104. Wskaźniki proste i złożone – zalety i ograniczenia

W poprzednich lekcjach szkolenia na statystyk.edu.pl przechodziliśmy od konstruktu teoretycznego do jego operacjonalizacji. Kolejny krok polega na rozstrzygnięciu, czy badane zjawisko można opisać jednym wskaźnikiem, czy też potrzebny jest ich zestaw połączony w miarę złożoną. Wybór ten nie jest wyłącznie kwestią techniczną. Wpływa na treść mierzonej zmiennej, jej rzetelność, porównywalność wyników oraz sposób wnioskowania.

Wskaźnik prosty wykorzystuje pojedynczą obserwację, pomiar lub odpowiedź. Wskaźnik złożony powstaje przez formalne połączenie co najmniej dwóch wskaźników cząstkowych. Oba rozwiązania mogą być metodologicznie poprawne, ale każde odpowiada na nieco inne pytanie badawcze. Nie istnieje ogólna zasada, że wskaźnik złożony jest zawsze lepszy. Jest on uzasadniony wtedy, gdy wielowymiarowy charakter zjawiska został poprawnie rozpoznany, a sposób agregacji danych można obronić teoretycznie i empirycznie.

Wskaźnik prosty – definicja i zastosowanie

Wskaźnik prosty to pojedyncza zmienna użyta do opisu określonej właściwości, stanu lub zdarzenia. Może nią być wynik pomiaru fizjologicznego, odpowiedź na jedno pytanie, liczba zdarzeń, rozpoznanie kliniczne albo informacja o wystąpieniu określonego zachowania.

Przykładami wskaźników prostych są:

• ciśnienie skurczowe w mmHg,
• stężenie glukozy we krwi w mmol/l,
• liczba dni hospitalizacji,
• wystąpienie rehospitalizacji w ciągu 30 dni,
• odpowiedź „tak” lub „nie” na pytanie o palenie tytoniu,
• wynik pojedynczego zadania testowego,
• liczba upadków pacjenta w określonym okresie.

Wskaźnik prosty jest szczególnie użyteczny, gdy badane zjawisko ma jasno określony, jednowymiarowy aspekt albo gdy pojedynczy pomiar ma bezpośrednie znaczenie kliniczne lub organizacyjne. Na przykład temperatura ciała jest prostym wskaźnikiem aktualnego stanu termicznego organizmu. Nie opisuje jednak całego stanu zdrowia pacjenta.

Zalety wskaźników prostych

• Łatwa interpretacja. Wynik ma bezpośrednie znaczenie i zwykle nie wymaga wyjaśniania algorytmu.
• Przejrzystość raportowania. Czytelnik może zobaczyć, jaki konkretnie pomiar lub fakt został wykorzystany.
• Ograniczone ryzyko arbitralnej agregacji. Nie trzeba rozstrzygać, czy poszczególne elementy powinny mieć jednakowe, czy różne wagi.
• Łatwe wykorzystanie w praktyce. Pojedynczy wskaźnik może być przydatny w triage’u, monitorowaniu pacjenta lub kontroli jakości.
• Możliwość analizy specyficznego mechanizmu. Jeżeli interesuje nas wpływ ciśnienia skurczowego, nie musimy zastępować go ogólnym „wynikiem sercowo-naczyniowym”.

Ograniczenia wskaźników prostych

Najważniejszym ograniczeniem jest niepełność obrazu. Pojedynczy wskaźnik może nie obejmować innych istotnych wymiarów badanego konstruktu. Przykładowo masa ciała nie jest równoważna stanowi odżywienia, a liczba wizyt w poradni nie jest pełnym pomiarem potrzeb zdrowotnych.

Wskaźnik prosty może także charakteryzować się dużym błędem pomiaru. Jednorazowy pomiar ciśnienia tętniczego zależy między innymi od pozycji ciała, stresu, pory dnia i techniki pomiaru. Jeśli badacz wykorzysta tylko jeden odczyt, część zmienności wyniku może pochodzić z niedoskonałości pomiaru, a nie z rzeczywistych różnic między osobami.

Trzeba również uważać na zastępowanie konstruktu jego łatwo dostępnym korelatem. Jeżeli badacz określa „jakość życia” wyłącznie za pomocą liczby dni niezdolności do pracy, to mierzy ważny aspekt funkcjonowania, lecz niekoniecznie jakość życia jako konstrukt wielowymiarowy.

Wskaźnik złożony – czym jest?

Wskaźnik złożony, nazywany także indeksem lub miarą złożoną, powstaje przez połączenie kilku wskaźników cząstkowych w jeden wynik. W najprostszym przypadku jest to suma lub średnia. Bardziej zaawansowane konstrukcje mogą wykorzystywać standaryzację, wagi, modele pomiarowe, punkty odcięcia albo funkcje nieliniowe.

Wskaźnik złożony może mieć różny status teoretyczny. W modelu refleksyjnym zakłada się, że wspólny konstrukt wpływa na odpowiedzi lub pomiary. Przykładowo depresyjność może przejawiać się obniżonym nastrojem, anhedonią, zaburzeniami snu i poczuciem winy. W modelu formacyjnym elementy współtworzą konstrukt; ich obecność razem definiuje zjawisko. Przykładowy indeks deprywacji społecznej może łączyć dochód, bezrobocie, warunki mieszkaniowe i wykształcenie. Elementy nie muszą być wtedy silnie skorelowane, ponieważ nie są powtarzającymi się przejawami jednej cechy.

Rozróżnienie to ma znaczenie. Wskaźnik złożony nie powinien być oceniany wyłącznie na podstawie korelacji między pozycjami lub współczynnika alfa Cronbacha. Wskaźnik refleksyjny i formacyjny wymaga innego uzasadnienia konstrukcji, innej oceny jakości i innej interpretacji.

Najprostsze sposoby konstruowania wskaźnika złożonego

Suma lub średnia

Jeżeli wszystkie elementy mają tę samą skalę i podobne znaczenie, można zastosować sumę albo średnią arytmetyczną:

I = (x1 + x2 + ... + xk) / k

gdzie I oznacza wynik wskaźnika złożonego, x₁ … x_k oznaczają wyniki poszczególnych wskaźników cząstkowych, a k jest liczbą uwzględnionych elementów. Średnia jest wygodna, ponieważ zachowuje skalę podobną do skali pojedynczej pozycji. Suma bywa łatwiejsza do interpretacji jako liczba uzyskanych punktów.

Jeżeli część pytań ma odwrotny kierunek, należy najpierw wykonać rekodowanie. Dla pozycji o skali od 1 do 5 przekształcenie może mieć postać:

xodwrócone = 6 - x

Liczba 6 wynika z zakresu skali: minimum 1 plus maksimum 5. Po rekodowaniu wyższe wartości wszystkich elementów powinny oznaczać ten sam kierunek konstruktu.

Wskaźnik ważony

Jeżeli poszczególne elementy mają różne znaczenie, można zastosować średnią ważoną:

I = w1x1 + w2x2 + ... + wkxk

W tym wzorze w_j oznacza wagę przypisaną elementowi x_j. Wagi powinny być określone przed analizą albo wynikać z jasno opisanej procedury. Można je wyprowadzić z wiedzy klinicznej, opinii ekspertów, analizy czynnikowej, regresji lub ustalonego algorytmu diagnostycznego. Nie należy jednak dobierać ich wyłącznie po to, aby uzyskać pożądany wynik lub większą istotność statystyczną.

Standaryzacja przed agregacją

Jeżeli wskaźniki cząstkowe mają różne jednostki, nie powinno się ich bezpośrednio sumować. W takim przypadku można zastosować standaryzację:

zi = (xi - średnia x) / odchylenie standardowe x

Wynik z_i informuje, o ile odchyleń standardowych obserwacja różni się od średniej w badanej próbie lub populacji odniesienia. Po standaryzacji można połączyć elementy, ale trzeba pamiętać, że wynik indeksu zależy od przyjętej populacji odniesienia. Zmiana próby, okresu lub norm może zmienić wartości z, nawet gdy surowe pomiary pozostają takie same.

Przykład 1: prosty i złożony pomiar ryzyka sercowo-naczyniowego

Załóżmy, że celem badania jest opis obciążenia czynnikami ryzyka chorób niezakaźnych u dorosłych. Wskaźniki proste mogą obejmować: palenie tytoniu, ciśnienie skurczowe, wskaźnik masy ciała, aktywność fizyczną i stężenie glukozy. Każdy z nich odpowiada na inne pytanie.

Jeżeli badacz chce oszacować związek ciśnienia skurczowego z udarem, użycie ciśnienia jako wskaźnika prostego może być właściwe. Jeżeli jednak chce opisać łączne nagromadzenie modyfikowalnych czynników ryzyka, może utworzyć indeks. Przykładowo każdy czynnik może otrzymać wartość 1, gdy spełnia wcześniej określone kryterium podwyższonego ryzyka, oraz 0, gdy kryterium nie jest spełnione:

R = palenie + nadciśnienie + mała aktywność + otyłość + podwyższona glikemia

Wynik R mieści się od 0 do 5. Wyższa wartość oznacza większą liczbę obecnych czynników, a niekoniecznie określone prawdopodobieństwo zachorowania. Taki indeks jest prosty komunikacyjnie i może być użyteczny w opisie populacji. Ma jednak ograniczenia: wszystkie czynniki traktuje tak samo, wymaga arbitralnych punktów odcięcia, traci informację o stopniu nasilenia i nie uwzględnia interakcji między czynnikami.

W badaniach populacyjnych standaryzowane narzędzia, takie jak podejście WHO STEPS, pomagają ujednolicić zbieranie danych o behawioralnych i biologicznych czynnikach ryzyka. Nie oznacza to jednak, że każdy zestaw zmiennych zebranych w ramach badania automatycznie tworzy prawidłowy indeks. Algorytm łączenia musi zostać zdefiniowany niezależnie i uzasadniony celem pomiaru (WHO, 2024).

Przykład 2: skala objawów w psychologii i pielęgniarstwie

W badaniu pacjentów po hospitalizacji badacz chce ocenić nasilenie objawów depresyjnych za pomocą kilku pytań ocenianych od 0 do 3. Pozycje dotyczą między innymi obniżonego nastroju, utraty zainteresowań, zaburzeń snu, zmęczenia i poczucia bezwartościowości. Pojedyncze pytanie jest wskaźnikiem prostym. Suma odpowiedzi stanowi wskaźnik złożony.

Załóżmy, że pacjent uzyskał kolejno wyniki 2, 1, 3, 2 i 1. Suma wynosi:

I = 2 + 1 + 3 + 2 + 1 = 9

Wynik 9 nie jest sam w sobie „diagnozą depresji”. Jego interpretacja zależy od walidacji zastosowanego narzędzia, populacji, wersji językowej, przyjętych punktów odcięcia i celu badania. W analizie naukowej warto raportować zarówno wynik całkowity, jak i informację o sposobie kodowania, brakujących odpowiedziach oraz rzetelności narzędzia w konkretnej próbie.

Zaletą sumy jest ograniczenie wpływu przypadkowego błędu pojedynczej odpowiedzi. Jeżeli pozycje rzeczywiście odnoszą się do wspólnego konstruktu, agregacja może zwiększyć stabilność pomiaru. Nie wolno jednak zakładać, że dodanie większej liczby pytań zawsze poprawia jakość. Pozycje niejasne, redundantne lub odnoszące się do różnych wymiarów mogą obniżać trafność interpretacji.

Zalety wskaźników złożonych

• Szersze pokrycie konstruktu. Można uwzględnić kilka aspektów zjawiska zamiast jednego przejawu.
• Redukcja wpływu przypadkowego błędu. Przy założeniu wspólnego konstruktu uśrednianie wielu pozycji może zwiększać rzetelność pomiaru.
• Lepsza czułość. Wskaźnik ciągły często zachowuje więcej informacji niż pojedyncza klasyfikacja „obecne–nieobecne”.
• Użyteczność w monitorowaniu programów. Indeks może syntetycznie przedstawiać wielowymiarowy stan zdrowia, jakość opieki lub poziom deprywacji.
• Możliwość porównań. Dobrze zdefiniowany indeks może ułatwiać porównywanie grup, regionów lub pomiarów w czasie.

Ograniczenia i ryzyka metodologiczne

Najpoważniejsze ryzyko polega na tym, że jeden wynik ukrywa różne profile cząstkowe. Dwie osoby mogą uzyskać identyczny indeks, mimo że mają zupełnie inne konfiguracje wyników. W indeksie ryzyka o wartości 3 jedna osoba może mieć trzy czynniki umiarkowane, a druga jeden czynnik bardzo nasilony i dwa łagodne.

Agregacja może również prowadzić do kompensacji. Bardzo dobry wynik w jednym obszarze może zrekompensować bardzo zły wynik w innym. Taki efekt jest dopuszczalny tylko wtedy, gdy odpowiada założeniom konstruktu. Jeśli ciężka niewydolność oddechowa nie powinna być „wyrównywana” prawidłowym ciśnieniem, średnia arytmetyczna będzie nieodpowiednia.

Ważnym problemem jest nieporównywalność jednostek i zakresów. Nie można bez uzasadnienia dodać do siebie wieku, stężenia glukozy i liczby hospitalizacji. Najpierw należy ustalić kierunek, skalę, normy odniesienia i sposób normalizacji.

Niebezpieczna jest także pozorna obiektywność wag. Waga 0,5 może wyglądać naukowo, ale sama liczba nie wyjaśnia, dlaczego jeden element ma mieć dokładnie takie znaczenie. W przypadku indeksów złożonych należy przeprowadzać analizę wrażliwości: sprawdzać, czy wnioski zmieniają się po zastosowaniu alternatywnych wag, punktów odcięcia lub metod normalizacji (Hyder, Puvanachandra i Morrow, 2012).

Nie należy mylić rzetelności z trafnością. Wysoka zgodność pozycji może oznaczać, że mierzą one podobny fragment zjawiska, lecz nie dowodzi, że indeks mierzy zamierzony konstrukt. Z kolei indeks formacyjny może być trafny mimo umiarkowanych korelacji między elementami, ponieważ każdy element wnosi odrębny komponent.

Przykład praktyczny: budowa indeksu jakości przygotowania pacjenta

Oddział ratunkowy chce monitorować przygotowanie pacjentów do wypisu. Zespół wybiera trzy wskaźniki proste: znajomość dawkowania leków, znajomość objawów alarmowych oraz umiejętność wskazania terminu kontroli. Każdy element jest oceniany od 0 do 2 punktów.

1. Definicja celu. Indeks ma służyć do monitorowania gotowości edukacyjnej do wypisu, a nie do przewidywania rehospitalizacji.
2. Sprawdzenie kierunku. Wyższy wynik każdego elementu musi oznaczać lepsze przygotowanie.
3. Ustalenie algorytmu. Można zastosować sumę od 0 do 6 albo średnią od 0 do 2.
4. Ocena braków danych. Należy zdecydować, czy brak jednej odpowiedzi uniemożliwia obliczenie indeksu, czy dopuszczalna jest reguła obliczania wyniku z pozostałych elementów.
5. Walidacja treści. Eksperci powinni ocenić, czy trzy obszary rzeczywiście obejmują kluczowe aspekty przygotowania do wypisu.
6. Ocena użyteczności. Trzeba sprawdzić, czy wynik jest zrozumiały dla personelu i czy może wspierać decyzje organizacyjne.

Jeżeli indeks ma być używany do porównywania oddziałów, należy opisać identyczne procedury pomiaru, kwalifikacji pacjentów i postępowania z brakami danych. Jeśli natomiast ma służyć wyłącznie do rozmowy edukacyjnej z pojedynczym pacjentem, bardziej przydatne może być przedstawienie trzech wyników cząstkowych niż jednej sumy.

Najczęstsze błędy

• Tworzenie indeksu bez modelu pojęciowego. Sam fakt, że zmienne są dostępne w bazie, nie uzasadnia ich łączenia.
• Sumowanie zmiennych o różnych jednostkach bez normalizacji. Zmienna o większych liczbach może zdominować wynik wyłącznie z powodów technicznych.
• Pomijanie rekodowania pozycji odwrotnych. Wtedy wysokie wartości jednych elementów mogą oznaczać dobry stan, a innych zły.
• Automatyczne stosowanie równych wag. Równe wagi są założeniem, a nie neutralnym faktem.
• Traktowanie indeksu jak diagnozy. Wynik złożony jest miarą operacyjną, niekoniecznie kategorią kliniczną.
• Ukrywanie ważnych różnic między osobami. Warto raportować także rozkłady i wyniki cząstkowe.
• Dobieranie algorytmu po obejrzeniu rezultatów. Taka praktyka zwiększa ryzyko dopasowania indeksu do konkretnej próby.
• Wnioskowanie przyczynowe na podstawie samego indeksu. Złożony wskaźnik nie zmienia obserwacyjnego charakteru badania.
• Interpretowanie wartości p jako prawdopodobieństwa prawdziwości hipotezy zerowej. Wartość p odnosi się do danych przy założeniu modelu i hipotezy zerowej; nie jest miarą prawdopodobieństwa, że H0 jest prawdziwa.

Jak raportować wskaźnik złożony?

Opis powinien umożliwiać odtworzenie wyniku. Należy podać: definicję konstruktu, listę elementów, ich kodowanie, kierunek skal, sposób rekodowania, algorytm, wagi, regułę postępowania z brakami danych, zakres możliwych wyników oraz uzasadnienie punktów odcięcia. Warto również przedstawić analizę wrażliwości i wyniki cząstkowe.

W badaniu empirycznym należy odróżnić wskaźnik będący wynikiem pomiaru od zmiennej wynikowej w analizie statystycznej. Ten sam indeks może być predyktorem, wynikiem, zmienną opisową albo kryterium kwalifikacji, zależnie od projektu. O jego interpretacji decyduje nie nazwa, lecz funkcja w modelu badawczym.

Co warto zapamiętać?

• Wskaźnik prosty opisuje pojedynczy pomiar, odpowiedź lub zdarzenie.
• Wskaźnik złożony łączy kilka elementów w jeden wynik, lecz zawsze opiera się na określonych założeniach.
• Wskaźnik złożony nie jest automatycznie bardziej trafny niż wskaźnik prosty.
• Przed agregacją trzeba sprawdzić kierunek, skalę, jednostki i znaczenie poszczególnych elementów.
• Równe wagi są decyzją metodologiczną, a nie rozwiązaniem pozbawionym założeń.
• Indeks może poprawiać stabilność pomiaru, ale może też ukrywać istotne różnice między osobami.
• Należy odróżniać rzetelność, trafność, istotność statystyczną, wielkość efektu i znaczenie praktyczne.
• Każdy wskaźnik złożony powinien być przejrzyście zdefiniowany, uzasadniony i możliwy do odtworzenia.

Najważniejsze pytanie nie brzmi więc: „Czy lepiej użyć wskaźnika prostego czy złożonego?”. Trafniejsze pytanie brzmi: „Jaki poziom agregacji najlepiej odpowiada konstruktowi, celowi badania i decyzjom, które mają być podejmowane na podstawie wyniku?”.

\n

Źródła i dalsza lektura

\n

1. Hyder, A. A., Puvanachandra, P., & Morrow, R. H. (2012). Measuring the health of populations: explaining composite indicators. Journal of Public Health Research, 1(3), 222–228. DOI: 10.4081/jphr.2012.e35.
2. Boyle, M. H., & Torrance, G. W. (1984). Developing multiattribute health indexes. Medical Care, 22(11), 1045–1057. DOI: 10.1097/00005650-198411000-00007.
3. Shwartz, M., Restuccia, J. D., & Rosen, A. K. (2015). Composite Measures of Health Care Provider Performance: A Description of Approaches. The Milbank Quarterly, 93(4), 788–825. DOI: 10.1111/1468-0009.12165.
4. Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric Theory. 3rd edition. McGraw-Hill. Informacja wydawcy / źródło.
5. World Health Organization (2024). Standard STEPS instrument. World Health Organization. Źródło.
6. Erickson, P., Kendall, E. A., Anderson, J. P., & Kaplan, R. M. (1989). Using composite health status measures to assess the nation's health. Medical Care, 27(3 Suppl), S66–S76. DOI: 10.1097/00005650-198903001-00006.

\n