Słownik metodologiczny · Wnioskowanie przyczynowe

Analiza wrażliwości Rosenbauma (Γ): jak silne musiałoby być ukryte zakłócenie

Analiza wrażliwości Rosenbauma pokazuje, przy jakiej sile niezmierzonego zakłócenia wynik dopasowanego badania obserwacyjnego przestaje być istotny. Wyjaśniamy parametr Γ, górną granicę p i przykład w R.

Strona główna / Słownik / Analiza wrażliwości Rosenbauma
W skrócie: Analiza wrażliwości Rosenbauma sprawdza, jak bardzo mogłyby się różnić szanse otrzymania interwencji w dopasowanej parze (parametr Γ), zanim wynik testu przestanie być istotny. Γ = 1 odpowiada losowaniu; im większe Γ potrzebne do zmiany wniosku, tym wynik odporniejszy na ukryte zakłócenie.

Co to jest analiza wrażliwości Rosenbauma?

Analiza wrażliwości Rosenbauma (ang. Rosenbaum bounds) sprawdza, jak silne musiałoby być niezmierzone zakłócenie, żeby zmienić wniosek z dopasowanego badania obserwacyjnego. Po dopasowaniu na obserwowane cechy, np. na propensity score, dwie osoby w parze mogą nadal różnić się cechą, której nie zmierzono (zmienną zakłócającą).

Parametr Γ (gamma, Γ ≥ 1) mówi, ile razy mogą się różnić szanse otrzymania interwencji u dwóch osób o tych samych obserwowanych cechach. Γ = 1 oznacza brak ukrytego obciążenia, jak przy losowaniu. Γ = 2 oznacza, że jedna osoba z pary mogła mieć nawet dwukrotnie większe szanse. Rosenbaum (1987) zaproponował prosty sposób pokazania, jak wyniki testów permutacyjnych – testu rang znakowanych Wilcoxona i testu McNemara–Coxa – zmieniają się przy różnych założeniach o niezmierzonych zmiennych. Dla każdego Γ liczy się zakres możliwych wartości p; raportuje się górną granicę. Rosenbaum (2007) rozszerzył metodę na M-estymatory Hubera, przedziały ufności i zbiory z kilkoma kontrolami.

Przykład

W symulowanych 80 dopasowanych parach (prawdziwy efekt 6 pkt) test Wilcoxona daje p = .0006 przy Γ = 1. Górna granica p rośnie do .0084 przy Γ = 1.25 i .043 przy Γ = 1.5, a przy Γ = 1.75 wynosi już .123. Wynik przestaje być istotny przy Γ ≈ 1.53. Wystarczyłaby więc nieobserwowana cecha, która w parze zwiększa szanse interwencji o około 53% i silnie wiąże się z wynikiem. M-test Hubera daje podobny obraz (.031 przy Γ = 1.5, .175 przy Γ = 2).

Na rysunku

Tabelę Γ z przykładu łatwiej czytać jako krzywą. Rysunek pokazuje górną granicę p dla tych samych 80 par przy Γ od 1 do 2.5, dla testu rang znakowanych Wilcoxona i M-testu Hubera.

Wykres liniowy: na osi poziomej Γ od 1 do 2.5, na pionowej górna granica p w skali logarytmicznej. Pozioma linia na wysokości .05, obszar nad nią zacieniony. Ciągła krzywa testu Wilcoxona rośnie od .0006 przy Γ = 1 i przecina .05 przy Γ = 1.53 (kółko), przerywana krzywa M-testu Hubera leży nieco niżej i przecina .05 przy Γ = 1.61 (trójkąt). Przy Γ = 2.5 granice wynoszą .54 i .41
Rysunek 1. Górna granica p w funkcji Γ dla 80 dopasowanych par: test Wilcoxona i M-test Hubera. Obliczenia: R, pakiety sensitivitymw i ggplot2 (dane symulowane, set.seed(694)).

Co widać. Przy Γ = 1 (brak ukrytego obciążenia) oba testy dają p = .0006. Każde dopuszczenie większej różnicy szans w parze podnosi najgorszą możliwą wartość p. Krzywa Wilcoxona przecina .05 przy Γ = 1.53, krzywa Hubera przy Γ = 1.61 – M-test jest tu nieco mniej wrażliwy. Przy Γ = 2 górne granice wynoszą już .246 i .175. Liczba, którą raportuje się w pracy, to punkt przecięcia: im dalej w prawo, tym silniejszego ukrytego zakłócenia trzeba, by podważyć wynik.

Na co uważać. Krzywa to najgorszy scenariusz dla każdego Γ, a nie oszacowanie prawdziwego p. Nie mówi, jak duże Γ jest realistyczne w Twojej dziedzinie – to trzeba uzasadnić wiedzą merytoryczną, np. porównując z siłą zmierzonych zakłócaczy. Γ = 1.53 nie oznacza „słabego badania”; to tylko próg, który czytelnik ocenia sam. Wykres zależy też od wyboru testu, więc podaj, którego użyto. Pokrewną miarę w skali ryzyka względnego daje E-wartość.

Podpis do pracy:

Rysunek 1. Górna granica wartości p w analizie wrażliwości Rosenbauma w funkcji Γ dla 80 dopasowanych par. Uwaga. Linia ciągła – test rang znakowanych Wilcoxona, linia przerywana – M-test Hubera. Pozioma linia oznacza p = .05; punkty wskazują Γ, przy którym górna granica p osiąga .05 (1.53 i 1.61). Oś pionowa w skali logarytmicznej.

Kod poniżej odtwarza rysunek i liczby z tych samych danych co przykład (set.seed(694); ziarna nie zmieniano). Jest samowystarczalny: paletę Okabe–Ito i prosty motyw definiuje sam. Rysunek na stronie powstał z tego samego obiektu p1 z motywem serwisu – dane, geometrie i skale są identyczne, różni się tylko krój czcionki i siatka.

Kod R rysunku 1
# Rysunek 1. Górna granica p w funkcji Γ: test Wilcoxona i M-test Hubera
library(ggplot2)
library(sensitivitymw)

# Paleta Okabe–Ito; testy odróżnia też typ linii i kształt punktu
kol <- c("Wilcoxon (rangi znakowane)" = "#0072B2", "M-test Hubera" = "#D55E00")
lin <- c("Wilcoxon (rangi znakowane)" = "solid", "M-test Hubera" = "dashed")
motyw <- theme_minimal(base_size = 14) +
  theme(panel.grid.minor = element_blank(), legend.position = "bottom",
        plot.title = element_text(face = "bold"))

# Te same dane co w przykładzie hasła: 80 par, prawdziwy efekt 6 pkt
set.seed(694)
n <- 80
kontrola <- rnorm(n, mean = 50, sd = 10)
leczeni  <- kontrola + rnorm(n, mean = 6, sd = 10)
roznica  <- leczeni - kontrola
d <- roznica[roznica != 0]; m <- length(d)
T <- sum(rank(abs(d))[d > 0])
p_wilcoxon <- function(G) {                       # górna granica p (przybliżenie normalne)
  pp <- G / (1 + G)
  E <- pp * m * (m + 1) / 2
  V <- pp * (1 - pp) * m * (m + 1) * (2 * m + 1) / 6
  1 - pnorm((T - E) / sqrt(V))
}
y <- cbind(leczeni, kontrola)
p_huber <- function(G) senmw(y, gamma = G, method = "h")$pval

siatka <- seq(1, 2.5, by = 0.01)
krzywe <- data.frame(Gamma = rep(siatka, 2),
                     p = c(sapply(siatka, p_wilcoxon), sapply(siatka, p_huber)),
                     test = factor(rep(names(kol), each = length(siatka)), levels = names(kol)))
# Γ, przy którym górna granica p osiąga .05
prog <- data.frame(test = factor(names(kol), levels = names(kol)),
                   Gamma = c(uniroot(function(g) p_wilcoxon(g) - 0.05, c(1, 3))$root,
                             uniroot(function(g) p_huber(g) - 0.05, c(1, 3))$root), p = 0.05)
prog$Gamma <- round(prog$Gamma, 2)
prog
G4 <- c(1, 1.5, 2, 2.5)
data.frame(Gamma = G4, Wilcoxon = round(sapply(G4, p_wilcoxon), 4), Huber = round(sapply(G4, p_huber), 4))

p1 <- ggplot(krzywe, aes(Gamma, p, colour = test, linetype = test)) +
  annotate("rect", xmin = -Inf, xmax = Inf, ymin = 0.05, ymax = Inf, fill = "grey90", alpha = 0.6) +
  geom_hline(yintercept = 0.05, linewidth = 0.6) +
  geom_line(linewidth = 1.1) +
  geom_point(data = prog, aes(shape = test), size = 3.4, stroke = 1.2) +
  geom_text(data = prog, aes(label = sprintf("Γ = %.2f", Gamma)), vjust = c(-1, 2),
            hjust = c(1.1, -0.15), size = 3.8, show.legend = FALSE) +
  annotate("text", x = 2.48, y = 0.07, label = "p > .05: wniosek nie wytrzymuje", hjust = 1,
           size = 3.6, colour = "grey30") +
  scale_y_log10(breaks = c(0.0005, 0.001, 0.005, 0.01, 0.05, 0.1, 0.5),
                labels = c(".0005", ".001", ".005", ".01", ".05", ".10", ".50")) +
  scale_x_continuous(breaks = seq(1, 2.5, 0.25)) +
  scale_colour_manual(values = kol, name = NULL) + scale_linetype_manual(values = lin, name = NULL) +
  scale_shape_manual(values = c(16, 17), name = NULL) +
  labs(title = "Górna granica p dla 80 dopasowanych par",
       x = "Γ – dopuszczalna różnica szans interwencji w parze", y = "Górna granica p (skala log)") + motyw
p1   # zapis: ggsave("analiza-wrazliwosci-rosenbauma-gamma.svg", p1, width = 8.5, height = 6)
Wynik w R
                        test Gamma    p
1 Wilcoxon (rangi znakowane)  1.53 0.05
2              M-test Hubera  1.61 0.05
  Gamma Wilcoxon  Huber
1   1.0   0.0006 0.0006
2   1.5   0.0429 0.0309
3   2.0   0.2461 0.1752
4   2.5   0.5408 0.4117

Jak opisać w pracy

Wynik w 80 dopasowanych parach był istotny (test rang znakowanych Wilcoxona, p < .001). W analizie wrażliwości Rosenbauma górna granica p przekroczyła .05 przy Γ ≈ 1.53. Niezmierzony czynnik zwiększający szanse interwencji w parze o ok. 53% i silnie związany z wynikiem mógłby więc wyjaśnić efekt.

Na co uważać

  • Γ nie mówi, czy zakłócenie istnieje. Pokazuje tylko, jak silne musiałoby być, by zmienić wniosek.
  • Granica zakłada najgorszy przypadek – ukryta cecha niemal doskonale wiąże się z wynikiem. Słabszy związek wymagałby większego Γ.
  • Γ to nie E-wartość. Obie metody opisują wrażliwość w innych skalach; zob. też wpis o E-wartości i niezmierzonym zakłóceniu.
  • Najpierw jakość dopasowania. Sprawdź wspólne wsparcie i balans; analiza Γ nie naprawi złych par.
Przykład reprodukowalny

Analiza Rosenbauma w R

Kod liczy górną granicę p dla testu Wilcoxona ręcznie (przybliżenie normalne), szuka Γ, przy którym p = .05, i sprawdza wynik funkcjami rbounds::psens() oraz sensitivitymw::senmw(). Liczby w tekście pochodzą z tego kodu.

Górna granica p dla kolejnych wartości Γ

Dane wejściowe: 80 symulowanych par leczony–kontrola (set.seed(694)), prawdziwy efekt 6 pkt.

Co odczytać: p przy Γ = 1, kolumnę p_gorne, wartość Γ, przy której granica osiąga .05, kolumnę Upper bound z psens() i granice p M-testu Hubera dla Γ = 1, 1.5 i 2.

R
set.seed(694)                                       # dane symulowane: 80 dopasowanych par
n <- 80
kontrola <- rnorm(n, mean = 50, sd = 10)
leczeni  <- kontrola + rnorm(n, mean = 6, sd = 10)  # prawdziwy efekt = 6 pkt
roznica  <- leczeni - kontrola
wilcox.test(leczeni, kontrola, paired = TRUE, alternative = "greater")$p.value  # Gamma = 1
# Górna granica p dla statystyki rang znakowanych Wilcoxona (przybliżenie normalne)
d <- roznica[roznica != 0]; m <- length(d)
T <- sum(rank(abs(d))[d > 0])
p_gorne <- function(G) {
  pp <- G / (1 + G)
  E <- pp * m * (m + 1) / 2
  V <- pp * (1 - pp) * m * (m + 1) * (2 * m + 1) / 6
  1 - pnorm((T - E) / sqrt(V))
}
G <- c(1, 1.25, 1.5, 1.75, 2)
round(data.frame(Gamma = G, p_gorne = sapply(G, p_gorne)), 4)
round(uniroot(function(g) p_gorne(g) - 0.05, c(1, 5))$root, 2)   # Gamma, przy którym p = .05
suppressPackageStartupMessages(library(rbounds))
psens(leczeni, kontrola, Gamma = 2, GammaInc = 0.25)             # to samo w rbounds
suppressPackageStartupMessages(library(sensitivitymw))
y <- cbind(leczeni, kontrola)
sapply(c(1, 1.5, 2), function(g) round(senmw(y, gamma = g, method = "h")$pval, 4))  # m-test Hubera
Wynik w R
[1] 0.0006080098
  Gamma p_gorne
1  1.00  0.0006
2  1.25  0.0084
3  1.50  0.0429
4  1.75  0.1225
5  2.00  0.2461
[1] 1.53

 Rosenbaum Sensitivity Test for Wilcoxon Signed Rank P-Value 
 
Unconfounded estimate ....  6e-04 

 Gamma Lower bound Upper bound
  1.00       6e-04      0.0006
  1.25       0e+00      0.0084
  1.50       0e+00      0.0429
  1.75       0e+00      0.1225
  2.00       0e+00      0.2461

 Note: Gamma is Odds of Differential Assignment To
 Treatment Due to Unobserved Factors 
 
[1] 0.0006 0.0309 0.1752

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 z pakietami rbounds 2.2 i sensitivitymw 2.1. Rysunek 1 wykonano w pakiecie ggplot2 i 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. rbounds (wersja 2.2): Keele, L. J. (2022). rbounds: Perform Rosenbaum bounds sensitivity tests for matched and unmatched data (R package version 2.2) [Computer software]. https://doi.org/10.32614/CRAN.package.rbounds
  3. sensitivitymw (wersja 2.1): Rosenbaum, P. R. (2022). sensitivitymw: Sensitivity analysis for observational studies using weighted M-statistics (R package version 2.1) [Computer software]. https://doi.org/10.32614/CRAN.package.sensitivitymw
  4. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  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

Jakie Γ oznacza odporny wynik?

Nie ma uniwersalnego progu. Porównaj Γ z wiedzą o dziedzinie: czy znane czynniki mogłyby tak silnie różnicować przydział w parze? Wynik, który traci istotność już przy Γ bliskim 1, jest kruchy.

Czym Γ różni się od E-wartości?

Γ ogranicza różnicę szans przydziału w dopasowanej parze i dotyczy testu. E-wartość mówi, jak silny związek zakłócenia z ekspozycją i wynikiem (w skali ryzyka względnego) wyjaśniłby oszacowanie. Liczb nie porównuje się wprost.

Czy metodę można stosować po ważeniu IPW?

W klasycznej postaci dotyczy dopasowanych par lub zbiorów, bo opiera się na testach permutacyjnych w parach. Po ważeniu częściej raportuje się E-wartość albo inne metody analizy wrażliwości.

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. Rosenbaum, P. R. (1987). Sensitivity analysis for certain permutation inferences in matched observational studies. Biometrika, 74(1), 13–26. https://doi.org/10.1093/biomet/74.1.13
  2. Rosenbaum, P. R. (2002). Observational studies (2nd ed.). Springer. https://doi.org/10.1007/978-1-4757-3692-2
  3. Rosenbaum, P. R. (2007). Sensitivity analysis for m-estimates, tests, and confidence intervals in matched observational studies. Biometrics, 63(2), 456–464. https://doi.org/10.1111/j.1541-0420.2006.00717.x

Cytowania BibTeX

@article{rosenbaum1987sensitivity, author={Rosenbaum, Paul R.}, title={{Sensitivity analysis for certain permutation inferences in matched observational studies}}, journal={Biometrika}, year={1987}, volume={74}, number={1}, pages={13--26}, doi={10.1093/biomet/74.1.13}}
@book{rosenbaum2002observational, author={Rosenbaum, Paul R.}, title={{Observational studies}}, year={2002}, edition={2}, publisher={Springer}, doi={10.1007/978-1-4757-3692-2}}
@article{rosenbaum2007sensitivity, author={Rosenbaum, Paul R.}, title={{Sensitivity analysis for m-estimates, tests, and confidence intervals in matched observational studies}}, journal={Biometrics}, year={2007}, volume={63}, number={2}, pages={456--464}, doi={10.1111/j.1541-0420.2006.00717.x}}
R