Słownik metodologiczny · Braki danych

Analiza punktu krytycznego (tipping point) dla braków MNAR

Analiza punktu krytycznego sprawdza, jak bardzo braki musiałyby odbiegać od MAR, by wniosek się zmienił. Pokazujemy model mieszanin wzorców, przesunięcie δ w imputacji wielokrotnej, przykład w R z mice i opis do pracy.

Strona główna / Słownik / Analiza punktu krytycznego
W skrócie: Analiza punktu krytycznego (tipping point) to analiza wrażliwości na braki MNAR: wartości imputowane przy założeniu MAR przesuwa się o rosnące δ i szuka najmniejszego δ, przy którym wniosek się zmienia, np. efekt przestaje być istotny.

Co to jest analiza punktu krytycznego?

Analiza punktu krytycznego (ang. tipping point analysis) to analiza wrażliwości na braki danych typu MNAR. Sprawdza się coraz bardziej pesymistyczne założenia o brakach i szuka tego, przy którym wniosek się zmienia, np. efekt przestaje być istotny – to punkt krytyczny. Metoda należy do rodziny analiz wrażliwości i jest typowa dla badań z utratą uczestników.

Model mieszanin wzorców i przesunięcie δ

Little (1993) opisał modele mieszanin wzorców (ang. pattern-mixture models): rozkład wyniku określa się osobno dla osób z wynikiem i bez niego. Dane nic nie mówią o wyniku osób bez wyniku, więc potrzebne jest dodatkowe ograniczenie. Najprostsze to przesunięcie δ (δ-adjustment): wartości z imputacji wielokrotnej przy założeniu MAR przesuwa się o δ – brakujący mają wynik o δ gorszy (albo lepszy), niż przewiduje model. Cro i in. (2020) opisują tę procedurę i wybór δ w badaniach klinicznych. Alternatywą jest model selekcji, np. model Heckmana.

Jak szukać punktu krytycznego

  1. Imputuj dane przy MAR (δ = 0) – to analiza główna.
  2. Powtórz imputację dla siatki δ, zwykle tylko w grupie interwencji.
  3. Połącz wyniki regułami Rubina i znajdź najmniejsze δ, przy którym przedział ufności obejmuje 0.
  4. Oceń wiarygodność tego δ, np. względem SD wyniku lub minimalnej istotnej różnicy.

Przykład

W badaniu 200 osób (niższy wynik = lepiej) wyniku końcowego brakowało u 15% osób z grupy kontrolnej i 19% z grupy interwencji (dane symulowane). Przy MAR efekt interwencji wyniósł b = −4.97 pkt, 95% CI [−7.62, −2.32]. Przy δ = 10 efekt był jeszcze istotny (p = .044), przy δ = 12 już nie (p = .091). Interpolacja daje punkt krytyczny δ ≈ 10.3 pkt, czyli około 1.2 SD reszt (8.36).

Na rysunku

Rysunek używa tych samych danych i tej samej imputacji (m = 30) co przykład. Zamiast powtarzać imputację dla każdego δ, przesuwamy wartości już imputowane. Braki ma tu tylko wynik końcowy, więc daje to te same liczby co przesunięcie wewnątrz mice: przy δ = 10 znów b = −2.827, p = .044. Panel A ma siatkę co 0.5 pkt, a panel B dodaje drugie założenie: δ także w grupie kontrolnej, od −8 (brakujący lepsi, niż przewiduje MAR) do 8 pkt.

Dwa panele. A: oś pozioma – δ w grupie interwencji od 0 do 16 pkt, oś pionowa – efekt interwencji b. Niebieska linia rośnie od −4.97 przy δ = 0 do −1.54 przy δ = 16, a jasnoniebieskie pasmo 95% CI przesuwa się w górę razem z nią; górna granica pasma przecina poziomą linię zera przy δ ≈ 10.3, zaznaczonym pomarańczową przerywaną linią pionową z podpisem „punkt krytyczny”. B: siatka kwadratów; oś pozioma – δ w grupie kontrolnej od −8 do 8, oś pionowa – δ w grupie interwencji od 0 do 16. Niebieskie pola oznaczają efekt istotny, pomarańczowe z krzyżykiem – nieistotny. Granica między nimi biegnie schodkami po przekątnej: od δ interwencji 6 przy δ kontroli −8, przez 11 przy 0, do 15 przy 8. Kółko z napisem MAR w punkcie (0, 0) leży w obszarze niebieskim.
Rysunek 1. Efekt interwencji z 95% CI w zależności od przesunięcia δ wartości imputowanych w grupie interwencji (A) oraz wniosek o istotności dla par δ w grupie kontrolnej i interwencji (B). Obliczenia: R, pakiety mice, ggplot2 i patchwork (dane symulowane, set.seed(7160), imputacja z seed = 716).

Co widać. W panelu A efekt słabnie liniowo wraz z δ, a przedział ufności przesuwa się razem z nim. Górna granica CI dotyka zera przy δ ≈ 10.35 pkt, prawie tak jak w przykładzie (10.34). Panel B pokazuje, że punkt krytyczny zależy od założenia o grupie kontrolnej. Gdy brakujący w kontroli mają wynik o 8 pkt lepszy, niż przewiduje MAR, wniosek zmienia się już przy δ = 6 w grupie interwencji. Gdy mają o 8 pkt gorszy, dopiero przy δ = 15. Efekt jest istotny w 62.6% komórek siatki.

Na co uważać. Odsetek istotnych komórek zależy wyłącznie od zakresu siatki, który wybrano ręcznie, więc nie jest miarą „odporności” wyniku. Rysunek nie mówi, które δ jest prawdopodobne. To trzeba uzasadnić merytorycznie, np. znaną różnicą między osobami, które odpadły, a pozostałymi. Mapa pokazuje tylko granicę istotności przy p = .05, a nie wielkość efektu. Do odczytu wartości w całej siatce lepiej nadają się linie konturowe, jak w wykresie konturowym.

Podpis do pracy:

Rysunek 1. Analiza punktu krytycznego dla efektu interwencji. (A) Efekt interwencji z 95% przedziałem ufności w zależności od przesunięcia δ wartości imputowanych w grupie interwencji. (B) Wniosek o istotności efektu dla par wartości δ w grupie kontrolnej i interwencji. Uwaga. Imputacja wielokrotna (m = 30) przy założeniu MAR, a następnie przesunięcie wartości imputowanych o δ; wyższy wynik oznacza gorszy stan. Przerywana linia w panelu A: punkt krytyczny (δ ≈ 10.3 pkt).

Kod rysunku liczy też liczby podane wyżej (wykonanie trwa kilkanaście sekund). Rysunek na stronie powstał z tego kodu po podmianie motywu na motyw serwisu (krój czcionki, siatka). Dane, geometrie i skale są identyczne.

Kod R rysunku 1
# Rysunek 1. Punkt krytyczny: efekt z 95% CI w funkcji δ (A) i siatka δ w obu grupach (B)
suppressPackageStartupMessages(library(mice))
library(ggplot2)
library(patchwork)

# Paleta Okabe–Ito i prosty motyw
motyw <- theme_minimal(base_size = 14) +
  theme(plot.title = element_text(face = "bold", colour = "#0f1d3a", size = rel(1.0)),
        panel.grid.minor = element_blank(), panel.grid.major = element_line(colour = "grey88", linewidth = 0.4),
        legend.position = "bottom", plot.background = element_rect(fill = "white", colour = NA))

# Te same dane co w przykładzie z hasła
set.seed(7160)
n <- 200
grupa <- rep(0:1, each = n / 2)
przed <- rnorm(n, 50, 10)
po <- 20 + 0.6 * przed - 3 * grupa + rnorm(n, 0, 8)  # niższy wynik = lepiej
p_brak <- plogis(-2 + 0.05 * (przed - 50) + 0.6 * grupa)
po[runif(n) < p_brak] <- NA
dane <- data.frame(grupa, przed, po)
brak <- is.na(dane$po)

# Jedna imputacja przy MAR; δ dodajemy potem do wartości imputowanych
# (tu tylko „po” ma braki, więc daje to te same wyniki co przesunięcie w mice przez post)
imp <- mice(dane, m = 30, method = "norm", seed = 716, printFlag = FALSE)
zbiory <- lapply(1:30, function(i) complete(imp, i))
analiza <- function(d_kontr, d_interw) {
  modele <- lapply(zbiory, function(d) {
    d$po[brak] <- d$po[brak] + ifelse(d$grupa[brak] == 1, d_interw, d_kontr)
    lm(po ~ grupa + przed, data = d)
  })
  s <- summary(pool(as.mira(modele)), conf.int = TRUE)
  s <- s[s$term == "grupa", ]
  c(b = s$estimate, dolna = s$`2.5 %`, gorna = s$`97.5 %`, p = s$p.value)
}

# A. δ tylko w grupie interwencji (jak w przykładzie), siatka co 0.5 pkt
A <- data.frame(delta = seq(0, 16, by = 0.5))
A <- cbind(A, t(sapply(A$delta, function(d) analiza(0, d))))
print(round(A[A$delta %in% c(0, 10, 12), ], 3), row.names = FALSE)
pk <- approx(A$gorna, A$delta, xout = 0)$y             # punkt krytyczny: górna granica CI = 0
round(pk, 2)

# B. δ w obu grupach: kontrola od −8 (brakujący lepsi) do 8, interwencja 0–16, co 1 pkt
B <- expand.grid(d_kontr = -8:8, d_interw = 0:16)
B$p <- mapply(function(a, b) analiza(a, b)["p"], B$d_kontr, B$d_interw)
B$wniosek <- factor(ifelse(B$p < .05, "efekt istotny (p < .05)", "efekt nieistotny"),
                    levels = c("efekt istotny (p < .05)", "efekt nieistotny"))
round(100 * mean(B$p < .05), 1)                        # % komórek siatki z efektem istotnym
# punkt krytyczny δ interwencji przy kilku δ w grupie kontrolnej (pierwsza komórka z p ≥ .05)
sapply(c(-8, -4, 0, 4, 8), function(k) { d <- B$d_interw[B$d_kontr == k & B$p >= .05]; if (length(d)) min(d) else NA })

pA <- ggplot(A, aes(delta, b)) +
  geom_hline(yintercept = 0, colour = "grey30") +
  geom_ribbon(aes(ymin = dolna, ymax = gorna), fill = "#56B4E9", alpha = 0.35) +
  geom_line(linewidth = 0.9, colour = "#0072B2") +
  geom_vline(xintercept = pk, linetype = "dashed", colour = "#D55E00") +
  annotate("text", x = pk + 0.3, y = -7.2, label = paste0("punkt krytyczny\nδ ≈ ", round(pk, 1)),
           hjust = 0, size = 3.6, colour = "#D55E00") +
  labs(title = "A. Efekt interwencji (b, 95% CI) a δ w grupie interwencji",
       x = "δ: o ile gorszy wynik mają brakujący w grupie interwencji (pkt)", y = "Efekt interwencji b (pkt)") +
  motyw

pB <- ggplot(B, aes(d_kontr, d_interw)) +
  geom_tile(aes(fill = wniosek), colour = "white", linewidth = 0.4) +
  geom_point(data = subset(B, p >= .05), shape = 4, size = 1.6, colour = "grey20") +
  annotate("point", x = 0, y = 0, shape = 21, size = 3.5, fill = "white", stroke = 1.1) +
  annotate("text", x = 0.6, y = 0.6, label = "MAR", hjust = 0, size = 3.6, fontface = "bold") +
  scale_fill_manual(values = c("#56B4E9", "#E69F00"), name = NULL) +
  coord_equal() +
  labs(title = "B. Wniosek dla δ w obu grupach (× = nieistotny)",
       x = "δ w grupie kontrolnej (pkt)", y = "δ w grupie interwencji (pkt)") +
  motyw

p <- pA / pB + plot_layout(heights = c(1, 1.5))
p
Wynik w R
 delta      b  dolna  gorna     p
     0 -4.972 -7.622 -2.322 0.000
    10 -2.827 -5.573 -0.082 0.044
    12 -2.399 -5.189  0.392 0.091
[1] 10.35
[1] 62.6
[1]  6  9 11 13 15

Jak opisać w pracy

W analizie głównej przyjęto, że braki są MAR (imputacja wielokrotna, m = 30): b = −4.97, 95% CI [−7.62, −2.32]. W analizie punktu krytycznego wartości imputowane w grupie interwencji przesuwano o δ od 0 do 16 pkt; efekt przestawał być istotny przy δ ≈ 10.3 pkt (1.2 SD reszt), co uznano za mało prawdopodobne.

Na co uważać

  • δ to założenie, nie oszacowanie. Dane nie rozstrzygną, które δ jest prawdziwe.
  • Zaplanuj siatkę z góry. Zakres δ opisz w planie analiz, jak we wpisie plan analiz do wniosku grantowego.

Imputację w mice omawia wpis Braki danych i imputacja wielokrotna w R, a miejsce tej analizy w artykule – Analiza wrażliwości w artykule naukowym.

Przykład reprodukowalny

Punkt krytyczny w R

Kod symuluje badanie z brakami, imputuje dane w mice z przesunięciem δ w grupie interwencji (argument post), łączy wyniki regułami Rubina dla siatki δ i wyznacza punkt krytyczny. Liczby w tekście pochodzą z tego kodu.

Siatka δ i punkt krytyczny

Dane wejściowe: 200 osób w dwóch grupach, wynik przed i po; braki wyniku po zależne od wyniku przed i grupy (set.seed(7160)).

Co odczytać: odsetek braków w grupach; tabelę efektu grupy (b, 95% CI, p) dla δ od 0 do 16; SD reszt; pierwsze δ z siatki z p > .05 i punkt krytyczny z interpolacji górnej granicy CI.

R
set.seed(7160)
suppressPackageStartupMessages(library(mice))
n <- 200                                             # badanie z dwiema grupami (dane symulowane)
grupa <- rep(0:1, each = n / 2)
przed <- rnorm(n, 50, 10)
po <- 20 + 0.6 * przed - 3 * grupa + rnorm(n, 0, 8)  # niższy wynik = lepiej (np. objawy)
p_brak <- plogis(-2 + 0.05 * (przed - 50) + 0.6 * grupa)
po[runif(n) < p_brak] <- NA
dane <- data.frame(grupa, przed, po)
round(100 * tapply(is.na(dane$po), dane$grupa, mean), 1)   # % braków: kontrola, interwencja
analiza <- function(delta, m = 30) {
  post <- make.post(dane)
  # δ dodawane tylko w grupie interwencji: brakujący mają wynik o δ gorszy niż przewiduje MAR
  post["po"] <- paste0("imp[[j]][, i] <- imp[[j]][, i] + ", delta,
                       " * data$grupa[!r[, j]]")
  imp <- mice(dane, m = m, method = "norm", post = post, seed = 716, printFlag = FALSE)
  s <- summary(pool(with(imp, lm(po ~ grupa + przed))), conf.int = TRUE)
  s <- s[s$term == "grupa", ]
  c(delta = delta, b = s$estimate, CI_dolna = s$`2.5 %`, CI_gorna = s$`97.5 %`, p = s$p.value)
}
siatka <- t(sapply(seq(0, 16, by = 2), analiza))    # δ = 0 to analiza przy założeniu MAR
print(round(siatka, 3))
round(sigma(lm(po ~ grupa + przed, data = dane)), 2)   # SD reszt (skala do oceny δ)
# punkt krytyczny: najmniejsze δ z siatki, przy którym p > .05
siatka[which(siatka[, "p"] > .05)[1], "delta"]
# dokładniej: interpolacja liniowa górnej granicy CI między sąsiednimi δ
approx(siatka[, "CI_gorna"], siatka[, "delta"], xout = 0)$y
Wynik w R
 0  1 
15 19 
      delta      b CI_dolna CI_gorna     p
 [1,]     0 -4.972   -7.622   -2.322 0.000
 [2,]     2 -4.543   -7.195   -1.891 0.001
 [3,]     4 -4.114   -6.776   -1.452 0.003
 [4,]     6 -3.685   -6.367   -1.004 0.007
 [5,]     8 -3.256   -5.966   -0.547 0.019
 [6,]    10 -2.827   -5.573   -0.082 0.044
 [7,]    12 -2.399   -5.189    0.392 0.091
 [8,]    14 -1.970   -4.812    0.872 0.173
 [9,]    16 -1.541   -4.442    1.361 0.296
[1] 8.36
delta 
   12 
[1] 10.34491

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (pakiet mice). Rysunek 1 wykonano w pakiecie ggplot2, panele złożono pakietem patchwork, a plik SVG zapisano pakietem 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. mice (wersja 3.19.0): van Buuren, S., & Groothuis-Oudshoorn, K. (2011). mice: Multivariate imputation by chained equations in R. Journal of Statistical Software, 45(3), 1–67. https://doi.org/10.18637/jss.v045.i03
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  4. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
  5. 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

Najczęstsze pytania

Czym analiza punktu krytycznego różni się od zwykłej analizy wrażliwości?

Zwykła analiza wrażliwości sprawdza kilka wybranych scenariuszy. Analiza punktu krytycznego odwraca pytanie: jak duże odstępstwo od MAR zmieniłoby wniosek. Wynikiem jest jedna wartość δ, którą łatwo ocenić merytorycznie.

Jak dobrać zakres δ?

Od 0 do wartości wyraźnie nieprawdopodobnej, np. 1–2 SD wyniku albo kilku minimalnych istotnych różnic, z krokiem pozwalającym zobaczyć zmianę wniosku. W przykładzie siatka obejmowała 0–16 pkt co 2 pkt przy SD reszt 8.36.

Jak zrobić δ-adjustment w pakiecie mice?

Przez argument post: post["y"] <- "imp[[j]][, i] <- imp[[j]][, i] + delta". Aby przesunąć wartości tylko w jednej grupie, pomnóż δ przez wskaźnik grupy dla imputowanych wierszy, jak w przykładzie.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Cro, S., Morris, T. P., Kenward, M. G., & Carpenter, J. R. (2020). Sensitivity analysis for clinical trials with missing continuous outcome data using controlled multiple imputation: A practical guide. Statistics in Medicine, 39(21), 2815–2842. https://doi.org/10.1002/sim.8569 ● Otwarty dostęp
  2. Little, R. J. A. (1993). Pattern-mixture models for multivariate incomplete data. Journal of the American Statistical Association, 88(421), 125–134. https://doi.org/10.1080/01621459.1993.10594302

Cytowania BibTeX

@article{cro2020sensitivity, author={Cro, Suzie and Morris, Tim P. and Kenward, Michael G. and Carpenter, James R.}, title={{Sensitivity analysis for clinical trials with missing continuous outcome data using controlled multiple imputation: A practical guide}}, journal={Statistics in Medicine}, year={2020}, volume={39}, number={21}, pages={2815--2842}, doi={10.1002/sim.8569}}
@article{little1993pattern, author={Little, Roderick J. A.}, title={{Pattern-mixture models for multivariate incomplete data}}, journal={Journal of the American Statistical Association}, year={1993}, volume={88}, number={421}, pages={125--134}, doi={10.1080/01621459.1993.10594302}}
R