006. Zmienna zależna, niezależna i zakłócająca – jak rozpoznać zmienne w badaniu?

W poprzednich lekcjach kursu porządkowaliśmy pytania, cele i hipotezy badawcze. Kolejnym krokiem jest przełożenie problemu badawczego na konkretne właściwości osób, grup, zdarzeń lub pomiarów. W tym celu trzeba rozpoznać zmienne oraz określić ich rolę w badaniu. To właśnie od prawidłowego rozróżnienia zmiennej niezależnej, zależnej i zakłócającej zależy późniejszy dobór projektu badawczego, sposobu pomiaru i analizy statystycznej.

Warto od razu zaznaczyć, że nazwy te opisują przede wszystkim rolę zmiennej w określonym pytaniu badawczym, a nie jej trwałą właściwość. Ta sama cecha, na przykład wiek, może być w jednym badaniu zmienną zakłócającą, w innym zmienną niezależną, a w jeszcze innym jedynie elementem opisu badanej próby.

Czym jest zmienna?

Zmienna to właściwość, cecha lub wielkość, która może przyjmować co najmniej dwie wartości albo poziomy. Przykładami są: ciśnienie tętnicze, liczba hospitalizacji, płeć, wiek, poziom lęku, rodzaj zastosowanego leczenia, status palenia tytoniu czy czas oczekiwania na przyjęcie do szpitala.

W badaniu zmienna powinna być zdefiniowana operacyjnie, czyli tak, aby było jasne:

• czego dokładnie dotyczy;
• w jaki sposób będzie mierzona lub klasyfikowana;
• w jakiej skali zostanie zapisana;
• kiedy i przez kogo będzie oceniana;
• jakie wartości uznaje się za dopuszczalne.

Na przykład samo określenie „aktywność fizyczna” jest zbyt ogólne. Definicja operacyjna może brzmieć: „łączny czas umiarkowanej i intensywnej aktywności fizycznej w tygodniu, mierzony za pomocą standaryzowanego kwestionariusza i wyrażony w minutach”. Dopiero taka definicja pozwala ocenić jakość pomiaru i zaplanować analizę.

Zmienna zależna

Zmienna zależna, nazywana także zmienną objaśnianą, wynikową lub efektem, to wynik, który badacz chce opisać, wyjaśnić albo przewidywać. Jej wartość może zależeć od wielu czynników, ale w konkretnym badaniu interesuje nas szczególnie jej związek z wybraną zmienną niezależną.

Przykłady zmiennych zależnych:

• stężenie hemoglobiny glikowanej po 12 tygodniach programu edukacyjnego;
• czas przeżycia pacjentów;
• nasilenie objawów depresyjnych w skali psychometrycznej;
• liczba błędów popełnionych przez pielęgniarkę w zadaniu symulacyjnym;
• czas dotarcia zespołu ratownictwa medycznego na miejsce zdarzenia;
• wystąpienie ponownej hospitalizacji w ciągu 30 dni.

Zmienne zależne mogą być ilościowe, porządkowe, nominalne albo binarne. Jeżeli wynikiem jest ciśnienie skurczowe mierzone w mmHg, mamy do czynienia ze zmienną ilościową. Jeżeli wynikiem jest obecność lub brak powikłania, zmienna ma charakter binarny. Rodzaj zmiennej zależnej wpływa na wybór metody analizy, ale nie zmienia jej podstawowej roli: jest to wynik, który chcemy wyjaśnić.

Zmienna niezależna

Zmienna niezależna, określana również jako ekspozycja, predyktor, czynnik objaśniający albo zmienna eksperymentalna, to cecha lub warunek, którego związek ze zmienną zależną jest przedmiotem zainteresowania badacza.

W badaniu eksperymentalnym zmienna niezależna może być przydzielana przez badacza. Przykładowo pacjent może zostać losowo przydzielony do grupy otrzymującej standardową opiekę albo do grupy objętej dodatkowym programem rehabilitacji. Wtedy rodzaj interwencji jest zmienną niezależną.

W badaniu obserwacyjnym badacz zwykle nie przydziela ekspozycji, lecz ją rejestruje. Może analizować, czy osoby palące mają inne ryzyko choroby niż osoby niepalące, albo czy mieszkańcy obszarów o większym zanieczyszczeniu powietrza różnią się częstością zaostrzeń astmy. W takich sytuacjach lepiej mówić o ekspozycji lub predyktorze niż automatycznie o „przyczynie”. Sam fakt, że zmienna niezależna poprzedza wynik albo jest z nim związana, nie dowodzi jeszcze związku przyczynowego.

Jak rozpoznać zmienną niezależną?

Pomocne jest pytanie: „Jaką cechę, ekspozycję lub interwencję porównuję między osobami albo grupami?” Jeżeli badanie dotyczy skuteczności terapii, zmienną niezależną będzie rodzaj terapii. Jeżeli dotyczy związku między bezsennością a koncentracją, zmienną niezależną może być czas snu lub kategoria jakości snu.

W jednym badaniu może występować więcej niż jedna zmienna niezależna. Przykładowo można jednocześnie analizować wpływ programu edukacyjnego, wieku i poziomu wyjściowej wiedzy na przestrzeganie zaleceń. Nie oznacza to jednak, że wszystkie te zmienne mają identyczną rolę metodologiczną. Wiek i wiedza mogą pełnić funkcję zmiennych kontrolnych lub zakłócających, zależnie od pytania i modelu przyczynowego.

Zmienna zakłócająca i konfundowanie

Zmienna zakłócająca, czyli konfunder, to zmienna związana zarówno ze zmienną niezależną, jak i ze zmienną zależną, która może zniekształcić ocenę ich wzajemnego związku. Konfundowanie oznacza zatem, że obserwowane powiązanie między ekspozycją a wynikiem częściowo lub całkowicie wynika z innej zmiennej.

Klasyczny schemat można zapisać następująco:

Z → X → Y oraz Z → Y

Oznaczenia:

• X – zmienna niezależna lub ekspozycja;
• Y – zmienna zależna lub wynik;
• Z – potencjalna zmienna zakłócająca;
• → – kierunek hipotetycznego wpływu przyczynowego.

Jeśli Z wpływa na prawdopodobieństwo wystąpienia X oraz niezależnie wpływa na Y, to prosty związek X–Y może być mylący. W badaniu obserwacyjnym nie wystarczy więc stwierdzić, że dwie zmienne są skorelowane. Trzeba rozważyć, czy ich związek nie jest rezultatem wspólnej przyczyny. Diagramy przyczynowe mogą pomagać w określaniu, które zmienne należy mierzyć i które – przy spełnieniu odpowiednich założeń – uwzględnić w analizie (Greenland, Pearl i Robins, 1999; Hernán i Robins, 2020). ([pubmed.ncbi.nlm.nih.gov](https://pubmed.ncbi.nlm.nih.gov/9888278/?utm_source=openai))

Przykład z medycyny

Załóżmy, że w badaniu obserwacyjnym osoby przyjmujące określony lek mają większą częstość zgonów niż osoby, które go nie przyjmują. Czy oznacza to, że lek zwiększa ryzyko zgonu? Niekoniecznie. Lek może być częściej przepisywany pacjentom w cięższym stanie, a ciężkość choroby może jednocześnie zwiększać prawdopodobieństwo otrzymania leku i ryzyko zgonu.

W tym przykładzie ciężkość choroby jest potencjalnym konfunderem. Jeżeli nie zostanie odpowiednio zmierzona i uwzględniona w projekcie lub analizie, obserwowany związek między lekiem a zgonem może być obciążony. Nie oznacza to, że każda zmienna związana z wynikiem powinna być automatycznie dodana do modelu. Dobór zmiennych zakłócających powinien wynikać z wiedzy merytorycznej, czasu pomiaru i założonego modelu przyczynowego, a nie wyłącznie z automatycznej selekcji według wartości p (VanderWeele i Shpitser, 2011; VanderWeele, 2019). ([onlinelibrary.wiley.com](https://onlinelibrary.wiley.com/doi/abs/10.1111/j.1541-0420.2011.01619.x?utm_source=openai))

Konfunder, mediator i moderator – ważne rozróżnienia

Nie każda zmienna występująca pomiędzy ekspozycją i wynikiem jest zmienną zakłócającą. Szczególne znaczenie mają trzy pojęcia.

Rodzaj zmiennej	Charakterystyka	Przykład
Konfunder	Poprzedza ekspozycję i wynik oraz wiąże się z obiema zmiennymi.	Ciężkość choroby przy ocenie związku leczenia ze zgonem.
Med iator	Leży na drodze mechanizmu, przez który ekspozycja może wpływać na wynik.	Spadek masy ciała jako pośredni etap wpływu programu żywieniowego na glikemię.
Moderator	Zmienia siłę lub kierunek związku między ekspozycją a wynikiem.	Wiek modyfikujący skuteczność programu rehabilitacji.

Przykładowo, jeśli program edukacyjny poprawia wiedzę pacjentów, a większa wiedza poprawia przestrzeganie zaleceń, wiedza może być mediatorem. Jej kontrolowanie w modelu może zmienić pytanie badawcze: zamiast oceniać całkowity efekt programu, zaczynamy oceniać efekt niezależny od drogi przebiegającej przez wiedzę.

Moderator nie jest tym samym co konfunder. Jeżeli program rehabilitacji działa lepiej u młodszych pacjentów niż u starszych, wiek może modyfikować efekt. W takiej sytuacji należy rozważyć analizę interakcji, a nie tylko „kontrolowanie” wieku jako zmiennej zakłócającej.

Jak systematycznie rozpoznawać role zmiennych?

1. Zapisz pytanie badawcze w pełnym zdaniu. Określ, u kogo, jaka ekspozycja lub interwencja oraz jaki wynik są analizowane.
2. Wskaż wynik. Zapytaj: „Co chcę wyjaśnić, przewidzieć albo porównać?”. To najczęściej zmienna zależna.
3. Wskaż ekspozycję lub interwencję. Zapytaj: „Co jest głównym czynnikiem porównania?”. To zmienna niezależna.
4. Ustal kolejność czasową. Zmienne zmierzone po interwencji mogą być mediatorami, następstwami albo konsekwencjami selekcji, a nie klasycznymi konfunderami.
5. Wymień możliwe wspólne przyczyny. Rozważ wiek, stan zdrowia, status społeczno-ekonomiczny, zachowania zdrowotne, dostęp do opieki i inne czynniki merytorycznie uzasadnione.
6. Określ funkcję każdej zmiennej przed analizą. Sporządź tabelę zmiennych i opisz ich rolę, sposób pomiaru oraz plan wykorzystania.
7. Nie utożsamiaj korelacji z przyczynowością. W badaniu przekrojowym można opisać współwystępowanie, ale zwykle trudniej ustalić, co było wcześniejsze.

Przykład praktyczny: program zapobiegania upadkom

W szpitalu zaplanowano badanie, którego celem jest ocena, czy program edukacyjny dla pacjentów zmniejsza liczbę upadków w ciągu 30 dni od wypisu.

• Zmienna niezależna: udział w programie edukacyjnym, na przykład „tak” lub „nie”.
• Zmienna zależna: wystąpienie co najmniej jednego upadku w ciągu 30 dni albo liczba upadków.
• Potencjalne zmienne zakłócające: wiek, zaburzenia równowagi, wcześniejsze upadki, przyjmowanie leków uspokajających, ograniczenia wzroku oraz sprawność poznawcza.
• Potencjalny mediator: poprawa znajomości zasad bezpiecznego poruszania się.
• Możliwy moderator: stopień samodzielności, jeśli program okazuje się bardziej skuteczny u pacjentów poruszających się bez pomocy.

Jeśli pacjenci o większym ryzyku upadku częściej są kierowani do programu, proste porównanie odsetków upadków może paradoksalnie sugerować słabszą skuteczność programu, nawet gdy program pomaga. W analizie trzeba więc uwzględnić sposób kwalifikowania pacjentów oraz różnice wyjściowe między grupami. W badaniach obserwacyjnych należy jasno opisać kryteria doboru uczestników, definicje zmiennych i sposób uwzględnienia czynników zakłócających; takie elementy należą do zakresu dobrego raportowania badań obserwacyjnych zgodnie ze STROBE (von Elm i in., 2007). ([journals.plos.org](https://journals.plos.org/plosmedicine/article?id=10.1371%2Fjournal.pmed.0040296&utm_source=openai))

Najczęstsze błędy

• Traktowanie zmiennej niezależnej jako automatycznej przyczyny. W badaniach obserwacyjnych jest ona często ekspozycją lub predyktorem, a nie dowiedzioną przyczyną.
• Uznawanie każdej zmiennej towarzyszącej za konfunder. Zmienna może być mediatorem, moderatorem, wskaźnikiem selekcji albo jedynie cechą opisową.
• Dobieranie konfunderów wyłącznie według istotności statystycznej. Brak istotności w próbie nie dowodzi, że zmienna nie ma znaczenia metodologicznego.
• Kontrolowanie zmiennej pośredniczącej bez określenia celu. Może to prowadzić do oszacowania efektu bezpośredniego zamiast całkowitego.
• Pomijanie czasu pomiaru. Zmienna mierzona po rozpoczęciu ekspozycji nie musi być konfunderem.
• Niejasna operacjonalizacja. Ogólne pojęcia, takie jak „stres”, „zdrowy styl życia” albo „ciężki stan”, muszą zostać przełożone na konkretne procedury pomiaru.
• Automatyczne włączanie wszystkich zmiennych do modelu. Nadmierna liczba predyktorów może utrudniać interpretację, zwiększać niestabilność estymacji i prowadzić do niepożądanych korekt.

Co warto zapamiętać?

• Zmienna zależna to wynik, który chcemy wyjaśnić lub przewidywać.
• Zmienna niezależna to główna ekspozycja, interwencja albo predyktor analizowany względem wyniku.
• Zmienna zakłócająca jest związana z ekspozycją i wynikiem oraz może zniekształcać ich obserwowany związek.
• Rola zmiennej zależy od pytania badawczego; ta sama cecha może pełnić różne funkcje w różnych badaniach.
• Konfunder nie jest tym samym co mediator ani moderator.
• Dobór zmiennych do korekty powinien opierać się na wiedzy merytorycznej, kolejności czasowej i modelu przyczynowym.
• Statystyczna korekta nie naprawi błędnego pomiaru, nieodpowiedniego projektu ani braku ważnych danych.

Umiejętność rozpoznawania ról zmiennych jest jednym z fundamentów poprawnego planowania badania. W dalszej części publicznego szkolenia na statystyk.edu.pl pojęcia te będą potrzebne przy omawianiu operacjonalizacji, doboru próby, modeli regresji i interpretacji wyników. Zanim wybierzesz test statystyczny, najpierw ustal, jakie zmienne występują w badaniu i jaką funkcję pełnią w odpowiedzi na konkretne pytanie naukowe.

\n

Źródła i dalsza lektura

\n

1. Greenland, S.; Pearl, J.; Robins, J. M. (1999). Causal diagrams for epidemiologic research. Epidemiology, 10(1), 37–48. DOI: 10.1097/00001648-199901000-00008.
2. Hernán, M. A.; Robins, J. M. (2020). Causal Inference: What If. 1st edition. Chapman & Hall/CRC, Boca Raton. Informacja wydawcy / źródło.
3. VanderWeele, T. J.; Shpitser, I. (2011). A New Criterion for Confounder Selection. Biometrics, 67(4), 1406–1413. DOI: 10.1111/j.1541-0420.2011.01619.x.
4. VanderWeele, T. J. (2019). Principles of confounder selection. European Journal of Epidemiology, 34(3), 211–219. DOI: 10.1007/s10654-019-00494-6.
5. von Elm, E.; Altman, D. G.; Egger, M.; Pocock, S. J.; Gøtzsche, P. C.; Vandenbroucke, J. P.; for the STROBE Initiative (2007). The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) Statement: Guidelines for Reporting Observational Studies. PLoS Medicine, 4(10), e296. DOI: 10.1371/journal.pmed.0040296.

\n