395. Przedział ufności dla różnicy między grupami

W badaniach porównawczych często interesuje nas nie samo pytanie, czy dwie grupy różnią się „istotnie statystycznie”, lecz przede wszystkim: o ile się różnią i jak precyzyjnie oszacowano tę różnicę. Przedział ufności dla różnicy między grupami jest jednym z najważniejszych narzędzi odpowiadających na oba pytania. Pokazuje zakres wartości zgodnych z danymi i przyjętym modelem statystycznym, a więc ułatwia ocenę zarówno wielkości efektu, jak i niepewności oszacowania.

W tej lekcji, będącej częścią szkolenia na statystyk.edu.pl, skupimy się na dwóch niezależnych grupach i różnicy ich średnich. Omówimy także sytuacje, w których klasyczny wzór należy zastąpić podejściem Welcha, transformacją danych albo metodą odporną czy bootstrapową.

1. Czym jest różnica między grupami?

Załóżmy, że porównujemy dwa niezależne zbiory obserwacji. Mogą to być na przykład:

• pacjenci otrzymujący nowy lek i pacjenci otrzymujący standardowe leczenie,
• osoby uczestniczące w programie profilaktycznym i osoby z grupy kontrolnej,
• studenci szkoleni tradycyjnie i studenci korzystający z nowej metody dydaktycznej.

Jeśli zmienną wynikową jest średnie ciśnienie skurczowe, poziom lęku lub czas reakcji, możemy zdefiniować różnicę populacyjnych średnich jako:

Δ = μ1 − μ2

Symbol μ1 oznacza średnią w pierwszej populacji, a μ2 średnią w drugiej populacji. W praktyce nie znamy tych wartości. Obliczamy jedynie ich oszacowania z próby:

d = x̄1 − x̄2

Litera x̄ oznacza średnią arytmetyczną w próbie, natomiast d jest obserwowaną różnicą średnich. Jeżeli d = 6, oznacza to, że średnia w grupie pierwszej była o 6 jednostek większa niż w grupie drugiej. Sam wynik punktowy nie mówi jednak, jak dokładne jest to oszacowanie. Do tego potrzebny jest przedział ufności.

2. Co oznacza 95-procentowy przedział ufności?

95-procentowy przedział ufności jest procedurą, która przy wielokrotnym powtarzaniu losowania prób obejmowałaby prawdziwą wartość parametru w około 95% przypadków. Po obliczeniu konkretnego przedziału nie należy mówić, że istnieje 95-procentowe prawdopodobieństwo, iż prawdziwa różnica znajduje się w tym właśnie przedziale. W klasycznym ujęciu częstość pokrycia odnosi się do procedury, a nie do już obliczonego, pojedynczego przedziału.

W praktyce poprawna interpretacja może brzmieć: „95-procentowy przedział ufności dla różnicy średnich wynosi od 1,2 do 8,7 jednostki”. Oznacza to, że wartości różnicy od 1,2 do 8,7 są zgodne z danymi na poziomie określonym przez zastosowaną procedurę, przy założeniach modelu. Jest to informacja o zakresie możliwych wartości efektu, a nie bezpośrednie prawdopodobieństwo prawdziwości hipotezy.

Przedziały ufności są preferowane w raportowaniu wyników, ponieważ pokazują jednocześnie kierunek, wielkość i precyzję oszacowania. Samo p-value nie informuje, czy zaobserwowana różnica jest mała czy duża ani czy ma znaczenie kliniczne (Gardner i Altman, 1986; Altman i in., 2000).

3. Wzór dla różnicy średnich

3.1. Wersja ogólna

Dla dwóch niezależnych grup przedział ufności dla różnicy średnich można zapisać jako:

d ± t1−α/2, df × SE(d)

W tym wzorze:

• d – obserwowana różnica średnich, czyli x̄1 − x̄2;
• α – poziom błędu związany z konstrukcją przedziału; dla 95% ufności α = 0,05;
• t1−α/2, df – odpowiednia wartość krytyczna rozkładu t-Studenta;
• df – liczba stopni swobody;
• SE(d) – błąd standardowy różnicy średnich.

Wzór ma postać „oszacowanie punktowe ± margines błędu”. Margines błędu jest tym większy, im większa jest zmienność wyników i im mniejsze są próby. Zwiększenie liczebności grup zwykle zmniejsza błąd standardowy, ponieważ średnia z większej próby jest oceniana dokładniej.

3.2. Założenie równych wariancji

Jeżeli zakładamy, że wariancje w obu populacjach są równe, można zastosować wspólne oszacowanie wariancji:

SE(d) = sp × √(1/n1 + 1/n2)

gdzie:

• sp – wspólne odchylenie standardowe, wyliczone z obu grup;
• n1 i n2 – liczebności grup.

Wspólne odchylenie standardowe jest sensowne wtedy, gdy założenie podobnych wariancji jest merytorycznie i empirycznie uzasadnione. Nie powinno się jednak automatycznie wybierać klasycznej wersji testu tylko dlatego, że test równości wariancji dał nieistotny wynik. Takie testy bywają mało czułe w małych próbach, a ich wynik zależy od liczebności.

3.3. Przedział Welcha

Bezpieczniejszym rozwiązaniem w wielu praktycznych sytuacjach jest przedział oparty na metodzie Welcha, która nie wymaga założenia równych wariancji. Jego struktura pozostaje taka sama:

d ± t1−α/2, dfW × √(s12/n1 + s22/n2)

Różnica polega na tym, że każda grupa zachowuje własne odchylenie standardowe. Stopnie swobody dfW są obliczane przybliżeniowo, według wzoru Welcha–Satterthwaite’a. W analizach dwóch niezależnych grup metoda Welcha jest często rozsądnym wyborem domyślnym, zwłaszcza gdy liczebności lub wariancje grup są różne.

4. Jak interpretować położenie przedziału?

Kluczowe znaczenie ma nie tylko szerokość przedziału, lecz także jego położenie względem wartości zerowej. Dla różnicy średnich wartością zerową jest 0, ponieważ oznacza brak różnicy:

• jeżeli cały przedział leży powyżej zera, dane wskazują na większą średnią w grupie pierwszej;
• jeżeli cały przedział leży poniżej zera, większa jest średnia w grupie drugiej;
• jeżeli przedział obejmuje zero, dane nie pozwalają precyzyjnie rozstrzygnąć kierunku różnicy na przyjętym poziomie ufności.

Objęcie zera nie oznacza, że grupy są identyczne ani że „nie ma żadnego efektu”. Oznacza jedynie, że przy danej liczebności, zmienności i procedurze nie oszacowano różnicy wystarczająco precyzyjnie, aby wykluczyć zero. W przedziale mogą znajdować się zarówno wartości praktycznie pomijalne, jak i wartości istotne klinicznie.

Dlatego interpretacja powinna uwzględniać wcześniej określoną minimalną ważną różnicę. W badaniu ciśnienia obniżenie o 2 mm Hg może być mało istotne dla pojedynczego pacjenta, podczas gdy różnica 10 mm Hg może mieć znaczenie kliniczne. W psychologii podobna zasada dotyczy punktów na skali objawów: granica praktycznej ważności powinna wynikać z teorii, wcześniejszych badań lub uzgodnionych kryteriów, a nie z samego wyniku analizy.

5. Przykład pierwszy: ciśnienie tętnicze

W badaniu porównano pacjentów stosujących nowy program edukacji zdrowotnej z pacjentami objętymi standardową opieką. Po 12 tygodniach średnie skurczowe ciśnienie tętnicze wynosiło:

• program edukacyjny: x̄1 = 132,4 mm Hg,
• standardowa opieka: x̄2 = 138,1 mm Hg.

Różnica wynosi:

d = 132,4 − 138,1 = −5,7 mm Hg.

Załóżmy, że 95-procentowy przedział ufności dla tej różnicy wynosi od −9,8 do −1,6 mm Hg. Poprawna interpretacja jest następująca: średnie ciśnienie w grupie programu było o 5,7 mm Hg niższe, a dane są zgodne z różnicą w populacji od 1,6 do 9,8 mm Hg na korzyść programu, przy przyjętej definicji różnicy.

Przedział nie obejmuje zera, więc wynik jest zgodny z różnicą statystyczną na poziomie 0,05 w dwustronnym ujęciu. Nie wolno jednak automatycznie stwierdzić, że program „spowodował” obniżenie ciśnienia, jeśli badanie nie było randomizowane lub występowały istotne różnice wyjściowe między grupami. Można bezpiecznie powiedzieć, że w analizowanej próbie i przy zastosowanym modelu grupa programu miała niższe średnie ciśnienie.

6. Przykład drugi: poziom lęku u studentów

Załóżmy, że porównano poziom lęku mierzony kwestionariuszem w grupie studentów uczestniczących w ośmiotygodniowych warsztatach oraz w grupie oczekującej na udział. Średnia różnica wyniosła −3,2 punktu, a 95-procentowy przedział ufności: od −7,5 do 1,1 punktu.

Wynik punktowy sugeruje niższy lęk w grupie warsztatów, lecz przedział obejmuje zero. Ponadto obejmuje wartości od niewielkiej różnicy na korzyść warsztatów do różnicy potencjalnie umiarkowanej. Najuczciwszy wniosek brzmi: „Oszacowana różnica wyniosła 3,2 punktu na korzyść grupy warsztatów, jednak przedział ufności wskazuje na znaczną niepewność; dane nie wykluczają braku różnicy”.

Jeśli minimalna ważna różnica wynosiła wcześniej 5 punktów, przedział obejmuje zarówno brak praktycznie ważnego efektu, jak i efekt przekraczający tę granicę. Taki rezultat wskazuje raczej na potrzebę większego lub lepiej zaplanowanego badania niż na dowód skuteczności albo nieskuteczności warsztatów.

7. Od czego zależy szerokość przedziału?

Szeroki przedział oznacza małą precyzję oszacowania, ale niekoniecznie brak efektu. Na szerokość wpływają przede wszystkim:

• liczebność próby – większe grupy zwykle prowadzą do mniejszego błędu standardowego;
• zmienność wyników – duże odchylenia standardowe poszerzają przedział;
• nierównowaga liczebności – bardzo mała jedna grupa może znacznie pogorszyć precyzję;
• poziom ufności – przedział 99% jest szerszy niż 95%, a 90% węższy;
• wybór skali i modelu – transformacja logarytmiczna, model regresyjny lub metoda odporna mogą zmienić sposób opisu niepewności.

Przedział ufności powinien być interpretowany razem z opisem próby, odchyleniami standardowymi, liczebnościami i metodą analizy. Standardy raportowania ilościowego zalecają przedstawianie wielkości efektu oraz miar jego precyzji, a nie ograniczanie się do wartości p (American Psychological Association, 2020; Appelbaum i in., 2018).

8. Kiedy zwykły przedział dla różnicy średnich może być niewłaściwy?

Przedział oparty na średnich i rozkładzie t jest szczególnie użyteczny, gdy obserwacje są niezależne, zmienna ma charakter ilościowy, a rozkład w populacji nie jest skrajnie asymetryczny przy niewielkich próbach. Należy zachować ostrożność, gdy:

• występują silne wartości odstające, które istotnie zmieniają średnią;
• zmienna ma wyraźnie skośny rozkład, na przykład czas hospitalizacji;
• pomiar jest porządkowy i nie ma uzasadnienia dla traktowania go jako ilościowego;
• obserwacje są zależne, na przykład pochodzą od tych samych osób przed i po interwencji;
• grupy zostały dobrane w sposób powodujący silne różnice zakłócające.

W przypadku danych sparowanych należy analizować różnice wewnątrz par, a nie stosować wzoru dla dwóch niezależnych grup. Przy silnej skośności można rozważyć transformację, medianę i przedział bootstrapowy albo model odpowiedni dla konkretnego typu danych. Samo zastąpienie średniej medianą bez określenia metody wyznaczania przedziału nie rozwiązuje problemu.

9. Najczęstsze błędy

1. Traktowanie przedziału jako prawdopodobieństwa dla parametru. Nie mówimy, że „prawdopodobieństwo, iż prawdziwa różnica znajduje się w przedziale, wynosi 95%”.
2. Utożsamianie objęcia zera z dowodem braku efektu. Szeroki przedział obejmujący zero może wskazywać na niewystarczającą precyzję, a nie na równoważność grup.
3. Interpretowanie samego p-value. Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej i nie mierzy wielkości efektu.
4. Pomijanie kierunku różnicy. Trzeba jasno określić, czy obliczamy grupę pierwszą minus drugą, czy odwrotnie.
5. Automatyczne stosowanie założenia równych wariancji. W wielu sytuacjach przedział Welcha jest bardziej adekwatny.
6. Używanie języka przyczynowego w badaniu obserwacyjnym. Różnica między grupami nie dowodzi, że przynależność do grupy ją spowodowała.
7. Brak kontekstu praktycznego. Statystycznie precyzyjna różnica może być klinicznie nieistotna, a szeroki przedział może obejmować efekt potencjalnie ważny.
8. Zaokrąglanie zbyt wcześnie. Zaokrąglenie średnich lub odchyleń przed obliczeniem może nieznacznie zmienić końce przedziału.

10. Jak raportować wynik?

Dobry opis powinien zawierać nazwy grup, liczebności, średnie, odchylenia standardowe, kierunek różnicy, 95-procentowy przedział ufności oraz metodę obliczeń. Przykładowy zapis:

Średnie skurczowe ciśnienie tętnicze było niższe w grupie programu edukacyjnego niż w grupie standardowej opieki; różnica średnich wyniosła −5,7 mm Hg, 95% PU [−9,8; −1,6]. Przedział obliczono metodą Welcha. Wynik wskazuje na niższe wartości w grupie programu, lecz interpretacja przyczynowa wymaga uwzględnienia schematu badania i potencjalnych czynników zakłócających.

W publikacji warto podać także, czy przedział był dwustronny, jakie były liczebności, czy zastosowano transformację oraz jakie założenia sprawdzono. Takie raportowanie ułatwia ocenę odtwarzalności i znaczenia wyniku.

Co warto zapamiętać?

• Przedział ufności dla różnicy między grupami pokazuje oszacowanie efektu i jego precyzję.
• Dla dwóch średnich punktem odniesienia jest różnica 0.
• Wzór ma postać: oszacowanie różnicy ± wartość krytyczna × błąd standardowy.
• Metoda Welcha nie wymaga założenia równych wariancji i często jest bezpiecznym wyborem.
• Przedział obejmujący zero nie dowodzi braku różnicy; może wskazywać na nieprecyzyjne oszacowanie.
• Istotność statystyczna, wielkość efektu i znaczenie praktyczne są odrębnymi aspektami interpretacji.
• Wnioski przyczynowe wymagają odpowiedniego schematu badania, a nie tylko przedziału ufności.
• Najlepszy raport łączy różnicę, przedział ufności, opis próby, metodę analizy i kontekst kliniczny lub społeczny.

W kolejnych analizach warto traktować przedział ufności nie jako dodatek do testu, lecz jako podstawowy sposób komunikowania tego, czego dane rzeczywiście dowodzą i jak duża pozostaje niepewność. To podejście jest zgodne z tradycją statystyki medycznej i współczesnymi standardami przejrzystego raportowania.

Źródła i dalsza lektura

1. Gardner, M. J., & Altman, D. G. (1986). Confidence intervals rather than P values: Estimation rather than hypothesis testing. BMJ, 292(6522), 746–750. DOI: 10.1136/bmj.292.6522.746.
2. Altman, D. G., Machin, D., Bryant, T. N., & Gardner, M. J. (red.) (2000). Statistics with Confidence: Confidence Intervals and Statistical Guidelines. 2nd edition. BMJ Books. Informacja wydawcy / źródło.
3. Kirkwood, B. R., & Sterne, J. A. C. (2003). Essential Medical Statistics. 2nd edition. Blackwell Science. Informacja wydawcy / źródło.
4. Bland, J. M., & Altman, D. G. (1996). Statistics notes: Transformations, means, and confidence intervals. BMJ, 312(7038), 1079. DOI: 10.1136/bmj.312.7038.1079.
5. Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. 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. American Psychological Association (2020). Publication Manual of the American Psychological Association. American Psychological Association. Źródło.