384. Test t dla prób zależnych – analiza par

Test t dla prób zależnych, nazywany również testem t dla prób sparowanych albo testem t dla par, służy do porównania dwóch pomiarów, które nie są od siebie niezależne. Najczęściej są to wyniki uzyskane u tych samych osób przed i po interwencji, ale pary mogą być tworzone także przez dopasowanie uczestników pod względem wieku, płci, nasilenia objawów lub innych cech. Kluczowa idea polega na tym, że nie analizujemy dwóch osobnych zbiorów wartości, lecz różnice wewnątrz par. Dzięki temu część zmienności związanej z indywidualnymi cechami osób zostaje usunięta z porównania.

W tej lekcji kursu na statystyk.edu.pl przejdziemy od rozpoznania sytuacji badawczej, przez zapis matematyczny i założenia, aż do interpretacji wyniku. Szczególną uwagę poświęcimy temu, aby nie utożsamiać istotności statystycznej z ważnością kliniczną ani nie traktować wartości p jako prawdopodobieństwa prawdziwości hipotezy zerowej.

Na czym polega analiza par?

Wyobraźmy sobie badanie, w którym u 25 pacjentów mierzono skurczowe ciśnienie tętnicze przed rozpoczęciem programu edukacyjnego i po ośmiu tygodniach. Każdy pacjent ma dwa wyniki: pomiar początkowy i końcowy. Wynik pierwszego pomiaru pacjenta nr 1 powinien być porównany przede wszystkim z wynikiem drugiego pomiaru tego samego pacjenta, a nie z dowolnym wynikiem z drugiego pomiaru.

Dla każdej osoby obliczamy różnicę:

di = Yi,2 − Yi,1

• di oznacza różnicę w i-tej parze;
• Yi,2 oznacza drugi pomiar, na przykład wynik po interwencji;
• Yi,1 oznacza pierwszy pomiar, na przykład wynik przed interwencją;
• i przyjmuje wartości od 1 do n, gdzie n jest liczbą kompletnych par.

Następnie testujemy, czy średnia różnica w populacji jest równa zeru. Jeżeli przyjęto konwencję „po interwencji minus przed interwencją”, wartość ujemna może oznaczać spadek wyniku, a dodatnia jego wzrost. Znak różnicy należy zawsze zdefiniować przed analizą, ponieważ wpływa on na interpretację statystyki i przedziału ufności.

Kiedy stosować test t dla prób zależnych?

Test jest właściwy przede wszystkim wtedy, gdy:

• zmienna wynikowa jest ilościowa, na przykład ciśnienie tętnicze, stężenie glukozy, czas reakcji lub wynik skali;
• każda obserwacja z pierwszego pomiaru ma jednoznacznie przypisaną obserwację z drugiego pomiaru;
• celem jest ocena średniej różnicy między pomiarami;
• różnice w parach są w przybliżeniu zgodne z rozkładem normalnym, szczególnie gdy liczba par jest mała;
• pary są od siebie niezależne, czyli wynik jednej osoby lub jednej dopasowanej pary nie zależy od wyniku innej pary.

Najczęstszy schemat to pomiar przed–po. Nie należy jednak automatycznie utożsamiać takiego schematu z dowodem działania interwencji. Jeżeli nie ma grupy kontrolnej, obserwowana zmiana może wynikać także z naturalnego przebiegu choroby, regresji do średniej, efektu uczenia się, zmian sezonowych albo innych czynników. Test t odpowiada na pytanie, czy średnia zmiana w badanej próbie różni się od zera; sam test nie rozstrzyga, dlaczego ta zmiana wystąpiła.

Hipotezy statystyczne

W standardowej wersji dwustronnej formułujemy:

• H₀: średnia różnica w populacji jest równa zeru, czyli μ_d = 0;
• H₁: średnia różnica w populacji jest różna od zeru, czyli μ_d ≠ 0.

Test jednostronny może być uzasadniony tylko wtedy, gdy kierunek efektu został określony z góry na podstawie pytania badawczego i nie jest wybierany dopiero po obejrzeniu danych. W praktyce dwustronny przedział ufności dla średniej różnicy często dostarcza bardziej kompletnej informacji niż sama decyzja „istotne–nieistotne”.

Wartość p oznacza prawdopodobieństwo uzyskania wyniku co najmniej tak odległego od wartości zakładanej przez H₀, przy założeniu, że H₀ jest prawdziwa i że model testu jest odpowiedni. Nie jest to prawdopodobieństwo, że H₀ jest prawdziwa. Nie jest to również prawdopodobieństwo, że wynik powtórzy się w przyszłym badaniu.

Wzór na statystykę testową

Po obliczeniu różnic dla wszystkich kompletnych par wyznaczamy ich średnią:

ȳd = (Σdi) / n

Odchylenie standardowe różnic obliczamy jako:

sd = √[Σ(di − ȳd)² / (n − 1)]

Statystyka testowa ma postać:

t = (ȳd − μd,0) / (sd / √n)

• t – obliczona statystyka testowa;
• ȳd – średnia różnica w próbie;
• μd,0 – średnia różnica zakładana przez H₀, zwykle równa 0;
• sd – odchylenie standardowe różnic;
• n – liczba kompletnych par;
• sd / √n – błąd standardowy średniej różnicy.

Liczba stopni swobody wynosi df = n − 1. Im mniejsza zmienność różnic i im większa liczba par, tym większa bezwzględna wartość statystyki t, o ile średnia różnica pozostaje taka sama.

Dlaczego analiza różnic może być korzystna?

Osoby uczestniczące w badaniu mogą znacznie różnić się między sobą. Jeden pacjent może mieć wyjściowo wysokie ciśnienie, a drugi niskie; jedna osoba może reagować na bodziec szybciej, a inna wolniej. Jeżeli porównamy pomiary wewnątrz tych samych osób, część tej stałej, indywidualnej zmienności zostaje kontrolowana.

Formalnie wariancja różnicy zależy nie tylko od wariancji obu pomiarów, lecz także od ich korelacji. Przy dodatniej korelacji pomiarów u tej samej osoby wariancja różnic może być mniejsza niż wariancja obserwacji analizowanych osobno. To może zwiększyć precyzję oszacowania zmiany. Nie oznacza to jednak, że należy badać samą korelację zamiast różnic. Wysoka korelacja pomiarów nie dowodzi braku zmiany, a niska korelacja nie wyklucza istotnej różnicy.

Założenia i ich sprawdzanie

1. Zależność wewnątrz pary

Najpierw trzeba ustalić, czy obserwacje rzeczywiście tworzą sensowne pary. Pomiar przed i po u tej samej osoby jest zależny z definicji. Podobnie można dopasować osoby parami, jeżeli sposób dopasowania został zaplanowany i ma uzasadnienie merytoryczne.

2. Niezależność różnych par

Para pacjenta nr 1 powinna być niezależna od pary pacjenta nr 2. Jeżeli dane pochodzą z wielu pomiarów tego samego pacjenta, z wielu członków tej samej rodziny, z tych samych oddziałów lub z powtarzanych sesji grupowych, zwykły test t może być niewystarczający. Wtedy należy rozważyć model dla danych powtarzanych, model mieszany albo odpowiednią metodę uwzględniającą skupienie obserwacji. Wielokrotne potraktowanie pomiarów tej samej osoby jako niezależnych sztucznie zwiększa liczebność próby (Bland i Altman, 1994; Altman i Bland, 1997).

3. Ilościowy charakter zmiennej wynikowej

Test t dotyczy średniej różnicy w zmiennej ilościowej. Wynik pojedynczego pytania typu „tak–nie” nie jest odpowiednim materiałem dla tego testu. W przypadku skal wielopozycyjnych decyzja zależy od sposobu pomiaru, liczby kategorii, rozkładu wyników i celu analizy. Wynik sumaryczny z wielu pozycji bywa traktowany jako zmienna ilościowa, ale powinno to mieć uzasadnienie metodologiczne.

4. Przybliżona normalność różnic

Założenie dotyczy różnic, a nie osobno pierwszego i drugiego pomiaru. Należy obejrzeć histogram różnic, wykres kwantyl–kwantyl oraz wartości odstające. Formalny test normalności może być pomocniczy, ale przy małych próbach ma małą moc, a przy dużych próbach może wykrywać nieistotne z praktycznego punktu widzenia odchylenia. Ocena powinna uwzględniać liczebność próby, wielkość odchyleń i ich wpływ na średnią.

Jeżeli rozkład różnic jest wyraźnie skośny, zawiera skrajne wartości albo zmienna ma charakter porządkowy, można rozważyć test rangowanych znaków Wilcoxona. Nie jest on jednak automatycznym zamiennikiem testu t w każdej sytuacji. Testy te dotyczą innych parametrów i wymagają odmiennych założeń. Warto również rozważyć transformację zmiennej, metodę odporną lub model odpowiedni dla konkretnego procesu generowania danych (Altman i Bland, 1999; Rietveld i van Hout, 2017).

Przykład 1: ciśnienie tętnicze przed i po edukacji

W badaniu pilotażowym u 12 pacjentów z nadciśnieniem zmierzono skurczowe ciśnienie tętnicze przed rozpoczęciem programu edukacyjnego oraz po jego zakończeniu. Przyjmijmy, że średnie ciśnienie wynosiło przed programem 151 mmHg, a po programie 143 mmHg. Średnia różnica zdefiniowana jako „po minus przed” wyniosła zatem −8 mmHg. Odchylenie standardowe różnic wynosiło 10 mmHg.

Statystyka testowa jest równa:

t = (−8 − 0) / (10 / √12) ≈ −2,77

Liczba stopni swobody wynosi 11. Jeżeli dwustronna wartość p jest mniejsza niż przyjęty poziom istotności, odrzucamy H₀ o średniej różnicy równej zeru. Wniosek powinien brzmieć na przykład: „Średnie skurczowe ciśnienie tętnicze po programie było niższe niż przed programem; średnia zmiana wyniosła −8 mmHg, a 95% przedział ufności dla średniej różnicy należy podać wraz z wartością p”.

Nie wolno jednak napisać bez dodatkowego uzasadnienia, że program „spowodował” obniżenie ciśnienia. Jeżeli badanie nie miało grupy kontrolnej i nie zastosowano randomizacji, bezpieczniej mówić o zmianie zaobserwowanej po programie lub o różnicy między pomiarem początkowym i końcowym.

Przykład 2: czas reakcji w psychologii

Badacz mierzy czas reakcji 20 osób w dwóch warunkach: bez rozpraszacza i z rozpraszaczem. Każda osoba wykonuje oba zadania, a kolejność warunków jest zrandomizowana. Takie dane są zależne, ponieważ oba czasy pochodzą od tej samej osoby. Jeżeli średnia różnica wynosi 42 ms, a 95% przedział ufności dla różnicy wynosi od 25 do 59 ms, wynik wskazuje na większy czas reakcji w warunku z rozpraszaczem, o ile różnicę zdefiniowano jako „z rozpraszaczem minus bez rozpraszacza”.

W tym przykładzie trzeba także sprawdzić efekty kolejności, zmęczenia i uczenia się. Sam test t nie kontroluje tych problemów. Jeżeli każdy uczestnik wykonuje wiele prób w każdym warunku, nie należy bezrefleksyjnie traktować wszystkich prób jako pojedynczych, niezależnych par. Można najpierw ustalić zaplanowaną statystykę podsumowującą dla osoby albo zastosować model mieszany.

Przykład praktyczny: jak przygotować analizę i raport

Załóżmy, że zespół pielęgniarski ocenia zmianę wyniku zmęczenia u pacjentów przed i po wdrożeniu krótkiej interwencji relaksacyjnej. Procedura analityczna może wyglądać następująco:

1. Zdefiniować populację, punkt pomiaru i kierunek różnicy, na przykład „po interwencji minus przed interwencją”.
2. Sprawdzić, czy każda osoba ma oba pomiary oraz ile par utracono z powodu braków danych.
3. Obliczyć różnice indywidualne i opisać ich rozkład.
4. Ocenić wartości odstające oraz sprawdzić, czy nie wynikają z błędu wpisu lub pomiaru.
5. Obliczyć średnią różnicę, odchylenie standardowe, 95% przedział ufności, statystykę t, stopnie swobody i wartość p.
6. Ocenić wielkość efektu i znaczenie praktyczne, na przykład w odniesieniu do minimalnej ważnej klinicznie zmiany.
7. Opisać, czy analiza obejmowała wszystkie zaplanowane pary, jak potraktowano braki danych oraz czy test był jedno- czy dwustronny.

Przykładowy zapis wyników: „U 28 osób średni wynik zmęczenia zmniejszył się z 6,1 przed interwencją do 4,8 po interwencji. Średnia różnica, obliczona jako wynik po interwencji minus wynik przed interwencją, wyniosła −1,3 punktu; 95% PU [−1,9; −0,7], t(27) = −4,12, p < 0,001. Wynik wskazuje na średnie obniżenie wyniku zmęczenia, którego znaczenie praktyczne należy odnieść do właściwego progu interpretacyjnego skali”. Taki raport jest bardziej informacyjny niż samo „test był istotny”. Zalecenia dotyczące raportowania podkreślają potrzebę przedstawiania liczebności, statystyki opisowej, miary efektu i miary precyzji, a nie wyłącznie wartości p (Lang i Altman, 2015).

Najczęstsze błędy

• Użycie testu dla prób niezależnych. Jeżeli oba pomiary pochodzą od tych samych osób, test niezależnych grup ignoruje strukturę danych i może być mniej precyzyjny.
• Sprawdzanie normalności osobno dla obu pomiarów. W teście dla prób zależnych oceniamy przede wszystkim rozkład różnic.
• Traktowanie każdej obserwacji jako niezależnej. Kilka pomiarów tej samej osoby nie zwiększa liczby niezależnych osób.
• Usuwanie par bez opisania przyczyny. Analiza kompletna może być uzasadniona, ale trzeba podać, ile par wyłączono i dlaczego.
• Zmiana testu jednostronnego na podstawie danych. Kierunek hipotezy powinien być ustalony przed analizą.
• Wnioskowanie o przyczynowości z samego pomiaru przed–po. Obserwowana zmiana nie musi wynikać z interwencji.
• Raportowanie wyłącznie wartości p. Potrzebne są co najmniej średnia różnica, 95% przedział ufności, liczba par i miara zmienności.
• Automatyczne uznawanie każdej statystycznie istotnej zmiany za ważną klinicznie. Mała zmiana może być istotna przy dużej próbie, a istotna klinicznie zmiana może nie osiągnąć progu p przy małej próbie.
• Wielokrotne testowanie wielu punktów czasowych. Przy większej liczbie porównań trzeba zaplanować sposób kontroli błędu wynikającego z wielokrotnego testowania.

Test t, wielkość efektu i znaczenie praktyczne

Statystyka t i wartość p zależą zarówno od rozmiaru średniej różnicy, jak i od jej zmienności oraz liczebności próby. Dlatego sama istotność statystyczna nie mówi, czy efekt jest duży. W analizie par można podać standaryzowaną wielkość efektu, na przykład średnią różnicę podzieloną przez odchylenie standardowe różnic. Taka miara wymaga ostrożnej interpretacji, ponieważ jej wartość zależy od zmienności w konkretnej próbie.

W badaniach medycznych pierwszeństwo powinno mieć znaczenie w jednostkach naturalnych: mmHg, mmol/l, punktach skali, minutach lub milisekundach. Należy zapytać, czy oszacowana zmiana jest wystarczająco duża, aby miała znaczenie dla pacjenta, funkcjonowania lub decyzji klinicznej. Przedział ufności pokazuje zakres wartości zgodnych z danymi i modelem, dzięki czemu można ocenić nie tylko kierunek efektu, lecz także jego precyzję.

Co warto zapamiętać?

• Test t dla prób zależnych analizuje różnice w parach, a nie dwa niezależne zestawy obserwacji.
• Najpierw trzeba poprawnie zdefiniować parowanie i kierunek różnicy.
• Podstawowym parametrem jest średnia różnica, a hipoteza zerowa zwykle zakłada, że wynosi ona zero.
• Założenie normalności dotyczy rozkładu różnic; ważna jest także niezależność różnych par.
• Wynik należy raportować wraz z liczebnością par, średnią różnicą, przedziałem ufności, statystyką testową, stopniami swobody i wartością p.
• Wartość p nie jest prawdopodobieństwem prawdziwości H₀ i nie zastępuje oceny wielkości efektu.
• W schemacie przed–po test opisuje zmianę, ale bez odpowiedniego projektu nie dowodzi jej przyczyny.
• Przy wielu pomiarach na osobę, brakujących parach, silnej skośności lub powtarzanych obserwacjach trzeba rozważyć bardziej adekwatne metody.

Test t dla prób zależnych jest prostym, ale bardzo użytecznym narzędziem. Jego siła nie wynika z samego wzoru, lecz z właściwego rozpoznania jednostki analizy: w tym przypadku jest nią kompletna para pomiarów, a nie pojedyncza obserwacja oderwana od swojego odpowiednika.

Źródła i dalsza lektura

1. Betty R. Kirkwood; Jonathan A. C. Sterne (2003). Essential Medical Statistics. 2nd edition. Blackwell Science.
2. J. Martin Bland; Douglas G. Altman (1994). Statistics Notes: Correlation, regression, and repeated data. BMJ, 308(6933), 896. DOI: 10.1136/bmj.308.6933.896.
3. Douglas G. Altman; J. Martin Bland (1999). Parametric v non-parametric methods for data analysis. BMJ, 338(7713), 1667. DOI: 10.1136/bmj.338.7713.1667.
4. Toni Rietveld; Roeland van Hout (2017). The paired t test and beyond: Recommendations for testing the central tendencies of two paired samples in research on speech, language and hearing pathology. Journal of Communication Disorders, 69, 44-57. DOI: 10.1016/j.jcomdis.2017.07.002.
5. P. C. O’Brien; M. A. Shampo (1981). Statistics for clinicians. 5. One sample of paired observations (paired t test). Mayo Clinic Proceedings, 56(5), 324-326. Pełny opis źródła.
6. Lang T.; Altman D. (2015). Statistical Analyses and Methods in the Published Literature: The SAMPL Guidelines. EQUATOR Network. Źródło.