128. Zmienne binarne – kodowanie 0/1 i interpretacja

Zmienne binarne, nazywane także dychotomicznymi, opisują sytuacje, w których obserwacja może należeć do jednej z dwóch rozłącznych kategorii. Przykładami są: wystąpienie lub brak objawu, przeżycie lub zgon, palenie tytoniu lub niepalenie, odpowiedź „tak” lub „nie”, a także obecność albo brak określonego zachowania. W analizie statystycznej takie zmienne często koduje się za pomocą wartości 0 i 1. Samo przypisanie tych liczb nie zmienia charakteru pomiaru: zmienna nadal jest jakościowa, a liczby pełnią przede wszystkim funkcję kodów.

W tej lekcji kursu metodologii badań i statystyki na statystyk.edu.pl skupiamy się na tym, jak zaprojektować kodowanie, jak opisać je w dokumentacji oraz jak rozumieć znaczenie wartości 0 i 1 w tabelach, porównaniach grup i modelach statystycznych.

Czym jest zmienna binarna?

Zmienna binarna ma dokładnie dwie kategorie w przyjętej operacjonalizacji. Formalnie można zapisać ją jako zmienną X, dla której:

X ∈ {0, 1}

Nie oznacza to jednak, że każda zmienna przyjmująca wartości 0 i 1 jest z natury binarna. Jeżeli badacz zakoduje trzy grupy jako 0, 1 i 2, to nie uzyska zmiennej ilościowej tylko dlatego, że użył liczb. O charakterze zmiennej decyduje znaczenie kategorii, a nie wygląd kolumny w arkuszu kalkulacyjnym.

Warto odróżnić trzy elementy:

• konstrukt – na przykład depresja, hospitalizacja lub palenie tytoniu;
• definicję operacyjną – na przykład wynik kwestionariusza powyżej ustalonego punktu odcięcia albo informację z dokumentacji medycznej;
• kod numeryczny – na przykład 1 dla obecności cechy i 0 dla jej braku.

Najważniejsze jest to, aby kod 0/1 był jednoznacznie powiązany z definicją operacyjną. W przeciwnym razie analiza może być technicznie poprawna, lecz merytorycznie nieczytelna lub wręcz odwrócona względem intencji badacza.

Dlaczego stosuje się kodowanie 0/1?

Kodowanie 0/1 jest wygodne z kilku powodów. Po pierwsze, większość programów statystycznych może bezpośrednio wykorzystywać tak zapisaną zmienną w tabelach, testach i modelach. Po drugie, średnia zmiennej binarnej ma prostą interpretację: jest równa odsetkowi obserwacji zakodowanych jako 1.

Jeśli X przyjmuje wartość 1 dla wystąpienia zdarzenia i 0 dla jego braku, to:

średnia(X) = liczba obserwacji z X = 1 / liczba wszystkich obserwacji

Na przykład w grupie 200 pacjentów 36 osób ponownie trafiło do szpitala w ciągu 30 dni. Jeżeli ponowną hospitalizację zakodowano jako 1, a jej brak jako 0, średnia wynosi 36/200 = 0,18. Po pomnożeniu przez 100 otrzymujemy 18%. Nie jest to dowód, że zmienna stała się zmienną ilościową. Jest to jedynie szczególna właściwość zmiennej wskaźnikowej.

Wartość 1 zwykle przypisuje się kategorii będącej przedmiotem zainteresowania, natomiast 0 kategorii bazowej, referencyjnej lub nieobecności zdarzenia. Nie jest to jednak obowiązkowa konwencja. Można zakodować 1 jako „brak objawu”, a 0 jako „objaw obecny”. Taki wybór zmieni znaki lub kierunek niektórych wyników, ale nie zmieni informacji zawartej w danych, o ile zostanie jasno opisany.

Jak zaprojektować kodowanie zmiennej binarnej?

1. Zdefiniuj obie kategorie

Nie wystarczy napisać w słowniku danych „płeć: 0/1” albo „leczenie: 0/1”. Należy wskazać, co oznacza każda wartość. Przykładowy zapis może wyglądać następująco:

Nazwa zmiennej	Kod 0	Kod 1	Źródło danych
hospitalizacja30	brak hospitalizacji w 30 dni	hospitalizacja w 30 dni	dokumentacja medyczna
palenie	osoba niepaląca	osoba aktualnie paląca	kwestionariusz

2. Określ jednostkę obserwacji

To samo kodowanie może oznaczać coś innego zależnie od jednostki analizy. W badaniu pacjentów zmienna „hospitalizacja30” może oznaczać, czy dany pacjent był ponownie hospitalizowany. W badaniu zdarzeń, w którym każdy wiersz dotyczy pojedynczej wizyty, może natomiast opisywać, czy konkretna wizyta zakończyła się przyjęciem do szpitala.

W dokumentacji trzeba zatem podać nie tylko kategorie, ale również to, czego dotyczy pojedynczy rekord oraz jaki jest okres obserwacji.

3. Oddziel brak danych od wartości 0

Brak informacji nie jest zwykle tym samym co brak cechy. Jeżeli respondent nie odpowiedział na pytanie o palenie, nie należy automatycznie zakodować go jako 0, czyli „nie pali”. W przeciwnym razie osoby z nieznanym statusem zostaną błędnie przypisane do jednej z kategorii.

Możliwe rozwiązania obejmują:

• pozostawienie braku danych jako wartości pustej;
• zastosowanie osobnego kodu technicznego, na przykład 9 lub 99, pod warunkiem że program nie potraktuje go jako zwykłej wartości liczbowej;
• zastosowanie odpowiedniej metody analizy braków danych;
• opisanie liczby braków i sposobu ich obsługi w raporcie.

Kod 9 oznaczający „brak odpowiedzi” nie jest trzecią kategorią merytoryczną, ale informacją o jakości lub kompletności pomiaru. Musi więc być odpowiednio oznaczony jako brak danych / missing value.

Zmienne binarne w tabelach opisowych

W przypadku zmiennych binarnych najczęściej raportuje się liczebności i odsetki obu kategorii. Przykładowo:

Objaw duszności	n	%
Nieobecny (0)	148	74,0
Obecny (1)	52	26,0

Nie należy poprzestawać na samej średniej, na przykład „średnia duszności = 0,26”, ponieważ taki zapis może być nieczytelny dla odbiorcy. Średnia jest użyteczna w obliczeniach, ale w publikacji zwykle lepiej przedstawić n i % oraz zdefiniować kodowanie w przypisie do tabeli.

Jeżeli zmienna binarna jest wynikiem klasyfikacji opartej na progu, należy podać także regułę klasyfikacji. Przykładowo: „otyłość: 1 = BMI ≥ 30 kg/m², 0 = BMI < 30 kg/m²”. Samo określenie „otyłość zakodowana 0/1” nie pozwala ocenić, czy zastosowano prawidłową definicję.

Interpretacja różnicy między grupami

Załóżmy, że porównujemy częstość depresji w dwóch grupach studentów. W grupie uczestniczącej w warsztatach 12 z 100 osób spełnia kryterium depresji, a w grupie bez warsztatów 20 z 100 osób. Jeżeli depresję zakodowano jako 1, odsetki wynoszą odpowiednio 12% i 20%.

Różnica ryzyka lub różnica częstości wynosi:

12% − 20% = −8 punktów procentowych

Wartość ujemna oznacza, że odsetek zakodowanych jako 1 był niższy w pierwszej grupie. Nie wolno jednak automatycznie sformułować wniosku przyczynowego, że warsztaty zmniejszyły depresję, jeśli badanie nie było randomizowanym eksperymentem lub nie zapewniało odpowiedniej kontroli czynników zakłócających.

Można również obliczyć iloraz szans, ale trzeba pamiętać, że iloraz szans nie jest tym samym co iloraz ryzyka. W szczególności przy częstych zdarzeniach może wyraźnie zawyżać intuicyjne wrażenie siły związku. Wnioski powinny więc uwzględniać rodzaj miary, przedział ufności i kontekst kliniczny.

Zmienne binarne w regresji logistycznej

Gdy zmienna zależna jest binarna, często stosuje się regresję logistyczną. W najprostszym przypadku model można zapisać następująco:

logit(p) = ln[p/(1 − p)] = β0 + β1X

• p – prawdopodobieństwo wystąpienia zdarzenia zakodowanego jako 1;
• p/(1 − p) – szanse wystąpienia tego zdarzenia;
• ln – logarytm naturalny;
• β₀ – wyraz wolny, czyli logarytm szans zdarzenia dla X = 0;
• β₁ – zmiana logarytmu szans związana z przejściem od X = 0 do X = 1.

Po potęgowaniu współczynnika otrzymujemy iloraz szans:

OR = eβ1

Jeżeli X = 1 oznacza ekspozycję na czynnik ryzyka, a X = 0 jej brak, to OR porównuje szanse zdarzenia w grupie eksponowanej z szansami w grupie referencyjnej. Gdy OR = 1, model nie wskazuje na różnicę szans. Gdy OR > 1, szanse są wyższe w grupie zakodowanej jako 1, a gdy OR < 1 – niższe.

Interpretacja zależy od kierunku kodowania. Jeśli badacz odwróci kody, OR zostanie odwrócony: wartość 2 stanie się wartością 0,5. Nie oznacza to sprzeczności, lecz zmianę grupy referencyjnej.

Przykład praktyczny: ponowna hospitalizacja

W badaniu obserwacyjnym analizowano, czy pacjent był ponownie hospitalizowany w ciągu 30 dni od wypisu. Zmienną zdefiniowano następująco:

• hospitalizacja30 = 1 – ponowna hospitalizacja w ciągu 30 dni;
• hospitalizacja30 = 0 – brak ponownej hospitalizacji w tym okresie.

W grupie pacjentów objętych telefonicznym kontaktem po wypisie hospitalizowano ponownie 15 z 150 osób, czyli 10%. W grupie bez kontaktu ponownie hospitalizowano 24 z 150 osób, czyli 16%.

Opisowo różnica wynosi 6 punktów procentowych na korzyść grupy z kontaktem. Jest to wynik opisowy, a nie automatyczny dowód skuteczności kontaktu. Jeżeli grupy różniły się na przykład wiekiem, ciężkością choroby lub wcześniejszą liczbą hospitalizacji, potrzebna może być analiza skorygowana. W modelu logistycznym zmienna „kontakt” może być zakodowana jako 1 dla kontaktu i 0 dla jego braku. Wtedy współczynnik lub OR odnoszą się do porównania grupy kontaktu z grupą bez kontaktu.

Raport powinien wyjaśniać: definicję wyniku, długość obserwacji, źródło danych, liczbę braków, sposób kodowania ekspozycji oraz zmienne uwzględnione w modelu. Takie podejście jest zgodne z zaleceniami STROBE, które wymagają jasnego zdefiniowania wyników, ekspozycji, predyktorów i potencjalnych czynników zakłócających (von Elm i in., 2007).

Zmienne binarne jako predyktory i jako wyniki

Ta sama technika kodowania może być użyta dla różnych ról zmiennej:

• binarny wynik – na przykład zgon: 1 = zgon, 0 = przeżycie;
• binarny predyktor – na przykład palenie: 1 = aktualne palenie, 0 = brak aktualnego palenia;
• binarny czynnik zakłócający – na przykład cukrzyca: 1 = rozpoznana, 0 = nierozpoznana;
• binarny modyfikator efektu – na przykład płeć lub przynależność do określonej grupy, jeśli jest to uzasadnione celem badania.

Nie należy utożsamiać roli zmiennej z jej poziomem pomiaru. Zmienna może być nominalna i binarna, ale jednocześnie pełnić funkcję wyniku, ekspozycji albo kowariaty. To są różne aspekty projektu badania.

Najczęstsze błędy

1. Traktowanie 0 i 1 jako dowolnych liczb ilościowych. Kodowanie numeryczne ułatwia obliczenia, ale nie tworzy automatycznie skali ilorazowej ani przedziałowej.
2. Brak definicji kategorii. Zapis „0 = nie, 1 = tak” jest niewystarczający, gdy nie wiadomo, czego dotyczy pytanie, jaki był okres odniesienia i jakie kryterium uznano za spełnienie cechy.
3. Włączanie braków danych do kategorii 0. Nieudzielenie odpowiedzi nie oznacza braku cechy.
4. Odwrócenie interpretacji po zmianie kodu. Zmiana kategorii referencyjnej zmienia interpretację współczynnika i może zmienić jego znak.
5. Używanie jednej zmiennej binarnej dla więcej niż dwóch kategorii. Jeśli cecha ma trzy lub więcej kategorii, trzeba zastosować odpowiedni zestaw zmiennych wskaźnikowych albo inną metodę kodowania.
6. Interpretowanie OR jako ryzyka względnego. Iloraz szans i ryzyko względne są różnymi miarami.
7. Wnioskowanie przyczynowe na podstawie samego kodowania. Kod 0/1 opisuje sposób zapisu danych, ale nie zapewnia randomizacji ani kontroli zakłóceń.
8. Raportowanie wyłącznie wartości p. Należy podawać także liczebności, odsetki, miarę efektu i przedział ufności. Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej.

Jak opisywać kodowanie w publikacji?

Dobry opis powinien umożliwić odtworzenie analizy. Przykładowe zdanie brzmi: „Wynik główny zakodowano jako zmienną binarną: 1 oznaczało wystąpienie ponownej hospitalizacji w ciągu 30 dni od wypisu, a 0 jej brak. Osoby bez informacji o statusie hospitalizacji wyłączono z analizy głównej, a ich liczebność przedstawiono w tabeli 1”.

Warto również podać, która kategoria była referencyjna w modelu. Standardy APA JARS podkreślają znaczenie jasnego opisu operacjonalizacji, zmiennych i planu analizy, ponieważ pozwala to odbiorcy ocenić sposób przeprowadzenia badania i odtworzyć analizę (Appelbaum i in., 2018).

W przypadku badań obserwacyjnych pomocna jest lista STROBE. Nie zastępuje ona poprawnego projektu badania, ale przypomina o konieczności opisania definicji zmiennych, źródeł danych, sposobu pomiaru, braków danych i metod statystycznych (von Elm i in., 2007).

Co warto zapamiętać?

• Zmienne binarne mają dwie kategorie, a kodowanie 0/1 jest technicznym sposobem ich zapisu.
• Wartość 1 powinna oznaczać kategorię zainteresowania, a 0 – kategorię referencyjną, lecz najważniejsza jest konsekwencja i jasny opis.
• Średnia zmiennej zakodowanej 0/1 może odpowiadać odsetkowi obserwacji z wartością 1.
• Brak danych należy odróżnić od wartości 0.
• W regresji logistycznej kodowanie wyznacza kierunek porównania i interpretację ilorazu szans.
• Zmiana kodowania może zmienić znak lub odwrotność współczynnika, ale nie musi zmieniać informacji zawartej w danych.
• Wyniki należy interpretować razem z liczebnościami, odsetkami, przedziałami ufności i znaczeniem praktycznym.
• Samo kodowanie nie uzasadnia wniosków przyczynowych.

Poprawne kodowanie zmiennej binarnej jest małą decyzją techniczną, która może mieć duże konsekwencje interpretacyjne. Jeżeli definicje kategorii, wartości brakujące i grupa referencyjna są ustalone przed analizą i konsekwentnie opisane, 0 i 1 stają się przejrzystym językiem komunikowania wyników, a nie źródłem nieporozumień.

Źródła i dalsza lektura

1. Kasza, J., Wolfe, R., McKenzie, D. P., et al. (2014). Interpretation of commonly used statistical regression models. Respirology, 19(3), 308–317. DOI: 10.1111/resp.12221.
2. von Elm, E., Altman, D. G., Egger, M., Pocock, S. J., Gøtzsche, P. C., Vandenbroucke, J. P.; 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.
3. Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. DOI: 10.1037/amp0000191.
4. American Psychological Association (2024). APA Style Journal Article Reporting Standards (JARS). American Psychological Association. Źródło.
5. STROBE Initiative; EQUATOR Network (2026). The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) Statement: guidelines for reporting observational studies. EQUATOR Network. Źródło.
6. Kirkwood, B. R., Sterne, J. A. C. (2003). Essential Medical Statistics. 2nd edition. Blackwell Science.