059. Jak sprawdzić spójność: temat – cel – pytanie – hipoteza – analiza?

Dobry projekt badawczy nie jest zbiorem niezależnych elementów. Temat wskazuje obszar zainteresowania, cel określa zamierzenie badacza, pytanie precyzuje to, czego chcemy się dowiedzieć, hipoteza przewiduje możliwą odpowiedź, a analiza określa, jak odpowiedź zostanie uzyskana z danych. Jeżeli te elementy nie są ze sobą zgodne, badanie może być formalnie poprawne, a mimo to nie odpowiadać na własne pytanie.

W tej lekcji, będącej częścią publicznego szkolenia na statystyk.edu.pl, nauczysz się przeprowadzać kontrolę spójności całego łańcucha badawczego. Nie chodzi o mechaniczne dopasowanie testu statystycznego do danych, lecz o sprawdzenie, czy wybrana analiza rzeczywiście wynika z pytania, hipotezy, projektu badania i sposobu pomiaru zmiennych.

1. Czym jest spójność projektu badawczego?

Spójność projektu badawczego oznacza logiczne powiązanie między wszystkimi jego kluczowymi elementami. Każdy element powinien odpowiadać na inne pytanie:

• Temat: czego ogólnie dotyczy badanie?
• Cel: co badacz zamierza ustalić, opisać, porównać lub wyjaśnić?
• Pytanie badawcze: jaka konkretna niewiadoma ma zostać rozstrzygnięta?
• Hipoteza: jakiej odpowiedzi oczekujemy, jeżeli badanie ma charakter hipotezowy?
• Analiza: jakie procedury pozwolą uzyskać odpowiedź na pytanie i ocenić hipotezę?

Spójność nie oznacza, że każde badanie musi zawierać hipotezę. W badaniu eksploracyjnym lub czysto opisowym można sformułować cel i pytania bez wcześniejszego przewidywania kierunku wyników. Jeżeli jednak autor deklaruje hipotezę, powinien zaplanować analizę pozwalającą ją ocenić.

Najprościej można przedstawić ten łańcuch następująco:

temat → cel → pytanie → hipoteza → zmienne i pomiar → analiza → wniosek

Strzałki oznaczają zależność logiczną. Hipoteza nie może pojawić się niezależnie od pytania, a analiza nie powinna być wybierana wyłącznie dlatego, że badacz zna określony test statystyczny.

2. Od tematu do celu

Temat wyznacza obszar, ale nie jest jeszcze problemem badawczym

Temat jest zwykle krótkim hasłem, na przykład: „stres zawodowy pielęgniarek”, „jakość życia pacjentów po udarze” albo „aktywność fizyczna studentów”. Taki zapis może być dobrym punktem wyjścia, ale nie informuje jeszcze, co dokładnie zostanie zbadane.

Cel powinien zawężać temat przez wskazanie populacji, zmiennych, czasu, kontekstu i rodzaju zamierzonego rozpoznania. W praktyce warto używać czasowników operacyjnych, takich jak: oszacować, opisać, porównać, ocenić związek, sprawdzić, czy lub określić predyktory. Należy unikać czasowników niejasnych, na przykład „zająć się”, „przeanalizować problem” lub „zbadać wpływ”, jeśli projekt nie pozwala na wnioskowanie przyczynowe.

Przykład:

• Temat: wypalenie zawodowe pielęgniarek.
• Cel zbyt ogólny: zbadanie wypalenia zawodowego pielęgniarek.
• Cel bardziej precyzyjny: oszacowanie poziomu wypalenia zawodowego wśród pielęgniarek pracujących na oddziałach intensywnej terapii oraz ocena jego związku z liczbą dyżurów nocnych w miesiącu.

Drugi cel wskazuje, że badanie będzie obejmować pomiar wypalenia, liczbę dyżurów nocnych oraz analizę ich związku. Nie przesądza jeszcze, że dyżury powodują wypalenie. Taki ostrożny język jest właściwy, jeśli badanie ma charakter przekrojowy.

3. Od celu do pytania badawczego

Pytanie badawcze powinno być bardziej szczegółowe niż cel. Cel mówi, co badacz chce osiągnąć, natomiast pytanie przedstawia konkretną niewiadomą w formie pytającej.

Przykładowe pytanie zgodne z przedstawionym celem brzmi: „Czy liczba dyżurów nocnych w miesiącu jest związana z poziomem wypalenia zawodowego pielęgniarek pracujących na oddziałach intensywnej terapii?”

W tym pytaniu można rozpoznać:

• populację: pielęgniarki pracujące na oddziałach intensywnej terapii;
• zmienną objaśniającą: liczbę dyżurów nocnych w miesiącu;
• zmienną wynikową: poziom wypalenia zawodowego;
• relację: związek, a nie koniecznie przyczynowość.

Jeśli pytanie dotyczy różnicy między grupami, analiza powinna porównywać grupy. Jeśli dotyczy związku dwóch zmiennych ilościowych, należy rozważyć korelację lub model regresji. Jeżeli pytanie dotyczy częstości zjawiska, potrzebne będą statystyki opisowe i przedziały ufności dla odsetka, a nie automatycznie test t-Studenta.

4. Od pytania do hipotezy

Hipoteza badawcza jest przewidywaniem dotyczącym wartości, różnicy lub związku, które można skonfrontować z danymi. Powinna być operacyjna, czyli odnosić się do zmiennych możliwych do pomiaru.

Dla pytania o pielęgniarki można sformułować hipotezę:

„Większa liczba dyżurów nocnych w miesiącu wiąże się z wyższym poziomem wypalenia zawodowego u pielęgniarek pracujących na oddziałach intensywnej terapii.”

Hipoteza określa kierunek związku. Można również sformułować hipotezę niekierunkową: „Liczba dyżurów nocnych jest związana z poziomem wypalenia zawodowego”. Wybór między hipotezą kierunkową i niekierunkową powinien wynikać z uzasadnienia teoretycznego i wcześniejszych badań, a nie z chęci uzyskania „lepszego” wyniku.

W klasycznym ujęciu hipotezę badawczą można zestawić z hipotezą zerową. Przykładowo:

• H₁: występuje dodatni związek między liczbą dyżurów nocnych a wynikiem skali wypalenia;
• H₀: w populacji nie występuje taki związek.

Trzeba jednak pamiętać, że wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej. Informuje ona o zgodności danych z określonym modelem i założeniami, przy założeniu hipotezy zerowej. Nie mówi także, jak duży ani jak ważny praktycznie jest efekt. Te rozróżnienia podkreśla stanowisko American Statistical Association (Wasserstein i Lazar, 2016). ([doi.org](https://doi.org/DOI%3A10.1080/00031305.2016.1154108?utm_source=openai))

5. Od hipotezy do zmiennych i pomiaru

Hipoteza musi zostać przełożona na zmienne. W przeciwnym razie nie wiadomo, jakie dane należy zebrać i jak je analizować.

W przykładzie z pielęgniarkami trzeba określić:

• jak liczona będzie liczba dyżurów nocnych: w ostatnim miesiącu, kwartale czy innym okresie;
• jak mierzony będzie poziom wypalenia: wynikiem konkretnego, opisanego narzędzia czy pojedynczym pytaniem;
• czy wynik skali traktowany będzie jako zmienna ilościowa, porządkowa czy kategoryczna;
• jakie zmienne zakłócające mogą mieć znaczenie, na przykład staż pracy, wiek, wymiar etatu lub liczba pacjentów przypadających na dyżur.

Operacjonalizacja nie jest etapem wyłącznie technicznym. Decyzja o pomiarze wpływa na to, jakie pytanie naprawdę można rozstrzygnąć. Jeżeli „wypalenie” zostanie zmierzone jednym, niestandaryzowanym pytaniem, nie należy formułować wniosków dotyczących pełnego konstruktu psychologicznego bez odpowiednich zastrzeżeń.

6. Od pytania i projektu do analizy

Analiza statystyczna powinna wynikać z rodzaju pytania, typu zmiennych, schematu badania oraz założeń modelu. Nie istnieje jeden „najlepszy test” dla wszystkich pytań.

Rodzaj pytania	Przykład	Możliwa analiza
Opis częstości	Jaki odsetek pacjentów zgłasza ból?	Odsetek, przedział ufności, ewentualnie porównanie z wartością referencyjną
Porównanie dwóch grup	Czy średni poziom lęku różni się między grupami?	Test t, test U Manna–Whitneya lub model regresji, zależnie od danych i założeń
Porównanie pomiarów zależnych	Czy wynik zmienił się po interwencji?	Analiza danych sparowanych, model dla pomiarów powtarzanych lub model mieszany
Związek dwóch zmiennych	Czy liczba dyżurów wiąże się z wypaleniem?	Korelacja, regresja liniowa lub inny model adekwatny do skali pomiaru
Predykcja wyniku binarnego	Co wiąże się z ponowną hospitalizacją?	Regresja logistyczna, z raportowaniem ilorazów szans i przedziałów ufności

W analizie należy z góry rozróżnić hipotezy pierwotne, wtórne i eksploracyjne. Takie rozdzielenie zwiększa przejrzystość interpretacji i ogranicza ryzyko przedstawiania przypadkowych zależności jako głównego wyniku badania. Jest to również zalecane w standardach APA JARS (Appelbaum i in., 2018). ([equator-network.org](https://www.equator-network.org/reporting-guidelines/journal-article-reporting-standards-for-quantitative-research-in-psychology-the-apa-publications-and-communications-board-task-force-report/?utm_source=openai))

Wielkość efektu, przedział ufności i znaczenie praktyczne

Spójna analiza nie kończy się na wartości p. Należy raportować także oszacowanie efektu, jego niepewność oraz znaczenie praktyczne. Przykładowo, w regresji liniowej można zapisać:

Y = β0 + β1X + ε

• Y – zmienna wynikowa, na przykład wynik skali wypalenia;
• X – zmienna objaśniająca, na przykład liczba dyżurów nocnych;
• β₀ – wyraz wolny, czyli przewidywana wartość Y, gdy X = 0;
• β₁ – zmiana przewidywanej wartości Y związana ze wzrostem X o jedną jednostkę;
• ε – składnik błędu, obejmujący wpływ czynników nieuwzględnionych w modelu oraz losową zmienność.

Jeżeli β₁ = 1,8, oznacza to, że każdy dodatkowy dyżur nocny wiąże się przeciętnie z wynikiem wypalenia wyższym o 1,8 punktu, przy pozostałych warunkach modelu. Nie wynika z tego automatycznie, że dyżur powoduje wypalenie. W badaniu przekrojowym można mówić o związku, nie zaś o skutku przyczynowym.

7. Przykład praktyczny: program edukacyjny dla pacjentów

Załóżmy, że zespół chce ocenić, czy krótkie szkolenie dotyczące samokontroli ciśnienia poprawia wiedzę pacjentów z nadciśnieniem.

Wersja niespójna

• Temat: edukacja pacjentów z nadciśnieniem.
• Cel: ocena wpływu edukacji na zdrowie pacjentów.
• Pytanie: czy szkolenie zwiększa wiedzę?
• Hipoteza: szkolenie poprawi kontrolę ciśnienia.
• Analiza: test t dla wyniku wiedzy po szkoleniu.

W tej wersji pytanie dotyczy wiedzy, hipoteza dotyczy ciśnienia, a analiza obejmuje wyłącznie wynik po szkoleniu. Nie wiadomo także, czy istnieje grupa porównawcza ani jaki jest punkt odniesienia.

Wersja spójna

• Temat: skuteczność krótkiej edukacji dotyczącej samokontroli ciśnienia u dorosłych pacjentów z nadciśnieniem.
• Cel: ocena, czy jednorazowe szkolenie zwiększa wiedzę pacjentów w porównaniu ze standardową informacją przekazywaną podczas wizyty.
• Pytanie: czy po dwóch tygodniach pacjenci uczestniczący w szkoleniu uzyskują wyższy wynik testu wiedzy niż pacjenci otrzymujący standardową informację?
• Hipoteza: średni wynik testu wiedzy po dwóch tygodniach będzie wyższy w grupie szkolenia niż w grupie kontrolnej.
• Analiza: porównanie wyniku po dwóch tygodniach z uwzględnieniem wyniku wyjściowego, na przykład za pomocą analizy kowariancji lub odpowiedniego modelu regresji.

Jeżeli badanie jest randomizowane, opis i raportowanie powinny uwzględniać między innymi sposób przydziału, przepływ uczestników, analizę wyników i oszacowanie efektu zgodnie z logiką CONSORT (Schulz, Altman i Moher, 2010). ([bmj.com](https://www.bmj.com/content/340/bmj.c332?utm_source=openai)) Jeżeli jest to badanie obserwacyjne, właściwszym punktem odniesienia będzie STROBE, który pomaga uporządkować opis populacji, zmiennych, metod analizy i ograniczeń (von Elm i in., 2007). ([journals.plos.org](https://journals.plos.org/plosmedicine/article?id=10.1371%2Fjournal.pmed.0040296&utm_source=openai))

8. Lista kontrolna spójności

Przed rozpoczęciem zbierania danych warto odpowiedzieć na poniższe pytania:

1. Czy temat wskazuje konkretny obszar, populację i kontekst?
2. Czy cel zawiera czasownik opisujący rzeczywiste zamierzenie badacza?
3. Czy pytanie można rozstrzygnąć na podstawie planowanych danych?
4. Czy hipoteza, jeśli jest potrzebna, wynika bezpośrednio z pytania?
5. Czy wszystkie pojęcia zawarte w pytaniu mają operacyjne definicje?
6. Czy zmienne są mierzone narzędziami odpowiednimi do celu?
7. Czy schemat badania pozwala na deklarowany rodzaj wnioskowania?
8. Czy analiza odpowiada typowi zmiennych i strukturze danych?
9. Czy określono efekt, który będzie uznany za ważny praktycznie?
10. Czy zaplanowano raportowanie przedziałów ufności oraz, gdy jest to zasadne, wielkości efektu?
11. Czy odróżniono analizy pierwotne, wtórne i eksploracyjne?
12. Czy wynik analizy będzie rzeczywiście odpowiadał na pytanie, a nie na inne, wygodniejsze pytanie?

Najczęstsze błędy

1. Temat jest traktowany jak cel

Hasło „depresja u studentów” nie mówi, czy badacz chce oszacować częstość objawów, porównać grupy, ocenić związek z obciążeniem nauką czy sprawdzić skuteczność interwencji.

2. Hipoteza dotyczy innej zmiennej niż pytanie

Jeśli pytanie dotyczy wiedzy, hipoteza nie powinna przewidywać poprawy ciśnienia tętniczego, chyba że badanie zawiera oba wyniki i jasno rozdziela cele.

3. Analiza jest wybierana przed określeniem pytania

Zdanie „zastosujemy test t” nie jest planem analitycznym. Najpierw należy ustalić, czy porównujemy grupy niezależne, pomiary zależne, zmianę w czasie czy wynik skorygowany o wartości wyjściowe.

4. Wynik nieistotny statystycznie jest przedstawiany jako dowód braku efektu

Brak podstaw do odrzucenia hipotezy zerowej nie oznacza, że efekt na pewno nie istnieje. Interpretacja powinna uwzględniać przedział ufności, precyzję oszacowania, moc informacyjną badania i znaczenie praktyczne.

5. Język przyczynowy w badaniu obserwacyjnym

Sformułowania „spowodował”, „doprowadził” i „wywołał” wymagają odpowiedniego projektu, kontroli zakłóceń i uzasadnienia założeń przyczynowych. W badaniu przekrojowym bezpieczniejsze będzie „wiązał się z” lub „był skorelowany z”.

6. Zbyt wiele analiz bez hierarchii celów

Jeśli po zebraniu danych bada się dziesiątki zależności, a następnie wybiera kilka najbardziej atrakcyjnych wyników, rośnie ryzyko przypadkowych odkryć. Analizy eksploracyjne są wartościowe, ale powinny być tak nazwane.

Co warto zapamiętać?

• Temat określa obszar, ale dopiero cel i pytanie nadają badaniu kierunek.
• Hipoteza powinna być sprawdzalnym przewidywaniem dotyczącym zoperacjonalizowanych zmiennych.
• Analiza jest konsekwencją pytania, projektu, pomiaru i struktury danych, a nie punktem wyjścia.
• Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej i nie opisuje ani wielkości efektu, ani jego znaczenia praktycznego.
• Wnioski przyczynowe wymagają projektu i założeń, które uzasadniają takie wnioskowanie.
• Najlepszym testem spójności jest przejście od końca do początku: czy planowana analiza dostarczy odpowiedzi na pytanie, czy pytanie wynika z celu, a cel z tematu?

Jeżeli na którekolwiek z tych pytań odpowiedź brzmi „nie”, projekt warto skorygować przed rozpoczęciem rekrutacji lub analizy danych. Wczesne wykrycie niespójności jest znacznie prostsze, tańsze i metodologicznie bezpieczniejsze niż naprawianie jej po zakończeniu badania.

\n

Źródła i dalsza lektura

\n

1. 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.
2. Schulz, K. F., Altman, D. G., & Moher, D.; for the CONSORT Group (2010). CONSORT 2010 Statement: updated guidelines for reporting parallel group randomised trials. BMJ, 340, c332. DOI: 10.1136/bmj.c332.
3. von Elm, E., Altman, D. G., Egger, M., Pocock, S. J., Gøtzsche, P. C., & Vandenbroucke, J. P.; for the STROBE Initiative (2007). The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) Statement: guidelines for reporting observational studies. PLoS Medicine, 4(10), e296. DOI: 10.1371/journal.pmed.0040296.
4. Wasserstein, R. L., & Lazar, N. A. (2016). The ASA’s Statement on p-Values: Context, Process, and Purpose. The American Statistician, 70(2), 129–133. DOI: 10.1080/00031305.2016.1154108.
5. Browner, W. S., Newman, T. B., Cummings, S. R., Grady, D. G., Huang, A. J., Kanaya, A. M., & Pletcher, M. J. (2022). Designing Clinical Research. 5th edition. Wolters Kluwer. Informacja wydawcy / źródło.

\n