531. Statistica – organizacja danych i podstawowe moduły
Statistica jest środowiskiem do analizy danych, w którym arkusz danych, opis zmiennych, procedura analityczna i wyniki tworzą powiązaną całość. Samo wybranie właściwego modułu nie gwarantuje poprawnego wniosku. Najpierw trzeba ustalić, co jest jednostką obserwacji, jak zapisano zmienne, które wartości oznaczają brak danych oraz jaki problem badawczy ma zostać rozwiązany. W tej lekcji, będącej częścią publicznego szkolenia na statystyk.edu.pl, skupiamy się na praktycznej organizacji pracy w Statistica i na podstawowych modułach, od których zwykle rozpoczyna się analizę.
1. Statistica jako środowisko pracy z danymi
Statistica nie jest wyłącznie „kalkulatorem testów”. Program obejmuje między innymi arkusze danych, narzędzia do przekształcania zbioru, statystyki opisowe, tabele, wykresy, analizę korelacji i regresji, analizę wariancji, metody wielowymiarowe, procedury dla danych jakościowych oraz wybrane narzędzia uczenia maszynowego. Nazwy modułów i układ menu mogą zależeć od wersji oraz licencji, dlatego w publikacji naukowej należy podawać używaną wersję programu.
W dokumentacji Statistica rozróżnia się arkusz wejściowy, z którego procedura pobiera dane, oraz arkusz wynikowy, w którym prezentowane są rezultaty analizy (TIBCO Software, 2018). To rozróżnienie ma znaczenie praktyczne: nie należy traktować tabeli wynikowej jako nowego, „oczyszczonego” zbioru danych. Wynik analizy powinien być zapisany oddzielnie, a dane źródłowe zachowane w niezmienionej postaci.
2. Podstawowa zasada: jeden wiersz, jedna jednostka obserwacji
Najbezpieczniejszy układ danych zakłada, że:
- jeden wiersz odpowiada jednej jednostce obserwacji;
- jedna kolumna odpowiada jednej zmiennej;
- pierwszy wiersz zawiera nazwy zmiennych;
- wartości w kolumnie mają jednolite znaczenie i format;
- informacje opisowe, takie jak komentarze badacza, nie są mieszane z wartościami analitycznymi.
Jednostką obserwacji może być pacjent, pielęgniarka, gospodarstwo domowe, oddział szpitalny, pomiar wykonany w określonym czasie albo odpowiedź na pojedyncze pytanie kwestionariusza. Trzeba ją zdefiniować przed importem danych. Jeżeli w badaniu ciśnienia tętniczego każdy pacjent był mierzony trzykrotnie, wiersz może oznaczać pacjenta, a kolejne kolumny: sbp_1, sbp_2 i sbp_3. Można też zastosować układ długi, w którym każdy wiersz oznacza jeden pomiar, a dodatkowa zmienna wskazuje numer wizyty. Oba rozwiązania są poprawne, ale prowadzą do innych sposobów analizy.
Identyfikator nie jest zmienną wynikową
Każda obserwacja powinna mieć unikatowy identyfikator, na przykład id_pacjenta. Identyfikator służy do kontroli kompletności, łączenia plików i wykrywania duplikatów. Nie powinien być bezrefleksyjnie analizowany jako zmienna liczbowa. Numer pacjenta 104 nie oznacza przecież, że pacjent ma „więcej” cechy niż pacjent 103.
3. Nazwy zmiennych i słownik danych
Dobra organizacja danych zaczyna się od słownika danych, czyli tabeli opisującej wszystkie zmienne. Minimalny słownik powinien zawierać nazwę techniczną, opis, typ, jednostkę, dopuszczalny zakres, sposób kodowania oraz definicję braków danych. Taki dokument jest ważniejszy niż sama pamięć badacza, ponieważ po kilku miesiącach łatwo zapomnieć, czy wartość 9 oznaczała „brak odpowiedzi”, „nie dotyczy”, czy rzeczywistą kategorię.
Nazwy powinny być krótkie, jednoznaczne i stabilne, na przykład wiek_lata, plec, cisnienie_skurczowe, depresja_score oraz zgon_30d. Należy unikać nazw typu „wynik1”, „nowa_zmienna” lub „dane_poprawione2”. Jeżeli program lub format pliku nakłada ograniczenia na długość nazwy albo znaki specjalne, warto stosować prosty zapis bez spacji i polskich znaków.
4. Typ zmiennej a poziom pomiaru
Typ techniczny mówi, jak program przechowuje wartość, natomiast poziom pomiaru opisuje jej sens metodologiczny. Te pojęcia nie są tożsame.
| Rodzaj informacji | Przykład | Uwagi analityczne |
|---|---|---|
| Nominalna | oddział: A, B, C | Kategorie nie mają naturalnego porządku. |
| Porządkowa | nasilenie bólu: brak, małe, umiarkowane, duże | Kategorie można uporządkować, ale odstępy nie muszą być równe. |
| Ilościowa | wiek, masa ciała, stężenie glukozy | Wartości mają sens liczbowy; można obliczać miary położenia i zmienności, z uwzględnieniem rozkładu. |
| Tekstowa | opis objawów | Zwykle wymaga kodowania lub analizy jakościowej przed użyciem w procedurze statystycznej. |
W Statistica jedna kolumna może wyglądać jak liczbowa, choć metodologicznie reprezentuje kategorie. Przykładowo kodowanie płci jako 0 i 1 nie czyni z tej zmiennej pomiaru ilościowego. Średnia z kodów płci zwykle nie ma interpretacji klinicznej. Kody kategorii są etykietami, a nie pomiarami.
5. Import danych i kontrola jakości
Dane mogą pochodzić z arkusza kalkulacyjnego, pliku tekstowego, systemu elektronicznej dokumentacji lub formularza internetowego. Po imporcie trzeba sprawdzić, czy:
- liczba wierszy i kolumn odpowiada dokumentacji badania;
- nazwy zmiennych nie zostały obcięte ani zmienione;
- daty są rozpoznawane jako daty, a nie jako tekst;
- liczby dziesiętne mają poprawny separator;
- braki danych nie zostały potraktowane jako prawdziwe zera;
- zmienne kategoryczne nie zawierają równocześnie wariantów „K”, „kobieta” i „k”;
- nie występują zduplikowane identyfikatory.
Wstępna kontrola danych powinna obejmować zakresy, częstości i wartości nietypowe. W badaniu medycznym wiek 245 lat jest prawdopodobnie błędem wprowadzania danych, a nie rzadką obserwacją. Z kolei bardzo wysokie stężenie biomarkera może być prawdziwe i wymagać weryfikacji, lecz nie automatycznego usunięcia.
Współczesne podejście do initial data analysis obejmuje między innymi kontrolę braków danych, opis jedno- i wielowymiarowy oraz ocenę struktury obserwacji przed analizą główną (Lusa i in., 2024). W praktyce Statistica oznacza to, że przed uruchomieniem regresji lub testu należy obejrzeć rozkłady, liczebności grup i zależności między ważnymi zmiennymi.
6. Braki danych i kody specjalne
Brak danych nie jest automatycznie równy wartości zero. Jeżeli pacjent nie wykonał testu, wpisanie 0 może sztucznie zaniżyć średnią. Należy rozróżnić co najmniej:
- brak odpowiedzi;
- brak pomiaru z przyczyn technicznych;
- wartość „nie dotyczy”;
- wartość poza zakresem lub niemożliwa do odczytania.
Jeśli stosowane są kody specjalne, muszą być opisane w słowniku danych i poprawnie zdefiniowane w programie jako braki. W przeciwnym razie kod 999 może wejść do obliczenia średniej wieku, a kod 9 może zostać potraktowany jako rzeczywisty wynik w skali od 0 do 10.
Po stwierdzeniu braków trzeba opisać ich liczbę i wzorzec. Odsetek braków może różnić się między grupami lub zmiennymi. Nie należy usuwać obserwacji wyłącznie dlatego, że procedura „działa lepiej” po ich usunięciu. Sposób postępowania z brakami powinien wynikać z projektu badania, mechanizmu braków i planu analizy.
7. Podstawowe moduły Statistica
Statystyki opisowe i eksploracja danych
To zwykle pierwszy moduł analityczny. Pozwala obliczyć liczebności, odsetki, średnią, medianę, odchylenie standardowe, kwartyle, minimum i maksimum, a także przygotować histogramy, wykresy pudełkowe i wykresy rozrzutu. Statystyki opisowe nie są „mniej naukowe” niż testy hipotez. Pokazują, jak faktycznie wyglądają dane i czy założenia dalszej analizy są wiarygodne.
Dla zmiennej ilościowej można zapisać średnią jako:
x̄ = (x1 + x2 + ... + xn) / n
gdzie x̄ oznacza średnią arytmetyczną, xi jest wartością i-tej obserwacji, a n oznacza liczbę obserwacji uwzględnionych w obliczeniu. Średnia może być silnie wrażliwa na wartości skrajne, dlatego powinna być interpretowana razem z medianą, kwartylami i wykresem rozkładu.
Tabele i analizy danych jakościowych
Tabele częstości, tablice krzyżowe i testy niezależności są użyteczne, gdy wynik ma charakter kategoryczny. Można na przykład porównać odsetek ponownych przyjęć do szpitala między oddziałem standardowym i oddziałem z rozszerzoną edukacją pacjenta. Sam fakt uzyskania różnicy procentów nie wystarcza jednak do wnioskowania o skuteczności interwencji, jeśli badanie nie było randomizowane lub nie kontrolowano ważnych czynników zakłócających.
Korelacje i regresja
Moduły korelacji i regresji służą do badania zależności między zmiennymi. Korelacja opisuje współzmienność, ale sama nie dowodzi przyczynowości. W analizie regresji można modelować wynik ciągły, binarny lub innego rodzaju, zależnie od dostępnej procedury i wersji programu. Trzeba sprawdzić między innymi liniowość, obserwacje wpływowe, współliniowość i adekwatność modelu.
ANOVA i porównywanie grup
Analiza wariancji może być użyta do porównania średnich w kilku grupach, lecz nie zastępuje oceny wielkości efektu. Wynik testu powinien być uzupełniony o oszacowanie różnicy, przedział ufności oraz informację o znaczeniu praktycznym. Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej. Jest to miara zgodności danych z określonym modelem i hipotezą zerową, przy założeniu jej prawdziwości.
8. Przykład praktyczny: pacjenci z nadciśnieniem
Załóżmy, że zespół pielęgniarski bada 120 pacjentów uczestniczących w programie edukacji dotyczącej samokontroli ciśnienia. W bazie znajdują się: id, wiek, plec, grupa, sbp_przed, sbp_po, adherencja oraz kontrola_12tyg. Ostatnia zmienna ma wartość 1, gdy pacjent osiągnął zdefiniowany cel terapeutyczny, i 0 w przeciwnym razie.
Najpierw badacz sprawdza, czy identyfikatory są unikatowe, czy wartości ciśnienia mieszczą się w możliwym zakresie i ile obserwacji ma brak pomiaru po 12 tygodniach. Następnie dla ciśnienia oblicza średnią i medianę, ogląda wykres pudełkowy oraz porównuje zmianę:
zmiana_sbp = sbp_po − sbp_przed
W tym wzorze zmiana_sbp oznacza różnicę między pomiarem po programie i pomiarem początkowym. Wynik ujemny wskazuje na spadek ciśnienia. Jeżeli część pacjentów nie ma pomiaru końcowego, nie wolno bez komentarza analizować ich jako osób z zerową zmianą.
Jeżeli badanie ma charakter obserwacyjny, poprawny wniosek może brzmieć: „u uczestników zaobserwowano zmianę średniego ciśnienia”. Nie należy automatycznie pisać, że edukacja spowodowała spadek, ponieważ na wynik mogły wpływać leczenie, selekcja uczestników, regresja do średniej i inne czynniki.
9. Drugi przykład: skala stresu u studentów ratownictwa
W badaniu psychologicznym 180 studentów wypełnia skalę stresu złożoną z 10 pozycji ocenianych od 1 do 5. Dane można zapisać w kolumnach stress_01–stress_10, a następnie obliczyć wynik sumaryczny po sprawdzeniu, czy pozycje wymagają odwrócenia. Jeżeli pozycja ma skalę od 1 do 5, rekodowanie można zapisać jako:
wartość_odwrócona = 6 − wartość_początkowa
Liczba 6 wynika z sumy najniższej i najwyższej wartości skali powiększonej o jeden: 1 + 5. Po rekodowaniu trzeba sprawdzić zakres każdej pozycji i wynik całkowity. Statistica może pomóc w obliczeniu statystyk opisowych, korelacji oraz ocenie rzetelności, ale decyzja, czy suma pozycji jest uzasadnionym wynikiem skali, należy do badacza i powinna wynikać z konstrukcji narzędzia.
10. Organizacja wyników i powtarzalność
Analiza wykonana wyłącznie przez klikanie może być trudna do odtworzenia. Dlatego warto zapisywać: wersję programu, datę analizy, plik źródłowy, słownik danych, decyzje dotyczące wykluczeń, sposób kodowania braków, ustawienia procedury oraz eksport tabel i wykresów. Dobre praktyki obliczeń statystycznych obejmują dokumentowanie decyzji, kontrolę wersji, zarządzanie danymi, testowanie i przegląd wyników (Sanchez i in., 2021).
Jeżeli Statistica umożliwia zapis kroków analizy, raportu lub procedury, należy korzystać z tej funkcji. W przeciwnym razie można prowadzić dziennik analizy w osobnym pliku. Zapis „usunięto trzy obserwacje odstające” jest niewystarczający. Trzeba dodać: które obserwacje, według jakiego kryterium, przed jaką analizą i z jakim skutkiem dla liczebności.
Najczęstsze błędy
- Mieszanie danych z komentarzami. Wpisy typu „brak, pacjent nie chciał” w kolumnie liczbowej utrudniają analizę. Informację należy zapisać w osobnej zmiennej lub dokumentacji.
- Traktowanie kodów kategorii jak pomiarów ilościowych. Średnia z kodów oddziałów albo płci zwykle nie ma sensu.
- Wpisywanie zera zamiast braku. Zero jest wartością, a nie uniwersalnym symbolem braku pomiaru.
- Usuwanie wartości skrajnych bez weryfikacji. Najpierw należy sprawdzić, czy wartość jest błędem, czy prawdziwą obserwacją.
- Wybieranie modułu przed sformułowaniem pytania. Procedura powinna wynikać z typu zmiennych, projektu badania i celu analizy.
- Raportowanie wyłącznie wartości p. Należy podawać także wielkość efektu, przedział ufności i znaczenie praktyczne.
- Brak informacji o wersji programu. Wyniki mogą zależeć od implementacji, ustawień i dostępnych procedur.
- Zmiana pliku źródłowego bez kopii. Dane surowe powinny być zachowane, a modyfikacje wykonywane na kopii roboczej.
Co warto zapamiętać?
- Najpierw określ jednostkę obserwacji, a dopiero potem buduj arkusz.
- Jeden wiersz powinien oznaczać jedną obserwację, a jedna kolumna jedną zmienną.
- Typ techniczny zmiennej nie zastępuje rozumowania o jej poziomie pomiaru.
- Każdy kod kategorii i każdy kod braku musi mieć opis w słowniku danych.
- Statystyki opisowe i wykresy są obowiązkowym etapem kontroli danych, nie dodatkiem po analizie głównej.
- Moduł Statistica dobiera się do pytania badawczego, projektu, rodzaju wyniku i założeń procedury.
- Wartość p nie opisuje wielkości ani ważności efektu i nie jest prawdopodobieństwem prawdziwości hipotezy zerowej.
- Rzetelna analiza obejmuje dokumentację danych, decyzji, wersji programu i kolejnych kroków obliczeń.
Statistica może być wygodnym narzędziem zarówno do prostych analiz medycznych, jak i do bardziej rozbudowanych projektów badawczych. Jej użyteczność zależy jednak przede wszystkim od jakości przygotowania danych i zgodności procedury z pytaniem badawczym. Program wykonuje obliczenia, ale nie zastępuje metodologii.
Źródła i dalsza lektura
- TIBCO Software Inc. (2018). TIBCO Statistica™ 13.5 Quick Reference. TIBCO Software Documentation. TIBCO Software Inc.. Źródło.
- Lusa, Lara; Proust-Lima, Cécile; Schmidt, Carsten O.; Lee, Katherine J.; le Cessie, Saskia; Baillie, Mark; Lawrence, Frank; Huebner, Marianne; TG3 of the STRATOS Initiative (2024). Initial data analysis for longitudinal studies to build a solid foundation for reproducible analysis. PLOS ONE, 19(5), e0295726. DOI: 10.1371/journal.pone.0295726.
- Sanchez, Ricardo; Griffin, Beth Ann; Pane, Joseph; McCaffrey, Daniel F. (2021). Best practices in statistical computing. Statistics in Medicine, 40(27), 6057–6068. DOI: 10.1002/sim.9169.
- Soundararajan, Soundarya (2023). Data Management: The First Step in Reproducible Research. Indian Journal of Occupational and Environmental Medicine, 27(4), 359–363. DOI: 10.4103/ijoem.ijoem_342_22.
- Fowler, Jerry; San Lucas, Francis Anthony; Scheet, Paul (2019). System for Quality-Assured Data Analysis: Flexible, reproducible scientific workflows. Genetic Epidemiology, 43(2), 227–237. DOI: 10.1002/gepi.22178.
- Crossref (2024). Data citation. Crossref Documentation. Crossref. Źródło.