080. Lista kontrolna dobrej hipotezy badawczej

Hipoteza badawcza nie jest ozdobnym zdaniem umieszczanym we wstępie pracy. Jest przewidywaniem dotyczącym określonego zjawiska, które powinno wynikać z problemu badawczego, teorii lub wcześniejszych wyników, a następnie zostać poddane zaplanowanej konfrontacji z danymi. Dobra hipoteza porządkuje projekt badania: pomaga wskazać zmienne, dobrać populację, określić pomiar, zaplanować analizę i ustalić, jakie wyniki będą zgodne z przewidywaniem.

W tej lekcji, będącej częścią publicznego szkolenia na statystyka.edu.pl, hipoteza jest traktowana jako element całego łańcucha metodologicznego: teoria → pytanie badawcze → hipoteza → operacjonalizacja → projekt badania → analiza → interpretacja. Sama poprawność gramatyczna zdania nie wystarcza. Hipoteza może być sformułowana językowo poprawnie, a mimo to pozostać niejasna, tautologiczna, nieweryfikowalna albo niedopasowana do schematu badania.

Czym jest dobra hipoteza badawcza?

Hipoteza badawcza to uzasadnione, lecz podlegające sprawdzeniu przewidywanie dotyczące wartości, różnicy, związku lub kierunku relacji między określonymi zjawiskami. W badaniu ilościowym zwykle odnosi się do zmiennych, populacji, czasu obserwacji i warunków, w których przewidywanie ma obowiązywać.

Przykład ogólny: „Wśród dorosłych pacjentów z nadciśnieniem tętniczym udział w 12-tygodniowym programie aktywności fizycznej wiąże się z większym średnim spadkiem skurczowego ciśnienia tętniczego niż standardowa edukacja zdrowotna”. Zdanie wskazuje populację, interwencję lub ekspozycję, porównanie, wynik, kierunek oraz okres obserwacji. Dzięki temu można zaplanować pomiar i analizę.

Hipoteza nie jest jednak dowodem ani twierdzeniem, że przewidywany efekt na pewno wystąpi. Jej potwierdzenie lub brak potwierdzenia zależy od jakości projektu, pomiaru, liczebności próby, precyzji oszacowania i zgodności danych z przewidywaniem. Wynik nieistotny statystycznie nie dowodzi automatycznie prawdziwości hipotezy zerowej ani braku efektu; może wynikać między innymi z małej próby, dużej zmienności lub niedokładnego pomiaru (Altman i Bland, 1995; Wasserstein i Lazar, 2016).

Lista kontrolna dobrej hipotezy

1. Czy hipoteza odpowiada na konkretne pytanie badawcze?

Najpierw należy sprawdzić, czy wiadomo, jaki problem rozstrzyga hipoteza. Hipoteza nie powinna być luźnym skojarzeniem z tematem pracy. Jeśli pytanie brzmi: „Czy jakość snu wiąże się z wypaleniem zawodowym pielęgniarek?”, hipoteza powinna odnosić się właśnie do jakości snu i wypalenia, a nie ogólnie do „zdrowia psychicznego personelu”.

Dobre pytanie i dobra hipoteza powinny mieć zgodne zakresy: tę samą populację, podobnie określony kontekst oraz jasno wyodrębniony główny wynik. Wyjątkiem są dodatkowe hipotezy, które muszą być jawnie oznaczone jako wtórne lub eksploracyjne. Standardy APA JARS zalecają rozróżnianie hipotez głównych, drugorzędnych i analiz eksploracyjnych oraz opisanie związku hipotez z projektem badania (APA, 2008). ([apa.org](https://www.apa.org/pubs/authors/jars.pdf?utm_source=openai))

2. Czy wskazano jednostkę analizy i populację?

Hipoteza powinna informować, kogo lub czego dotyczy. „Pacjenci”, „młodzież” czy „pracownicy” to często zbyt szerokie określenia. Warto sprecyzować istotne kryteria: wiek, rozpoznanie, miejsce leczenia, status zawodowy, poziom narażenia albo okres obserwacji.

Trzeba też odróżniać jednostkę obserwacji od jednostki analizy. Jeżeli badanie obejmuje uczniów z kilku szkół, jednostką obserwacji jest uczeń, ale część zmienności może wynikać ze szkoły. Hipoteza dotycząca „uczniów” wymaga wtedy zaplanowania analizy uwzględniającej skupienie danych, na przykład modelu wielopoziomowego. Nie wolno wyciągać wniosków o osobach wyłącznie na podstawie danych zagregowanych dla instytucji bez uzasadnienia takiego przejścia.

3. Czy zmienne są zdefiniowane operacyjnie?

Terminy teoretyczne, takie jak stres, dobrostan, aktywność fizyczna, sprawność poznawcza lub adherencja, nie są jeszcze zmiennymi gotowymi do analizy. Trzeba wskazać, jak zostaną zmierzone.

• Stres może oznaczać wynik w określonym kwestionariuszu, stężenie biomarkera albo liczbę zdarzeń stresowych w danym okresie.
• Aktywność fizyczna może być mierzona minutami wysiłku umiarkowanego tygodniowo, liczbą kroków lub kategorią spełniania zaleceń.
• Rehospitalizacja może być zdefiniowana jako ponowna hospitalizacja w ciągu 30 dni od wypisu, a nie jako „częste powroty do szpitala”.

Operacjonalizacja nie wyczerpuje znaczenia konstruktu, ale umożliwia sprawdzenie hipotezy. Jeżeli badacz nie potrafi wskazać, jakie obserwacje byłyby zgodne z hipotezą, prawdopodobnie hipoteza pozostaje zbyt ogólna.

4. Czy hipoteza określa relację, różnicę albo przewidywany poziom?

Zdanie „program poprawi zdrowie” jest niepełne. Nie wiadomo, jaki element zdrowia, w jakiej grupie, w porównaniu z czym i o ile. Dobra hipoteza wskazuje strukturę przewidywania:

• dla różnicy: „średnia zmiana wyniku będzie większa w grupie interwencji niż w grupie kontrolnej”;
• dla związku: „wyższa jakość snu będzie wiązać się z niższym nasileniem objawów depresyjnych”;
• dla predykcji: „wynik lęku na początku badania będzie dodatnio przewidywał liczbę wizyt w oddziale ratunkowym w ciągu sześciu miesięcy”;
• dla częstości: „odsetek zakażeń będzie niższy w grupie objętej interwencją”.

Jeżeli teoria uzasadnia kierunek efektu, należy go zapisać. Jeżeli wcześniejsze dane są niejednoznaczne, dopuszczalna jest hipoteza nied kierunkowa, na przykład: „wyniki różnią się między grupami”. Nie należy jednak wybierać kierunku dopiero po obejrzeniu wyników.

5. Czy hipoteza jest falsyfikowalna i empirycznie rozstrzygalna?

Hipoteza powinna dopuszczać możliwość uzyskania danych niezgodnych z przewidywaniem. Sformułowanie „interwencja może poprawić albo nie poprawić dobrostanu, zależnie od okoliczności” jest odporne na obalenie, a przez to mało użyteczne jako hipoteza potwierdzająca.

Rozstrzygalność wymaga także zdefiniowania warunków oceny. W badaniu klinicznym może to oznaczać określenie głównego punktu końcowego i okresu obserwacji. W badaniu psychologicznym należy wskazać narzędzie oraz sposób interpretacji wyniku. W badaniu obserwacyjnym trzeba nazwać ekspozycję, wynik i istotne czynniki zakłócające. STROBE zaleca jednoznaczne określenie celów lub hipotez, głównego wyniku i metod kontroli konfuzji w badaniach obserwacyjnych (von Elm i in., 2007). ([journals.plos.org](https://journals.plos.org/plosmedicine/article?id=10.1371%2Fjournal.pmed.0040296&utm_source=openai))

6. Czy hipoteza jest zgodna z projektem badania?

Ta sama treść może wymagać różnych interpretacji zależnie od schematu. W randomizowanym badaniu kontrolowanym hipoteza o skuteczności interwencji może być zgodna z ostrożnym wnioskowaniem przyczynowym, jeśli randomizacja, realizacja procedury i pomiar są odpowiednie. W badaniu przekrojowym można badać współwystępowanie zmiennych, ale zwykle nie można na tej podstawie stwierdzić, że jedna zmienna powoduje drugą.

Przykład: hipoteza „praca zmianowa powoduje bezsenność” jest zbyt przyczynowa dla jednorazowego badania ankietowego. Lepsze byłoby: „wśród pielęgniarek praca zmianowa wiąże się z większym nasileniem objawów bezsenności niż praca wyłącznie dzienna”. Słowo „wiąże się” nie rozstrzyga jeszcze mechanizmu przyczynowego.

7. Czy można dobrać do hipotezy adekwatny wynik i analizę?

Hipoteza powinna prowadzić do określonej miary efektu, a nie tylko do decyzji „istotne–nieistotne”. Dla różnicy średnich można planować różnicę średnich lub standaryzowaną różnicę średnich; dla wyniku binarnego — iloraz szans, ryzyko względne albo różnicę ryzyka; dla czasu do zdarzenia — iloraz hazardów; dla związku — współczynnik korelacji lub parametr modelu regresji.

W zapisie ogólnym hipotezę dotyczącą różnicy można przedstawić jako:

H1: μ1 − μ2 > 0

gdzie μ1 oznacza średnią wartość wyniku w populacji pierwszej, μ2 — średnią w populacji drugiej, a znak > 0 wskazuje przewidywany kierunek różnicy. W hipotezie nied kierunkowej można zapisać H1: μ1 − μ2 ≠ 0. Taki zapis dotyczy parametru populacyjnego, a nie konkretnej różnicy zaobserwowanej w próbie.

Nie należy utożsamiać wartości p z prawdopodobieństwem prawdziwości hipotezy zerowej. Wartość p opisuje zgodność danych z określonym modelem przy założeniu hipotezy zerowej, natomiast nie informuje bezpośrednio o wielkości efektu ani o jego znaczeniu praktycznym (Wasserstein i Lazar, 2016). ([doi.org](https://doi.org/DOI%3A10.1080/00031305.2016.1154108?utm_source=openai))

8. Czy przewidywanie ma znaczenie naukowe lub praktyczne?

Nie każda różnica interesująca matematycznie jest ważna dla pacjenta, systemu ochrony zdrowia lub praktyki zawodowej. Dobra hipoteza powinna mieć uzasadnienie: teoretyczne, kliniczne, społeczne albo organizacyjne.

Warto przed badaniem określić minimalną ważną różnicę. Jeżeli program rehabilitacji zmniejsza średni czas hospitalizacji o 0,2 dnia, wynik może być statystycznie istotny przy dużej próbie, ale niekoniecznie zmieniać postępowanie kliniczne. Z kolei umiarkowany efekt w małej grupie może być istotny praktycznie, lecz oszacowany z dużą niepewnością. Dlatego hipoteza, plan analizy i interpretacja powinny uwzględniać wielkość efektu oraz przedział ufności, a nie tylko próg p.

Dwa przykłady oceny hipotezy

Przykład 1: zdrowie publiczne

Wstępna wersja: „Edukacja dotycząca szczepień zwiększa świadomość społeczną”.

Problem polega na tym, że „edukacja”, „świadomość” i „społeczeństwo” nie są dostatecznie określone. Nie wiadomo, kto otrzyma interwencję, jak będzie wyglądała grupa porównawcza, jak zmierzy się świadomość ani kiedy nastąpi pomiar.

Wersja poprawiona: „Wśród rodziców dzieci w wieku 0–5 lat jednorazowa, 20-minutowa konsultacja prowadzona przez pielęgniarkę, w porównaniu ze standardową ulotką informacyjną, zwiększy średni wynik w zwalidowanym teście wiedzy o szczepieniach o co najmniej 2 punkty po czterech tygodniach”.

Ta wersja wskazuje populację, interwencję, porównanie, wynik, minimalną różnicę i czas pomiaru. Nadal należy doprecyzować sposób randomizacji lub doboru grup, narzędzie, główny punkt końcowy oraz plan analizy.

Przykład 2: psychologia i pielęgniarstwo

Wstępna wersja: „Wypalenie zawodowe pogarsza jakość opieki”.

To zdanie sugeruje przyczynowość, ale nie określa projektu. Jakość opieki może być oceniana przez samoopis, obserwację, liczbę zdarzeń niepożądanych albo wskaźniki organizacyjne. Ponadto obie zmienne mogą być współkształtowane przez obciążenie pracą, braki kadrowe i typ oddziału.

Wersja odpowiednia dla badania przekrojowego: „Wśród pielęgniarek pracujących na oddziałach internistycznych wyższy wynik wypalenia zawodowego będzie wiązał się z niższą oceną jakości komunikacji z pacjentem, mierzoną wystandaryzowanym kwestionariuszem, po uwzględnieniu stażu pracy i obciążenia dyżurami”.

Wersja odpowiednia dla badania podłużnego mogłaby brzmieć: „Wyższe wypalenie zawodowe na początku obserwacji będzie wiązało się z większym ryzykiem zgłoszenia problemu z komunikacją z pacjentem w ciągu sześciu miesięcy”. Nadal nie należy automatycznie pisać, że wypalenie „powoduje” problem, jeśli badanie nie zapewnia odpowiedniej kontroli błędów i alternatywnych wyjaśnień.

Przykład praktyczny: audyt hipotezy przed rozpoczęciem badania

Załóżmy, że zespół chce sprawdzić, czy przypomnienia SMS poprawiają przestrzeganie zaleceń u pacjentów po wypisie ze szpitala. Hipoteza robocza brzmi: „Przypomnienia SMS poprawią adherencję pacjentów”.

Audyt można przeprowadzić w ośmiu krokach:

1. Populacja: dorośli pacjenci wypisywani po zaostrzeniu przewlekłej choroby.
2. Interwencja: dwa przypomnienia SMS dziennie przez 30 dni.
3. Porównanie: standardowa instrukcja wypisowa bez SMS.
4. Wynik: odsetek dni, w których pacjent przyjął lek zgodnie z zaleceniem, oceniony za pomocą elektronicznego rejestru lub uzgodnionej metody.
5. Czas: 30 dni od wypisu.
6. Kierunek: większa średnia adherencja w grupie SMS.
7. Znaczenie praktyczne: minimalna ważna różnica, na przykład 10 punktów procentowych.
8. Projekt i analiza: randomizowane porównanie grup, analiza zgodna z przydziałem oraz przedział ufności dla różnicy.

Po audycie hipoteza może przyjąć postać: „Wśród dorosłych pacjentów wypisywanych po zaostrzeniu przewlekłej choroby wysyłanie dwóch przypomnień SMS dziennie przez 30 dni, w porównaniu ze standardową instrukcją wypisową, zwiększy o co najmniej 10 punktów procentowych średni odsetek dni z prawidłowym przyjmowaniem leku w ciągu 30 dni od wypisu”.

Tak sformułowana hipoteza nie gwarantuje dobrego badania. Trzeba jeszcze ustalić, czy pomiar adherencji jest wiarygodny, czy interwencja jest wykonalna, czy próba zapewni odpowiednią precyzję oraz czy wynik główny został określony przed analizą. CONSORT podkreśla znaczenie jasnego raportowania celów, wyników i zgodności między planem badania a jego realizacją w randomizowanych badaniach klinicznych (Schulz, Altman i Moher, 2010). ([bmj.com](https://www.bmj.com/content/340/bmj.c332?utm_source=openai))

Najczęstsze błędy

• Hipoteza zbyt szeroka: „Interwencja poprawi zdrowie”. Należy wskazać konkretny wynik, populację i czas.
• Brak operacjonalizacji: używanie pojęć takich jak „motywacja” czy „jakość życia” bez określenia pomiaru.
• Język przyczynowy bez podstaw: słowa „powoduje”, „prowadzi do” lub „odpowiada za” w badaniu przekrojowym.
• Hipoteza tautologiczna: przewidywanie, że osoby sklasyfikowane jako „wysoko ryzykujące” będą miały wyższe ryzyko, gdy klasyfikacja została zbudowana z tego samego wyniku.
• Hipoteza nieweryfikowalna: przewidywanie, którego nie można przełożyć na obserwowalne dane.
• Wiele ukrytych hipotez: jedno zdanie obejmuje kilka populacji, dziesiątki wyników i różne kierunki efektu.
• Dopasowywanie hipotezy po wynikach: przedstawianie odkrytej po analizie zależności jako przewidywania a priori.
• Mylenie braku istotności z brakiem efektu: brak przekroczenia progu p nie jest dowodem, że efekt wynosi dokładnie zero.
• Brak kryterium praktycznego: hipoteza mówi o różnicy, ale nie wskazuje, czy jej wielkość ma znaczenie dla pacjentów lub praktyki.
• Niedopasowanie do analizy: hipoteza dotyczy zmiany w czasie, a plan obejmuje wyłącznie porównanie dwóch niezależnych średnich.

Co warto zapamiętać?

• Dobra hipoteza wynika z pytania badawczego i ma uzasadnienie w teorii, literaturze lub wcześniejszych danych.
• Powinna wskazywać populację, zmienne, wynik, porównanie, czas i — gdy jest to uzasadnione — kierunek przewidywania.
• Każde pojęcie teoretyczne trzeba przełożyć na sposób pomiaru możliwy do zastosowania w badaniu.
• Hipoteza musi być zgodna z projektem; badanie obserwacyjne nie uzasadnia automatycznie wniosku przyczynowego.
• Warto określić główną hipotezę, główny wynik i minimalną ważną różnicę przed analizą danych.
• Istotność statystyczna nie zastępuje oceny wielkości efektu, precyzji i znaczenia praktycznego.
• Najprostszy test jakości brzmi: czy inny badacz, znając tę hipotezę, potrafiłby zaplanować pomiar, dobrać analizę i wskazać wynik zgodny oraz niezgodny z przewidywaniem?

Lista kontrolna nie zastępuje myślenia teoretycznego, ale pomaga wykryć braki zanim zostaną utrwalone w protokole, analizie i publikacji. W praktyce najlepsza hipoteza to nie ta, która brzmi najbardziej efektownie, lecz ta, która jest wystarczająco precyzyjna, aby uczciwie poddać ją próbie empirycznej.

\n

Źródła i dalsza lektura

\n

1. American Psychological Association (2008). Reporting Standards for Research in Psychology: Why Do We Need Them? What Might They Be?. American Psychologist. American Psychological Association. Źródło.
2. Altman, D. G.; Bland, J. M. (1995). Absence of evidence is not evidence of absence. BMJ, 311(7003), 485. DOI: 10.1136/bmj.311.7003.485.
3. 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. PLoS Medicine, 4(10), e296. DOI: 10.1371/journal.pmed.0040296.
4. 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.
5. 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.

\n

Więcej kolejnych lekcji publicznego szkolenia znajdziesz na statystyk.edu.pl.