415. MANOVA – kiedy analizować kilka wyników jednocześnie?

W poprzednich lekcjach analizowaliśmy sytuacje, w których zmienną zależną był jeden wynik: na przykład ciśnienie skurczowe, poziom lęku albo czas reakcji. W praktyce badawczej często jednak interesuje nas cały zestaw rezultatów. Leczenie może wpływać jednocześnie na ciśnienie, wydolność organizmu i masę ciała, a program psychologiczny może zmieniać zarówno nasilenie objawów depresyjnych, jak i lękowych oraz jakość życia. Jeżeli takie wyniki są ze sobą powiązane, analizowanie ich całkowicie osobno może prowadzić do niepełnych lub mylących wniosków.

Właśnie w takich sytuacjach stosuje się MANOVA, czyli wielowymiarową analizę wariancji (multivariate analysis of variance). Jest to rozszerzenie ANOVA, w którym jednocześnie analizuje się kilka zmiennych zależnych. Celem nie jest automatyczne zastąpienie wielu analiz jednoczynnikowych, lecz sprawdzenie, czy grupy różnią się jako całościowe profile wyników. Temat ten stanowi naturalne rozwinięcie modułu 21 kursu metodologii i statystyki na statystyku.edu.pl.

1. Czym jest MANOVA?

W klasycznej jednoczynnikowej ANOVA porównujemy średnie jednej zmiennej zależnej w dwóch lub większej liczbie grup. Przykładowo możemy sprawdzić, czy trzy metody rehabilitacji różnią się pod względem średniego wyniku testu sprawności.

W MANOVA każda osoba ma kilka wyników zależnych, które tworzą wspólny wektor obserwacji. Dla pacjenta mogą to być:

• ciśnienie skurczowe,
• stężenie cholesterolu LDL,
• wskaźnik masy ciała.

Analiza pyta, czy średni wektor wyników różni się między grupami. Nie porównuje więc wyłącznie jednej średniej, lecz położenie grup w przestrzeni kilku zmiennych. Można to wyobrazić sobie jako porównywanie punktów lub chmur punktów w układzie współrzędnych, gdzie każda oś odpowiada innemu wynikowi.

Formalnie, jeśli p zmiennych zależnych tworzy wektor Y, a badani należą do g grup, hipoteza globalna ma postać:

H₀: μ₁ = μ₂ = … = μ_g

gdzie:

• μ_j oznacza wektor średnich w grupie j,
• g oznacza liczbę grup,
• każdy wektor średnich zawiera średnie wszystkich analizowanych zmiennych zależnych.

Odrzucenie hipotezy zerowej oznacza, że grupy różnią się pod względem pewnej kombinacji analizowanych wyników. Nie mówi jeszcze, która zmienna odpowiada za różnicę ani między którymi parami grup ona występuje.

2. Dlaczego nie wykonać kilku osobnych ANOVA?

Najważniejszy powód ma charakter statystyczny. Jeżeli dla każdego wyniku wykonujemy osobny test na poziomie istotności 0,05, rośnie łączne ryzyko uzyskania przynajmniej jednego fałszywie dodatniego wyniku. Problem ten określa się jako inflację rodzinnego błędu pierwszego rodzaju.

MANOVA daje najpierw jeden test globalny dla całego zestawu wyników. Wykorzystuje przy tym nie tylko różnice między średnimi, lecz także kowariancje między zmiennymi zależnymi. Jeżeli wyniki są umiarkowanie lub silnie skorelowane, wspólna analiza może być bardziej informacyjna niż seria niezależnych testów.

Nie oznacza to jednak, że MANOVA zawsze ma większą moc. Jeżeli zmienne zależne są prawie niezależne, mają bardzo różne skale albo tylko jedna z nich zawiera rzeczywisty sygnał, analiza wielowymiarowa może nie przynieść przewagi. Dlatego wybór MANOVA powinien wynikać z pytania badawczego i modelu teoretycznego, a nie z samej obecności kilku zmiennych.

3. Przykład z medycyny: program redukcji ryzyka sercowo-naczyniowego

Załóżmy, że porównujemy trzy strategie postępowania u osób z podwyższonym ryzykiem sercowo-naczyniowym: standardową poradę, intensywną interwencję dietetyczną oraz program łączący dietę z aktywnością fizyczną.

Po 12 tygodniach mierzymy:

• ciśnienie skurczowe,
• stężenie cholesterolu LDL,
• obwód talii.

Wszystkie trzy wyniki opisują podobny, choć nieidentyczny, obszar zdrowia metabolicznego. Możemy więc sformułować pytanie: czy strategie różnią się pod względem łącznego profilu zmian metabolicznych?

Jeżeli MANOVA okaże się istotna, dalsza analiza może obejmować osobne ANOVA dla każdego wyniku, z odpowiednią kontrolą wielokrotnych porównań, oraz porównania post-hoc. W raporcie nie należy napisać po prostu, że „interwencja poprawiła zdrowie metaboliczne”. Trzeba wskazać, które wyniki wykazały różnice, jaka była ich wielkość i czy zmiany miały znaczenie kliniczne.

MANOVA nie dowodzi sama przez się, że program spowodował poprawę. Taki język byłby uzasadniony tylko wtedy, gdy schemat badania, na przykład randomizowane badanie kontrolowane, umożliwiał wnioskowanie przyczynowe.

4. Przykład z psychologii: wyniki terapii

W badaniu porównującym trzy formy terapii psychologicznej można mierzyć po zakończeniu leczenia:

• nasilenie objawów depresyjnych,
• nasilenie objawów lękowych,
• jakość życia.

Te wyniki są powiązane, ale nie są tym samym konstruktem. Spadek lęku może być większy niż spadek objawów depresyjnych, a poprawa jakości życia może nie odpowiadać dokładnie zmianom w skalach objawowych.

MANOVA pozwala najpierw zbadać, czy grupy terapii różnią się profilem rezultatów. Jeżeli test globalny jest nieistotny, nie powinniśmy interpretować pojedynczych istotnych wartości p z wielu dodatkowych testów bez odpowiedniej korekty i uzasadnienia. Jeżeli test globalny jest istotny, przechodzimy do analizy uniwariackiej i porównań szczegółowych.

5. Model MANOVA i zapis macierzowy

W najprostszym układzie jednoczynnikowym model można zapisać następująco:

Yij = μ + τj + εij

gdzie:

• Y_ij jest wektorem wyników osoby i należącej do grupy j,
• μ jest ogólnym wektorem średnich,
• τ_j oznacza efekt przynależności do grupy j,
• ε_ij jest wektorem błędów losowych.

W MANOVA porównuje się macierze zmienności. Najczęściej rozróżnia się:

• macierz H – zmienność przypisywaną różnicom między grupami,
• macierz E – zmienność wewnątrz grup, czyli niewyjaśniony błąd.

Jedną z najczęściej raportowanych statystyk jest lambda Wilksa:

Λ = |E| / |E + H|

Symbol |·| oznacza wyznacznik macierzy. Im mniejsza wartość Λ, tym większa część całkowitej zmienności wielowymiarowej wiąże się z różnicami między grupami. Oprogramowanie statystyczne przekształca lambdę Wilksa do przybliżonej statystyki F i podaje wartość p.

W praktyce stosuje się również:

• ślady Pillai’a,
• ślady Hotellinga–Lawleya,
• największy pierwiastek Roya.

Nie są to cztery niezależne pytania, które należy interpretować jako cztery osobne potwierdzenia hipotezy. Są to alternatywne kryteria testowania efektu wielowymiarowego. Ślad Pillai’a bywa preferowany, gdy istnieją obawy dotyczące naruszenia założeń lub nierówności macierzy kowariancji, ponieważ w wielu sytuacjach zachowuje dobrą odporność (Olson, 1974; Olson, 1976). Wybór statystyki powinien być określony przed analizą albo uzasadniony charakterystyką danych.

6. Założenia MANOVA

Wielowymiarowa normalność

W obrębie każdej grupy wektor wyników powinien mieć rozkład zbliżony do wielowymiarowego normalnego. W praktyce ocenia się rozkłady poszczególnych zmiennych, wartości odstające oraz zależności między wynikami. Testy formalne normalności przy dużych próbach bywają nadmiernie czułe, dlatego należy łączyć diagnostykę graficzną, wiedzę dziedzinową i ocenę wpływu obserwacji odstających.

Jednorodność macierzy kowariancji

MANOVA zakłada, że macierze wariancji i kowariancji są podobne w porównywanych grupach. Oznacza to jednocześnie podobieństwo wariancji poszczególnych wyników oraz ich wzajemnych kowariancji. Często stosuje się test Boxa M, ale jego wynik trzeba interpretować ostrożnie, zwłaszcza przy dużych próbach. Nierówne liczebności grup w połączeniu z nierównymi macierzami kowariancji mogą być szczególnie problematyczne.

Niezależność obserwacji

Wyniki jednej osoby nie powinny zależeć od wyników innej osoby, chyba że zależność została uwzględniona w modelu, na przykład za pomocą modelu wielopoziomowego. Wielokrotne pomiary tych samych pacjentów nie są zwykłym przypadkiem niezależnych obserwacji; wymagają odpowiedniego modelu z powtarzanymi pomiarami lub analizy podłużnej.

Brak nadmiernej współliniowości

Zmienne zależne powinny być powiązane, ale nie mogą być niemal duplikatami. Gdy dwie skale mierzą praktycznie to samo, ich jednoczesne włączenie może powodować problemy numeryczne i utrudniać interpretację. Z drugiej strony całkowity brak związku między wynikami osłabia sens wspólnego testu.

7. Jak przeprowadzić i opisać analizę?

1. Określ, dlaczego wyniki powinny być analizowane wspólnie.
2. Sprawdź projekt badania, kodowanie grup i kompletność danych.
3. Oceń obserwacje odstające, rozkłady i korelacje między zmiennymi zależnymi.
4. Zweryfikuj podobieństwo macierzy kowariancji oraz liczebności grup.
5. Wybierz statystykę wielowymiarową i uzasadnij jej zastosowanie.
6. Raportuj wynik testu globalnego, a następnie – jeśli to uzasadnione – analizy uniwariackie.
7. Przedstaw średnie, odchylenia standardowe, przedziały ufności i miary wielkości efektu.

Przykładowy opis może mieć formę: „Grupy różniły się globalnym profilem wyników, ślad Pillai’a = …, F(…, …) = …, p = …, η²_p = …. W analizach uniwariackich różnice dotyczyły przede wszystkim …”. Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej. Informuje o zgodności danych z hipotezą zerową przy przyjętym modelu i założeniach.

Wytyczne APA JARS zalecają przejrzyste raportowanie projektu, próby, zmiennych, procedury analitycznej, brakujących danych, wyników oraz ograniczeń. Sama wartość p nie wystarcza do oceny znaczenia wyniku (APA, 2024).

Przykład praktyczny: trzy programy rehabilitacji

W badaniu uczestniczy ninety patients? Nie używamy angielskiego zapisu; przyjmijmy, że uczestniczy 90 pacjentów, po 30 w każdej z trzech grup rehabilitacyjnych. Po ośmiu tygodniach oceniono ból w skali 0–10, dystans marszu w teście sześciominutowym oraz wynik kwestionariusza jakości życia.

Załóżmy, że grupy mają podobne liczebności, a wyniki są umiarkowanie skorelowane. Test MANOVA oparty na śladzie Pillai’a daje p = 0,018. Wniosek brzmi: istnieją dowody na różnice między grupami w wielowymiarowym profilu trzech rezultatów. Nie wolno jednak od razu stwierdzić, że każda zmienna różni się między każdą parą grup.

Następnie wykonano trzy analizy uniwariackie z korektą poziomu istotności. Okazało się, że różnice były wyraźne dla dystansu marszu i jakości życia, ale nie dla bólu. Dalsze porównania wykazały, że program łączący ćwiczenia i edukację dawał większy średni dystans marszu niż standardowa rehabilitacja. Jeżeli różnica wynosiła 35 metrów, należy ocenić nie tylko jej istotność statystyczną, lecz także kliniczne znaczenie takiej zmiany.

Ten przykład pokazuje właściwą sekwencję interpretacji: najpierw efekt globalny, następnie wyniki pojedynczych zmiennych, a na końcu wielkość i znaczenie praktyczne różnic.

Najczęstsze błędy

• Włączanie wielu wyników bez uzasadnienia teoretycznego. Sama liczba zmiennych nie jest powodem do użycia MANOVA.
• Traktowanie istotnej MANOVA jako dowodu różnic we wszystkich wynikach. Test globalny nie wskazuje automatycznie, które zmienne są odpowiedzialne za efekt.
• Wykonywanie wielu testów post-hoc bez korekty. Zwiększa to ryzyko fałszywie dodatnich wniosków.
• Ignorowanie korelacji między wynikami. To właśnie struktura kowariancji jest jednym z powodów stosowania analizy wielowymiarowej.
• Bezrefleksyjne stosowanie testu Boxa M. Wynik testu nie powinien zastępować oceny projektu, liczebności i diagnostyki danych.
• Raportowanie wyłącznie wartości p. Należy podać statystykę testową, stopnie swobody, wielkość efektu, przedziały ufności i średnie grupowe.
• Wyciąganie wniosków przyczynowych z badania obserwacyjnego. MANOVA nie zmienia charakteru projektu badawczego.
• Mylenie wielu wyników z wieloma pomiarami. MANOVA dla kilku zmiennych zależnych różni się od ANOVA z powtarzanymi pomiarami, gdzie ta sama zmienna jest mierzona w różnych momentach.

Co warto zapamiętać?

• MANOVA służy do jednoczesnego porównywania grup względem kilku powiązanych zmiennych zależnych.
• Testuje różnice między grupami w całym profilu wyników, a nie automatycznie w każdej zmiennej osobno.
• Wykorzystuje wariancje i kowariancje, dlatego wymaga oceny macierzy kowariancji oraz zależności między wynikami.
• Najczęściej spotykane statystyki to lambda Wilksa, ślad Pillai’a, ślad Hotellinga–Lawleya i największy pierwiastek Roya.
• Istotny wynik globalny powinien być uzupełniony analizami uniwariackimi, porównaniami szczegółowymi i miarami wielkości efektu.
• Wartość p nie opisuje wielkości ani praktycznego znaczenia różnicy.
• MANOVA jest narzędziem analitycznym, a nie sposobem na naprawienie słabego projektu badawczego.

W następnych lekcjach można przejść od podstawowej MANOVA do MANCOVA, czyli analizy wielowymiarowej z uwzględnieniem współzmiennych. Najważniejsze pytanie pozostaje jednak takie samo: czy wspólna analiza kilku wyników odpowiada rzeczywistemu problemowi badawczemu lepiej niż seria odrębnych testów?

Źródła i dalsza lektura

1. Wilks, S. S. (1932). Certain Generalizations in the Analysis of Variance. Biometrika, 24(3–4), 471–494. DOI: 10.1093/biomet/24.3-4.471.
2. Olson, C. L. (1974). Comparative Robustness of Six Tests in Multivariate Analysis of Variance. Journal of the American Statistical Association, 69(348), 894–908. DOI: 10.1080/01621459.1974.10480224.
3. Olson, C. L. (1976). On Choosing a Test Statistic in Multivariate Analysis of Variance. Psychological Bulletin, 83(4), 579–586. DOI: 10.1037/0033-2909.83.4.579.
4. Huberty, Carl J.; Olejnik, Stephen (2006). Applied MANOVA and Discriminant Analysis. 2nd edition. Wiley-Interscience. Informacja wydawcy / źródło.
5. Tabachnick, Barbara G.; Fidell, Linda S. (2019). Using Multivariate Statistics. 7th edition. Pearson. Informacja wydawcy / źródło.
6. Kirkwood, Betty R.; Sterne, Jonathan A. C. (2003). Essential Medical Statistics. 2nd edition. Blackwell Science. Informacja wydawcy / źródło.
7. American Psychological Association (2024). Journal Article Reporting Standards (JARS). American Psychological Association. Źródło.

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