414. Założenie jednorodności nachyleń regresji w ANCOVA

W poprzedniej lekcji ANCOVA została przedstawiona jako metoda porównywania średnich kilku grup po uwzględnieniu wpływu zmiennej ciągłej, czyli współzmiennej. Samo włączenie współzmiennej do modelu nie wystarcza jednak do poprawnej interpretacji wyników. Klasyczna ANCOVA zakłada, że zależność między współzmienną a wynikiem ma takie samo nachylenie we wszystkich porównywanych grupach. To założenie nazywa się jednorodnością nachyleń regresji albo homogenicznością współczynników regresji.

W tej lekcji wyjaśnimy, co dokładnie oznacza to założenie, dlaczego jest ważne, jak je sprawdzać oraz jak postępować, gdy dane wskazują na różne nachylenia. Jest to szczególnie istotne w badaniach medycznych, psychologicznych i społecznych, w których efekt interwencji może zależeć od poziomu wyjściowego, wieku, nasilenia objawów lub innej cechy uczestników.

1. Intuicja: co oznacza „takie samo nachylenie”?

Załóżmy, że badacz porównuje trzy programy rehabilitacji pod względem poprawy sprawności fizycznej. Współzmienną jest wynik testu sprawności wykonany przed rozpoczęciem programu, a zmienną zależną — wynik testu po zakończeniu programu.

Można przedstawić zależność między wynikiem początkowym i końcowym osobno w każdej grupie. Dla każdej grupy otrzymujemy linię regresji. Nachylenie tej linii informuje, jak bardzo przeciętnie zmienia się wynik końcowy, gdy wynik początkowy zwiększa się o jedną jednostkę.

Jednorodność nachyleń oznacza, że linie regresji mogą mieć różne poziomy — a więc różne wyrazy wolne — ale powinny być w przybliżeniu równoległe. Innymi słowy, wpływ współzmiennej na wynik jest podobny w każdej grupie.

Jeżeli jednak w jednej grupie osoby z wyższym wynikiem początkowym uzyskują znacznie większą poprawę niż w innej grupie, linie nie są równoległe. Wtedy wpływ współzmiennej zależy od grupy. Statystycznie oznacza to obecność interakcji między czynnikiem grupowym a współzmienną.

2. Model ANCOVA i znaczenie założenia

Dla jednej zmiennej grupującej i jednej współzmiennej klasyczny model ANCOVA można zapisać następująco:

Yij = μ + αj + β(Xij − X̄) + εij

• Y_ij — wynik zmiennej zależnej dla osoby i w grupie j;
• μ — średni poziom wyniku po uwzględnieniu modelu;
• α_j — efekt przynależności do grupy j;
• β — wspólne nachylenie regresji, czyli zmiana oczekiwanego wyniku Y przy wzroście współzmiennej X o jedną jednostkę;
• X_ij — wartość współzmiennej dla osoby i w grupie j;
• X̄ — średnia współzmiennej w całej analizowanej próbie;
• ε_ij — składnik resztowy, czyli część wyniku niewyjaśniona przez model.

Najważniejsze jest to, że w tym modelu występuje jedno wspólne β. Taki zapis zakłada, że współzmienna działa w ten sam sposób we wszystkich grupach. Grupy mogą różnić się poziomem przewidywanego wyniku, ale nie tym, jak silnie wynik zależy od współzmiennej.

Można też zapisać model rozszerzony:

Y = β0 + β1G + β2X + β3(G × X) + ε

• G — zmienna grupująca lub jej kodowanie wskaźnikowe;
• X — współzmienna;
• G × X — interakcja grupy ze współzmienną;
• β₃ — informacja o tym, czy nachylenie regresji różni się między grupami.

Jeżeli interakcja G × X jest zgodna z zerem, założenie jednorodności nachyleń jest wspierane. Jeżeli interakcja jest wyraźna, standardowa ANCOVA z jednym wspólnym nachyleniem może być nieadekwatna. Nie oznacza to, że badanie jest bezwartościowe. Oznacza natomiast, że należy zastosować model pozwalający na różne nachylenia i odpowiednio zmienić interpretację.

3. Dlaczego naruszenie założenia jest ważne?

W klasycznej ANCOVA efekt grupy interpretuje się zwykle jako różnicę między skorygowanymi średnimi przy określonej wartości współzmiennej, często przy jej średniej. Taka interpretacja ma sens, jeśli różnice między grupami są względnie stałe w zakresie wartości współzmiennej.

Przy różnych nachyleniach różnica między grupami nie jest stała. Może być mała dla osób o niskiej wartości X, a duża dla osób o wysokiej wartości X. W takiej sytuacji jedna „skorygowana średnia grupowa” może nadmiernie upraszczać wynik.

Problem dotyczy również błędu pierwszego rodzaju i mocy testu. Klasyczne badania symulacyjne wskazywały, że skutki naruszenia zależą między innymi od nierówności liczebności grup oraz wielkości różnic nachyleń. Przy równych liczebnościach procedura może być stosunkowo odporna, ale przy grupach nierównolicznych ryzyko błędnej oceny efektu rośnie (Hamilton, 1977). Późniejsze analizy również wskazywały, że niejednorodne nachylenia mogą wpływać na kontrolę błędu pierwszego rodzaju i prowadzić do mylących wniosków (Hollingsworth, 1980).

Nie należy jednak traktować braku istotności interakcji jako dowodu, że nachylenia są identyczne. Wynik nieistotny może oznaczać zarówno rzeczywistą jednorodność, jak i zbyt małą moc testu. Dlatego interpretacja powinna uwzględniać wykresy, przedziały ufności, liczebności grup i zakres danych.

4. Jak sprawdzać jednorodność nachyleń?

4.1. Wykresy rozrzutu z osobnymi liniami regresji

Pierwszym krokiem powinno być przedstawienie wykresu rozrzutu zmiennej zależnej względem współzmiennej, z osobną linią regresji dla każdej grupy. To proste narzędzie może ujawnić:

• wyraźnie różne nachylenia;
• nieliniowość zależności;
• obserwacje odstające;
• brak wspólnego zakresu wartości współzmiennej;
• grupy, które mają bardzo mało obserwacji w części zakresu X.

Wykres nie zastępuje testu statystycznego, ale chroni przed mechanicznym zastosowaniem ANCOVA. Szczególnie niebezpieczne jest ocenianie nachyleń wyłącznie „na oko” przy małych próbach.

4.2. Model z interakcją

Formalnym sposobem sprawdzenia założenia jest dopasowanie modelu zawierającego interakcję grupy ze współzmienną:

Y = grupa + X + grupa × X

Hipoteza zerowa dla interakcji zakłada, że nachylenia są takie same. Hipoteza alternatywna mówi, że co najmniej dwa nachylenia różnią się. W raporcie należy podać statystykę testową, stopnie swobody, wartość p, a najlepiej również oszacowanie różnicy nachyleń i przedział ufności. Standardy APA JARS zalecają przejrzyste raportowanie założeń, analiz dodatkowych, wielkości efektu i niepewności oszacowań (Appelbaum i in., 2018).

Warto pamiętać, że wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej. Nieistotny wynik interakcji nie dowodzi, że nachylenia są równe; mówi jedynie, że przy przyjętym modelu i danych nie uzyskano wystarczających podstaw do odrzucenia hipotezy o ich równości.

4.3. Ocena zakresu współzmiennej

Jednorodność nachyleń powinna być oceniana w zakresie wartości współzmiennej, który rzeczywiście występuje w danych. Ekstrapolacja poza ten zakres może prowadzić do nieuzasadnionych wniosków. Jeżeli jedna grupa obejmuje głównie osoby z niskimi wartościami X, a druga głównie osoby z wysokimi, porównywanie linii w całym zakresie może być niestabilne.

5. Przykład medyczny: rehabilitacja po udarze

Załóżmy, że porównujemy trzy formy rehabilitacji po udarze. Zmienną zależną jest wynik testu funkcjonalnego po 12 tygodniach, a współzmienną — wynik wyjściowy przed rehabilitacją.

W pierwszym modelu badacz uwzględnia jedynie grupę terapii i wynik wyjściowy. Otrzymuje istotną różnicę między programami. Następnie sprawdza interakcję program × wynik wyjściowy. Okazuje się, że osoby z wyższym wynikiem początkowym odnoszą większą korzyść z terapii intensywnej niż z terapii standardowej, podczas gdy u osób z niskim wynikiem początkowym różnica jest niewielka.

W takim przypadku nie należy ograniczać się do zdania: „terapia intensywna jest skuteczniejsza po kontrolowaniu wyniku wyjściowego”. Bardziej trafne byłoby stwierdzenie, że zależność między wynikiem wyjściowym a wynikiem po terapii różniła się między programami. Efekt programu zależał od poziomu wyjściowego. Można wtedy przedstawić przewidywane wartości wyniku dla kilku klinicznie sensownych poziomów współzmiennej, na przykład dla wyniku niskiego, średniego i wysokiego.

Jeżeli badanie nie było randomizowane, nie należy automatycznie używać języka przyczynowego. Różne nachylenia mogą odzwierciedlać także różnice w doborze pacjentów, ciężkości choroby lub innych niezmierzonych cechach.

6. Przykład psychologiczny: program redukcji lęku

Psycholog porównuje trzy programy redukcji lęku. Wynikiem jest nasilenie lęku po zakończeniu programu, a współzmienną — poziom lęku przed rozpoczęciem terapii.

W programie poznawczo-behawioralnym osoby z wysokim nasileniem lęku początkowego obniżają wynik szybciej niż osoby o podobnym poziomie wyjściowym w grupie kontrolnej. W grupie krótkiej psychoedukacji zależność jest słabsza. Linie regresji nie są więc równoległe.

W tej sytuacji pytanie „który program ma największy średni efekt po skorygowaniu o lęk początkowy?” może być mniej użyteczne niż pytanie „dla jakiego poziomu lęku początkowego program różni się od kontroli?”. Analiza interakcji pozwala przejść od ogólnego porównania średnich do oceny warunkowego efektu grupy.

7. Co zrobić, gdy nachylenia nie są jednorodne?

7.1. Zastosować model z interakcją

Najbardziej bezpośrednim rozwiązaniem jest pozostawienie interakcji w modelu. Wtedy nie interpretuje się jednego ogólnego efektu grupy bez odniesienia do wartości współzmiennej. Należy podać efekty proste, czyli różnice między grupami przy określonych wartościach X, wraz z przedziałami ufności.

7.2. Użyć analizy nachyleń prostych

Można sprawdzić, czy efekt grupy występuje przy niskiej, średniej i wysokiej wartości współzmiennej. Dobór punktów powinien być uzasadniony: mogą to być wartości klinicznie ważne, kwartyle albo średnia i wartości oddalone o jedno odchylenie standardowe. Nie należy jednak wybierać punktów wyłącznie dlatego, że dają najkorzystniejszą wartość p.

7.3. Rozważyć inne modelowanie

Jeżeli zależność jest nieliniowa, należy rozważyć składnik kwadratowy, splajny lub inną uzasadnioną funkcję. Jeśli zmienna zależna nie spełnia założeń modelu liniowego, właściwszy może być uogólniony model liniowy. Przy danych powtarzanych lub zagnieżdżonych można potrzebować modelu mieszanego. Nie istnieje jedna uniwersalna „poprawka” na różne nachylenia.

Nie należy natomiast zastępować ANCOVA analizą wariancji na resztach uzyskanych z regresji prowadzonej bez uwzględnienia grupy. Takie postępowanie może prowadzić do błędnej interpretacji, zwłaszcza gdy grupa i współzmienna są powiązane (Miller i Chapman, 2001).

8. Najczęstsze błędy

• Sprawdzanie wyłącznie testu Levene’a. Test Levene’a dotyczy jednorodności wariancji, a nie jednorodności nachyleń regresji.
• Automatyczne uruchamianie ANCOVA bez interakcji. Jeżeli współzmienna może działać różnie w grupach, interakcję trzeba rozważyć merytorycznie i statystycznie.
• Traktowanie nieistotnego wyniku jako dowodu równości nachyleń. Brak istotności może wynikać z małej mocy.
• Interpretowanie głównego efektu grupy mimo istotnej interakcji. Przy interakcji efekt grupy zależy od wartości współzmiennej.
• Ignorowanie wykresu. Sam wynik testu nie pokaże nieliniowości, obserwacji wpływowych ani braku wspólnego zakresu danych.
• Używanie współzmiennej będącej skutkiem interwencji. Kontrolowanie zmiennej pomierzonej po rozpoczęciu leczenia może zmieniać pytanie badawcze i prowadzić do obciążenia interpretacji.
• Wyciąganie wniosków przyczynowych z badania obserwacyjnego. ANCOVA nie zastępuje randomizacji ani kontroli błędów systematycznych.
• Raportowanie samej wartości p. Należy przedstawić także oszacowania nachyleń, przedziały ufności, liczebności grup i wykresy.

9. Jak raportować analizę?

Przejrzysty opis powinien zawierać: definicję zmiennej zależnej i współzmiennej, sposób kodowania grup, wykres zależności, model z interakcją, wynik testu interakcji oraz decyzję dotyczącą dalszego modelowania. Jeżeli interakcja była istotna, należy podać efekty warunkowe, a nie tylko ogólną średnią skorygowaną.

Przykładowe sformułowanie:

Przed wykonaniem ANCOVA oceniono interakcję między grupą a wynikiem wyjściowym. Interakcja była istotna, F(2, 114) = 4,36, p = .015, co wskazuje, że zależność między wynikiem wyjściowym i końcowym różniła się między grupami. Z tego powodu nie interpretowano pojedynczego wspólnego efektu grupy; przedstawiono przewidywane różnice między grupami dla wartości współzmiennej odpowiadających 25., 50. i 75. percentylowi.

Takie raportowanie jest zgodne z ogólną zasadą, że czytelnik powinien móc ocenić zarówno założenia modelu, jak i niepewność wyników (American Psychological Association, 2020; Appelbaum i in., 2018).

10. Przykład praktyczny: schemat decyzji

1. Zdefiniuj pytanie badawcze i upewnij się, że współzmienna ma sens merytoryczny.
2. Obejrzyj wykres zmiennej zależnej względem współzmiennej osobno dla grup.
3. Sprawdź liniowość oraz obserwacje odstające i wpływowe.
4. Dopasuj model zawierający grupę, współzmienną i interakcję grupy ze współzmienną.
5. Oceń interakcję za pomocą oszacowania, przedziału ufności i testu, nie tylko wartości p.
6. Jeśli interakcja jest niewielka i nie ma dowodów na jej istotność, można rozważyć klasyczną ANCOVA, z zachowaniem ostrożności interpretacyjnej.
7. Jeśli interakcja jest wyraźna, pozostaw ją w modelu i raportuj efekty warunkowe.
8. Jeśli problemem jest nieliniowość, nierówna wariancja lub zależność obserwacji, zmień model zamiast wymuszać klasyczną ANCOVA.

Co warto zapamiętać?

• Jednorodność nachyleń regresji oznacza, że współzmienna ma podobny wpływ na wynik we wszystkich grupach.
• W modelu statystycznym odpowiada temu brak interakcji grupa × współzmienna.
• Założenie należy oceniać za pomocą wykresów i modelu z interakcją, a nie wyłącznie testem Levene’a.
• Nieistotna interakcja nie dowodzi równości nachyleń; jej interpretacja zależy od mocy, liczebności i jakości danych.
• Przy istotnej interakcji efekt grupy zależy od wartości współzmiennej, dlatego trzeba raportować efekty warunkowe.
• ANCOVA nie „kontroluje” automatycznie wszystkich różnic między grupami i nie daje sama z siebie podstaw do wnioskowania przyczynowego.
• W praktyce przejrzyste wykresy, przedziały ufności i opis modelu są równie ważne jak sama wartość p.

W ramach publicznego szkolenia na statystyk.edu.pl warto połączyć tę lekcję z wcześniejszymi tematami dotyczącymi interakcji, założeń ANOVA i interpretacji statystyki F. Najważniejsza zasada brzmi: zanim zinterpretujesz skorygowane średnie, sprawdź, czy wspólne nachylenie regresji jest wiarygodnym uproszczeniem danych.

Źródła i dalsza lektura

1. Hamilton, Basil L. (1977). An Empirical Investigation of the Effects of Heterogeneous Regression Slopes in Analysis of Covariance. Educational and Psychological Measurement, 37(3), 701–712. DOI: 10.1177/001316447703700313.
2. Hollingsworth, Holly H. (1980). An Analytical Investigation of the Effects of Heterogeneous Regression Slopes in Analysis of Covariance. Educational and Psychological Measurement, 40(3), 611–618. DOI: 10.1177/001316448004000306.
3. Miller, Gregory A.; Chapman, Jean P. (2001). Misunderstanding analysis of covariance. Journal of Abnormal Psychology, 110(1), 40–48. DOI: 10.1037/0021-843X.110.1.40.
4. American Psychological Association (2020). Publication Manual of the American Psychological Association, Seventh Edition. American Psychological Association. Źródło.
5. Appelbaum, Mark; Cooper, Harris; Kline, Rex B.; Mayo-Wilson, Evan; Nezu, Arthur M.; Rao, Steven 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.
6. University of California, Los Angeles, Statistical Consulting Group (2026). How do I handle interactions of continuous and categorical variables?. UCLA Statistical Consulting Group. University of California, Los Angeles. Źródło.