osiągających kontrolę ciśnienia, czas do wypisu albo liczbę ponownych przyjęć.

Krok 3. Wybierz miarę efektu

Ta sama hipoteza merytoryczna może być zapisana za pomocą różnych parametrów. Dla wyniku ilościowego można analizować różnicę średnich:

Δ = μ1 − μ0

gdzie μ1 jest średnią w grupie interwencji lub eksponowanej, a μ0 — średnią w grupie kontrolnej lub nieeksponowanej. Dla wyniku binarnego można użyć różnicy ryzyka:

RD = p1 − p0

gdzie p1 i p0 oznaczają prawdopodobieństwa zdarzenia w obu grupach. Alternatywnie można analizować ryzyko względne, iloraz szans albo iloraz częstości. W badaniu korelacyjnym naturalnym parametrem może być współczynnik korelacji populacyjnej ρ, a w regresji — współczynnik nachylenia β1.

Krok 4. Ustal, co oznacza „brak efektu”

Wartość braku efektu zależy od miary:

Miara efektu	Typowa wartość braku efektu
Różnica średnich μ1 − μ0	0
Różnica ryzyka p1 − p0	0
Współczynnik korelacji ρ	0
Współczynnik regresji β1	0
Ryzyko względne	1
Iloraz szans	1

Stąd dla różnicy średnich hipoteza zerowa zwykle ma postać H0: μ1 − μ0 = 0, natomiast dla ilorazu szans: H0: OR = 1.

Krok 5. Określ kierunek hipotezy alternatywnej

Jeżeli teoria i wcześniejsze dane uzasadniają konkretny kierunek, można zapisać hipotezę jednostronną, na przykład H1: μ1 > μ0. Jeśli możliwe są oba kierunki albo nie ma dostatecznego uzasadnienia dla przewidywania kierunku, właściwsza jest hipoteza dwustronna: H1: μ1 ≠ μ0.

Kierunku nie powinno się wybierać po uzyskaniu wyników. Jednostronny test nie jest sposobem na „uratowanie” wyniku, który po analizie okazał się istotny tylko w jednym kierunku. Wybór ten powinien wynikać z pytania, literatury, projektu i konsekwencji błędu pierwszego rodzaju (Ruxton i Neuhauser, 2010).

3. Przykład medyczny: program edukacyjny a błędy lekowe

Załóżmy, że w badaniu z randomizacją pielęgniarki oddziałowe są przydzielane do programu szkoleniowego albo do standardowego instruktażu. Wynikiem jest liczba błędów w przygotowaniu leków na 100 obserwowanych procedur.

Hipoteza merytoryczna: program szkoleniowy zmniejsza liczbę błędów w przygotowaniu leków w porównaniu ze standardowym instruktażem.

Jeśli analizujemy średnią liczbę błędów, oznaczmy:

• μ1 — średnia liczba błędów w grupie programu;
• μ0 — średnia liczba błędów w grupie standardowego instruktażu.

Wtedy kierunkowa hipoteza statystyczna brzmi:

H0: μ1 − μ0 ≥ 0
H1: μ1 − μ0 < 0

W praktyce można także sformułować test względem punktu zerowego jako H0: μ1 − μ0 = 0 wobec H1: μ1 − μ0 < 0, jeżeli celem jest testowanie braku różnicy przeciwko spadkowi. Jednak sama istotność statystyczna nie wystarczy do stwierdzenia, że program jest użyteczny. Trzeba określić, jaka redukcja jest klinicznie lub organizacyjnie ważna, na przykład co najmniej 2 błędy na 100 procedur.

Można więc uzupełnić analizę o przedział ufności dla różnicy średnich i porównać jego zakres z ustalonym progiem praktycznej ważności. Wynik p < 0,05 nie mówi, że program redukuje błędy o określoną liczbę ani że prawdopodobieństwo prawdziwości hipotezy zerowej wynosi 5%. P-wartość opisuje zgodność danych z modelem zakładającym hipotezę zerową, a nie prawdopodobieństwo prawdziwości samej hipotezy (Greenland i in., 2016; Wasserstein i Lazar, 2016).

4. Przykład psychologiczny i społeczny: stres a jakość snu

Badacz mierzy poziom stresu za pomocą wystandaryzowanej skali oraz jakość snu za pomocą kwestionariusza. Interesuje go, czy wyższy stres wiąże się z gorszym snem u studentów pielęgniarstwa.

Hipoteza merytoryczna: wyższy poziom stresu jest związany z niższą jakością snu.

Jeśli zastosujemy korelację liniową, hipotezy można zapisać następująco:

H0: ρ = 0
H1: ρ < 0

Symbol ρ oznacza populacyjny współczynnik korelacji. Wartość ujemna odpowiada przewidywaniu, że wraz ze wzrostem stresu wynik jakości snu maleje. Jeżeli skala snu jest skonstruowana odwrotnie — wyższy wynik oznacza więcej problemów — kierunek trzeba odpowiednio zinterpretować. Błąd kodowania może całkowicie odwrócić sens hipotezy.

W badaniu obserwacyjnym taki zapis nie uzasadnia wniosku, że stres powoduje problemy ze snem. Możliwe są zmienne zakłócające, na przykład praca zmianowa, objawy depresyjne, używanie kofeiny lub trudności finansowe. W modelu regresji można rozszerzyć hipotezę o współczynnik β1:

H0: β1 = 0
H1: β1 < 0

Wtedy hipoteza dotyczy związku stresu z jakością snu po uwzględnieniu określonych zmiennych w modelu. Nie oznacza to jednak automatycznie, że uzyskano efekt przyczynowy. Raportowanie hipotezy, zmiennych, modelu, założeń i sposobu kontroli zakłóceń jest szczególnie ważne w badaniach obserwacyjnych, co podkreślają zalecenia STROBE (von Elm i in., 2007).

5. Hipoteza statystyczna a hipoteza kliniczna

Hipoteza statystyczna często wykorzystuje wartość zerową, ale w badaniach medycznych interesuje nas również minimalny ważny efekt. Mała różnica może być statystycznie istotna w bardzo dużej próbie, lecz nie mieć znaczenia dla pacjenta. Z kolei ważny efekt może nie osiągnąć konwencjonalnego poziomu istotności w małej próbie.

Przykładowo, jeśli nowa metoda zmniejsza średni ból o 0,3 punktu w skali 0–10, wynik może być precyzyjnie oszacowany i statystycznie istotny, ale klinicznie mało odczuwalny. Przed analizą warto więc określić minimalną istotną różnicę, oznaczaną czasem jako δ. W badaniu równoważności hipotezy mogą dotyczyć przedziału wartości uznawanych za akceptowalnie podobne, a nie pojedynczego punktu zerowego.

Wnioski powinny łączyć co najmniej trzy elementy: oszacowanie efektu, jego niepewność oraz znaczenie praktyczne. Zalecenia dotyczące raportowania testów podkreślają potrzebę przedstawiania hipotezy, poziomu alfa, rodzaju testu, miary efektu i przedziału ufności (Lang i Altman, 2013).

6. Od hipotezy do planu analizy

Poprawne przełożenie hipotezy powinno prowadzić do jednoznacznego planu:

1. zdefiniuj wynik główny i sposób jego pomiaru;
2. ustal populację, grupy lub poziomy ekspozycji;
3. wybierz parametr opisujący efekt;
4. zapisz wartość braku efektu;
5. zdecyduj, czy hipoteza jest jednostronna czy dwustronna;
6. określ model i test odpowiedni dla schematu badania;
7. zdefiniuj sposób raportowania efektu, przedziału ufności i p-wartości;
8. zastanów się, jaki efekt będzie praktycznie ważny.

W badaniu randomizowanym hipoteza dotycząca różnicy między grupami może być analizowana zgodnie z planem określonym przed rozpoczęciem badania. W badaniu obserwacyjnym należy dodatkowo opisać potencjalne czynniki zakłócające i uzasadnić ich uwzględnienie. W raportach badań randomizowanych zaleca się jasne przedstawianie celów lub hipotez oraz wcześniej określonych wyników (Schulz, Altman i Moher, 2010).

Najczęstsze błędy

• Brak wskazania populacji. Zdanie „lek obniża ciśnienie” nie określa, u kogo, w jakim czasie i względem czego.
• Mylenie próby z populacją. Hipoteza statystyczna odnosi się do parametru populacji, a nie tylko do średniej uzyskanej w badanej próbie.
• Niejasna zmienna wynikowa. „Lepsze zdrowie” trzeba zastąpić konkretnym pomiarem i punktem czasowym.
• Nieprawidłowa wartość braku efektu. Dla różnicy typową wartością jest 0, ale dla ilorazu ryzyka lub ilorazu szans — 1.
• Wybór kierunku po obejrzeniu danych. Hipoteza jednostronna nie powinna być narzędziem do uzyskania mniejszej p-wartości.
• Traktowanie p-wartości jako prawdopodobieństwa hipotezy zerowej. P-wartość nie jest prawdopodobieństwem, że H0 jest prawdziwa.
• Wnioskowanie przyczynowe z korelacji. Związek statystyczny nie wystarcza do stwierdzenia przyczyny.
• Brak określenia ważnego efektu. Istotność statystyczna nie zastępuje oceny znaczenia klinicznego, społecznego lub organizacyjnego.
• Formułowanie wielu hipotez bez planu. Testowanie licznych wyników i podgrup zwiększa ryzyko przypadkowych wyników istotnych.
• Zmiana hipotezy po analizie. Hipoteza wygenerowana po obejrzeniu danych może być cenna, ale powinna być opisana jako eksploracyjna, a nie przedstawiana jako wcześniej zaplanowana.

Przykład praktyczny: kontrola jakości zapisu

Przed analizą warto wypełnić krótką kartę:

Element	Przykład
Populacja	Dorośli pacjenci z nadciśnieniem w POZ
Interwencja	Telefoniczne przypomnienia o przyjmowaniu leków
Wynik	Ciśnienie skurczowe po 12 tygodniach
Parametr	Różnica średnich: μtelefon − μstandard
Hipoteza zerowa	H0: μtelefon − μstandard = 0
Hipoteza alternatywna	H1: μtelefon − μstandard ≠ 0
Znaczenie praktyczne	Spadek o co najmniej 5 mmHg

Taki zapis porządkuje zarówno analizę, jak i późniejszy raport. Jeśli uzyskano różnicę −2 mmHg z wąskim przedziałem ufności obejmującym wyłącznie małe wartości, można uznać, że efekt jest zgodny z niewielką różnicą, ale prawdopodobnie nie osiąga wcześniej zdefiniowanego progu praktycznego. Jeśli przedział jest bardzo szeroki, brak istotności nie oznacza dowodu braku efektu — może wskazywać na niedostateczną precyzję.

Co warto zapamiętać?

• Hipoteza merytoryczna opisuje oczekiwane zjawisko w języku dziedziny, a hipoteza statystyczna — parametr populacji.
• Najpierw trzeba określić populację, zmienne, wynik i miarę efektu, a dopiero potem zapisywać H0 i H1.
• Wartość braku efektu zależy od miary: często wynosi 0 dla różnic i korelacji oraz 1 dla ilorazów.
• Kierunek hipotezy powinien być ustalony przed analizą i uzasadniony merytorycznie.
• Nie odrzucenie H0 nie jest dowodem, że efekt wynosi dokładnie zero.
• P-wartość nie jest prawdopodobieństwem prawdziwości hipotezy zerowej.
• Wniosek powinien uwzględniać wielkość efektu, przedział ufności, istotność statystyczną i znaczenie praktyczne.
• W badaniach obserwacyjnych należy unikać języka przyczynowego, jeśli projekt nie uzasadnia takiego wnioskowania.

Dobrze przełożona hipoteza jest krótka, formalnie jednoznaczna i możliwa do powiązania z konkretnym testem lub modelem. Jeżeli nie wiadomo, jaki parametr znajduje się w hipotezie, jaka jest wartość braku efektu albo jaki wynik miałby znaczenie praktyczne, problem leży jeszcze na poziomie konstrukcji pytania badawczego, a nie wyboru testu statystycznego.

\n

Źródła i dalsza lektura

\n

1. 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.
2. Wasserstein, R. L.; Lazar, N. A. (2016). The ASA Statement on p-Values: Context, Process, and Purpose. The American Statistician, 70(2), 129–133. DOI: 10.1080/00031305.2016.1154108.
3. Ruxton, G. D.; Neuhauser, M. (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.
4. 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 SAMPL Guidelines. European Journal of Clinical Investigation. Wiley. Źródło.
5. von Elm, E.; Altman, D. G.; Egger, M.; Pocock, S. J.; Gøtzsche, P. C.; Vandenbroucke, J. P.; for the STROBE Initiative (2007). The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: guidelines for reporting observational studies. The Lancet, 370(9596), 1453–1457. DOI: 10.1016/S0140-6736(07)61602-X.
6. Schulz, K. F.; Altman, D. G.; Moher, D.; for the CONSORT Group (2010). CONSORT 2010 Statement: updated guidelines for reporting parallel group randomised trials. BMJ, 340, c332. DOI: 10.1136/bmj.c332.

\n