462. Współczynnik regresji b – jak go interpretować?
W poprzedniej lekcji poznaliśmy regresję liniową prostą jako model opisujący zależność między predyktorem a zmienną wynikową. Teraz skupimy się na najważniejszym elemencie tego modelu: współczynniku regresji b. To właśnie on informuje, jak zmienia się przewidywana średnia wartość zmiennej zależnej, gdy predyktor zwiększa się o jedną jednostkę. Sama liczba nie wystarcza jednak do poprawnej interpretacji. Trzeba uwzględnić znak współczynnika, jednostki pomiaru, zakres danych, niepewność oszacowania oraz to, czy badanie pozwala mówić o związku, czy o przyczynowości.
W praktyce interpretacja współczynnika regresji b jest jednym z miejsc, w których łatwo pomylić zmianę średnią ze zmianą indywidualną, związek z przyczyną albo istotność statystyczną ze znaczeniem klinicznym. Celem tej lekcji jest zbudowanie takiej interpretacji krok po kroku. Materiał stanowi rozwinięcie publicznego szkolenia metodologicznego dostępnego na statystyk.edu.pl.
1. Czym jest współczynnik regresji b?
W najprostszym modelu regresji liniowej zależność zapisujemy następująco:
Ŷ = a + bX
gdzie:
- Ŷ oznacza przewidywaną, czyli modelową, średnią wartość zmiennej zależnej Y;
- a jest wyrazem wolnym, nazywanym także interceptem;
- b jest niestandaryzowanym współczynnikiem regresji;
- X jest wartością predyktora, czyli zmiennej objaśniającej.
Współczynnik b określa zmianę przewidywanej średniej wartości Y przypadającą na wzrost wartości X o jedną jednostkę, przy pozostałych warunkach modelu pozostających bez zmian. W regresji prostej nie ma innych predyktorów, więc sformułowanie „przy pozostałych warunkach bez zmian” ma znaczenie formalne. W regresji wielorakiej oznacza ono, że interpretujemy wpływ lub związek danego predyktora po uwzględnieniu innych zmiennych znajdujących się w modelu.
Symbol b odnosi się zwykle do współczynnika oszacowanego w próbie. W zapisie populacyjnym często używa się greckiej litery β. W praktyce publikacyjnej oznaczenia te bywają stosowane niekonsekwentnie, dlatego warto sprawdzić tabelę wyników i opis metody.
Znaczenie znaku współczynnika
Znak współczynnika wskazuje kierunek zależności:
- b > 0 oznacza, że większym wartościom X odpowiadają przeciętnie większe wartości Y;
- b < 0 oznacza, że większym wartościom X odpowiadają przeciętnie mniejsze wartości Y;
- b = 0 oznacza brak liniowej zmiany przewidywanej średniej wartości Y wraz ze zmianą X.
Znak nie mówi jednak, czy zależność jest silna, ważna klinicznie ani czy jest istotna statystycznie. Współczynnik równy −0,20 może być bardzo ważny, jeśli jednostka Y ma duże znaczenie praktyczne, a współczynnik równy 20 może być nieistotny praktycznie, jeśli dotyczy skali o bardzo dużych jednostkach.
2. Jak czytać wartość współczynnika b?
Najbezpieczniejszy schemat interpretacji ma cztery elementy:
- wskaż predyktor i zmienną zależną;
- podaj kierunek zmiany;
- podaj wielkość zmiany i jednostki;
- określ populację, warunki modelu oraz – jeśli to możliwe – przedział ufności.
Przykładowo, jeśli model przewiduje skurczowe ciśnienie tętnicze na podstawie wieku i otrzymano b = 0,72 dla wieku mierzonego w latach, można napisać: „Po zwiększeniu wieku o jeden rok przewidywane średnie skurczowe ciśnienie tętnicze zwiększało się średnio o 0,72 mmHg”. W badaniu obserwacyjnym nie należy automatycznie pisać, że „każdy dodatkowy rok życia powodował wzrost ciśnienia o 0,72 mmHg”. Taki język przyczynowy wymaga odpowiedniego schematu badania i założeń identyfikacyjnych.
W regresji wielorakiej interpretacja może brzmieć: „Po uwzględnieniu płci, wskaźnika masy ciała i palenia, wzrost wieku o jeden rok wiązał się ze wzrostem przewidywanego średniego ciśnienia o 0,72 mmHg”. Sformułowanie „po uwzględnieniu” jest bardziej ostrożne metodologicznie niż „niezależnie od”, ponieważ samo dodanie zmiennej do modelu nie gwarantuje pełnej kontroli zakłócenia.
3. Jednostki pomiaru są częścią interpretacji
Niestandaryzowany współczynnik b ma jednostkę wynikającą z jednostek obu zmiennych:
jednostka b = jednostka Y / jednostka X
Jeśli Y oznacza masę ciała w kilogramach, a X liczbę godzin aktywności fizycznej tygodniowo, to b wyraża zmianę kilogramów przypadającą na dodatkową godzinę aktywności. Jeżeli wynik i predyktor zostaną przeliczone, zmieni się także wartość b, choć przewidywania modelu mogą pozostać równoważne.
Załóżmy, że liczba godzin snu została zapisana w minutach zamiast w godzinach. Współczynnik dla minut będzie 60 razy mniejszy niż współczynnik dla godzin. Nie oznacza to słabszej zależności; jest to wyłącznie konsekwencja innej skali pomiaru. Dlatego porównywanie wartości b między predyktorami ma sens tylko wtedy, gdy skale są porównywalne albo gdy zastosowano współczynniki standaryzowane.
Współczynnik niestandaryzowany a standaryzowany
Współczynnik niestandaryzowany b zachowuje jednostki pomiaru i zwykle jest najbardziej użyteczny do interpretacji klinicznej. Współczynnik standaryzowany, często oznaczany jako β, opisuje zmianę zmiennej zależnej wyrażoną w odchyleniach standardowych przy wzroście predyktora o jedno odchylenie standardowe.
Przykład: standaryzowane β = −0,30 oznacza, że wzrost predyktora o jedno odchylenie standardowe wiąże się średnio ze spadkiem przewidywanej wartości wyniku o 0,30 odchylenia standardowego, po uwzględnieniu innych zmiennych w modelu. Nie należy tłumaczyć tego jako spadku o 0,30 punktu na oryginalnej skali.
Standaryzacja może ułatwiać porównywanie predyktorów mierzonych w różnych jednostkach, ale nie rozwiązuje problemu zakłóceń, nieliniowości, błędu pomiaru ani różnic w zakresie zmiennych. Nie powinna zastępować prezentacji współczynników w jednostkach klinicznie zrozumiałych.
4. Przedział ufności, błąd standardowy i wartość p
Współczynnik b jest oszacowaniem obarczonym niepewnością. Dlatego należy raportować nie tylko jego wartość, lecz także 95-procentowy przedział ufności, a w razie potrzeby błąd standardowy i wartość p. Przedział ufności pokazuje zakres wartości zgodnych z danymi i przyjętym modelem przy określonej procedurze konstrukcji przedziału. Nie jest to przedział, w którym z określonym prawdopodobieństwem znajduje się konkretny, już ustalony parametr populacji.
Przykład: b = −1,8; 95% CI [−3,0; −0,6]. Można powiedzieć, że oszacowanie wskazuje na średni spadek wyniku o 1,8 jednostki na każdą dodatkową jednostkę predyktora, a wartości zgodne z danymi w ramach zastosowanego modelu obejmują około 0,6–3,0 jednostki spadku. Ponieważ przedział nie obejmuje zera, wynik jest zgodny z testem hipotezy o braku liniowego związku na poziomie 0,05, jeśli zastosowano standardową procedurę dwustronną.
Wartość p nie jest prawdopodobieństwem, że hipoteza zerowa jest prawdziwa. Nie jest też prawdopodobieństwem, że wynik „powstał przez przypadek”. Informuje o zgodności danych z hipotezą zerową przy określonym modelu, założeniach i procedurze testowej. O interpretacji praktycznej decydują przede wszystkim wielkość b, przedział ufności, znaczenie kliniczne oraz jakość projektu badania.
5. Przykład z medycyny: czas hospitalizacji
W badaniu pacjentów po zabiegu oceniano, czy wiek wiąże się z długością hospitalizacji. Zmienną zależną był czas pobytu w dniach, a predyktorem wiek w latach. Otrzymano:
Ŷ = 2,4 + 0,06 × wiek
Współczynnik regresji wynosi b = 0,06 dnia na rok. Interpretacja brzmi: „W analizowanej próbie wzrost wieku o jeden rok wiązał się przeciętnie ze wzrostem przewidywanego czasu hospitalizacji o 0,06 dnia”. Dla różnicy 10 lat odpowiada to 0,60 dnia, ponieważ:
10 × 0,06 = 0,60
Nie należy jednak interpretować wyrazu wolnego 2,4 jako realistycznego czasu hospitalizacji dla osoby w wieku zero lat, jeśli taki wiek nie znajduje się w badanej populacji. Intercept jest elementem matematycznym modelu i jego sens merytoryczny zależy od tego, czy wartość X = 0 ma znaczenie oraz mieści się w zakresie danych.
Jeżeli w modelu dodatkowo uwzględniono rodzaj zabiegu, choroby współistniejące i sprawność funkcjonalną, interpretacja b dla wieku staje się warunkowa: dotyczy pacjentów o tych samych wartościach pozostałych zmiennych modelu. Nadal nie musi oznaczać efektu przyczynowego wieku, ponieważ dane obserwacyjne mogą zawierać niekontrolowane zakłócenia, selekcję pacjentów i błędy pomiaru.
6. Przykład z psychologii i zdrowia publicznego: stres a jakość snu
Załóżmy, że w badaniu studentów przewidywano wynik jakości snu na skali od 0 do 21 na podstawie poziomu stresu mierzonego kwestionariuszem od 0 do 40. Otrzymano b = −0,25, 95% CI [−0,38; −0,12].
Interpretacja: „Wzrost wyniku stresu o jeden punkt wiązał się średnio ze spadkiem przewidywanej jakości snu o 0,25 punktu. Przedział ufności wskazywał na wartości od 0,12 do 0,38 punktu spadku na jeden punkt stresu”. Dla różnicy 10 punktów stresu model przewidywał średnią różnicę równą 2,5 punktu jakości snu.
To może być rezultat istotny statystycznie, ale jego znaczenie praktyczne należy odnieść do minimalnej ważnej klinicznie lub psychologicznie różnicy na danej skali. Trzeba także sprawdzić, czy zależność jest liniowa. Możliwe jest przecież, że wzrost stresu od 0 do 10 ma małe konsekwencje, natomiast dalszy wzrost wiąże się z gwałtownym pogorszeniem snu. Wtedy pojedynczy współczynnik b może nadmiernie upraszczać relację.
7. Regresja wieloraka: „przy pozostałych zmiennych bez zmian”
W modelu wielorakim zapis może wyglądać tak:
Ŷ = a + b₁X₁ + b₂X₂ + b₃X₃
Każdy współczynnik opisuje zmianę przewidywanej średniej wartości Y przy wzroście właściwego predyktora o jedną jednostkę, gdy wartości pozostałych predyktorów są utrzymywane na tym samym poziomie. Jeżeli b₁ = 1,4 dla liczby godzin rehabilitacji, interpretujemy to jako średni wzrost wyniku funkcjonalnego o 1,4 punktu na dodatkową godzinę rehabilitacji przy takich samych wartościach innych zmiennych uwzględnionych w modelu.
To „utrzymywanie na tym samym poziomie” jest konstrukcją modelową. Nie oznacza, że w rzeczywistości można dowolnie zmieniać jedną zmienną bez zmiany pozostałych. Gdy predyktory są silnie skorelowane, współczynniki mogą być niestabilne, mieć duże błędy standardowe albo zmieniać znak po dodaniu kolejnej zmiennej. Dlatego interpretacja wymaga oceny współliniowości, jakości pomiaru i sensowności merytorycznej modelu.
8. Najczęstsze błędy
- Mylenie b z korelacją r. Współczynnik b ma jednostki i zależy od skal pomiaru; korelacja r jest bezjednostkowa.
- Interpretowanie b jako zmiany każdej osoby. Regresja opisuje przeciętną zmianę przewidywanego wyniku, a nie gwarantowaną zmianę indywidualną.
- Wnioskowanie o przyczynowości z badania obserwacyjnego. Sam model regresji nie tworzy randomizacji i nie eliminuje zakłóceń.
- Pomijanie jednostek. Zdanie „b wynosi 0,5” jest niepełne. Trzeba podać: 0,5 jednostki wyniku na jednostkę predyktora.
- Traktowanie p < 0,05 jako dowodu dużego efektu. Mały efekt może być istotny w dużej próbie, a ważny efekt może nie osiągnąć istotności w próbie małej.
- Automatyczne uznawanie interceptu za ważny klinicznie. Wartość X = 0 może być poza zakresem obserwacji albo nie mieć sensu.
- Porównywanie niestandaryzowanych b między predyktorami o różnych jednostkach. Do takiego celu można rozważyć współczynniki standaryzowane, ale wraz z ich ograniczeniami.
- Ignorowanie nieliniowości i obserwacji odstających. Jeden współczynnik b może być mylący, gdy zależność jest krzywoliniowa albo silnie kształtowana przez pojedyncze przypadki.
- Raportowanie samego b bez niepewności. Dobre sprawozdanie zawiera co najmniej oszacowanie, przedział ufności oraz jasno opisany model.
9. Jak raportować współczynnik b?
Wynik można zapisać na przykład tak: „W regresji liniowej większa liczba godzin aktywności fizycznej wiązała się z niższym wynikiem depresji. Każda dodatkowa godzina aktywności tygodniowo odpowiadała średnio spadkowi wyniku o 0,42 punktu, b = −0,42, 95% CI [−0,70; −0,14], p = 0,004”. Taki zapis podaje kierunek, wielkość, jednostkę, przedział ufności i wartość p.
W raporcie należy również opisać, jaka była populacja, sposób pomiaru zmiennych, liczebność próby, sposób postępowania z brakami danych, założenia modelu i ewentualne transformacje. Zalecenia APA JARS oraz STROBE podkreślają, że przejrzystość raportowania obejmuje nie tylko samą wartość współczynnika, lecz także informacje pozwalające ocenić, jak wynik został uzyskany (APA, 2024; von Elm et al., 2007).
10. Przykład praktyczny: analiza przypadku
Badacze ocenili związek między czasem oczekiwania na przyjęcie na oddział ratunkowy a satysfakcją pacjentów mierzoną skalą od 0 do 100. W modelu prostym otrzymano b = −0,18, natomiast po uwzględnieniu wieku, nasilenia bólu i pilności przypadku b = −0,11.
Wynik modelu prostego oznaczał, że dodatkowe 10 minut oczekiwania wiązało się średnio ze spadkiem przewidywanej satysfakcji o 1,8 punktu. Po uwzględnieniu innych zmiennych analogiczna różnica wynosiła 1,1 punktu. Zmiana współczynnika sugeruje, że część pierwotnej zależności była związana z różnicami w charakterystyce pacjentów, na przykład z pilnością przypadku lub nasileniem bólu. Nie wolno jednak na tej podstawie twierdzić, że kontrolowanie tych zmiennych całkowicie usunęło zakłócenie.
Jeżeli 95% CI dla współczynnika skorygowanego wynosiło [−0,18; −0,04], wynik wskazywał na przeciętny spadek satysfakcji od 0,04 do 0,18 punktu na minutę. W przeliczeniu na 30 minut byłoby to od 1,2 do 5,4 punktu. Następnie trzeba zadać pytanie, czy taka różnica jest odczuwalna i istotna z punktu widzenia pacjenta lub organizacji pracy. Statystyczna precyzja nie zastępuje oceny znaczenia praktycznego.
Co warto zapamiętać?
- Współczynnik regresji b opisuje zmianę przewidywanej średniej wartości Y przy wzroście X o jedną jednostkę.
- Znak b wskazuje kierunek, a wartość bezwzględna – wielkość zmiany w jednostkach wyniku na jednostkę predyktora.
- Jednostki pomiaru są nieodłączną częścią interpretacji współczynnika.
- W regresji wielorakiej b interpretuje się warunkowo, przy stałych wartościach pozostałych predyktorów.
- Przedział ufności informuje o niepewności oszacowania; wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej.
- Istotność statystyczna, wielkość efektu i znaczenie praktyczne to trzy różne kwestie.
- Regresja nie uzasadnia języka przyczynowego, jeśli projekt badania i założenia nie pozwalają na wnioskowanie przyczynowe.
- Najlepsza interpretacja odpowiada na pytania: co zmienia się w wyniku, o ile, przy jakiej zmianie predyktora, w jakich jednostkach i z jaką niepewnością?
Źródła i dalsza lektura
- Frank E. Harrell Jr. (2015). Regression Modeling Strategies: With Applications to Linear Models, Logistic and Ordinal Regression, and Survival Analysis. 2nd edition. Springer Cham. Informacja wydawcy / źródło.
- Eric Vittinghoff, David V. Glidden, Stephen C. Shiboski, Charles E. McCulloch (2012). Regression Methods in Biostatistics: Linear, Logistic, Survival, and Repeated Measures Models. 2nd edition. Springer New York. Informacja wydawcy / źródło.
- Jessica Kasza, Rory Wolfe (2014). Interpretation of commonly used statistical regression models. Respirology, 19(1), 14-21. DOI: 10.1111/resp.12221.
- Erik von Elm, Douglas G. Altman, Matthias Egger, Stuart J. Pocock, Peter C. Gøtzsche, Jan P. Vandenbroucke; for the STROBE Initiative (2007). The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: guidelines for reporting observational studies. The Lancet, 370(9596), 1453-1457. DOI: 10.1016/S0140-6736(07)61602-X.
- American Psychological Association (2024). APA Style Journal Article Reporting Standards (JARS). American Psychological Association. Źródło.
Jeżeli potrzebujesz indywidualnego wsparcia w doborze metod, przygotowaniu bazy lub opracowaniu wyników badań, sprawdź analiza statystyczna.
2 komentarze