383. Test Welcha – dlaczego często jest bezpieczniejszym wyborem?

W poprzedniej lekcji omawialiśmy klasyczny test t-Studenta dla dwóch prób niezależnych. Jego ważnym założeniem jest równość wariancji w porównywanych populacjach. W praktyce medycznej, psychologicznej i społecznej założenie to często bywa wątpliwe: grupy mogą różnić się nie tylko średnią, lecz także zróżnicowaniem wyników, liczebnością i strukturą kliniczną. W takiej sytuacji naturalnym kandydatem jest test Welcha, czyli wersja testu t, która nie wymaga przyjmowania wspólnej wariancji obu populacji.

Nie oznacza to, że test Welcha jest uniwersalnym rozwiązaniem dla każdego problemu. Nadal porównuje średnie, wymaga niezależności obserwacji i najlepiej sprawdza się wtedy, gdy rozkłady w grupach nie są skrajnie asymetryczne ani silnie zdominowane przez wartości odstające. Jego przewaga polega przede wszystkim na tym, że nie zmusza badacza do sztucznego założenia, iż obie grupy mają identyczną zmienność.

1. Jaki problem rozwiązuje test Welcha?

Załóżmy, że badacz porównuje średnie wyniki dwóch niezależnych grup. Niech pierwsza grupa ma średnią x̄₁, wariancję s₁² i liczebność n₁, a druga odpowiednio: x̄₂, s₂² i n₂. Interesuje nas różnica średnich:

Δ = μ₁ − μ₂

W hipotezie zerowej najczęściej zapisujemy:

H₀: μ₁ − μ₂ = 0

Klasyczny test t dla prób niezależnych wykorzystuje wariancję połączoną. W praktyce oznacza to, że obie grupy traktuje się tak, jakby pochodziły z populacji o tej samej wariancji. Jeżeli wariancje są różne, a dodatkowo liczebności grup są nierówne, klasyczny test może mieć niewłaściwy poziom błędu I rodzaju. Szczególnie niebezpieczna jest sytuacja, w której mniejsza grupa ma większą wariancję. Wtedy wynik testu może być zbyt liberalny, czyli zbyt często prowadzić do odrzucenia prawdziwej hipotezy zerowej.

Test Welcha eliminuje konieczność estymowania jednej wspólnej wariancji. Każda grupa zachowuje własną wariancję, a wkład grup do błędu standardowego zależy od jej liczebności i zmienności. Rozwiązanie to zaproponował B. L. Welch w pracach dotyczących problemu porównywania średnich przy różnych wariancjach (Welch, 1947).

2. Wzór statystyki Welcha

Dla dwóch niezależnych grup statystyka testu Welcha ma postać:

t = (x̄1 − x̄2) / √(s12/n1 + s22/n2)

Poszczególne symbole oznaczają:

• x̄₁, x̄₂ – średnie arytmetyczne w obu grupach;
• s₁², s₂² – wariancje z próby w obu grupach;
• n₁, n₂ – liczebności grup;
• s₁²/n₁ + s₂²/n₂ – oszacowanie wariancji różnicy średnich;
• pierwiastek z tej sumy – błąd standardowy różnicy średnich.

Licznik informuje, jak duża jest zaobserwowana różnica średnich. Mianownik określa, jak duża różnica mogłaby wynikać z losowej zmienności próby. Im większa różnica względem błędu standardowego, tym większa bezwzględna wartość statystyki t.

Kluczowa różnica względem klasycznego testu t polega na sposobie wyznaczania stopni swobody. W teście Welcha stosuje się przybliżenie Welcha–Satterthwaite’a:

ν ≈ (s12/n1 + s22/n2)2 / [ (s12/n1)2/(n1−1) + (s22/n2)2/(n2−1) ]

Symbol ν oznacza przybliżoną liczbę stopni swobody. Nie musi być ona liczbą całkowitą. Program statystyczny wykorzystuje tę wartość do odczytania rozkładu t i obliczenia wartości p oraz przedziału ufności. Gdy wariancje są podobne i liczebności są zbliżone, stopnie swobody testu Welcha będą zwykle bliskie n₁ + n₂ − 2. Gdy jedna grupa jest mała lub bardzo zróżnicowana, efektywna liczba stopni swobody może być znacznie mniejsza.

3. Dlaczego test Welcha bywa bezpieczniejszy?

Brak założenia równości wariancji

Najważniejszą zaletą jest niewymaganie homogeniczności wariancji. Nie musimy zakładać, że zmienność wyników w grupie klinicznej jest taka sama jak w grupie kontrolnej, ani że rozproszenie wyników osób leczonych jest identyczne jak osób nieleczonych.

Lepsza kontrola błędu I rodzaju

Jeśli wariancje są różne, klasyczny test t może mieć zawyżony poziom fałszywie dodatnich wyników, zwłaszcza przy nierównych liczebnościach. Test Welcha koryguje zarówno błąd standardowy, jak i stopnie swobody. Dzięki temu zwykle lepiej utrzymuje nominalny poziom istotności, na przykład α = 0,05 (Welch, 1947; Ruxton, 2006).

Dobra wydajność także przy równych wariancjach

Wybór testu Welcha nie musi prowadzić do istotnej utraty mocy, gdy wariancje są w przybliżeniu równe. Z tego powodu wielu autorów proponuje traktowanie go jako domyślnego testu porównania dwóch średnich, zamiast najpierw wykonywać test równości wariancji i dopiero potem wybierać procedurę (Ruxton, 2006; Delacre, Lakens i Leys, 2017).

Unikanie procedury „najpierw Levene, potem wybór testu”

Częsty, lecz problematyczny schemat wygląda następująco: badacz wykonuje test Levene’a, a następnie – zależnie od jego wyniku – wybiera klasyczny test t albo test Welcha. Taka dwuetapowa procedura uzależnia główny wniosek od dodatkowego testu, którego moc może być mała w niewielkich próbach. Jeżeli test Levene’a nie jest istotny, nie oznacza to, że wariancje są równe; oznacza jedynie brak wystarczających dowodów przeciw hipotezie o ich równości. Zimmerman (2004) wskazywał, że warunkowe przełączanie między testami może pogarszać kontrolę błędu I rodzaju.

4. Założenia testu Welcha

Test Welcha nie jest pozbawiony założeń. Należy sprawdzić przede wszystkim:

1. Niezależność obserwacji. Wyniki jednej osoby nie powinny wpływać na wynik innej osoby. Jeżeli te same osoby badano dwukrotnie, nie stosujemy testu Welcha dla prób niezależnych; potrzebny jest test dla danych zależnych lub model uwzględniający powtarzane pomiary.
2. Ilościowy charakter zmiennej wynikowej. Średnia ma sens dla pomiarów liczbowych, takich jak ciśnienie skurczowe, czas reakcji, poziom bólu w odpowiednio traktowanej skali lub wynik kwestionariusza.
3. Brak skrajnych obserwacji wpływowych. Pojedyncza wartość może silnie zmienić średnią i wariancję. Warto oglądać wykresy punktowe, histogramy lub wykresy pudełkowe.
4. Przybliżoną normalność rozkładu w grupach. Test t jest dość odporny na umiarkowane odstępstwa, szczególnie przy większych próbach. Przy małych próbach i silnej asymetrii trzeba rozważyć transformację, metodę odporną, bootstrap albo analizę nieparametryczną.

Ważne: test Welcha rozwiązuje problem nierówności wariancji, ale nie naprawia zależności obserwacji, błędnego pomiaru ani skrajnej skośności danych.

5. Przykład 1: ciśnienie skurczowe po dwóch programach edukacyjnych

Załóżmy, że porównujemy ciśnienie skurczowe po zakończeniu dwóch programów edukacyjnych dla pacjentów z nadciśnieniem. W programie A uczestniczyło 18 osób, a w programie B – 42 osoby. Średnie wynosiły odpowiednio 132 i 138 mmHg. Odchylenia standardowe wynosiły 8 i 18 mmHg.

Różnica średnich wynosi:

132 − 138 = −6 mmHg

Wariancja w grupie B jest znacznie większa. Może to mieć sens kliniczny: większa grupa mogła obejmować pacjentów o bardziej zróżnicowanym ryzyku, wieku i przestrzeganiu zaleceń. Nie ma podstaw, aby automatycznie uznać, że zmienność jest taka sama.

Błąd standardowy według Welcha wynosi w przybliżeniu:

√(82/18 + 182/42) = √(3,56 + 7,71) ≈ 3,36

Statystyka testu wynosi zatem około:

t = −6 / 3,36 ≈ −1,79

Ostateczną wartość p i przedział ufności wyznaczamy z rozkładu t z przybliżoną liczbą stopni swobody. Sam wynik nie upoważnia jeszcze do stwierdzenia, że jeden program „działa lepiej”. Jeżeli przedział ufności dla różnicy obejmuje wartości zgodne z brakiem różnicy, wniosek powinien brzmieć ostrożnie: dane nie dostarczyły wystarczających dowodów na różnicę średniego ciśnienia. Należy również ocenić, czy zakres możliwych różnic jest klinicznie istotny.

6. Przykład 2: poziom stresu u ratowników medycznych

Badacz porównuje wynik skali stresu u ratowników pracujących w dwóch typach zespołów. W zespole pierwszego typu wyniki są umiarkowanie skupione, natomiast w drugim występuje większe zróżnicowanie: część ratowników ma niski stres, a część bardzo wysoki, ponieważ zespoły obsługują różne rejony i rodzaje zgłoszeń.

Jeżeli grupy mają liczebności 25 i 15, a druga grupa jest jednocześnie bardziej zmienna, zastosowanie klasycznego testu t z wariancją połączoną może nie być dobrym wyborem. Test Welcha pozostawia każdej grupie własną ocenę wariancji i odpowiednio zmniejsza liczbę stopni swobody. W rezultacie przedział ufności może być szerszy, ale będzie lepiej odzwierciedlał niepewność wynikającą z małej i zmiennej grupy.

Jeśli rozkład wyników jest silnie skośny albo skala ma niewiele możliwych kategorii, sam test Welcha może być niewystarczający. Wtedy można rozważyć medianę i przedział ufności, bootstrap, test permutacyjny albo model porządkowy. Decyzja powinna wynikać z rodzaju zmiennej i pytania badawczego, a nie z samego faktu, że program pokazuje kilka dostępnych testów.

7. Jak raportować test Welcha?

Raport powinien zawierać co najmniej:

• średnią i odchylenie standardowe w każdej grupie;
• różnicę średnich;
• przedział ufności dla różnicy;
• statystykę t;
• przybliżone stopnie swobody;
• wartość p;
• informację, czy wynik ma znaczenie praktyczne lub kliniczne.

Przykładowy zapis może wyglądać tak: Średnie ciśnienie wynosiło 132 mmHg w grupie A i 138 mmHg w grupie B; różnica średnich wyniosła −6 mmHg, 95% CI [−12,8; 0,8]. Test Welcha nie wykazał statystycznie istotnej różnicy, t(około 35) = −1,79, p = 0,082.

Nie należy pisać, że „p = 0,082 oznacza 8,2% prawdopodobieństwa, że hipoteza zerowa jest prawdziwa”. Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej. Jest miarą zgodności danych z hipotezą zerową i określonym modelem losowania, przy założeniu, że hipoteza zerowa jest prawdziwa.

Wynik należy uzupełnić miarą wielkości efektu. Dla porównania średnich można podać surową różnicę w jednostkach pomiaru, a w analizach wymagających standaryzacji także odpowiednią miarę efektu. Surowa różnica jest często najbardziej użyteczna klinicznie, ponieważ mówi, o ile jednostek różnią się grupy.

8. Najczęstsze błędy

• Automatyczne stosowanie klasycznego testu t. Sam fakt, że program oferuje go jako pierwszy, nie jest argumentem metodologicznym.
• Traktowanie nieistotnego testu Levene’a jako dowodu równości wariancji. Brak istotności nie dowodzi równości.
• Wybieranie testu na podstawie wartości p testu Levene’a. Dwuetapowa procedura może pogarszać kontrolę błędu (Zimmerman, 2004).
• Użycie testu Welcha dla pomiarów zależnych. Dwie kolumny danych nie muszą oznaczać dwóch niezależnych grup.
• Interpretowanie wyniku tylko przez pryzmat istotności. Należy podać różnicę, przedział ufności i znaczenie praktyczne.
• Uznanie testu Welcha za odporny na wszystko. Nie rozwiązuje on problemu obserwacji odstających, zależności danych ani niewłaściwie określonej zmiennej.
• Pomijanie liczebności grup. Nierówne liczebności w połączeniu z nierównymi wariancjami są szczególnie ważnym powodem, aby preferować test Welcha.

9. Przykład praktyczny: decyzja analityczna krok po kroku

Załóżmy, że w badaniu porównujemy czas hospitalizacji po dwóch sposobach organizacji opieki. Grupa A liczy 30 pacjentów, grupa B – 12. Średni czas pobytu wynosi odpowiednio 5,1 i 6,4 dnia. Odchylenia standardowe to 1,2 i 3,8 dnia.

1. Najpierw określamy schemat: grupy są niezależne, ponieważ każdy pacjent należy tylko do jednego sposobu organizacji opieki.
2. Następnie sprawdzamy zmienną: czas hospitalizacji jest zmienną ilościową, ale może być prawostronnie skośny.
3. Oglądamy rozkłady i obserwacje odstające. Jeżeli kilka bardzo długich hospitalizacji odpowiada rzeczywistym przypadkom klinicznym, nie wolno usuwać ich tylko po to, aby uzyskać ładniejszy wykres.
4. Widzimy dużą różnicę wariancji oraz nierówne liczebności. Wybieramy test Welcha, ponieważ nie wymaga wariancji połączonej.
5. Raportujemy różnicę średnich: 5,1 − 6,4 = −1,3 dnia, wraz z 95-procentowym przedziałem ufności i wynikiem testu.
6. Interpretujemy rezultat klinicznie. Różnica około 1,3 dnia może mieć znaczenie organizacyjne, nawet jeśli przedział ufności jest szeroki z powodu małej grupy B.

Jeżeli rozkład czasu pobytu okaże się skrajnie skośny, warto przeprowadzić analizę wrażliwości, na przykład z użyciem transformacji logarytmicznej, bootstrapu lub modelu odpowiedniego dla czasu pobytu. Test Welcha może pozostać analizą podstawową, ale nie powinien być jedyną analizą rozważaną mechanicznie.

10. Test Welcha w oprogramowaniu

W wielu programach wybór jest oznaczony jako equal variances not assumed, unequal variances albo po prostu Welch’s t-test. W języku R funkcja t.test() domyślnie stosuje wariant Welcha, chyba że użytkownik jawnie zażąda wariancji połączonej. W innych programach, takich jak SPSS, należy odczytać wiersz odpowiadający nierównym wariancjom.

Nie wystarczy skopiować wartości p. Trzeba sprawdzić, czy wybrano właściwy wariant, czy przedział ufności dotyczy różnicy średnich oraz czy znak różnicy odpowiada przyjętej kolejności grup. W pracy naukowej warto z góry zapisać regułę analizy, na przykład: „dla dwóch niezależnych grup zastosowano test Welcha, ponieważ nie zakładano równości wariancji”. Takie rozwiązanie jest przejrzyste i ogranicza ryzyko wybierania testu po obejrzeniu rezultatu.

Co warto zapamiętać?

• Test Welcha porównuje średnie dwóch niezależnych grup bez założenia równości wariancji.
• Uwzględnia osobne wariancje obu grup oraz koryguje stopnie swobody.
• Jest szczególnie użyteczny przy nierównych liczebnościach i nierównych wariancjach.
• Nieistotny test Levene’a nie dowodzi równości wariancji.
• Nie warto automatycznie wybierać między testem klasycznym a testem Welcha na podstawie wyniku testu równości wariancji.
• Wynik należy interpretować przez pryzmat różnicy średnich, przedziału ufności, wartości p i znaczenia praktycznego.
• Test Welcha nie zastępuje oceny niezależności obserwacji, jakości pomiaru, obserwacji odstających i kształtu rozkładów.

W ramach publicznego szkolenia na statystyka.edu.pl warto traktować test Welcha nie jako egzotyczną poprawkę, lecz jako rozsądny standard w sytuacji, gdy równość wariancji nie wynika z projektu badania ani z wiedzy merytorycznej. Współczesne oprogramowanie bez trudu oblicza tę procedurę, dlatego prostota rachunku nie powinna być ważniejsza od trafności wnioskowania.

Źródła i dalsza lektura

1. Welch, B. L. (1947). The Generalization of ‘Student’s’ Problem When Several Different Population Variances Are Involved. Biometrika, 34(1–2), 28–35. DOI: 10.1093/biomet/34.1-2.28.
2. Ruxton, G. D. (2006). The Unequal Variance t-test Is an Underused Alternative to Student’s t-test and the Mann–Whitney U Test. Behavioral Ecology, 17(4), 688–690. DOI: 10.1093/beheco/ark016.
3. Delacre, M.; Lakens, D.; Leys, C. (2017). Why Psychologists Should by Default Use Welch’s t-test Instead of Student’s t-test. International Review of Social Psychology, 30(1), 92–101. DOI: 10.5334/irsp.82.
4. Zimmerman, D. W. (2004). A Note on Preliminary Tests of Equality of Variances. British Journal of Mathematical and Statistical Psychology, 57(1), 173–181. DOI: 10.1348/000711004849222.
5. Kirkwood, B. R.; Sterne, J. A. C. (2003). Essential Medical Statistics. 2nd edition. Blackwell Science. Informacja wydawcy / źródło.

Więcej kolejnych lekcji publicznego szkolenia znajdziesz na statystyk.edu.pl.