308. Przedział ufności dla różnicy średnich

W poprzednich lekcjach omówiono przedział ufności dla pojedynczej średniej i dla proporcji. Teraz przechodzimy do sytuacji bardzo częstej w badaniach empirycznych: chcemy porównać średni wynik w dwóch grupach. Interesuje nas nie tylko to, która grupa uzyskała wyższą średnią, lecz przede wszystkim jak duża może być różnica w populacji oraz jak precyzyjnie została oszacowana.

Przedział ufności dla różnicy średnich jest narzędziem estymacji. Nie zastępuje opisu danych, oceny założeń ani interpretacji praktycznej, ale porządkuje wnioskowanie. Zamiast ograniczać raport do zdania „wynik był istotny” albo „wynik nie był istotny”, można przedstawić oszacowaną różnicę wraz z zakresem wartości zgodnych z przyjętym modelem i danymi (Gardner i Altman, 1986; Bland, 2000). Właśnie taki sposób raportowania jest szczególnie użyteczny w medycynie, psychologii, pielęgniarstwie i zdrowiu publicznym.

Co oznacza różnica średnich?

Załóżmy, że porównujemy dwie populacje. Niech μ₁ oznacza średnią wartość zmiennej w pierwszej populacji, a μ₂ — średnią w drugiej populacji. Parametrem zainteresowania jest różnica:

Δ = μ₁ − μ₂

W próbie nie znamy zwykle wartości μ₁ i μ₂. Możemy jednak obliczyć średnie z próby, x̄₁ i x̄₂. Ich różnica jest estymatorem różnicy średnich:

d = x̄₁ − x̄₂

Znak różnicy zależy od kolejności grup. Jeżeli jako pierwszą zapiszemy grupę interwencyjną, a jako drugą grupę kontrolną, to dodatnia wartość oznacza wyższą średnią w grupie interwencyjnej. Gdy kolejność odwrócimy, otrzymamy tę samą różnicę co do wartości bezwzględnej, ale z przeciwnym znakiem. Dlatego w raporcie trzeba zawsze jasno określić, jak zdefiniowano kontrast.

Różnica średnich ma tę samą jednostkę co badana zmienna. Jeśli porównujemy skurczowe ciśnienie tętnicze, różnicę podajemy w mm Hg. Jeśli analizujemy wynik kwestionariusza depresji, różnica jest wyrażona w punktach skali. Ta właściwość ułatwia ocenę znaczenia praktycznego.

Ogólna postać przedziału ufności

Przedział ufności dla różnicy średnich ma ogólną postać:

d ± wartość krytyczna × SE(d)

Można ją zapisać dokładniej jako:

(x̄₁ − x̄₂) ± t_{1−α/2, df} × SE(x̄₁ − x̄₂)

• x̄₁ − x̄₂ — obserwowana różnica średnich;
• SE(x̄₁ − x̄₂) — błąd standardowy różnicy średnich;
• t_{1−α/2, df} — wartość krytyczna rozkładu t-Studenta;
• α — poziom błędu związany z konstrukcją przedziału, np. 0,05 dla przedziału 95%;
• df — liczba stopni swobody, wyznaczana zależnie od zastosowanego wariantu analizy.

W praktyce przedział 95% otrzymujemy przez dodanie i odjęcie od oszacowanej różnicy odpowiedniego marginesu błędu. Im większy błąd standardowy, tym szerszy przedział. Im większe próby i mniejsza zmienność wyników, tym przedział zwykle staje się węższy.

Dwie niezależne grupy: wariant Welcha

Najbardziej uniwersalnym rozwiązaniem dla dwóch niezależnych grup jest przedział oparty na metodzie Welcha. Nie wymaga ona założenia, że wariancje w obu populacjach są równe. Jest to ważne, ponieważ równość wariancji często nie jest wiarygodna, zwłaszcza gdy grupy różnią się liczebnością lub zmiennością wyników.

Dla dwóch niezależnych grup błąd standardowy różnicy średnich wynosi:

SE(d) = √(s₁²/n₁ + s₂²/n₂)

• s₁² i s₂² — wariancje w obu próbach;
• n₁ i n₂ — liczebności grup;
• s₁²/n₁ oraz s₂²/n₂ — składniki niepewności pochodzące z obu średnich.

Stopnie swobody w przybliżeniu Welcha oblicza się według wzoru:

df ≈ (s₁²/n₁ + s₂²/n₂)² / [(s₁²/n₁)²/(n₁−1) + (s₂²/n₂)²/(n₂−1)]

Nie trzeba zwykle wykonywać tego rachunku ręcznie, ponieważ program statystyczny oblicza odpowiednią wartość. Warto jednak rozumieć, dlaczego liczba stopni swobody może nie być liczbą całkowitą i dlaczego zależy od liczebności oraz zmienności obu grup.

Przykład 1: ciśnienie tętnicze w dwóch grupach

W badaniu porównano skurczowe ciśnienie tętnicze po 8 tygodniach w grupie otrzymującej program edukacyjny i w grupie kontrolnej. Załóżmy, że uzyskano następujące wyniki:

• program edukacyjny: n₁ = 40, średnia x̄₁ = 132 mm Hg, odchylenie standardowe s₁ = 14 mm Hg;
• grupa kontrolna: n₂ = 38, średnia x̄₂ = 138 mm Hg, odchylenie standardowe s₂ = 16 mm Hg.

Różnica średnich, zdefiniowana jako program edukacyjny minus kontrola, wynosi:

d = 132 − 138 = −6 mm Hg

Ujemny znak oznacza niższe średnie ciśnienie w grupie edukacyjnej. Załóżmy, że obliczony 95% przedział ufności metodą Welcha wynosi od −12,5 do 0,5 mm Hg.

Interpretacja brzmi: na podstawie danych i przyjętego modelu 95% przedział ufności dla różnicy średnich wynosi od −12,5 do 0,5 mm Hg. Dane są zgodne zarówno z umiarkowanym obniżeniem ciśnienia, jak i z różnicą bliską zeru. Przedział obejmuje zero, dlatego wynik nie daje mocnych podstaw do stwierdzenia, że średnie w populacjach różnią się od siebie w określonym kierunku przy dwustronnym poziomie 0,05.

Nie oznacza to, że program „na pewno nie działa”. Przedział wskazuje raczej, że badanie nie oszacowało efektu wystarczająco precyzyjnie, aby wykluczyć brak różnicy. Ponadto ocena praktyczna zależy od tego, czy obniżenie o kilka mm Hg byłoby klinicznie istotne oraz jakie byłyby konsekwencje programu, jego koszty i bezpieczeństwo.

Przykład 2: wynik kwestionariusza stresu u studentów

W badaniu psychologicznym porównano wynik skali stresu u studentów uczestniczących w krótkim treningu relaksacyjnym z wynikiem studentów z grupy kontrolnej. Wyższy wynik oznacza większe nasilenie stresu. Średnia różnica, zdefiniowana jako trening minus kontrola, wyniosła −3,8 punktu, a 95% przedział ufności wyniósł od −6,1 do −1,5 punktu.

Wszystkie wartości przedziału są ujemne. Oznacza to, że dane są zgodne z niższym średnim poziomem stresu w grupie treningowej. Najmniejsza wartość bezwzględna zgodna z przedziałem wskazuje na redukcję o około 1,5 punktu, a największa na redukcję o około 6,1 punktu.

Nie wolno jednak automatycznie uznać, że efekt jest ważny praktycznie. Trzeba odnieść go do skali pomiarowej, znanej minimalnej istotnej różnicy oraz zmienności wyników. Jeżeli badacze przyjęli wcześniej, że różnica co najmniej 4 punktów ma znaczenie praktyczne, to przedział od −6,1 do −1,5 nie pozwala jednoznacznie stwierdzić, że ten próg został osiągnięty. Statystyczna zgodność z różnicą różną od zera i praktyczna wystarczalność efektu to dwa odrębne pytania.

Grupy niezależne a pomiary sparowane

Wzór dla dwóch niezależnych grup nie powinien być stosowany automatycznie w każdym porównaniu dwóch średnich. Jeżeli te same osoby badano przed i po interwencji, obserwacje są zależne. Wtedy analizuje się różnice indywidualne:

d_i = wynik po interwencji_i − wynik przed interwencją_i

Następnie oblicza się średnią z tych różnic i konstruuje przedział ufności dla średniej różnicy:

x̄_d ± t_{1−α/2,n−1} × s_d/√n

Takie podejście uwzględnia zależność pomiarów u tej samej osoby. Nie jest tym samym co porównanie dwóch średnich traktowanych jako pochodzące z niezależnych grup. W badaniu przed–po albo w badaniu par dopasowanych właściwa jednostka analizy to para lub różnica wewnątrz pary.

W badaniu randomizowanym z pomiarem wyjściowym i końcowym sytuacja może być bardziej złożona. W zależności od planu analizy korzystne może być porównanie zmian, analiza kowariancji z korektą o wartość wyjściową albo model podłużny. Sam fakt, że dwie średnie są prezentowane w tabeli, nie rozstrzyga jeszcze, jaki przedział ufności należy obliczyć.

Jak interpretować przedział ufności?

Najbardziej użyteczna interpretacja obejmuje trzy elementy:

1. Oszacowanie punktowe — jaka jest obserwowana różnica średnich.
2. Precyzja — jak szeroki jest przedział ufności.
3. Zakres wartości praktycznie możliwych — jakie różnice są zgodne z danymi i założeniami analizy.

Przedział 95% nie oznacza, że prawdopodobieństwo, iż konkretny parametr populacji znajduje się w tym już obliczonym przedziale, wynosi 95%. W klasycznej interpretacji częstościowej procedura konstruowania takich przedziałów ma długookresowo 95% pokrycia, gdy spełnione są założenia modelu. Dla pojedynczego przedziału parametr jest stały, a zmieniałyby się granice przedziału przy wielokrotnym powtarzaniu losowania.

Jeżeli przedział obejmuje zero, oznacza to zgodność danych z brakiem różnicy w populacji, ale nie dowodzi, że średnie są dokładnie równe. Jeżeli przedział nie obejmuje zera, różnica jest statystycznie odróżnialna od zera przy odpowiadającym dwustronnym poziomie testowania, lecz nadal trzeba ocenić jej wielkość i znaczenie.

Nie należy również porównywać wyłącznie tego, czy dwa osobne przedziały ufności dla średnich nakładają się. Odpowiedź na pytanie o różnicę wymaga bezpośredniego przedziału dla różnicy. Nakładanie się dwóch przedziałów nie jest równoważne z brakiem istotnej różnicy (Altman i Bland, 2003).

Założenia i diagnostyka

Przedział oparty na rozkładzie t wymaga rozsądnej oceny kilku kwestii:

• czy porównywane grupy są rzeczywiście niezależne;
• czy obserwacje zostały uzyskane w sposób uzasadniający uogólnianie na określoną populację;
• czy zmienna jest ilościowa i czy średnia jest sensowną miarą położenia;
• czy rozkłady nie zawierają skrajnych obserwacji, które nadmiernie wpływają na średnie;
• czy liczebności są wystarczające, aby przybliżenie t było wiarygodne.

Normalność nie oznacza, że każda pojedyncza obserwacja musi pochodzić z idealnego rozkładu normalnego. Znaczenie mają liczebność próby, asymetria, obserwacje odstające i stabilność wyników. Przy silnie skośnych danych alternatywą może być transformacja, metoda odporna, bootstrap albo estymacja mediany czy różnicy miar opartych na rangach. Nie należy jednak zmieniać parametru tylko dlatego, że wynik nie jest wygodny do interpretacji.

Najczęstsze błędy

• Mylenie grup niezależnych ze sparowanymi. Pomiary przed i po u tych samych osób wymagają analizy różnic wewnątrzosobniczych.
• Automatyczne zakładanie równych wariancji. W wielu sytuacjach bezpieczniej zastosować wariant Welcha.
• Interpretowanie końców przedziału jako granic dla pojedynczych osób. Przedział dotyczy różnicy średnich populacyjnych, a nie zakresu, w którym znajdą się wyniki większości badanych.
• Traktowanie p jako prawdopodobieństwa prawdziwości hipotezy zerowej. Wartość p nie jest takim prawdopodobieństwem.
• Używanie języka przyczynowego w badaniu obserwacyjnym. Sama różnica średnich nie dowodzi, że ekspozycja lub interwencja spowodowała wynik.
• Pomijanie jednostek i kierunku różnicy. Zapis „różnica = 4” jest niepełny bez informacji, która grupa została odjęta od której i w jakich jednostkach.
• Wnioskowanie wyłącznie na podstawie istotności statystycznej. Mała różnica może być istotna przy dużej próbie, a ważna praktycznie różnica może nie osiągnąć konwencjonalnego poziomu istotności przy małej próbie.
• Porównywanie dwóch osobnych wartości p. Pytanie o różnicę wymaga bezpośredniej analizy kontrastu i jego przedziału ufności.

Przykład praktyczny: jak raportować wynik

Załóżmy, że w badaniu pielęgniarskim porównano czas wykonania procedury przez osoby szkolone tradycyjnie i osoby korzystające z symulacji. Średni czas wynosił odpowiednio 18,4 i 15,7 minuty. Różnica, zdefiniowana jako symulacja minus szkolenie tradycyjne, wyniosła −2,7 minuty. 95% przedział ufności dla różnicy wyniósł od −4,1 do −1,3 minuty.

Poprawny raport może brzmieć: Średni czas wykonania procedury był krótszy w grupie szkolenia symulacyjnego o 2,7 minuty; 95% CI dla różnicy średnich wynosił od −4,1 do −1,3 minuty, przy czym różnicę obliczono jako symulacja minus szkolenie tradycyjne.

Jeżeli badanie było randomizowane i poprawnie przeprowadzone, można ostrożnie rozważyć interpretację przyczynową w odniesieniu do badanej populacji i warunków eksperymentu. Jeżeli było obserwacyjne, należy pozostać przy sformułowaniu o różnicy lub związku. Sam przedział ufności nie usuwa błędu selekcji, zakłócenia ani błędów pomiaru.

Co warto zapamiętać?

• Przedział ufności dla różnicy średnich opisuje niepewność oszacowania kontrastu między dwiema średnimi.
• Najpierw trzeba ustalić, czy grupy są niezależne, czy sparowane.
• Dla dwóch niezależnych grup często właściwy jest przedział Welcha, który nie wymaga równości wariancji.
• Różnica średnich ma jednostkę badanej zmiennej, dlatego można ją oceniać pod kątem znaczenia praktycznego.
• Przedział obejmujący zero jest zgodny z brakiem różnicy, ale nie dowodzi dokładnej równości średnich.
• Przedział nieobejmujący zera wskazuje na statystyczne odróżnienie różnicy od zera, lecz nie mówi sam przez się, czy efekt jest ważny klinicznie lub społecznie.
• W raporcie trzeba podać kierunek różnicy, wartość oszacowania, przedział ufności, jednostkę i metodę analizy.

W publicznym szkoleniu na statystyka.edu.pl ten temat łączy się bezpośrednio z wcześniejszymi lekcjami o błędzie standardowym, estymacji średniej i poprawnej interpretacji 95% przedziału ufności. Kolejnym krokiem jest rozumienie, jak przedział ufności dla różnicy średnich współdziała z wielkością efektu, planowaniem liczebności próby i analizą regresji.

Źródła i dalsza lektura

1. Gardner, M. J.; Altman, D. G. (1986). Confidence intervals rather than P values: estimation rather than hypothesis testing. British Medical Journal (Clinical Research Edition), 292(6522), 746. DOI: 10.1136/bmj.292.6522.746.
2. Bland, J. M. (2000). Confidence intervals should be used in reporting trials. BMJ, 321(7272), 1351. DOI: 10.1136/bmj.321.7272.1351.
3. Altman, D. G.; Bland, J. M. (2003). Interaction revisited: the difference between two estimates. BMJ, 326(7382), 219. DOI: 10.1136/bmj.326.7382.219.
4. Bland, J. M.; Altman, D. G. (1996). Statistics Notes: The use of transformation when comparing two means. BMJ, 312(7039), 1153. DOI: 10.1136/bmj.312.7039.1153.
5. Kirkwood, B. R.; Sterne, J. A. C. (2003). Essential Medical Statistics. 2nd edition. Blackwell Science. Informacja wydawcy / źródło.
6. National Institute of Standards and Technology (2026). Difference of Means Confidence Limits. NIST/SEMATECH e-Handbook of Statistical Methods. National Institute of Standards and Technology. Źródło.

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

Jeżeli potrzebujesz indywidualnego wsparcia w doborze metod, przygotowaniu bazy lub opracowaniu wyników badań, sprawdź analiza statystyczna.