100. Jak zbudować słownik zmiennych dla projektu badawczego?

Lekcja 100 z 560. Moduł 5: Zmienne i ich role w modelu.

Projekt badawczy może mieć poprawny problem badawczy, dobrze dobraną próbę i właściwie zaplanowaną analizę, a mimo to dostarczyć danych trudnych do wykorzystania. Jedną z przyczyn jest brak jednoznacznego opisu zmiennych. W takiej sytuacji nie wiadomo, co dokładnie oznacza dana kolumna, w jakiej jednostce zapisano wynik, kiedy wykonano pomiar ani jak zakodowano odpowiedzi „nie wiem” i „odmowa odpowiedzi”. Słownik zmiennych ma temu zapobiegać. Jest dokumentem, który łączy plan badania, formularz zbierania danych, bazę danych i plan analizy. W publicznym szkoleniu na statystyk.edu.pl warto traktować go nie jako dodatek administracyjny, lecz jako jeden z podstawowych dokumentów metodologicznych projektu.

Czym jest słownik zmiennych?

Słownik zmiennych, nazywany także codebookiem lub słownikiem danych, jest uporządkowanym opisem zmiennych zawartych w zbiorze danych. Dla każdej zmiennej określa się między innymi jej nazwę, znaczenie, sposób pomiaru, możliwe wartości, jednostkę, reguły kodowania, źródło danych, punkt czasowy oraz rolę w analizie. W szerszym ujęciu słownik opisuje nie tylko same kolumny, lecz także relacje między nimi i zasady interpretacji całego zbioru.

Warto odróżnić trzy pojęcia:

• konstrukt – pojęcie teoretyczne, na przykład nasilenie depresji, jakość życia albo obciążenie chorobami przewlekłymi;
• zmienna – sposób empirycznego przedstawienia konstruktu lub innej cechy, na przykład wynik w skali PHQ-9 albo liczba rozpoznań w dokumentacji;
• wartość – konkretny wynik uzyskany dla określonej osoby, na przykład 14 punktów w PHQ-9.

Element danych powinien mieć co najmniej nazwę, precyzyjną definicję i zbiór dopuszczalnych wartości. Takie podejście jest zgodne z ideą standaryzowanych elementów danych, rozwijaną między innymi w zasobach NIH Common Data Elements (National Library of Medicine, 2024). Im dokładniej opisano zmienną, tym łatwiej powtórzyć pomiar, połączyć dane z innym zbiorem lub zrozumieć analizę po kilku miesiącach.

Dlaczego słownik zmiennych jest potrzebny?

Jednoznaczność pomiaru

Ta sama nazwa potoczna może oznaczać różne operacjonalizacje. „Ciśnienie tętnicze” może odnosić się do pierwszego pomiaru, średniej z dwóch pomiarów, wartości skurczowej, rozkurczowej albo pomiaru wykonanego po odpoczynku. Bez dodatkowego opisu nazwa nie wystarcza.

Spójność pracy zespołu

W badaniu wieloosobowym różni badacze mogą odmiennie rozumieć te same pytania. Słownik określa, co należy wpisać, jakie wartości są dopuszczalne i jak postąpić w sytuacji nietypowej. Ogranicza to zmienność wynikającą nie z cech badanych, lecz z różnic między osobami zbierającymi dane.

Możliwość kontroli jakości

Jeżeli zmienna age_years ma zawierać wiek w pełnych latach, wartości 0, 150 albo 999 powinny zostać wykryte jako potencjalnie błędne. Reguły zakresu, jednostki i typ danych można sprawdzać automatycznie.

Przejrzystość analizy

Słownik pomaga powiązać zmienne z pytaniem badawczym i planem analizy. Ułatwia rozróżnienie wyniku głównego, ekspozycji, zmiennych zakłócających, mediatorów, moderatorów i koliderów. Nie oznacza to, że każda zmienna opisana w słowniku musi zostać włączona do modelu statystycznego.

Replikacja i udostępnianie danych

Wytyczne STROBE wskazują na potrzebę jasnego zdefiniowania zmiennych dotyczących wyników, ekspozycji, predyktorów, potencjalnych czynników zakłócających i modyfikatorów efektu w badaniach obserwacyjnych (von Elm i in., 2007). Słownik jest praktycznym narzędziem realizacji tego wymogu. W badaniach psychologicznych podobną funkcję pełni codebook opisujący zmienne i sposób ich przygotowania do udostępnienia (Buchanan i in., 2021).

Co powinien zawierać dobry słownik?

Nie istnieje jeden obowiązkowy układ dla wszystkich projektów. Zakres powinien odpowiadać pytaniu badawczemu, projektowi i źródłu danych. Minimalny, użyteczny zestaw pól przedstawiono poniżej.

Pole	Znaczenie	Przykład
Identyfikator zmiennej	Unikalna nazwa techniczna	sbp_baseline
Etykieta	Czytelny opis dla użytkownika	Skurczowe ciśnienie tętnicze w punkcie wyjściowym
Definicja operacyjna	Dokładne określenie, co i jak mierzono	Średnia z dwóch pomiarów wykonanych po 5 minutach odpoczynku
Typ danych	Rodzaj techniczny i pomiarowy	Liczbowa ciągła
Jednostka	Jednostka zapisu	mmHg
Dopuszczalny zakres	Wartości możliwe lub akceptowane	70–250 mmHg
Kody odpowiedzi	Znaczenie wartości liczbowych lub tekstowych	0 = nie, 1 = tak
Punkt czasowy	Kiedy wykonano pomiar	Wizyta wyjściowa, przed interwencją
Źródło	Formularz, aparat, dokumentacja lub kwestionariusz	Karta badania, aparat Omron
Rola w projekcie	Funkcja metodologiczna	Wynik główny
Reguła braków danych	Jak kodować brak i jak go analizować	Pusta komórka; kod 99 tylko w formularzu

W projektach wieloośrodkowych warto dodać także nazwę ośrodka, wersję formularza, osobę odpowiedzialną za pomiar, status zmiennej oraz informację, czy jest ona obowiązkowa, zalecana czy opcjonalna. Warto również podać, czy zmienna pochodzi bezpośrednio z pomiaru, czy jest zmienną pochodną.

Jak budować słownik krok po kroku?

1. Zacznij od pytania badawczego i schematu projektu

Najpierw wypisz, co ma zostać wyjaśnione lub opisane. Następnie określ populację, ekspozycję lub interwencję, wynik, okres obserwacji i najważniejsze czynniki zakłócające. Słownik nie powinien powstawać wyłącznie na podstawie tego, jakie dane są łatwo dostępne w systemie.

W badaniu kohortowym można wyróżnić na przykład:

• zmienną ekspozycji: smoking_status_baseline;
• wynik główny: incident_mi_12m;
• potencjalne czynniki zakłócające: wiek, płeć, cukrzyca, wyjściowe ciśnienie;
• zmienną opisującą utratę z obserwacji: followup_completed.

2. Nadaj zmiennym stabilne, jednoznaczne nazwy

Nazwa techniczna powinna być krótka, unikalna i pozbawiona znaków diakrytycznych oraz spacji. Dobrą praktyką jest używanie jednego schematu, na przykład nazwa_pomiaru_punkt_czasowy. Nazwa weight_kg_baseline jest bardziej informacyjna niż waga1. Nie należy jednak umieszczać w nazwie zbyt wielu szczegółów, które mogą się zmienić przy kolejnej wersji protokołu.

3. Zapisz definicję operacyjną

Definicja operacyjna odpowiada na pytanie: co dokładnie musi zrobić badacz lub system, aby uzyskać tę wartość? Dla wyniku „hospitalizacja” trzeba ustalić, czy chodzi o przyjęcie na oddział, pobyt trwający co najmniej 24 godziny, każdą wizytę w izbie przyjęć czy hospitalizację z określonego powodu. Definicja powinna wskazywać również okres, w którym zdarzenie jest rejestrowane.

4. Określ typ i skalę pomiaru

Podaj, czy zmienna jest jakościowa nominalna, porządkowa, ilościowa dyskretna, ilościowa ciągła, datą, czasem, tekstem albo identyfikatorem. Ten opis ma znaczenie analityczne. Wynik „nasilenie bólu: brak, łagodny, umiarkowany, silny” ma uporządkowane kategorie, ale nie uzasadnia automatycznie traktowania ich jak równych odległości liczbowych.

Warto podać także skalę pomiaru: nominalną, porządkową, przedziałową lub ilorazową. W praktyce nie zawsze rozstrzyga ona samodzielnie o wyborze testu, ale zmusza do refleksji nad znaczeniem liczb.

5. Ustal kodowanie i wartości dopuszczalne

Dla każdej zmiennej należy zdefiniować zarówno wartości merytoryczne, jak i kody techniczne. Przykładowo:

• 0 = nie;
• 1 = tak;
• 9 = nie wiadomo;
• 8 = odmowa odpowiedzi.

W analizie kody 8 i 9 powinny zostać rozpoznane jako braki, a nie jako rzeczywiste wartości. Należy zapisać to w słowniku i w składni programu analitycznego. Jeżeli w jednym miejscu kod 99 oznacza brak, a w innym prawdziwą liczbę 99, może dojść do poważnych błędów.

6. Dodaj punkt czasowy

Ta sama zmienna mierzona przed leczeniem, po leczeniu i podczas kontroli nie jest analitycznie tym samym pomiarem. Zamiast ogólnej nazwy pain lepiej użyć pain_baseline, pain_post_treatment i pain_followup_3m, albo przechowywać pomiary w strukturze długiej z osobną zmienną czasu.

7. Określ rolę zmiennej w modelu

W słowniku można umieścić pole „rola w projekcie”, ale nie należy mylić roli zaplanowanej z wynikiem analizy. Najczęstsze role to: wynik główny, wynik dodatkowy, ekspozycja, interwencja, kowariata, potencjalny czynnik zakłócający, mediator, moderator, kolider, zmienna opisowa, zmienna kontrolna i zmienna techniczna. Rola powinna wynikać z modelu pojęciowego oraz pytania badawczego, a nie z tego, czy zmienna okazała się statystycznie istotna.

8. Zapisz pochodzenie i procedurę kontroli jakości

Wskaż, czy dane pochodzą z badania kwestionariuszowego, dokumentacji medycznej, urządzenia pomiarowego, rejestru lub wywiadu. Opisz także kontrolę zakresu, duplikaty, sprzeczności i sposób rozwiązywania rozbieżności. Słownik powinien mieć numer wersji i datę aktualizacji. Zmiana definicji zmiennej jest zmianą metodologiczną, a nie wyłącznie edycją arkusza.

Przykład 1: badanie pacjentów z nadciśnieniem

Załóżmy, że celem projektu jest ocena, czy przestrzeganie zaleceń dotyczących aktywności fizycznej wiąże się z kontrolą ciśnienia tętniczego po sześciu miesiącach. Fragment słownika może wyglądać następująco:

Nazwa	Definicja	Typ i kodowanie	Rola
activity_min_week_baseline	Liczba minut umiarkowanej aktywności w typowym tygodniu, według standaryzowanego kwestionariusza	Liczbowa; min/tydzień; 0–2000	Ekspozycja
sbp_mean_6m	Średnia z dwóch pomiarów skurczowego ciśnienia podczas wizyty po 6 miesiącach	Liczbowa ciągła; mmHg	Wynik główny
antihypertensive_n	Liczba aktualnie stosowanych leków hipotensyjnych w dniu wizyty	Liczbowa dyskretna; 0–10	Kowariata
diabetes_baseline	Cukrzyca rozpoznana przed włączeniem do badania, na podstawie dokumentacji lub wywiadu	0 = nie, 1 = tak, 9 = brak danych	Czynnik zakłócający
visit_6m_completed	Uczestnik miał ocenę wyniku po sześciu miesiącach w dopuszczalnym oknie wizyty	0 = nie, 1 = tak	Zmienna techniczna

Sam zapis „aktywność fizyczna” byłby niewystarczający. Trzeba ustalić, czy obejmuje aktywność zawodową, transport, ćwiczenia rekreacyjne, jaki jest okres odniesienia i jak traktuje się brak odpowiedzi. Trzeba też rozstrzygnąć, czy wynik główny jest wartością po sześciu miesiącach, zmianą względem wartości wyjściowej czy odsetkiem pacjentów poniżej określonego progu. Każda z tych decyzji tworzy inną zmienną lub inną regułę analizy.

Przykład 2: badanie stresu u studentów pielęgniarstwa

W badaniu przekrojowym można analizować związek między obciążeniem zajęciami klinicznymi a nasileniem objawów stresu. Słownik powinien jasno odróżniać dane socjodemograficzne, ekspozycję, wynik i zmienne potencjalnie zakłócające.

• clinical_hours_week – liczba godzin zajęć klinicznych w ostatnim tygodniu; zmienna ilościowa dyskretna;
• stress_score_total – suma pozycji zatwierdzonego kwestionariusza stresu, zgodnie z jego instrukcją; zmienna ilościowa wynikowa;
• sleep_hours_mean – średnia długość snu w ostatnich siedmiu dniach; potencjalny mediator lub kowariata, zależnie od modelu;
• financial_difficulty – subiektywna trudność finansowa; zmienna porządkowa z określonymi kategoriami;
• prior_mental_health_treatment – wcześniejsze korzystanie z leczenia lub pomocy psychologicznej; potencjalny czynnik zakłócający.

Jeżeli badacz uważa sen za mechanizm łączący obciążenie kliniczne ze stresem, nie powinien bezrefleksyjnie traktować go jako zwykłej zmiennej kontrolnej. Wtedy słownik powinien odnotować hipotezę o mediatorze i moment pomiaru. Jeżeli wszystkie zmienne zebrano jednocześnie, język przyczynowy wymaga ostrożności: badanie przekrojowe pozwala przede wszystkim opisywać współwystępowanie i związki, a nie ustalać kierunek przyczynowości.

Jak słownik łączy się z planem analizy?

Dobrze przygotowany słownik nie zastępuje planu analizy, lecz tworzy dla niego podstawę. Jeżeli wynik jest binarny, trzeba zdefiniować, co oznacza wartość 0 i 1, oraz jaki okres obserwacji obowiązuje. Jeżeli wynik jest ciągły, należy wskazać jednostkę i zasady postępowania z wartościami skrajnymi. Jeżeli zmienna jest porządkowa, trzeba opisać kolejność kategorii, ale nie zakładać automatycznie, że różnice między nimi są równe.

W planie analizy można zapisać model w postaci:

Y = β0 + β1X + β2Z1 + β3Z2 + ε

• Y – zmienna wynikowa;
• X – główna ekspozycja lub predyktor;
• Z₁, Z₂ – wcześniej określone kowariaty lub czynniki zakłócające;
• β₀ – wyraz wolny;
• β₁, β₂, β₃ – parametry opisujące związki między zmiennymi w przyjętym modelu;
• ε – składnik losowy, czyli część zmienności niewyjaśniona przez model.

W słowniku należy wskazać, która konkretna kolumna odpowiada każdemu symbolowi. Nie wolno jednak dobierać zmiennych wyłącznie dlatego, że w danych „ładnie działają”. Dobór powinien wynikać z projektu, wiedzy dziedzinowej i założeń analizy. Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej, a jej uzyskanie nie zmienia retrospektywnie roli zmiennej w projekcie.

Najczęstsze błędy

1. Tworzenie słownika dopiero po analizie. Wtedy definicje mogą zostać dopasowane do dostępnych wyników, a nie do protokołu.
2. Używanie niejasnych nazw. Nazwy takie jak health1, score_new lub data_final2 nie informują, co zawiera zmienna.
3. Brak jednostek. Masa bez informacji, czy podano kilogramy, funty czy wartość standaryzowaną, jest niejednoznaczna.
4. Mieszanie punktów czasowych. W jednej kolumnie nie powinno się łączyć wartości przed interwencją i po interwencji bez jawnej reguły.
5. Traktowanie kodów braków jak danych. Wartości 99, 999 lub -9 muszą mieć opis i zostać odpowiednio oznaczone w analizie.
6. Zmiana definicji bez wersjonowania. Jeżeli zmieniono sposób obliczania wyniku, trzeba zachować informację o starej i nowej wersji.
7. Zakładanie, że zmienna jest przyczyną, bo nazwano ją „czynnikiem ryzyka”. Rola terminologiczna nie zastępuje poprawnego schematu badania.
8. Wpisywanie wszystkich dostępnych zmiennych do modelu. Słownik może zawierać zmienne techniczne, opisowe i eksploracyjne, które nie powinny być automatycznie kontrolowane.
9. Brak rozróżnienia między surową a pochodną zmienną. Dla każdej zmiennej pochodnej należy podać wzór, źródła i regułę postępowania z brakami.

Przykład praktyczny: miniaturowy proces budowy słownika

Badacz planuje ocenę, czy czas oczekiwania na pomoc medyczną wiąże się z nasileniem objawów stresu pourazowego u osób przyjętych po wypadku komunikacyjnym. Najpierw definiuje wynik: wynik standaryzowanego narzędzia oceniony 30 dni po zdarzeniu. Następnie definiuje ekspozycję: czas od zgłoszenia zdarzenia do pierwszego kontaktu z zespołem medycznym, w minutach. Ustala też, że zapisuje dokładny czas, a nie kategorie typu „krótko” i „długo”.

W słowniku opisuje wiek, płeć, ciężkość obrażeń, wcześniejszą diagnozę zaburzeń lękowych, przyjęcie leków uspokajających przed oceną oraz kompletność wizyty 30-dniowej. Przy każdej zmiennej wskazuje punkt czasowy. Ciężkość obrażeń pochodzi z dokumentacji medycznej i jest mierzona przy przyjęciu; wcześniejsze zaburzenia lękowe dotyczą okresu przed wypadkiem; wynik stresu pourazowego jest mierzony po 30 dniach.

Tak przygotowany słownik ujawnia ważne problemy jeszcze przed zebraniem danych: niejasne znaczenie „pierwszego kontaktu”, możliwość różnic między systemami rejestracji czasu oraz ryzyko, że część osób nie zgłosi się na wizytę kontrolną. Dzięki temu zespół może doprecyzować protokół, formularz i plan postępowania z brakami danych. Słownik staje się narzędziem projektowania badania, a nie tylko opisem gotowego pliku.

Co warto zapamiętać?

• Słownik zmiennych to formalny opis znaczenia i sposobu użycia każdej zmiennej w projekcie.
• Najważniejsze elementy to: nazwa, definicja operacyjna, typ danych, jednostka, kody, punkt czasowy, źródło, reguła braków i rola w analizie.
• Słownik należy tworzyć przed rozpoczęciem zbierania danych i aktualizować z zachowaniem numerów wersji.
• Każda zmienna powinna mieć jednoznacznie określone dopuszczalne wartości oraz zasady kontroli jakości.
• Rola zmiennej wynika z pytania badawczego i modelu pojęciowego, a nie z późniejszej istotności statystycznej.
• Dobre nazewnictwo i dokumentacja ułatwiają analizę, współpracę, replikację i udostępnianie danych.
• Słownik nie zastępuje protokołu ani planu analizy, ale łączy oba dokumenty z rzeczywistą strukturą bazy.

Praktyczne ćwiczenie po tej lekcji polega na przygotowaniu słownika dla własnego projektu: najpierw dla wyniku głównego, ekspozycji i trzech najważniejszych kowariat, a następnie dla wszystkich zmiennych obecnych w formularzu. Jeżeli nie da się jasno opisać zmiennej w jednym lub kilku precyzyjnych zdaniach, prawdopodobnie wymaga ona jeszcze dopracowania metodologicznego.

\n

Źródła i dalsza lektura

\n

1. Buchanan, E. M., Crain, S. E., Cunningham, A. L., Johnson, H. R., Stash, H., Papadatou-Pastou, M., Isager, P. M., Carlsson, R., Aczel, B. (2021). Getting Started Creating Data Dictionaries: How to Create a Shareable Data Set. Advances in Methods and Practices in Psychological Science, 4(1), 71–78. DOI: 10.1177/2515245920928007.
2. Cohen, M. Z., Thompson, C. B., Yates, B., Zimmerman, L., Pullen, C. H. (2015). Implementing common data elements across studies to advance research. Nursing Outlook, 63(2), 181–188. DOI: 10.1016/j.outlook.2014.11.006.
3. von Elm, E., Altman, D. G., Egger, M., Pocock, S. J., Gøtzsche, P. C., Vandenbroucke, J. P.; STROBE Initiative (2007). The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: guidelines for reporting observational studies. Epidemiology, 18(6), 800–804. Pełny opis źródła.
4. Vandenbroucke, J. P., von Elm, E., Altman, D. G., Gøtzsche, P. C., Mulrow, C. D., Pocock, S. J., Poole, C., Schlesselman, J. J., Egger, M. (2007). Strengthening the Reporting of Observational Studies in Epidemiology (STROBE): explanation and elaboration. PLoS Medicine, 4(10), e297. DOI: 10.1371/journal.pmed.0040297.
5. National Library of Medicine (2024). Common Data Elements: Standardizing Data Collection. National Library of Medicine. National Institutes of Health. Źródło.
6. National Institutes of Health (2024). NIH Common Data Elements Repository. NIH Common Data Elements Repository. National Institutes of Health. Źródło.

\n