403. Statystyka F – intuicyjna interpretacja

W poprzednich lekcjach modułu 21 pojawiła się idea analizy wariancji oraz odpowiedź na pytanie, dlaczego porównywanie wielu grup za pomocą wielu testów t nie jest dobrym rozwiązaniem. Kolejnym krokiem jest zrozumienie statystyki F — liczby, która stanowi centrum klasycznej analizy wariancji. Jej interpretacja staje się znacznie prostsza, gdy potraktujemy ją nie jako abstrakcyjny wzór, lecz jako porównanie dwóch rodzajów zmienności: różnic między grupami i różnic występujących wewnątrz grup.

W tej lekcji kursu metodologii badań i statystyki na statystyk.edu.pl wyjaśnimy, co właściwie mierzy statystyka F, dlaczego duża wartość F może przemawiać przeciwko hipotezie o równości średnich oraz dlaczego sama wartość F nie mówi jeszcze, które grupy się różnią ani czy różnica ma znaczenie kliniczne.

1. Pytanie, na które odpowiada statystyka F

Załóżmy, że porównujemy średnie wyniki trzech lub większej liczby grup. Mogą to być na przykład:

• średnie ciśnienie skurczowe u pacjentów stosujących trzy różne strategie leczenia;
• średni poziom lęku w trzech grupach studentów poddanych różnym formom zajęć;
• średni czas oczekiwania na pomoc w kilku typach oddziałów ratunkowych.

Sam fakt, że średnie grupowe nie są identyczne, nie jest jeszcze zaskakujący. Nawet gdyby wszystkie grupy pochodziły z populacji o tej samej średniej, losowe wahania spowodowałyby pewne różnice między średnimi z próby. ANOVA pyta więc nie tylko, czy średnie są różne, lecz także, czy obserwowane różnice między nimi są duże w porównaniu z typowym zróżnicowaniem osób należących do tych samych grup.

To prowadzi do intuicyjnej definicji:

Statystyka F jest ilorazem zmienności między grupami i zmienności wewnątrz grup, po uwzględnieniu odpowiednich stopni swobody.

Jeśli grupy mają wyraźnie różne średnie, a osoby w obrębie każdej grupy są do siebie względnie podobne, licznik ilorazu będzie duży, a mianownik mały. Wtedy statystyka F przyjmie dużą wartość. Jeżeli natomiast średnie grupowe są podobne w porównaniu z rozproszeniem wyników wewnątrz grup, wartość F będzie bliska 1.

2. Dwa źródła zmienności w ANOVA

2.1. Zmienność między grupami

Zmienność między grupami opisuje, jak daleko średnie poszczególnych grup znajdują się od średniej ogólnej, czyli średniej obliczonej ze wszystkich obserwacji. W literaturze spotyka się określenia between-groups variability, zmienność wyjaśniona, zmienność czynnikowa albo zmienność międzygrupowa.

Jeżeli trzy grupy mają średnie odpowiednio 10, 11 i 10,5, ich położenie jest podobne. Zmienność między grupami będzie niewielka. Gdy średnie wynoszą 5, 10 i 18, grupy są znacznie bardziej oddalone od siebie, a zmienność międzygrupowa jest większa.

Ważne jest jednak to, że na zmienność między grupami wpływa nie tylko odległość średnich. Znaczenie ma także liczebność grup. Różnica między średnimi oparta na dużych grupach dostarcza więcej informacji niż taka sama różnica uzyskana w bardzo małych próbach.

2.2. Zmienność wewnątrz grup

Zmienność wewnątrz grup opisuje różnice między osobami należącymi do tej samej grupy. W zależności od dziedziny może ona wynikać z naturalnego zróżnicowania pacjentów, różnic w nasileniu choroby, niedokładności pomiaru, wpływu niekontrolowanych czynników lub zwykłego przypadku.

Jeżeli pacjenci leczeni tą samą metodą mają bardzo podobne wyniki, zmienność wewnątrz grup jest mała. Jeżeli natomiast wyniki są silnie rozproszone, trudno uznać różnicę średnich między grupami za przekonujący sygnał działania czynnika. Duże rozproszenie wewnętrzne może bowiem „przysłonić” różnice między grupami.

W ANOVA zmienność wewnątrz grup jest często traktowana jako szum lub składnik błędu. Nie oznacza to, że jest bezwartościowa. Przeciwnie — to właśnie ona dostarcza punktu odniesienia dla oceny, czy zmienność między grupami jest większa, niż można byłoby oczekiwać przy losowym zróżnicowaniu wyników.

3. Wzór na statystykę F

Dla klasycznej jednoczynnikowej analizy wariancji statystykę F zapisuje się następująco:

F = MSbetween / MSwithin

gdzie:

• F — statystyka testowa ANOVA;
• MSbetween — średni kwadrat między grupami;
• MSwithin — średni kwadrat wewnątrz grup, nazywany także średnim kwadratem błędu.

Każdy średni kwadrat powstaje przez podzielenie odpowiedniej sumy kwadratów przez odpowiadającą jej liczbę stopni swobody:

MSbetween = SSbetween / dfbetween

MSwithin = SSwithin / dfwithin

W tych wzorach:

• SSbetween — suma kwadratów odchyleń średnich grupowych od średniej ogólnej, uwzględniająca liczebności grup;
• SSwithin — suma kwadratów odchyleń poszczególnych obserwacji od średniej ich grupy;
• dfbetween = k − 1, gdzie k oznacza liczbę grup;
• dfwithin = N − k, gdzie N oznacza łączną liczbę obserwacji.

Stopnie swobody pełnią funkcję korekty związanej z liczbą niezależnych informacji użytych do oszacowania zmienności. Dzięki nim porównujemy nie surowe sumy kwadratów, lecz przeciętne poziomy zmienności przypadające na jednostkę stopni swobody.

4. Dlaczego wartość F bliska 1 jest ważna?

Jeżeli hipoteza zerowa o równości średnich jest prawdziwa, to różnice między średnimi grupowymi powinny mieć podobny charakter jak przypadkowe różnice obserwowane w obrębie grup. W takiej sytuacji zarówno licznik, jak i mianownik statystyki F szacują tę samą bazową wariancję populacji. Ich iloraz powinien więc być przeciętnie bliski 1.

Wartość F równa 1 nie oznacza, że wszystkie wyniki są identyczne. Oznacza raczej, że przeciętna zmienność między grupami jest podobna do przeciętnej zmienności wewnątrz grup. Wartość F równa 1,8 również nie jest automatycznie „mała” lub „duża” w oderwaniu od stopni swobody. O tym, czy wynik jest nietypowy, decyduje rozkład F z określonymi dwoma stopniami swobody.

Duża wartość F oznacza, że zmienność między grupami jest większa niż zmienność wewnątrz grup. Nie dowodzi jednak sama przez się, że zadziałał badany czynnik. W badaniu obserwacyjnym różnice między grupami mogą wynikać z zakłóceń, na przykład z wieku, ciężkości choroby albo odmiennego statusu społeczno-ekonomicznego.

5. Przykład liczbowy: ciśnienie tętnicze

Wyobraźmy sobie badanie, w którym porównano skurczowe ciśnienie tętnicze u pacjentów przydzielonych do trzech grup leczenia. Załóżmy, że analiza dała następujące wyniki:

Źródło zmienności	Suma kwadratów	Stopnie swobody	Średni kwadrat
Między grupami	720	2	360
Wewnątrz grup	2700	27	100

Statystyka wynosi:

F = 360 / 100 = 3,60

Interpretacja intuicyjna jest następująca: przeciętna zmienność związana z położeniem grup jest 3,6 raza większa od przeciętnej zmienności obserwowanej wewnątrz grup. Taki wynik może sugerować, że średnie ciśnienie nie jest jednakowe we wszystkich trzech grupach.

Formalna decyzja wymaga odniesienia wartości F do rozkładu F z 2 i 27 stopniami swobody albo obliczenia wartości p. Wartość p nie jest prawdopodobieństwem, że hipoteza zerowa jest prawdziwa. Jest to prawdopodobieństwo uzyskania statystyki testowej co najmniej tak ekstremalnej jak zaobserwowana, przy założeniu hipotezy zerowej i spełnieniu modelu.

Nawet gdy wynik okaże się istotny statystycznie, nie wiemy jeszcze, czy różni się grupa pierwsza od drugiej, pierwsza od trzeciej, czy druga od trzeciej. Do tego służą zaplanowane kontrasty lub odpowiednie porównania post hoc, na przykład procedura Tukeya, z kontrolą ryzyka wielokrotnych porównań.

6. Przykład praktyczny: psychologia zdrowia

Załóżmy, że badacze porównują nasilenie objawów lęku w trzech grupach: osoby uczestniczące w terapii grupowej, osoby korzystające z krótkiej interwencji internetowej oraz osoby z grupy kontrolnej. Wynik mierzony jest kwestionariuszem, którego wyższe wartości oznaczają większe nasilenie lęku.

Średnie wyniki mogą wyglądać następująco:

Grupa	Liczebność	Średnia	Odchylenie standardowe
Terapia grupowa	30	18,2	5,1
Interwencja internetowa	30	20,0	5,4
Kontrola	30	23,1	5,0

Średnie różnią się, ale odchylenia standardowe są podobne i dość duże. Statystyka F będzie zależała od relacji między rozrzutem średnich grupowych a rozrzutem wyników poszczególnych osób. Gdyby średnie wynosiły 18,2, 18,7 i 19,1, przy podobnych odchyleniach standardowych, licznik byłby znacznie mniejszy, a F prawdopodobnie bliskie 1.

Wniosek badawczy powinien uwzględniać nie tylko test omnibus, ale także wielkość efektu, przedziały ufności dla różnic oraz znaczenie praktyczne. Różnica trzech punktów w skali lęku może być istotna statystycznie, lecz jej znaczenie kliniczne trzeba ocenić w odniesieniu do właściwości skali, minimalnej istotnej zmiany i celu interwencji.

7. Statystyka F nie mierzy „siły leczenia”

Jednym z częstych nieporozumień jest utożsamianie dużej wartości F z dużym efektem praktycznym. Statystyka F zależy od kilku elementów:

• odległości między średnimi;
• zmienności wewnątrz grup;
• liczebności próby;
• liczby porównywanych grup;
• liczby stopni swobody.

Duża próba może prowadzić do wysokiej wartości F i małej wartości p nawet wtedy, gdy różnice między średnimi są niewielkie z punktu widzenia pacjenta. Z kolei mała próba może dać umiarkowaną lub małą wartość F mimo różnicy potencjalnie ważnej klinicznie, jeśli oszacowanie jest nieprecyzyjne.

Dlatego po ANOVA warto raportować również wielkość efektu, na przykład eta kwadrat:

η² = SSbetween / SStotal

Wskaźnik ten opisuje, jaka część całkowitej zmienności wyników jest związana z przynależnością do grup w analizowanym modelu. Należy jednak uważać na automatyczne stosowanie progów typu „mały”, „średni” i „duży”. Ich interpretacja zależy od dziedziny, projektu, jakości pomiaru i konsekwencji praktycznych.

8. Założenia stojące za interpretacją F

Klasyczna jednoczynnikowa ANOVA opiera się na kilku założeniach:

1. Niezależność obserwacji. Wyniki jednej osoby nie powinny być zależne od wyników innej osoby, chyba że zależność została uwzględniona w odpowiednim modelu.
2. Odpowiedni poziom pomiaru zmiennej zależnej. Zwykle analizuje się zmienną ilościową, dla której średnia ma sens interpretacyjny.
3. Względna normalność reszt w grupach. Chodzi przede wszystkim o rozkład błędów modelu, a nie o mechaniczne wymaganie, aby każda surowa zmienna była idealnie normalna.
4. Jednorodność wariancji. Wariancje w grupach powinny być podobne, zwłaszcza gdy liczebności grup są nierówne.

W razie naruszeń można rozważyć transformację, test Welcha, metody odporne, analizę rangową albo modelowanie zgodne z charakterem danych. Sama statystyka F nie jest magicznym zabezpieczeniem przed błędami projektu i pomiaru.

9. Najczęstsze błędy

• „Duże F oznacza, że wszystkie grupy różnią się między sobą”. Nie. Test omnibus wskazuje co najwyżej, że nie wszystkie średnie są jednakowe. Potrzebne są dalsze porównania.
• „F = 1 oznacza brak różnic w danych”. Nie. Oznacza podobny poziom zmienności między grupami i wewnątrz grup.
• „F = 4 oznacza efekt czterokrotnie silniejszy”. Nie. To iloraz dwóch średnich kwadratów, a nie bezpośrednia miara klinicznej lub psychologicznej siły efektu.
• „Istotne F dowodzi skuteczności leczenia”. Taki język przyczynowy jest uzasadniony tylko wtedy, gdy projekt, randomizacja, kontrola zakłóceń i sposób analizy pozwalają na wnioskowanie przyczynowe.
• „Nieistotne F dowodzi, że grupy są równoważne”. Brak podstaw do odrzucenia hipotezy zerowej nie jest dowodem jej prawdziwości. Do badania równoważności służą odpowiednie procedury równoważności.
• Pomijanie wielkości efektu i przedziałów ufności. Sama wartość p nie opisuje precyzji ani znaczenia praktycznego wyniku.
• Ignorowanie nierówności wariancji. Przy bardzo różnych liczebnościach i wariancjach klasyczna ANOVA może działać gorzej; warto rozważyć test Welcha.

10. Jak raportować wynik?

Przykładowy zapis może wyglądać tak:

Średnie wyniki różniły się między trzema grupami, F(2, 87) = 4,62, p = .012, η² = .096, 95% CI dla η² [wartość dolna, wartość górna]. Analizy post hoc z korektą Tukeya wykazały, że grupa kontrolna uzyskała wyższy wynik niż grupa terapii grupowej; pozostałe porównania nie osiągnęły przyjętego poziomu istotności.

W rzeczywistym raporcie należy podać także średnie, odchylenia standardowe lub inne miary opisowe dla każdej grupy, liczebności, sposób sprawdzenia założeń, zastosowaną korektę dla porównań oraz informację, czy analizy były zaplanowane wcześniej. Takie podejście jest zgodne z naciskiem standardów raportowania APA na przejrzyste przedstawianie wielkości efektu, przedziałów ufności, dokładnych wartości p i decyzji analitycznych (APA, 2024; Appelbaum et al., 2018).

Przykład praktyczny: trzy oddziały ratunkowe

Badacz analizuje czas od rejestracji do pierwszej oceny lekarskiej w trzech oddziałach ratunkowych. Średnie wynoszą odpowiednio 42, 50 i 61 minut. W każdym oddziale czasy są jednak bardzo zróżnicowane: część pacjentów jest oceniana niemal natychmiast, a część czeka ponad dwie godziny.

Możliwe są dwa scenariusze. W pierwszym średnie oddziałów są wyraźnie różne, a czasy wewnątrz oddziałów stosunkowo skupione. Wtedy MS_between będzie duży w odniesieniu do MS_within, a statystyka F może być wysoka. W drugim scenariuszu różnice średnich są podobne, lecz rozrzut czasów w każdym oddziale jest ogromny. Wtedy mianownik wzrośnie, a F może pozostać umiarkowane.

Nawet istotny wynik nie odpowiada jeszcze na pytanie, dlaczego jeden oddział ma krótszy czas oczekiwania. Przyczyną może być organizacja pracy, inna struktura przypadków, pora dnia, liczba personelu albo lokalne zasady triage’u. Jeśli dane nie pochodzą z randomizowanego eksperymentu, bezpieczniej mówić o różnicach między oddziałami niż o wpływie oddziału na czas oczekiwania.

Co warto zapamiętać?

• Statystyka F porównuje zmienność między grupami ze zmiennością wewnątrz grup.
• Wzór ma postać F = MSbetween / MSwithin.
• Wartość F bliska 1 oznacza, że oba rodzaje zmienności są podobne.
• Duża wartość F wskazuje, że różnice między grupami są duże w porównaniu z rozproszeniem wewnątrz grup, ale nie mówi jeszcze, które grupy się różnią.
• Statystyka F nie jest bezpośrednią miarą znaczenia klinicznego ani praktycznej siły efektu.
• Po ANOVA należy rozważyć porównania post hoc, wielkość efektu i przedziały ufności.
• Interpretacja wymaga uwzględnienia projektu badania, założeń i możliwych zmiennych zakłócających.
• Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej.

Najprostszy sposób zapamiętania sensu statystyki F brzmi: czy różnice między średnimi są duże w porównaniu z tym, jak bardzo różnią się osoby w obrębie tych samych grup? To pytanie stanowi intuicyjny rdzeń analizy wariancji i punkt wyjścia do bardziej zaawansowanych modeli ANOVA.

Źródła i dalsza lektura

1. Fisher, R. A. (1925). Statistical Methods for Research Workers. 1st ed.. Oliver and Boyd. Informacja wydawcy / źródło.
2. Altman, D. G., & Bland, J. M. (1996). Comparing several groups using analysis of variance. BMJ, 312(7044), 1472. DOI: 10.1136/bmj.312.7044.1472.
3. Kirkwood, B. R., & Sterne, J. A. C. (2003). Essential Medical Statistics. 2nd ed.. Blackwell Science. Informacja wydawcy / źródło.
4. Maxwell, S. E., & Delaney, H. D. (2004). Designing Experiments and Analyzing Data: A Model Comparison Perspective. 2nd ed.. Lawrence Erlbaum Associates. Informacja wydawcy / źródło.
5. National Institute of Standards and Technology (2012). NIST/SEMATECH Engineering Statistics Handbook. NIST. National Institute of Standards and Technology. Źródło.
6. Appelbaum, M., Cooper, H., K我eim, R. B., Koopa, S., 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.
7. American Psychological Association (2024). APA Style Journal Article Reporting Standards (JARS). American Psychological Association. Źródło.