452. Ograniczony zakres zmiennej a osłabienie korelacji

Współczynnik korelacji opisuje zależność obserwowaną w określonej grupie osób lub obiektów. Nie jest więc wyłącznie cechą „relacji między zmiennymi”, lecz także wynikiem tego, kogo włączono do badania i jakie wartości zmiennych były w tej grupie dostępne. Jeżeli badani różnią się między sobą tylko w niewielkim zakresie pod względem jednej ze zmiennych, korelacja może zostać wyraźnie osłabiona, nawet wtedy, gdy w populacji o szerszym zróżnicowaniu zależność jest silna.

Zjawisko to nazywa się ograniczeniem zakresu zmiennej albo restriction of range. W tej lekcji omówimy, dlaczego ograniczona zmienność utrudnia wykrycie zależności, jak odróżnić rzeczywiście słabą korelację od korelacji osłabionej przez dobór próby oraz dlaczego mechaniczne „korygowanie” współczynnika może prowadzić do nowych błędów. Temat stanowi naturalne rozwinięcie szkolenia na statystyk.edu.pl.

1. Czym jest ograniczony zakres zmiennej?

Zakres zmiennej to przedział wartości występujących w analizowanym zbiorze danych. Można go opisać przez minimum i maksimum, rozstęp, wariancję lub odchylenie standardowe. W praktyce badawczej ważniejsze od samego rozstępu jest często to, jak duże jest zróżnicowanie wyników w porównaniu z populacją, do której chcemy odnosić wnioski.

Ograniczenie zakresu występuje wtedy, gdy badana próba obejmuje tylko część możliwych wartości zmiennej. Może mieć charakter:

• naturalny – na przykład badanie osób w podobnym wieku;
• instytucjonalny – na przykład analiza pacjentów przyjmowanych do wyspecjalizowanego oddziału;
• związany z kryteriami włączenia – na przykład udział wyłącznie osób z prawidłowym ciśnieniem tętniczym;
• selekcyjny – na przykład badanie tylko osób, które zdały egzamin lub zostały zatrudnione;
• pomiarowy – na przykład narzędzie, którego wyniki skupiają się przy górnej granicy skali.

Ograniczony zakres może dotyczyć zmiennej niezależnej, zależnej albo obu zmiennych. W odniesieniu do korelacji Pearsona oznacza to, że jedna lub obie zmienne mają mniejszą wariancję niż w populacji, do której badacz chce generalizować wyniki.

2. Dlaczego mała zmienność osłabia korelację?

Współczynnik korelacji Pearsona można zapisać następująco:

r = cov(X,Y) / (sX · sY)

gdzie:

• r – współczynnik korelacji Pearsona w próbie;
• cov(X,Y) – kowariancja zmiennych X i Y;
• sX – odchylenie standardowe zmiennej X;
• sY – odchylenie standardowe zmiennej Y.

Intuicyjnie korelacja porównuje wspólne zróżnicowanie dwóch zmiennych ze zróżnicowaniem każdej z nich. Jeżeli w próbie prawie wszyscy mają podobne wartości X, trudno zobaczyć, czy różnice w X wiążą się z różnicami w Y. Nie oznacza to, że zależność nie istnieje. Oznacza jedynie, że analizowane dane zawierają zbyt mało informacji o tej części skali, na której zależność mogłaby się ujawnić.

Przykładowo, jeżeli w populacji ogólnej poziom lęku waha się od bardzo niskiego do bardzo wysokiego, a badanie obejmuje wyłącznie osoby zakwalifikowane do grupy o umiarkowanym nasileniu lęku, zakres zmiennej „lęk” zostaje zawężony. Korelacja lęku z jakością snu może w takiej próbie być mniejsza niż w populacji ogólnej, ponieważ badanie nie obejmuje skrajnych poziomów jednej ze zmiennych.

3. Jak wygląda ograniczenie zakresu na wykresie?

Najłatwiej rozpoznać problem na wykresie rozrzutu. W populacji o szerokim zakresie wartości chmura punktów może tworzyć wyraźny pas nachylony w górę lub w dół. Po odcięciu części obserwacji pozostaje jedynie fragment tej chmury. W tym fragmencie punkty mogą wyglądać na niemal bezładne, mimo że pełny wykres wskazywałby na silniejszą zależność.

Przed obliczeniem korelacji należy zatem sprawdzić:

• minimum, maksimum i kwartyle obu zmiennych;
• odchylenia standardowe w próbie;
• czy występują efekty podłogi lub sufitu;
• czy kryteria włączenia nie wyeliminowały skrajnych obserwacji;
• czy próba jest jednorodna pod względem wieku, stanu zdrowia, poziomu wykształcenia lub statusu zawodowego;
• czy zakres w próbie odpowiada populacji, do której formułujemy wnioski.

Sam mały rozstęp nie jest jeszcze dowodem błędu. W badaniu dotyczącym homogenicznej grupy może być cechą rzeczywistej populacji. Problem pojawia się wtedy, gdy badacz interpretuje korelację z jednorodnej próby jako charakterystykę szerszej populacji.

4. Przykład z medycyny: wiek i wydolność fizyczna

Załóżmy, że badacz analizuje zależność między wiekiem a maksymalnym zużyciem tlenu, czyli VO₂max. W populacji osób od 20. do 80. roku życia można oczekiwać, że starszy wiek będzie wiązał się przeciętnie z niższą wydolnością fizyczną. Jeżeli jednak badanie obejmuje wyłącznie zdrowych studentów medycyny w wieku 22–26 lat, zakres wieku jest bardzo ograniczony.

W takiej próbie wartości VO₂max mogą nadal różnić się między osobami, lecz korelacja z wiekiem będzie prawdopodobnie niska. Nie można na tej podstawie stwierdzić, że wiek nie ma związku z wydolnością w populacji dorosłych. Można jedynie powiedzieć, że w badanej, młodej i względnie jednorodnej grupie nie zaobserwowano wyraźnej liniowej zależności.

Jeżeli natomiast badacz rekrutuje osoby z poradni geriatrycznej, zakres wieku może być szeroki, ale zakres wydolności ograniczony przez charakter placówki lub kryteria kwalifikacji. Na przykład pacjenci o skrajnie dobrym stanie funkcjonalnym mogą nie trafiać do poradni. Wtedy także dochodzi do selekcji zakresu, choć tym razem przede wszystkim po stronie wydolności.

5. Przykład z psychologii i nauk społecznych

Rozważmy korelację między wynikiem testu zdolności poznawczych a oceną wyników szkolenia zawodowego. W populacji wszystkich kandydatów wynik testu może być silnie związany z późniejszym wykonaniem zadań. Jeżeli jednak analizujemy wyłącznie osoby przyjęte do pracy, a przyjęcie wymagało uzyskania wysokiego wyniku testu, zakres zdolności poznawczych wśród zatrudnionych zostaje zawężony.

W konsekwencji korelacja między testem a oceną pracy może okazać się słaba. Nie musi to oznaczać, że test jest bezużyteczny. Może oznaczać, że osoby o niskich wynikach nie znalazły się w analizowanej próbie, więc badanie nie pozwala ocenić, jak różniłyby się od osób o wysokich wynikach.

W klasycznej literaturze metodologicznej ograniczenie zakresu wiązano między innymi z badaniami trafności predykcyjnej i selekcją pracowników. Thorndike opisywał problem selekcji jako sytuację, w której korelacja obliczona w grupie wybranej może różnić się od korelacji w populacji kandydatów (Thorndike, 1949). Późniejsze opracowania wskazywały, że skutki zależą od tego, na której zmiennej dokonano selekcji oraz czy selekcja była bezpośrednia, czy pośrednia (Sackett i Yang, 2000).

6. Ograniczenie bezpośrednie i pośrednie

Ograniczenie bezpośrednie

Ograniczenie bezpośrednie występuje wtedy, gdy doboru osób dokonano na podstawie jednej ze zmiennych analizowanych później w korelacji. Przykładem jest badanie związku wyniku testu przesiewowego z wynikiem egzaminu tylko w grupie osób, które przekroczyły minimalny próg testu.

Ograniczenie pośrednie

Ograniczenie pośrednie występuje wtedy, gdy selekcja odbywa się na podstawie trzeciej zmiennej powiązanej z analizowanymi zmiennymi. Przykładem może być badanie zależności między poziomem wykształcenia a dochodem wyłącznie w grupie osób zatrudnionych w zawodach wymagających certyfikacji. Certyfikat nie jest żadną z analizowanych zmiennych, ale może zawężać zakres obu.

Ograniczenie pośrednie jest trudniejsze do rozpoznania i korekty, ponieważ wymaga wiedzy o mechanizmie selekcji oraz o zależnościach między trzema lub większą liczbą zmiennych. Sackett i Yang (2000) podkreślali, że nie istnieje jedna uniwersalna procedura odpowiednia dla wszystkich scenariuszy ograniczenia zakresu.

7. Czy można skorygować osłabioną korelację?

W literaturze psychometrycznej i w metaanalizie stosuje się formuły korekty ograniczenia zakresu. W uproszczonym przypadku bezpośredniego ograniczenia zmiennej X jedna z często przywoływanych zależności ma postać:

rU ≈ rR · (sXU / sXR)

gdzie:

• rU – szacowana korelacja w populacji nieograniczonej;
• rR – korelacja zaobserwowana w próbie ograniczonej;
• sXU – odchylenie standardowe zmiennej X w populacji nieograniczonej;
• sXR – odchylenie standardowe zmiennej X w próbie ograniczonej.

Jeżeli zmienność w populacji jest dwukrotnie większa niż w próbie, wzór może sugerować korelację dwukrotnie większą. Taki wynik nie powinien jednak być traktowany jako automatyczna prawda. Korekta wymaga poprawnej identyfikacji populacji odniesienia, znajomości sposobu selekcji, odpowiednich odchyleń standardowych oraz założeń dotyczących rozkładów i modelu selekcji.

Nie wolno też korygować korelacji wyłącznie dlatego, że uzyskano wynik niższy od oczekiwanego. Korekta nie jest sposobem na „naprawienie” nieistotnego statystycznie wyniku ani na zwiększenie efektu do wartości zgodnej z hipotezą. Hunter i Schmidt (2004) omawiali ograniczenie zakresu jako jeden z artefaktów wpływających na wyniki badań, ale stosowanie korekt wymaga danych i jawnych założeń.

8. Ograniczenie zakresu a istotność statystyczna

Ograniczony zakres może zmniejszyć bezwzględną wartość korelacji, a przez to obniżyć moc testu statystycznego. Przy tej samej liczebności próby słabsze r oznacza zwykle mniejszą zdolność do wykrycia zależności różnej od zera. Nie należy jednak mówić, że wartość p jest prawdopodobieństwem prawdziwości hipotezy zerowej. Wartość p opisuje zgodność danych z modelem zakładającym brak korelacji w populacji, przy określonych założeniach.

Wynik nieistotny statystycznie może więc oznaczać zarówno rzeczywiście małą zależność, jak i małą moc wynikającą z ograniczonego zakresu, niedużej próby, dużego błędu pomiaru albo nieadekwatnego modelu. Dlatego należy raportować nie tylko r i wartość p, lecz także przedział ufności, liczebność, zakresy i odchylenia standardowe zmiennych oraz sposób rekrutacji uczestników.

9. Przykład praktyczny: analiza przypadku

Badanie obejmowało 120 pielęgniarek pracujących na oddziale intensywnej terapii. Analizowano zależność między stażem pracy a wynikiem testu obciążenia psychicznego. Średni staż wynosił 8,4 roku, a odchylenie standardowe 2,1 roku. W całej populacji pielęgniarek szpitalnych staż różnicował się znacznie szerzej: od kilku miesięcy do ponad 30 lat.

W próbie z OIT uzyskano korelację r = -0,12, z szerokim przedziałem ufności. Zanim badacz stwierdzi, że staż pracy nie wiąże się z obciążeniem psychicznym, powinien sprawdzić mechanizm doboru. Na oddział intensywnej terapii trafiają osoby z określonym doświadczeniem, szkoleniami i kompetencjami. Początkujące osoby mogą być nadzorowane lub nie są jeszcze samodzielnie dopuszczane do wszystkich zadań. Z kolei pracownicy z bardzo długim stażem mogą częściej pełnić funkcje administracyjne i nie być reprezentowani w próbie.

Najbardziej ostrożny wniosek brzmi: „W badanej grupie pielęgniarek OIT zaobserwowano słabą ujemną korelację między stażem a wynikiem obciążenia psychicznego; ograniczony zakres stażu i selekcyjny charakter próby mogą ograniczać możliwość uogólnienia tego wyniku na wszystkie pielęgniarki”. Taki zapis nie twierdzi, że staż nie ma znaczenia w populacji i nie przypisuje mu przyczynowego wpływu.

10. Najczęstsze błędy

• Traktowanie małej korelacji jako dowodu braku zależności w populacji. Wynik może dotyczyć tylko jednorodnej próby.
• Pomijanie kryteriów włączenia. Rekrutacja często jest głównym źródłem ograniczenia zakresu.
• Porównywanie korelacji z różnych prób bez uwzględnienia ich zróżnicowania. Dwie próby mogą pochodzić z tej samej populacji, ale mieć zupełnie inne zakresy wartości.
• Mechaniczne stosowanie wzoru korekty. Korekta wymaga znajomości populacji nieograniczonej i modelu selekcji.
• Mylenie ograniczenia zakresu z efektem sufitu lub podłogi. Efekt sufitu może wynikać z ograniczeń narzędzia, a nie z samego doboru próby.
• Wnioskowanie przyczynowe na podstawie korelacji. Nawet korelacja skorygowana o ograniczenie zakresu nie staje się dowodem przyczynowości.
• Pomijanie błędu pomiaru. Niska rzetelność skali może dodatkowo osłabiać obserwowaną korelację.
• Interpretowanie wartości p jako miary siły zależności. O sile efektu informuje przede wszystkim współczynnik korelacji i jego przedział ufności.

11. Jak postępować w badaniu?

1. Zdefiniuj populację, do której mają odnosić się wnioski.
2. Opisz sposób rekrutacji i kryteria wykluczenia.
3. Obejrzyj wykresy rozrzutu oraz rozkłady obu zmiennych.
4. Porównaj zakres i odchylenia standardowe próby z dostępnymi danymi populacyjnymi.
5. Rozważ, czy selekcja dotyczyła jednej ze zmiennych, obu zmiennych czy trzeciego czynnika.
6. Raportuj ograniczenie zakresu jako ograniczenie trafności zewnętrznej i interpretacji korelacji.
7. Jeżeli stosujesz korektę, podaj wzór, źródło, dane wejściowe i założenia.
8. W analizie wrażliwości pokaż, jak zmieniłby się wniosek przy różnych realistycznych wartościach odchylenia standardowego w populacji.

Co warto zapamiętać?

• Ograniczony zakres zmiennej oznacza, że próba obejmuje tylko część możliwych wartości.
• Mała zmienność jednej ze zmiennych może osłabić obserwowaną korelację.
• Słaba korelacja w jednorodnej próbie nie musi oznaczać słabej korelacji w szerszej populacji.
• Problem może wynikać z kryteriów włączenia, selekcji zawodowej, charakteru placówki lub właściwości narzędzia pomiarowego.
• Korekta ograniczenia zakresu jest możliwa tylko przy odpowiednich danych i jasno określonych założeniach.
• Nie należy używać korekty do uzyskania „ładniejszego” wyniku ani zastępować nią krytycznej oceny projektu badania.
• W raporcie trzeba oddzielać siłę korelacji, istotność statystyczną, precyzję oszacowania i znaczenie praktyczne.
• Najważniejszym zabezpieczeniem jest świadome określenie populacji, transparentny opis doboru próby i ostrożna generalizacja.

Źródła i dalsza lektura

1. Sackett, P. R.; Yang, H. (2000). Correction for range restriction: An expanded typology. Journal of Applied Psychology, 85(1), 112–118. DOI: 10.1037/0021-9010.85.1.112.
2. Sackett, P. R.; Lievens, F.; Berry, C. M.; Landers, R. N. (2007). A cautionary note on the effects of range restriction on predictor intercorrelations. Journal of Applied Psychology, 92(2), 538–544. DOI: 10.1037/0021-9010.92.2.538.
3. Zimmerman, D. W.; Williams, R. H. (2000). Restriction of range and correlation in outlier-prone distributions. Psychometrika, 65(1), 69–79. DOI: 10.1007/BF02294188.
4. Hunter, J. E.; Schmidt, F. L. (2004). Methods of Meta-Analysis: Correcting Error and Bias in Research Findings. 2nd edition. SAGE Publications. Informacja wydawcy / źródło.
5. Thorndike, R. L. (1949). Personnel Selection: Test and Measurement Techniques. John Wiley & Sons. Informacja wydawcy / źródło.
6. Pearson, K. (1896). Mathematical contributions to the theory of evolution. III. On the theory of skew variation. Philosophical Transactions of the Royal Society of London. Series A, Containing Papers of a Mathematical or Physical Character, 185, 71–110. DOI: 10.1098/rsta.1896.0007.