015. Zmienne ukryte i alternatywne wyjaśnienia – skąd biorą się pozorne zależności?

W poprzednich lekcjach kursu na statystycznym szkoleniu dostępnym na statystyk.edu.pl rozróżnialiśmy zależność statystyczną i związek przyczynowy. Teraz wykonamy kolejny krok: zobaczymy, dlaczego pozorna zależność może pojawić się nawet wtedy, gdy badacz poprawnie obliczył współczynnik korelacji, iloraz szans, ryzyko względne albo różnicę średnich. Problem często nie tkwi w rachunkach, lecz w tym, że obserwowane zmienne są częścią bardziej złożonego układu.

Jeżeli dwie zmienne współwystępują, należy zapytać nie tylko: „czy są związane?”, lecz także: „jakie inne mechanizmy mogły doprowadzić do tego wyniku?” Takie pytanie jest podstawą krytycznej interpretacji badań obserwacyjnych.

1. Zależność obserwowana a rzeczywisty mechanizm

Załóżmy, że badacz stwierdza zależność między zmienną X a zmienną Y. Przykładowo:

• osoby śpiące krócej zgłaszają więcej objawów depresyjnych;
• pacjenci przyjmujący określony lek częściej mają powikłania;
• uczniowie korzystający z korepetycji uzyskują niższe wyniki egzaminu;
• mieszkańcy obszarów o większej liczbie placówek medycznych częściej trafiają do szpitala.

Każda z tych zależności może być prawdziwa jako opis danych, ale sam opis nie rozstrzyga jeszcze, co ją wywołuje. Możliwe są co najmniej cztery sytuacje:

1. X wpływa na Y – występuje mechanizm przyczynowy;
2. Y wpływa na X – kierunek zależności jest odwrotny od założonego;
3. trzecia zmienna Z wpływa zarówno na X, jak i na Y – obserwujemy zakłócenie, czyli konfuzję;
4. związek wynika z selekcji, pomiaru lub przypadku – nie odzwierciedla stabilnego mechanizmu w populacji.

W praktyce badawczej trzeba również uwzględniać możliwość, że badane pojęcia są konstruktami częściowo nieobserwowalnymi. Na przykład „stres”, „status społeczno-ekonomiczny”, „jakość opieki” czy „motywacja” nie są pojedynczymi, bezpośrednio widocznymi obiektami. Są zmiennymi ukrytymi lub konstruktami, które opisujemy za pomocą wskaźników.

2. Czym są zmienne ukryte?

Zmienna ukryta to cecha, której nie obserwujemy bezpośrednio, lecz wnioskujemy o niej na podstawie kilku wskaźników. Przykładowo depresja może być oceniana na podstawie odpowiedzi dotyczących nastroju, snu, anhedonii, energii i koncentracji. Każdy wskaźnik jest niedoskonały, a wspólny wynik ma reprezentować szerszy konstrukt.

W najprostszym modelu pomiarowym można zapisać:

Yi = λiη + εi

• Y_i – obserwowany wskaźnik, na przykład wynik pojedynczego pytania kwestionariusza;
• η – zmienna ukryta, na przykład nasilenie depresji;
• λ_i – ładunek czynnikowy, czyli siła związku wskaźnika z konstruktem;
• ε_i – składnik błędu pomiaru i treści specyficznej dla danego wskaźnika.

Jeżeli badacz potraktuje jeden wskaźnik jako pełną miarę konstruktu, może otrzymać zniekształcony obraz zależności. Przykładowo pojedyncze pytanie „Czy często czuje się Pan/Pani zmęczony/a?” może odzwierciedlać depresję, ale również niedobór snu, chorobę somatyczną, pracę zmianową lub działania niepożądane leku.

Zmienne ukryte a zmienne niezmierzone

Nie każda zmienna niezmierzona jest zmienną ukrytą w sensie modelu pomiarowego. Zmienna ukryta jest zwykle konstruktem, który można opisywać za pomocą wielu wskaźników. Zmienna niezmierzona może natomiast być konkretnym czynnikiem, którego badacz po prostu nie zebrał, na przykład paleniem tytoniu, ciężkością choroby lub poziomem dochodu.

Obie sytuacje mogą prowadzić do błędnego wnioskowania, ale wymagają nieco innej strategii. W przypadku konstruktu ukrytego potrzebny jest lepszy model pomiarowy. W przypadku niezmierzonego czynnika konieczne może być zebranie dodatkowych danych, zastosowanie projektu eksperymentalnego albo analiza wrażliwości.

3. Zmienna zakłócająca i alternatywne wyjaśnienie

Zmienna zakłócająca, czyli konfunder, to zmienna związana z ekspozycją oraz z wynikiem, która może powodować, że obserwowany związek między nimi nie odpowiada związkowi, jaki uzyskalibyśmy przy porównaniu osób równoważnych pod względem tej zmiennej. Kluczowe jest nie samo współwystępowanie trzech zmiennych, lecz ich ułożenie w rozważanym modelu przyczynowym.

Można przedstawić ten układ schematycznie:

Z → X
Z → Y

• Z – potencjalny konfunder;
• X – ekspozycja, czynnik ryzyka lub interwencja;
• Y – wynik zdrowotny, zachowanie albo inne następstwo.

Przykładowo wiek może wpływać na prawdopodobieństwo stosowania wielu leków oraz na ryzyko hospitalizacji. Jeżeli porównamy jedynie osoby przyjmujące i nieprzyjmujące leków, bez uwzględnienia wieku, możemy przypisać lekowi część ryzyka wynikającego z różnic wieku.

Diagramy przyczynowe, w tym skierowane grafy acykliczne, pomagają wskazać, które zmienne powinny być mierzone i kontrolowane, aby uzyskać mniej obciążone oszacowanie efektu (Greenland, Pearl i Robins, 1999). Nie zastępują one wiedzy dziedzinowej. Porządkują jednak założenia, które w zwykłej analizie tabeli lub modelu regresji często pozostają niewypowiedziane.

4. Mediator, konfunder i modyfikator efektu – nie myl tych pojęć

4.1. Mediator

Mediator leży na drodze między ekspozycją a wynikiem. Przykładowo aktywność fizyczna może wpływać na nastrój częściowo poprzez poprawę jakości snu:

Aktywność fizyczna → jakość snu → nastrój

Jeżeli celem jest oszacowanie całkowitego efektu aktywności fizycznej na nastrój, automatyczne kontrolowanie jakości snu może usunąć część interesującego mechanizmu. Nie każda zmienna skorelowana z X i Y jest więc konfunderem, który należy „wyeliminować” z modelu.

4.2. Modyfikator efektu

Modyfikator efektu to zmienna, przy której poziomach siła albo kierunek związku X–Y się różni. Przykładowo program rehabilitacyjny może działać silniej u pacjentów młodszych niż u starszych. Nie musi to oznaczać błędu. Może wskazywać na rzeczywistą heterogeniczność efektu.

W analizie nie należy bezrefleksyjnie dążyć do jednego „uśrednionego” wyniku. Trzeba sprawdzić, czy efekt jest podobny w ważnych podgrupach oraz czy różnice mają znaczenie kliniczne lub społeczne.

4.3. Zmienna będąca skutkiem ekspozycji

Kontrolowanie zmiennej, która pojawia się dopiero po ekspozycji, może również prowadzić do błędu. Przykładowo w badaniu wpływu leczenia na przeżycie nie powinno się automatycznie korygować wyniku o powikłanie, jeżeli powikłanie jest częściowo skutkiem leczenia i jednocześnie wpływa na przeżycie. Taka korekta może zaniżyć całkowity efekt lub wprowadzić dodatkowe zniekształcenie (Weinberg, 1993).

5. Przykład 1: korepetycje a wyniki egzaminu

Załóżmy, że w badaniu uczniów stwierdzono, iż osoby korzystające z korepetycji osiągają średnio niższe wyniki niż osoby, które z korepetycji nie korzystają. Czy oznacza to, że korepetycje pogarszają wyniki?

Nie. Bardziej prawdopodobnym alternatywnym wyjaśnieniem może być wcześniejszy poziom trudności w nauce. Uczniowie mający większe problemy częściej korzystają z dodatkowej pomocy, a jednocześnie – nawet po jej otrzymaniu – mogą nadal uzyskiwać niższe wyniki. Wtedy:

trudności w nauce → korzystanie z korepetycji
trudności w nauce → wynik egzaminu

W analizie obserwacyjnej korepetycje mogą więc wyglądać jak czynnik związany z gorszym wynikiem, mimo że ich rzeczywisty wpływ może być korzystny, neutralny albo różny w zależności od jakości i intensywności zajęć.

Lepsze badanie powinno uwzględnić wynik początkowy, wcześniejsze oceny, absencję, motywację, dostęp do zasobów edukacyjnych i rodzaj korepetycji. Jeszcze silniejszym rozwiązaniem byłoby losowe przydzielenie uczniów do programu wsparcia, o ile jest to etyczne i wykonalne.

6. Przykład 2: lek, ciężkość choroby i hospitalizacja

W dokumentacji medycznej można zauważyć, że pacjenci przyjmujący określony lek częściej trafiają do szpitala. Taki wynik może być interpretowany jako sygnał szkodliwości leku, ale równie dobrze może wynikać z confounding by indication, czyli zakłócenia wskazaniem do leczenia.

Pacjenci o cięższym przebiegu choroby częściej otrzymują lek, ponieważ istnieje ku temu wskazanie kliniczne. Ciężkość choroby zwiększa również ryzyko hospitalizacji. Schemat wygląda następująco:

ciężkość choroby → zastosowanie leku
ciężkość choroby → hospitalizacja

Proste porównanie odsetka hospitalizacji nie odpowiada zatem na pytanie, jaki byłby wynik u podobnych pacjentów, gdyby jedni otrzymali lek, a inni nie. Wymaga to odpowiedniego projektu badania, kontroli zmiennych zdefiniowanych przed leczeniem oraz ostrożnej interpretacji wyników.

7. Paradoks Simpsona: gdy obraz ogólny odwraca się po podziale na grupy

Paradoks Simpsona występuje wtedy, gdy kierunek zależności w danych zagregowanych różni się od kierunku zależności obserwowanego po podziale na istotne podgrupy. Zjawisko to zostało opisane w klasycznym artykule E. H. Simpsona z 1951 roku, dotyczącym interpretacji interakcji w tablicach kontyngencji (Simpson, 1951).

Wyobraźmy sobie dwa sposoby leczenia. W całej grupie leczenie A może mieć wyższy odsetek sukcesów niż leczenie B. Po rozdzieleniu pacjentów na przypadki lekkie i ciężkie może się jednak okazać, że leczenie B wypada lepiej zarówno w grupie lekkiej, jak i ciężkiej. Różnica wynika wówczas z tego, że leczenie A częściej stosowano u pacjentów ciężej chorych.

Paradoks nie jest „sztuczką matematyczną”, lecz ostrzeżeniem przed bezkrytycznym agregowaniem danych. Wskazuje, że wynik zależy od struktury grup, proporcji obserwacji i założeń dotyczących mechanizmu.

8. Wzór pomocniczy: zależność pozorna w modelu korelacyjnym

Dla trzech zmiennych ilościowych można rozważyć korelację cząstkową między X i Y przy kontrolowaniu Z:

rXY·Z = (rXY − rXZrYZ) / √[(1 − rXZ2)(1 − rYZ2)]

• r_XY·Z – korelacja między X i Y po statystycznym uwzględnieniu Z;
• r_XY – zwykła korelacja między X i Y;
• r_XZ – korelacja między X i Z;
• r_YZ – korelacja między Y i Z;
• √ – pierwiastek kwadratowy.

Jeżeli po uwzględnieniu Z korelacja wyraźnie maleje, może to sugerować, że część zależności X–Y była związana z Z. Nie oznacza to jednak automatycznie, że Z jest prawdziwym konfunderem ani że resztkowa korelacja ma charakter przyczynowy. Wynik zależy od jakości pomiaru, poprawności modelu, liniowości zależności i tego, czy Z zostało właściwie wybrane.

9. Przykład praktyczny: analiza przypadku

Badacz chce sprawdzić, czy praca zmianowa wiąże się z objawami lękowymi u pielęgniarek. W badaniu przekrojowym uzyskuje dodatnią korelację między liczbą nocnych dyżurów a wynikiem skali lęku.

Krok 1: sformułowanie alternatywnych hipotez

• nocne dyżury mogą pogarszać sen, a gorszy sen może zwiększać nasilenie lęku;
• osoby z większym lękiem mogą częściej wybierać lub otrzymywać określone grafiki;
• warunki pracy, liczba obowiązków i brak wsparcia organizacyjnego mogą wpływać zarówno na liczbę dyżurów, jak i lęk;
• osoby pracujące w bardziej obciążających oddziałach mogą częściej pełnić dyżury nocne i mieć wyższe wyniki lęku;
• jednorazowy pomiar może zawyżać zależność, jeśli aktualne przeciążenie wpływa na oba pomiary.

Krok 2: rozróżnienie mediatora od konfudera

Jeżeli sen pogarsza się po rozpoczęciu pracy zmianowej, może być mediatorem. Jeżeli natomiast rodzaj oddziału był ustalony wcześniej i wpływa zarówno na grafik, jak i na lęk, może pełnić funkcję konfudera. Ostateczna klasyfikacja zależy od czasu pomiaru i przyjętego modelu przyczynowego.

Krok 3: dobór analizy

Badacz powinien opisać kolejność pomiarów, sprawdzić jakość skal, uwzględnić potencjalne zmienne zakłócające ustalone przed ekspozycją oraz rozważyć analizę wrażliwości na niezmierzone zakłócenie. Samo dodanie do regresji wszystkich dostępnych zmiennych nie jest dobrą strategią. Wybór zmiennych powinien wynikać z wiedzy merytorycznej, projektu badania i jasno określonego pytania.

Diagramy przyczynowe są użyteczne właśnie dlatego, że pozwalają odróżnić zmienne, które warto kontrolować, od mediatorów i zmiennych będących wspólnymi skutkami innych przyczyn. Współczesne zalecenia dotyczące stosowania DAG-ów w badaniach zdrowotnych podkreślają potrzebę jawnego uzasadnienia wyboru zmiennych, a nie wyłącznie mechanicznego opierania się na wartościach p (Tennant i in., 2021).

Najczęstsze błędy

• Traktowanie korelacji jako dowodu mechanizmu. Korelacja opisuje współzmienność, ale nie rozstrzyga o kierunku i przyczynie.
• Kontrolowanie każdej zmiennej, która osiąga istotność w analizie jednoczynnikowej. Taka procedura może prowadzić do nadmiernego dopasowania, kontroli mediatora albo otwarcia ścieżki obciążenia.
• Mylenie konfudera z mediatorem. Zmienna pośrednicząca może być częścią efektu, który badacz chce oszacować.
• Ignorowanie odwrotnej przyczynowości. Wynik zdrowotny może wpływać na ekspozycję, a nie tylko odwrotnie.
• Używanie pojedynczego wskaźnika jako pełnej miary konstruktu. Może to zwiększać błąd pomiaru i prowadzić do nieprecyzyjnych wniosków.
• Wybieranie zmiennych na podstawie samego p. Statystyczna istotność nie zastępuje uzasadnienia teoretycznego i projektowego.
• Pomijanie wyników warunkowych. Zależność ogólna może ukrywać różne efekty w podgrupach.
• Język przyczynowy w badaniu przekrojowym. Jeżeli kolejność zdarzeń nie jest ustalona, bezpieczniej mówić o związku, różnicy lub współwystępowaniu.

Co warto zapamiętać?

1. Pozorna zależność może wynikać z trzeciej zmiennej, odwrotnej przyczynowości, selekcji, błędu pomiaru albo przypadku.
2. Zmienna ukryta nie jest bezpośrednio obserwowana; opisuje się ją za pomocą wielu wskaźników.
3. Konfunder, mediator i modyfikator efektu pełnią różne funkcje i nie powinny być traktowane jako synonimy.
4. Kontrolowanie zmiennej nie zawsze poprawia analizę. Najpierw trzeba określić jej miejsce w rozważanym modelu.
5. Diagram przyczynowy jest narzędziem ujawniania założeń, a nie automatycznym dowodem przyczynowości.
6. Paradoks Simpsona pokazuje, że agregowanie danych może zmienić, a nawet odwrócić obraz zależności.
7. Istotność statystyczna nie mówi, czy zależność jest ważna praktycznie ani czy ma znaczenie przyczynowe.
8. Dobre badanie powinno przedstawiać konkurencyjne wyjaśnienia i wskazywać, które z nich zostały rzeczywiście poddane ocenie.

W kolejnych lekcjach warto traktować każdą zaobserwowaną zależność jako punkt wyjścia do budowy i porównywania modeli, a nie jako końcowy werdykt. Dojrzałe wnioskowanie naukowe polega nie na szybkim wyborze jednego wyjaśnienia, lecz na sprawdzeniu, czy dane odróżniają je od sensownych alternatyw.

\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. Simpson, E. H. (1951). The Interpretation of Interaction in Contingency Tables. Journal of the Royal Statistical Society: Series B (Methodological), 13(2), 238–241. DOI: 10.1111/j.2517-6161.1951.tb00088.x.
3. VanderWeele, T. J. (2019). Principles of confounder selection. European Journal of Epidemiology, 34(3), 211–219. DOI: 10.1007/s10654-019-00494-6.
4. Weinberg, C. R. (1993). Toward a clearer definition of confounding. American Journal of Epidemiology, 137(1), 1–8. DOI: 10.1093/oxfordjournals.aje.a116591.
5. Pearl, J. (2009). Causality: Models, Reasoning, and Inference. 2nd edition. Cambridge University Press. Informacja wydawcy / źródło.

\n