Prace dyplomowe · Opis metody

Porównanie grup istniejących – jak opisać metodę i dobrać grupę porównawczą

Pacjenci i osoby bez choroby, dwa zawody, kobiety i mężczyźni – grup nie losujesz, więc to nie eksperyment. Pokazujemy, jak opisać źródło każdej grupy, dobrać grupę porównawczą, czytać standaryzowane różnice i ostrożnie stosować ANCOVA – z gotowym podrozdziałem „Metoda” i przykładem w R.

Strona główna / Blog / Porównanie grup istniejących
W skrócie: Grupy istniejące powstały bez Twojego udziału, więc różnią się nie tylko tym, co je nazywa. Opisz źródło, kryteria i rekrutację każdej grupy tym samym układem, a porównywalność pokaż standaryzowaną różnicą, a nie kolumną p. ANCOVA nie wyrówna grup: w przykładzie z dobrze dobraną grupą różnica wynosi −2.42 punktu, przy ochotnikach z internetu −4.07, a po korekcie o objawy będące częścią choroby −1.52 – przy prawdziwej różnicy −2.92. We wnioskach pisz o różnicach, nie o wpływie.

Gdy grup nie da się przydzielić

Chcesz porównać pacjentów z osobami bez choroby, pielęgniarki z nauczycielami albo kobiety z mężczyznami. Nikogo do grupy nie przydzielasz, bo grupy już istnieją. Taki projekt to porównanie grup istniejących, czyli odmiana schematu obserwacyjnego, najczęściej przekrojowego: mierzysz wynik raz w każdej grupie i sprawdzasz, czym się różnią. Brak losowego przydziału odróżnia go od eksperymentu, a brak wprowadzanej interwencji – od quasi-eksperymentu.

Ogólną budowę tego podrozdziału opisuje wpis rozdział metodologiczny. Tutaj pokazujemy to, co jest specyficzne dla grup istniejących: skąd wziąć grupę porównawczą, jak opisać źródło każdej grupy, jak czytać tabelę porównania i dlaczego ANCOVA nie „wyrównuje” takich grup. Na końcu znajdziesz gotowy podrozdział do przerobienia.

Przykład przewodni (fikcyjny, dane symulowane). Studentka chce sprawdzić, czy osoby z przewlekłym bólem krzyża wypadają gorzej w zadaniu wyszukiwania symboli (liczba poprawnych znaków w 90 sekund). Ma 120 pacjentów poradni leczenia bólu. Rozważa dwie grupy porównawcze po 120 osób: ochotników z internetu albo osoby z przychodni POZ tej samej dzielnicy. Ponieważ dane są symulowane, znamy prawdziwą różnicę: −2.92 punktu. W prawdziwym badaniu tej liczby nikt nie zna.

Dlaczego to nie eksperyment

W eksperymencie losowanie sprawia, że grupy różnią się przed manipulacją tylko przypadkiem. Grupy istniejące powstały z określonych powodów. Pacjenci różnią się od osób bez choroby wiekiem, lekami, snem i aktywnością. Pielęgniarki różnią się od nauczycieli płcią, stażem i pracą zmianową. Każda z tych cech może być zmienną zakłócającą, a dobór do grup to klasyczne zagrożenie trafności wewnętrznej (Shadish i in., 2002). Dlatego zanim zaczniesz, zapisz, o które z trzech pytań ci chodzi:

Trzy pytania, które można zadać w porównaniu grup istniejących, i to, co odpowiada na każde z nich
PytanieCo na nie odpowiadaJak o tym pisać
Czy grupy – takie, jakie są – różnią się wynikiem?Różnica surowa z 95% CI„Pacjenci uzyskali niższy wynik niż…”
Czy różnica utrzymuje się przy tym samym wieku, płci, wykształceniu?Model z cechami, które nie są skutkiem przynależności do grupy„Po uwzględnieniu wieku… różnica wyniosła…”
Czy choroba lub zawód powoduje tę różnicę?Jedno porównanie przekrojowe tego nie rozstrzygaHipoteza do dalszych badań, nie wniosek

Konsekwencja dla słownictwa: przynależność do grupy nazywaj czynnikiem grupującym albo predyktorem, a o różnicach pisz bez „wpływu”. Podobną zasadę omawia wpis o badaniu korelacyjnym; wpis o eksperymencie z losowym przydziałem pokazuje, czego tu brakuje.

Kryteria i źródło każdej grupy

Czytelnik musi wiedzieć, skąd wzięła się każda grupa. Opisz obie osobno, według tego samego układu. Raportowanie według STROBE wymaga m.in. podania, które zmienne zakłócające uwzględniono i dlaczego (Vandenbroucke i in., 2007).

Elementy opisu pacjentów i grupy porównawczej z fikcyjnego przykładu
ElementPacjenciGrupa porównawcza
ŹródłoPoradnia leczenia bóluPrzychodnia POZ tej samej dzielnicy
Jak ustalono przynależnośćRozpoznanie w dokumentacji, ból ≥ 12 tygodniPytanie przesiewowe: brak przewlekłego bólu krzyża
RekrutacjaKolejni pacjenci w ustalonym okresieKolejne osoby w tym samym okresie, zgłaszające się z innego powodu
Włączenie i wyłączenie30–69 lat; bez rozpoznanej choroby neurologicznejTe same kryteria wieku i wyłączenia
DobórWszyscy spełniający kryteriaCzęstościowy: płeć i dekada wieku jak u pacjentów

Uważaj na kryteria stosowane tylko w jednej grupie. Każde takie kryterium może wprowadzić błąd selekcji. Reszta zależy od tego, jakie to grupy.

Pacjenci a „zdrowi”

Słowo „zdrowi” bez kryterium jest deklaracją. Napisz, czego dokładnie nie stwierdzono i jak to ustalono (pytanie, dokumentacja, badanie). Nie twórz też grupy wyjątkowo zdrowej. Schwartz i Susser (2011) na liczbowych przykładach pokazali, że dobieranie do badań kliniczno-kontrolnych w psychiatrii wyłącznie osób bez zaburzeń może powodować znaczne obciążenie. Opisz też stan pacjentów: etap choroby, leczenie, leki. W przykładzie grupę nazywamy „osobami bez przewlekłego bólu krzyża”, bo tyle o nich wiadomo.

Zawody

Porównując zawody, porównujesz też płeć, wiek, staż, tryb pracy i miejsce zatrudnienia. Przy wynikach zdrowotnych dochodzi efekt zdrowego pracownika: osoby chore rzadziej są zatrudniane i częściej odchodzą, a Li i Sung (1999) radzą, by w miarę możliwości unikać populacji ogólnej jako grupy porównawczej. Jeśli zebrałeś(-aś) dane w kilku placówkach, osoby z jednej placówki nie są od siebie niezależne i analiza powinna to uwzględniać.

Płeć

Napisz, jak o nią pytano i co zrobiono z odpowiedziami spoza dwóch głównych kategorii (zob. pytania o płeć i wiek w ankiecie). Różnica między kobietami a mężczyznami nie mówi, skąd się wzięła: grupy różnią się biologicznie, społecznie i życiorysem. Przed porównaniem średnich skali sprawdź, czy mierzy ona to samo w obu grupach (inwariancja pomiaru). Pokazuj wielkość efektu, bo przy dużej próbie istotna bywa także bardzo mała różnica.

Jak dobrać grupę porównawczą

Wacholder i in. (1992) sformułowali trzy zasady wyboru kontroli w badaniach kliniczno-kontrolnych. Tamten schemat dobiera osoby według wyniku, a tu grupa jest punktem wyjścia, ale pytania są przydatne także w tym projekcie:

  1. Ta sama baza. Czy osoba z grupy porównawczej pochodzi z tej samej populacji co grupa badana – czy trafiłaby do poradni, gdyby miała ten problem?
  2. Brak zniekształceń. Czy inne cechy nie mieszają się z porównaniem?
  3. Taka sama dokładność. Czy pomiar jest równie dokładny w obu grupach: ten sam badacz, narzędzie, pora, tryb?
Źródła grupy porównawczej, ich zalety i ryzyko
ŹródłoZaletaRyzyko
Ta sama placówka lub rejon, inny powód kontaktuPodobne pochodzenie i tryb badaniaPowód kontaktu może wiązać się z wynikiem
Losowa próba z rejestru lub spisuNajbliżej populacjiRzadko dostępna w pracy dyplomowej; niski odsetek odpowiedzi
Znajomi lub rodzina uczestnikówŁatwa rekrutacjaMogą przypominać uczestników pod względem badanej cechy
Ochotnicy z internetuTanio i szybkoSamodobór, inny wiek i wykształcenie, inny tryb pomiaru

Grimes i Schulz (2005) przypominają, że idealna grupa kontrolna nie istnieje, a jedna dobrze wybrana grupa jest zwykle lepsza niż dwie lub więcej. W przykładzie są dwie tylko po to, żeby porównać skutki wyboru. Grupa z POZ powstała przez dobór częstościowy: te same proporcje płci i dekad wieku co u pacjentów. Pamiętaj o koszcie: cech użytych do doboru nie zbadasz już jako różnic między grupami. Bardziej złożone metody opisuje wpis o propensity score.

Histogramy wieku. Pacjenci w większości mają ponad 45 lat, a ochotnicy z internetu są młodsi; 72.5% pacjentów przekracza 95. percentyl wieku ochotników. W parze z przychodnią POZ rozkłady niemal się pokrywają.
Rysunek 1. Rozkład wieku pacjentów i dwóch możliwych grup porównawczych. Po lewej zakresy zachodzą na siebie tylko częściowo, po prawej niemal w całości. Obliczenia: R (dane symulowane).

Różnicę widać przed jakimkolwiek testem. 95% ochotników ma najwyżej 45 lat, a 72.5% pacjentów jest od nich starszych. W parze z POZ analogiczny odsetek (powyżej 66 lat) wynosi 4.2%.

Tabela porównania grup

Pokaż cechy obu grup w jednej tabeli i dodaj standaryzowaną różnicę (SMD). Ogólne zasady układu takiej tabeli opisuje wpis tabela 1. W badaniu grup istniejących ta tabela jest już wynikiem: mówi, jak bardzo grupy są porównywalne.

SMD = (M1 − M2) / √[(SD1² + SD2²) / 2]; dla zmiennej 0/1: (p1 − p2) / √{[p1(1 − p1) + p2(1 − p2)] / 2}

Tabela 1

Charakterystyka pacjentów i dwóch grup porównawczych

Cecha Pacjenci (n = 120) POZ (n = 120) Internet (n = 120) SMD POZ SMD internet
Wiek w latach, M (SD)50.9 (9.3)50.6 (9.6)33.7 (8.0)0.031.98
Kobiety, %53.353.372.50.00−0.40
Wykształcenie wyższe, %25.026.770.0−0.04−1.01
Wykształcenie zasadnicze, %37.531.70.80.121.05
Objawy depresji (PHQ-9), M (SD)9.3 (2.7)3.8 (2.6)5.0 (2.6)2.091.62

Uwaga. SMD – standaryzowana różnica: pacjenci minus grupa porównawcza. POZ – osoby z przychodni dobrane częstościowo według płci i dekady wieku. Testów istotności różnic nie podano. Dane symulowane.

SMD opisuje wielkość różnicy w jednostkach odchylenia standardowego i – inaczej niż p – nie zmienia się wraz z liczebnością. Taki sposób porównywania cech omawia Austin (2009). Wartość bezwzględną poniżej 0.10 często uznaje się za pomijalną, ale to granica umowna. Kolumny p nie podawaj: STROBE odradza testy istotności w tabelach opisowych, a p nie jest właściwym kryterium wyboru zmiennych zakłócających (Vandenbroucke i in., 2007).

Wykres punktowy wartości bezwzględnych standaryzowanych różnic. Dla grupy POZ wiek, płeć i wykształcenie mają różnice od 0.00 do 0.12, dla grupy internetowej od 0.40 do 1.98. Objawy depresji różnią obie grupy o 2.09 i 1.62.
Rysunek 2. Standaryzowane różnice między pacjentami a każdą z grup porównawczych. Linia przerywana to umowna granica 0.10. Objawy depresji są cechą związaną z chorobą i nie powinny być traktowane jak zwykła nierównowaga. Obliczenia: R (dane symulowane).

Czytaj wiersze inaczej w zależności od tego, czym jest cecha. Wiek i płeć istniały przed bólem, więc ich różnice to brak porównywalności. Objawy depresji (PHQ-9; SMD = 2.09) mogą być częścią obrazu choroby. Tej różnicy nie da się potraktować jak błędu doboru.

ANCOVA przy grupach nielosowych – ostrożnie

ANCOVA w eksperymencie zwiększa precyzję. Przy grupach istniejących kusi, żeby użyć jej do „wyrównania” grup. Miller i Chapman (2001) piszą, że w wielu takich przypadkach nie ma sposobu, by „skorygować” rzeczywiste różnice między grupami w potencjalnym kowariancie. Rysunek 3 pokazuje, dlaczego. To jedna symulowana próba, więc liczby ilustrują mechanizm, a nie dokładne wielkości.

Szacunki różnicy pacjenci minus grupa porównawcza z 95% CI. Dla POZ: −2.74 bez korekty, −2.42 z korektą i −1.52 po dodaniu objawów depresji. Dla internetu: −11.14 bez korekty, −4.07 z korektą i −2.81 po dodaniu objawów depresji. Prawdziwa różnica wynosi −2.92.
Rysunek 3. Ta sama grupa pacjentów, dwie grupy porównawcze i cztery modele. Punkty to różnice w punktach z 95% CI. Obliczenia: R (dane symulowane).
  • Dobrze dobrana grupa: korekta niewiele zmienia. Z POZ różnica wynosi −2.74 punktu bez korekty i −2.42 po uwzględnieniu wieku, płci i wykształcenia. Nawet przed korektą jest blisko prawdziwych −2.92.
  • Grupa z innej populacji: korekta niczego nie gwarantuje. Z ochotnikami różnica spada z −11.14 do −4.07. Wygląda to na sukces, ale 72.5% pacjentów leży poza zakresem wieku ochotników, więc model przewiduje wynik osób, których prawie nie ma w tej grupie. W symulacji ochotnicy mają też niezmierzoną przewagę 2 punktów wynikającą z samodoboru; tego model nie usunie. Gdy zostawisz wspólny zakres 30–45 lat, zostaje 33 pacjentów i 78 ochotników, a różnica wynosi −4.74, 95% CI [−7.11, −2.37].
  • Kowariant, który jest częścią choroby, zmienia pytanie. Dodanie objawów depresji zmniejsza różnicę z POZ do −1.52, 95% CI [−3.54, 0.51], p = .142. To nie znaczy, że „różnica wynikała z depresji”. W symulacji ból obniża wynik bezpośrednio i przez nasilenie objawów, a model odpowiada już o osobach z tym samym nasileniem objawów – które w tych grupach zdarzają się rzadko. Jeśli interesuje cię mechanizm, zaplanuj mediację, a jej przekrojowy charakter opisz wprost jako ograniczenie.

Jest jeszcze problem pomiaru. Westfall i Yarkoni (2016) pokazali, że strategie pomijające nierzetelność zmiennych kontrolnych mają bardzo wysoki odsetek błędów I rodzaju, najwyższy przy dużych próbach i umiarkowanej rzetelności. W małej symulacji (2000 powtórzeń, po 120 osób w grupie) grupy różniły się tylko prawdziwą cechą (d = 0.80), a sama grupa nie miała wpływu na wynik. Przy korekcie bezbłędnym pomiarem cechy fałszywie istotnych było 5.9% wyników, przy rzetelności .70 – 13.6%, a przy .50 – 27.6%. Korekta wyrównuje grupy tylko tak dobrze, jak zmierzono cechę.

Zasady praktyczne:

  • Kowarianty wybierz przed analizą, z wiedzy o temacie, a nie z p (zob. czy kontrolować wiek i płeć).
  • Uwzględniaj cechy sprzed powstania grupy albo od niej niezależne.
  • Podaj oszacowania surowe i skorygowane z 95% CI oraz listę kowariantów z uzasadnieniem (Vandenbroucke i in., 2007).
  • Sprawdź wspólny zakres cech i interakcję grupa × kowariant.
  • Pisz „uwzględniono w modelu”, a nie „wyrównano grupy”. O pomiarze przed i po w grupach nielosowych przeczytaj we wpisie o paradoksie Lorda.

Podrozdział „Metoda” – od szkicu do gotowego tekstu

Jak bywa napisane (fikcyjny przykład):

Badanie miało charakter eksperymentalny. Grupę badaną stanowili pacjenci z bólem krzyża, a grupę kontrolną osoby zdrowe. Grupy były porównywalne pod względem wieku (p > .05). Wpływ bólu na funkcje poznawcze zbadano za pomocą ANCOVA, kontrolując objawy depresji.

Co jest nie tak: nie ma tu eksperymentu ani grupy kontrolnej w sensie eksperymentu. „Zdrowe” nie mówi, kim są te osoby i skąd pochodzą. Brak istotności nie dowodzi podobieństwa. „Wpływ” obiecuje wniosek przyczynowy, a kontrola objawów depresji zmienia pytanie badawcze.

Poprawiona wersja (przykładowe liczby z symulacji):

Schemat badania. Przeprowadzono przekrojowe badanie porównawcze dwóch istniejących grup. Przynależność do grupy nie była przydzielana przez badacza, dlatego wyniki opisują różnice między grupami, a nie skutki choroby. Uczestnicy. Grupę badaną stanowiło 120 kolejnych pacjentów poradni leczenia bólu z przewlekłym bólem krzyża trwającym co najmniej 12 tygodni, potwierdzonym w dokumentacji. Grupę porównawczą stanowiło 120 osób zgłaszających się w tym samym okresie do przychodni POZ tej samej dzielnicy z powodów niezwiązanych z bólem kręgosłupa, które w pytaniu przesiewowym nie zgłosiły przewlekłego bólu krzyża. W obu grupach włączano osoby w wieku 30–69 lat i wyłączano osoby z rozpoznaną chorobą neurologiczną. Grupę porównawczą dobrano częstościowo według płci i dekady wieku. Założono najmniejszą interesującą różnicę d = 0.40; przy mocy .80 i alfa = .05 wymaga to 100 osób w grupie. Zaplanowano po 120 osób z uwagi na możliwe braki danych. Narzędzia. Szybkość przetwarzania oceniono zadaniem wyszukiwania symboli (liczba poprawnych znaków w 90 s). Objawy depresji mierzono kwestionariuszem PHQ-9. Metryczka obejmowała wiek, płeć i wykształcenie. Procedura. W obu grupach badanie prowadziła ta sama osoba, według tego samego protokołu, w gabinecie placówki. Wszyscy uczestnicy wyrazili świadomą zgodę; na badanie uzyskano zgodę komisji bioetycznej. Plan analizy. Podobieństwo grup oceniono za pomocą standaryzowanych różnic. Różnicę w wyniku oszacowano modelem liniowym bez korekty oraz z korektą o wiek, płeć i wykształcenie, wskazanymi przed analizą; podano oszacowania z 95% CI. Sprawdzono interakcję grupa × wiek. Objawów depresji nie uwzględniono w analizie głównej, ponieważ mogą stanowić element obrazu choroby; model z tą zmienną przedstawiono jako analizę dodatkową.

Komentarz: pierwszy akapit od razu odbiera czytelnikowi złudzenie eksperymentu. Oba źródła i okres są podane obok siebie. Zgodę komisji wpisz tylko, jeśli ją uzyskano.

Do rozdziału wyników (liczby z przykładu):

Pacjenci (M = 36.52, SD = 6.75) uzyskali niższy wynik niż osoby z grupy porównawczej (M = 39.27, SD = 7.01), t(237.65) = −3.09, p = .002, d = −0.40, różnica średnich 95% CI [−4.49, −0.99]. Po uwzględnieniu wieku, płci i wykształcenia różnica wyniosła b = −2.42, 95% CI [−3.82, −1.02], t(234) = −3.41, p < .001. Związek wieku z wynikiem nie różnił się istotnie między grupami, F(1, 233) = 0.39, p = .533. W analizie dodatkowej, po uwzględnieniu objawów depresji, różnica wyniosła b = −1.52, 95% CI [−3.54, 0.51], p = .142; wynik ten odpowiada na inne pytanie niż analiza główna.

Co wolno napisać we wnioskach

Sformułowania dozwolone i niedozwolone we wnioskach z porównania grup istniejących
Możesz napisaćNie pisz
„Pacjenci uzyskali niższy wynik niż osoby bez przewlekłego bólu z tej samej dzielnicy.”„Ból obniża szybkość przetwarzania.”
„Różnica utrzymała się po uwzględnieniu wieku, płci i wykształcenia.”„Wykluczono wpływ wieku i wykształcenia.”
„Wynik jest zgodny z hipotezą o związku bólu z funkcjonowaniem poznawczym.”„Potwierdzono, że ból jest przyczyną…”
„Po dodaniu objawów depresji oszacowanie było mniejsze i mniej precyzyjne.”„Różnicę wyjaśnia depresja.”

Zdania o przyczynie zastąp pytaniem do dalszych badań. Wnioski ogranicz do populacji, z której pochodziły grupy. W ograniczeniach wymień: brak losowego przydziału, jedno źródło każdej grupy, niezmierzone cechy i przekrojowy pomiar.

Pacjenci poradni leczenia bólu uzyskali niższy wynik niż dobrane częstościowo osoby z POZ, także po uwzględnieniu wieku, płci i wykształcenia. Ze względu na brak losowego przydziału i przekrojowy pomiar wynik nie pozwala ustalić, czy to ból jest przyczyną różnicy. Mógł ją współtworzyć również czynnik niezmierzony w badaniu, np. leczenie lub jakość snu.

Na co zwrócić uwagę w poszczególnych dziedzinach

To częste akcenty, a nie reguły. Pierwszeństwo mają wymagania uczelni i promotora.

Akcenty porównania grup istniejących w czterech dziedzinach
DziedzinaNa co uważać
PsychologiaWspółwystępujące objawy jako kowarianty, porównywalność skal w grupach, pisanie o różnicach bez języka przyczyn.
Nauki o zdrowiuDefinicja rozpoznania i jego źródło, leki, etap choroby, opis według STROBE, tryb badania w obu grupach.
FizjoterapiaPoziom aktywności, wcześniejsza rehabilitacja, rzetelność pomiaru u tej samej osoby badającej, znaczenie kliniczne różnicy.
ZarządzanieStanowisko, branża, wielkość firmy, samodobór do zawodu, dane z kilku organizacji jako struktura zagnieżdżona.

Najczęstsze błędy

  • Nazywanie badania eksperymentem albo grupy porównawczej „kontrolną” bez wyjaśnienia, jak powstała.
  • Grupa porównawcza z innego świata: pacjenci z poradni i studenci z mediów społecznościowych.
  • Kryteria tylko dla jednej grupy, np. wykluczenia stosowane wyłącznie u „zdrowych”.
  • „Grupy nie różniły się wiekiem, bo p > .05” zamiast podania wielkości różnicy.
  • ANCOVA na cechę będącą częścią grupy i wniosek, że „po kontroli różnicy nie ma”.
  • Korekta przy braku wspólnego zakresu, czyli przewidywanie dla osób, których w grupie nie ma.
  • Różny pomiar w grupach: jedna grupa w gabinecie, druga online.
  • Język „wpływu” i „skutku” w tytule, hipotezach i wnioskach.
Przykład reprodukowalny

Porównanie grup istniejących w R

Trzy przepisy liczą wszystkie liczby z tekstu i używają tylko bazowego R. Pierwszy tworzy dane i zapisuje je do pliku CSV w folderze nadrzędnym (../), drugi liczy modele, trzeci to mała symulacja o nierzetelnym kowariancie. Uruchamiaj je po kolei z jednego folderu. Rysunki powstały w osobnym skrypcie na tych samych danych. Dane możesz pobrać: pacjenci-i-grupy-porownawcze-dane.csv (360 osób: grupa, wiek, płeć, wykształcenie, PHQ-9, wynik zadania).

Grupy i tabela równowagi

Dane wejściowe: symulowani pacjenci (n = 120), ochotnicy z internetu (n = 120) i osoby z POZ dobrane częstościowo (n = 120); set.seed(471).

Co odczytać: opis grup, standaryzowane różnice i odsetek pacjentów poza zakresem wieku grupy porównawczej. Pierwszy wiersz wyniku (prawdziwa różnica) jest znany tylko w symulacji.

R
# B471 – porównanie grup istniejących: pacjenci a dwie grupy porównawcze
# Dane symulowane (fikcyjny przykład). Tylko bazowy R.
set.seed(471)

symuluj <- function(n, grupa, wiek, lata_m, lata_sd, kobieta, phq_m, bol, selekcja) {
  lata <- rnorm(n, lata_m, lata_sd)                 # lata nauki: w pliku tylko 3 kategorie
  phq_bez <- rnorm(n, phq_m, 3)                     # objawy depresji bez bólu
  phq <- round(pmin(pmax(phq_bez + 5 * bol, 0), 27))
  phq0 <- round(pmin(pmax(phq_bez, 0), 27))
  baza <- 46 - 0.20 * (wiek - 30) - 0.35 * pmax(wiek - 50, 0) +
    0.6 * (lata - 13) + 0.8 * kobieta + selekcja + rnorm(n, 0, 5)
  data.frame(grupa, wiek,
             plec = ifelse(kobieta == 1, "kobieta", "mezczyzna"),
             wyksztalcenie = cut(lata, c(-Inf, 11.5, 14.5, Inf),
                                 labels = c("zasadnicze", "srednie", "wyzsze")),
             phq, wynik = round(baza - 1.2 * bol - 0.35 * phq),
             wynik_bez_bolu = baza - 0.35 * phq0,
             wynik_z_bolem = baza - 1.2 - 0.35 * pmin(pmax(round(phq_bez + 5), 0), 27))
}

n <- 120
wiek_p <- round(pmin(pmax(rnorm(n, 52, 9), 30), 69))
kob_p <- rbinom(n, 1, .56)
# Pacjenci z poradni leczenia bólu
pacjenci <- symuluj(n, "pacjenci", wiek_p, 12.6, 2.5, kob_p, 4.0, 1, 0)
# Ochotnicy z internetu: młodsi, częściej z wyższym wykształceniem, inna selekcja
wiek_i <- round(pmin(pmax(rnorm(n, 33, 8.5), 19), 69))
internet <- symuluj(n, "internet", wiek_i, 15.6, 2.0, rbinom(n, 1, .78), 5.0, 0, 2)
# Osoby z przychodni POZ tej samej dzielnicy: ta sama płeć i dekada wieku co pacjent (dobór częstościowy)
wiek_z <- pmin(pmax(wiek_p %/% 10 * 10 + sample(0:9, n, TRUE), 30), 69)
poz <- symuluj(n, "poz", wiek_z, 12.9, 2.6, kob_p, 4.0, 0, 0)

prawda <- mean(pacjenci$wynik_z_bolem - pacjenci$wynik_bez_bolu)  # znane tylko w symulacji
cat(sprintf("Prawdziwa różnica całkowita u pacjentów (bezpośrednia i przez objawy): %.2f\n\n", prawda))

dane <- rbind(pacjenci, internet, poz)
dane$wynik_bez_bolu <- dane$wynik_z_bolem <- NULL
dane <- data.frame(id = seq_len(nrow(dane)), dane)
write.csv(dane, "../pacjenci-i-grupy-porownawcze-dane.csv", row.names = FALSE, fileEncoding = "UTF-8")

# Standaryzowana różnica: ciągła i 0/1 (wariancje obu grup uśrednione)
smd_c <- function(a, b) (mean(a) - mean(b)) / sqrt((var(a) + var(b)) / 2)
smd_p <- function(a, b) {
  pa <- mean(a); pb <- mean(b)
  (pa - pb) / sqrt((pa * (1 - pa) + pb * (1 - pb)) / 2)
}

opis <- function(d) c(n = nrow(d),
                      wiek_M = mean(d$wiek), wiek_SD = sd(d$wiek),
                      kobiety_proc = 100 * mean(d$plec == "kobieta"),
                      wyzsze_proc = 100 * mean(d$wyksztalcenie == "wyzsze"),
                      zasadnicze_proc = 100 * mean(d$wyksztalcenie == "zasadnicze"),
                      phq_M = mean(d$phq), phq_SD = sd(d$phq))
cat("Opis grup\n")
print(round(sapply(list(pacjenci = pacjenci, poz = poz, internet = internet), opis), 1))

rownowaga <- function(a, b) c(
  wiek = smd_c(a$wiek, b$wiek),
  kobiety = smd_p(a$plec == "kobieta", b$plec == "kobieta"),
  wyzsze = smd_p(a$wyksztalcenie == "wyzsze", b$wyksztalcenie == "wyzsze"),
  zasadnicze = smd_p(a$wyksztalcenie == "zasadnicze", b$wyksztalcenie == "zasadnicze"),
  phq = smd_c(a$phq, b$phq))

smd <- rbind(poz = rownowaga(pacjenci, poz), internet = rownowaga(pacjenci, internet))
cat("\nStandaryzowane różnice: pacjenci minus grupa porównawcza\n")
print(round(smd, 2))

# Czy grupy mają wspólny zakres wieku?
gorny <- quantile(internet$wiek, .95)
cat(sprintf("\n95. percentyl wieku w grupie internetowej: %.0f lat\n", gorny))
cat(sprintf("Pacjenci powyżej tego wieku: %.1f%%\n", 100 * mean(pacjenci$wiek > gorny)))
gorny2 <- quantile(poz$wiek, .95)
cat(sprintf("95. percentyl wieku w grupie POZ: %.0f lat; pacjenci powyżej: %.1f%%\n",
            gorny2, 100 * mean(pacjenci$wiek > gorny2)))
Wynik w R
Prawdziwa różnica całkowita u pacjentów (bezpośrednia i przez objawy): -2.92

Opis grup
                pacjenci   poz internet
n                  120.0 120.0    120.0
wiek_M              50.9  50.6     33.7
wiek_SD              9.3   9.6      8.0
kobiety_proc        53.3  53.3     72.5
wyzsze_proc         25.0  26.7     70.0
zasadnicze_proc     37.5  31.7      0.8
phq_M                9.3   3.8      5.0
phq_SD               2.7   2.6      2.6

Standaryzowane różnice: pacjenci minus grupa porównawcza
         wiek kobiety wyzsze zasadnicze  phq
poz      0.03     0.0  -0.04       0.12 2.09
internet 1.98    -0.4  -1.01       1.05 1.62

95. percentyl wieku w grupie internetowej: 45 lat
Pacjenci powyżej tego wieku: 72.5%
95. percentyl wieku w grupie POZ: 66 lat; pacjenci powyżej: 4.2%

Trzy modele, dwie grupy porównawcze

Dane wejściowe: plik CSV z pierwszego przepisu.

Co odczytać: liczebność z power.t.test, różnice z 95% CI dla czterech modeli i dwóch grup, wynik na wspólnym zakresie wieku, interakcję grupa × wiek oraz test Welcha.

R
# B471 – ta sama grupa pacjentów, dwie grupy porównawcze, trzy modele
# Uruchom po pierwszym przepisie (czyta plik CSV z folderu nadrzędnego). Tylko bazowy R.
dane <- read.csv("../pacjenci-i-grupy-porownawcze-dane.csv", fileEncoding = "UTF-8")
dane$wyksztalcenie <- factor(dane$wyksztalcenie, c("zasadnicze", "srednie", "wyzsze"))

# Liczebność na etapie planowania: d = 0.40, moc .80, alfa .05, dwie grupy
print(power.t.test(delta = 0.40, sd = 1, sig.level = .05, power = .80))

cat("Średnie wyniku w grupach\n")
print(aggregate(wynik ~ grupa, dane, function(x) round(c(M = mean(x), SD = sd(x), n = length(x)), 2)))

szacuj <- function(porownawcza, wzor, etykieta) {
  d <- subset(dane, grupa %in% c("pacjenci", porownawcza))
  d$grupa <- relevel(factor(d$grupa), ref = porownawcza)   # odniesieniem jest grupa porównawcza
  m <- lm(wzor, data = d)
  ci <- confint(m)["grupapacjenci", ]
  s <- summary(m)$coefficients["grupapacjenci", ]
  data.frame(porownawcza, model = etykieta, b = s[["Estimate"]], lo = ci[[1]], hi = ci[[2]],
             t = s[["t value"]], df = m$df.residual, p = s[["Pr(>|t|)"]])
}
modele <- list(
  "bez korekty" = wynik ~ grupa,
  "wiek, płeć, wykształcenie" = wynik ~ grupa + wiek + plec + wyksztalcenie,
  "wiek jako krzywa" = wynik ~ grupa + poly(wiek, 2) + plec + wyksztalcenie,
  "korekta + objawy depresji" = wynik ~ grupa + wiek + plec + wyksztalcenie + phq)

wyniki <- do.call(rbind, lapply(c("poz", "internet"), function(g)
  do.call(rbind, lapply(names(modele), function(e) szacuj(g, modele[[e]], e)))))
rownames(wyniki) <- NULL
write.csv(wyniki, "b471-szacunki.csv", row.names = FALSE, fileEncoding = "UTF-8")
cat("\nRóżnica pacjenci minus grupa porównawcza (b) z 95% CI\n")
print(transform(wyniki, b = round(b, 2), lo = round(lo, 2), hi = round(hi, 2),
                t = round(t, 2), p = signif(p, 3)))

# Wspólny zakres wieku: od 30 do 45 lat (45 to 95. percentyl wieku ochotników)
wspolny <- subset(dane, grupa %in% c("pacjenci", "internet") & wiek >= 30 & wiek <= 45)
print(table(wspolny$grupa))
wspolny$grupa <- relevel(factor(wspolny$grupa), ref = "internet")
m_w <- lm(wynik ~ grupa + wiek + plec + wyksztalcenie, wspolny)
cat("Internet, tylko wspólny zakres wieku:\n")
print(round(c(b = coef(m_w)[["grupapacjenci"]], confint(m_w)["grupapacjenci", ]), 2))

# Czy związek wieku z wynikiem jest taki sam w obu grupach (POZ)?
d <- subset(dane, grupa %in% c("pacjenci", "poz"))
m0 <- lm(wynik ~ grupa + wiek + plec + wyksztalcenie, d)
m1 <- lm(wynik ~ grupa * wiek + plec + wyksztalcenie, d)
cat("\nInterakcja grupa × wiek (POZ)\n")
print(anova(m0, m1))

# Standaryzowana różnica w wyniku (POZ) bez korekty
a <- d$wynik[d$grupa == "pacjenci"]; b <- d$wynik[d$grupa == "poz"]
cat(sprintf("\nd (POZ, bez korekty) = %.2f\n", (mean(a) - mean(b)) / sqrt((var(a) + var(b)) / 2)))
print(t.test(a, b))
Wynik w R

     Two-sample t test power calculation 

              n = 99.08057
          delta = 0.4
             sd = 1
      sig.level = 0.05
          power = 0.8
    alternative = two.sided

NOTE: n is number in *each* group

Średnie wyniku w grupach
     grupa wynik.M wynik.SD wynik.n
1 internet   47.67     5.11  120.00
2 pacjenci   36.52     6.75  120.00
3      poz   39.27     7.01  120.00

Różnica pacjenci minus grupa porównawcza (b) z 95% CI
  porownawcza                     model      b     lo    hi      t  df        p
1         poz               bez korekty  -2.74  -4.49 -0.99  -3.09 238 2.26e-03
2         poz wiek, płeć, wykształcenie  -2.42  -3.82 -1.02  -3.41 234 7.68e-04
3         poz          wiek jako krzywa  -2.44  -3.84 -1.04  -3.44 233 6.94e-04
4         poz korekta + objawy depresji  -1.52  -3.54  0.51  -1.47 233 1.42e-01
5    internet               bez korekty -11.14 -12.66 -9.62 -14.42 238 2.59e-34
6    internet wiek, płeć, wykształcenie  -4.07  -6.08 -2.06  -3.99 234 8.79e-05
7    internet          wiek jako krzywa  -4.22  -6.20 -2.25  -4.21 233 3.58e-05
8    internet korekta + objawy depresji  -2.81  -5.03 -0.59  -2.50 233 1.32e-02

internet pacjenci 
      78       33 
Internet, tylko wspólny zakres wieku:
     b  2.5 % 97.5 % 
 -4.74  -7.11  -2.37 

Interakcja grupa × wiek (POZ)
Analysis of Variance Table

Model 1: wynik ~ grupa + wiek + plec + wyksztalcenie
Model 2: wynik ~ grupa * wiek + plec + wyksztalcenie
  Res.Df    RSS Df Sum of Sq      F Pr(>F)
1    234 7068.3                           
2    233 7056.5  1    11.791 0.3893 0.5333

d (POZ, bez korekty) = -0.40

	Welch Two Sample t-test

data:  a and b
t = -3.0876, df = 237.65, p-value = 0.002257
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
 -4.4909444 -0.9923889
sample estimates:
mean of x mean of y 
 36.52500  39.26667 

Korekta nierzetelnym pomiarem

Dane wejściowe: 2000 powtórzeń dla każdej rzetelności, po 120 osób w grupie; set.seed(47112).

Co odczytać: jaki odsetek wyników dla grupy jest „istotny”, choć grupa nie ma wpływu na wynik.

R
# B471 – czy korekta nierzetelnym pomiarem „wyrównuje” grupy?
# Grupy różnią się tylko prawdziwą cechą C (d = 0.80); sama grupa nie ma żadnego wpływu na wynik.
# Pomiar C ma rzetelność od 1.00 do .50. Dane symulowane, tylko bazowy R.
set.seed(47112)

jeden <- function(rzet, n = 120) {
  g <- rep(0:1, each = n)
  C <- rnorm(2 * n, 0.8 * g, 1)
  pomiar <- C + rnorm(2 * n, 0, sqrt((1 - rzet) / rzet))
  y <- 0.5 * C + rnorm(2 * n, 0, 1)
  summary(lm(y ~ g + pomiar))$coefficients["g", "Pr(>|t|)"] < .05
}

rzetelnosci <- c(1, .9, .7, .5)
odsetek <- sapply(rzetelnosci, function(r) mean(replicate(2000, jeden(r))))
wynik <- data.frame(rzetelnosc = rzetelnosci, falszywe_istotne_proc = round(100 * odsetek, 1))
print(wynik, row.names = FALSE)
Wynik w R
 rzetelnosc falszywe_istotne_proc
        1.0                   5.9
        0.9                   5.1
        0.7                  13.6
        0.5                  27.6

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (bazowe pakiety); rysunki przygotowano w pakietach ggplot2 i svglite. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An ‘SVG’ graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Lista kontrolna

  • Czy w pierwszym zdaniu metody jest jasne, że grupy były istniejące, a nie losowane?
  • Czy dla każdej grupy podano źródło, okres, sposób ustalenia przynależności, kryteria i rekrutację?
  • Czy obie grupy badano tym samym narzędziem, w tych samych warunkach?
  • Czy tabela porównania zawiera SMD i nie zawiera kolumny p dla cech opisowych?
  • Czy sprawdzono wspólny zakres kluczowych cech?
  • Czy kowarianty ustalono przed analizą i każdemu przypisano uzasadnienie?
  • Czy podano wynik surowy i skorygowany z 95% CI?
  • Czy wnioski dotyczą różnic i tej populacji, a nie przyczyn?

Najczęstsze pytania

Czym porównanie grup istniejących różni się od eksperymentu?

W eksperymencie osoby trafiają do warunków losowo, więc grupy przed manipulacją różnią się tylko przypadkiem. Grupy istniejące powstały same i różnią się wieloma cechami naraz. Dlatego wynik opisuje różnicę między grupami, a nie skutek przynależności do jednej z nich. W pierwszym zdaniu metody napisz wprost, że przynależność nie była przydzielana.

Jak dobrać grupę porównawczą do pacjentów?

Szukaj osób z tej samej populacji co pacjenci – z tego samego rejonu, w tym samym okresie, badanych tym samym narzędziem i w tym samym trybie. Stosuj te same kryteria włączenia i wyłączenia. Rozważ dobór częstościowy według płci i wieku. Unikaj grup wybranych dlatego, że łatwo je znaleźć, np. studentów z mediów społecznościowych.

Czy można nazwać grupę porównawczą grupą kontrolną?

Lepiej nie, jeśli nikt nie przydzielał osób do grup. „Grupa kontrolna” sugeruje schemat eksperymentalny, a tu masz grupę porównawczą. Nazwij ją według kryterium, np. „osoby bez przewlekłego bólu krzyża”, i opisz jej źródło. Słowo „zdrowi” bez kryterium mówi czytelnikowi niewiele.

Czy ANCOVA może wyrównać grupy, które nie były losowane?

Nie w tym sensie, jaki zwykle się zakłada. Miller i Chapman (2001) wskazują, że w wielu takich sytuacjach nie da się „skorygować” rzeczywistych różnic w kowariancie. Korekta ma sens dla cech sprzed powstania grupy, przy wspólnym zakresie wartości i rzetelnym pomiarze. Podaj wynik surowy i skorygowany, a we wnioskach pisz „uwzględniono w modelu”.

Co napisać we wnioskach, jeśli grupy nie były losowe?

Napisz, że grupy różniły się wynikiem i czy różnica utrzymała się po uwzględnieniu wybranych cech. Nie pisz, że choroba lub zawód powodują różnicę. Zdanie o przyczynie zamień na hipotezę do dalszych badań, a w ograniczeniach wymień brak losowego przydziału, niezmierzone cechy i przekrojowy pomiar.

Powiązane hasła

Przeczytaj też

Porównujesz grupy, których nie losowałeś(-aś)?

Pomożemy dobrać grupę porównawczą i kowarianty, policzyć różnice w R lub SPSS i opisać wnioski tak, żebyś umiał(a) samodzielnie je obronić.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Austin, P. C. (2009). Balance diagnostics for comparing the distribution of baseline covariates between treatment groups in propensity-score matched samples. Statistics in Medicine, 28(25), 3083–3107. https://doi.org/10.1002/sim.3697 ● Otwarty dostęp
  2. Grimes, D. A., & Schulz, K. F. (2005). Compared to what? Finding controls for case-control studies. The Lancet, 365(9468), 1429–1433. https://doi.org/10.1016/s0140-6736(05)66379-9
  3. Li, C.-Y., & Sung, F.-C. (1999). A review of the healthy worker effect in occupational epidemiology. Occupational Medicine, 49(4), 225–229. https://doi.org/10.1093/occmed/49.4.225
  4. Miller, G. A., & Chapman, J. P. (2001). Misunderstanding analysis of covariance. Journal of Abnormal Psychology, 110(1), 40–48. https://doi.org/10.1037/0021-843X.110.1.40
  5. Schwartz, S., & Susser, E. (2011). The use of well controls: An unhealthy practice in psychiatric research. Psychological Medicine, 41(6), 1127–1131. https://doi.org/10.1017/s0033291710001595
  6. Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). Experimental and quasi-experimental designs for generalized causal inference. Houghton Mifflin.
  7. Vandenbroucke, J. P., von Elm, E., Altman, D. G., Gøtzsche, P. C., Mulrow, C. D., Pocock, S. J., Poole, C., Schlesselman, J. J., Egger, M., & STROBE Initiative. (2007). Strengthening the Reporting of Observational Studies in Epidemiology (STROBE): Explanation and elaboration. PLOS Medicine, 4(10), Article e297. https://doi.org/10.1371/journal.pmed.0040297 ● Otwarty dostęp
  8. Wacholder, S., McLaughlin, J. K., Silverman, D. T., & Mandel, J. S. (1992). Selection of controls in case-control studies: I. Principles. American Journal of Epidemiology, 135(9), 1019–1028. https://doi.org/10.1093/oxfordjournals.aje.a116396
  9. Westfall, J., & Yarkoni, T. (2016). Statistically controlling for confounding constructs is harder than you think. PLOS ONE, 11(3), Article e0152719. https://doi.org/10.1371/journal.pone.0152719 ● Otwarty dostęp

Cytowania BibTeX

@article{austin2009balance, author={Austin, Peter C.}, title={{Balance diagnostics for comparing the distribution of baseline covariates between treatment groups in propensity-score matched samples}}, journal={Statistics in Medicine}, year={2009}, volume={28}, number={25}, pages={3083--3107}, doi={10.1002/sim.3697}}
@article{grimes2005compared, author={Grimes, David A. and Schulz, Kenneth F.}, title={{Compared to what? Finding controls for case-control studies}}, journal={The Lancet}, year={2005}, volume={365}, number={9468}, pages={1429--1433}, doi={10.1016/s0140-6736(05)66379-9}}
@article{li1999review, author={Li, C.-Y. and Sung, F.-C.}, title={{A review of the healthy worker effect in occupational epidemiology}}, journal={Occupational Medicine}, year={1999}, volume={49}, number={4}, pages={225--229}, doi={10.1093/occmed/49.4.225}}
@article{miller2001misunderstanding, author={Miller, Gregory A. and Chapman, Jean P.}, title={{Misunderstanding analysis of covariance}}, journal={Journal of Abnormal Psychology}, year={2001}, volume={110}, number={1}, pages={40--48}, doi={10.1037/0021-843x.110.1.40}}
@article{schwartz2011use, author={Schwartz, S. and Susser, E.}, title={{The use of well controls: An unhealthy practice in psychiatric research}}, journal={Psychological Medicine}, year={2011}, volume={41}, number={6}, pages={1127--1131}, doi={10.1017/s0033291710001595}}
@book{shadish2002experimental, author={Shadish, William R. and Cook, Thomas D. and Campbell, Donald T.}, title={{Experimental and quasi-experimental designs for generalized causal inference}}, year={2002}, publisher={Houghton Mifflin}}
@article{vandenbroucke2007strengthening, author={Vandenbroucke, Jan P. and von Elm, Erik and Altman, Douglas G. and Gøtzsche, Peter C. and Mulrow, Cynthia D. and Pocock, Stuart J. and Poole, Charles and Schlesselman, James J. and Egger, Matthias and {STROBE Initiative}}, title={{Strengthening the Reporting of Observational Studies in Epidemiology (STROBE): Explanation and elaboration}}, journal={PLOS Medicine}, year={2007}, volume={4}, number={10}, eid={e297}, doi={10.1371/journal.pmed.0040297}}
@article{wacholder1992selection, author={Wacholder, Sholom and McLaughlin, Joseph K. and Silverman, Debra T. and Mandel, Jack S.}, title={{Selection of controls in case-control studies: I. Principles}}, journal={American Journal of Epidemiology}, year={1992}, volume={135}, number={9}, pages={1019--1028}, doi={10.1093/oxfordjournals.aje.a116396}}
@article{westfall2016statistically, author={Westfall, Jacob and Yarkoni, Tal}, title={{Statistically controlling for confounding constructs is harder than you think}}, journal={PLOS ONE}, year={2016}, volume={11}, number={3}, eid={e0152719}, doi={10.1371/journal.pone.0152719}}
R