Słownik metodologiczny · Projekt badania

Czynnik zakłócający a modyfikator efektu – jak je odróżnić

Czynnik zakłócający zniekształca efekt, modyfikator zmienia jego wielkość w podgrupach. Pokazujemy, jak odróżnić je w tabelach warstwowych, z przykładem w R i opisem do pracy.

Strona główna / Słownik / Zakłócanie a modyfikacja

Opracowanie merytoryczne: · Opublikowano:

W skrócie: Czynnik zakłócający zniekształca związek ekspozycji z wynikiem i trzeba go usunąć korektą. Modyfikator efektu sprawia, że efekt różni się między podgrupami, i trzeba to opisać osobnymi wynikami. Rozróżnisz je, porównując efekty w warstwach z efektem surowym.

Czym różni się czynnik zakłócający od modyfikatora efektu?

Czynnik zakłócający (ang. confounder) zniekształca oszacowanie związku ekspozycji z wynikiem, bo jest wspólną przyczyną obu. Modyfikator efektu (ang. effect modifier) niczego nie zniekształca: sprawia, że efekt ekspozycji ma różną wielkość w różnych podgrupach. Zakłócenie to błąd, który trzeba usunąć. Modyfikacja to cecha rzeczywistości, którą trzeba opisać. Ta sama zmienna może pełnić obie role naraz.

Jak je rozróżnić w danych?

Podziel dane na warstwy zmiennej i policz efekt w każdej z nich:

  • efekty w warstwach są podobne do siebie, ale różne od efektu surowego – to zakłócanie; podaj jeden efekt skorygowany;
  • efekty w warstwach wyraźnie się różnią – to modyfikacja; podaj efekty osobno dla warstw i test interakcji, a nie jeden uśredniony wynik.

Decyzja o tym, które zmienne kontrolować jako zakłócające, wymaga założeń przyczynowych. VanderWeele i Shpitser (2013) proponują nazywać zmienną zakłócającą tylko zmienną sprzed ekspozycji, należącą do minimalnego zestawu zmiennych wystarczającego do usunięcia zakłócenia.

Przykład

Badamy związek małej aktywności fizycznej z objawami depresyjnymi (dane przykładowe, 800 osób). Wiek jako czynnik zakłócający: surowy iloraz szans wynosi 2.54, ale w warstwach wieku 1.62 i 1.56. Skorygowany OR Mantela–Haenszela to 1.58, 95% CI [1.09, 2.30]. Starsze osoby częściej mało się ruszają i częściej mają objawy, co zawyżało surowy wynik. Płeć jako modyfikator: OR wynosi 3.00 u kobiet i 1.00 u mężczyzn, a test interakcji daje χ²(1) = 8.27, p = .004. Tu surowy OR = 1.82 ukrywa, że związek występuje tylko w jednej grupie.

Jak opisać w pracy

Związek małej aktywności fizycznej z objawami depresyjnymi zależał od płci (test interakcji: χ²(1) = 8.27, p = .004): u kobiet OR = 3.00, u mężczyzn OR = 1.00. Wiek traktowano jako czynnik zakłócający; skorygowany o wiek OR Mantela–Haenszela wyniósł 1.58, 95% CI [1.09, 2.30], wobec surowego OR = 2.54.

Na co uważać

  • Nie uśredniaj efektów, które się różnią. OR Mantela–Haenszela ma sens tylko wtedy, gdy efekty w warstwach są podobne.
  • Modyfikacja zależy od skali. Efekt może się różnić na skali ilorazu szans, a nie różnić na skali różnicy ryzyk; napisz, na której skali testujesz.
  • Nie interpretuj współczynników zmiennych kontrolnych jak efektów. Westreich i Greenland (2013) nazywają to błędem „tabeli 2”: współczynnik zmiennej zakłócającej z modelu dla ekspozycji nie jest jej efektem całkowitym.

Modyfikację efektu w psychologii częściej nazywa się moderacją i bada przez efekt interakcji. Jak nie mylić jej z poszukiwaniem efektów w wielu podgrupach, wyjaśnia hasło analiza podgrup.

Przykład reprodukowalny

Zakłócanie i modyfikacja w R

Kod liczy ilorazy szans surowe i w warstwach, OR Mantela–Haenszela oraz test interakcji w regresji logistycznej.

Ilorazy szans w warstwach i test interakcji

Dane wejściowe: liczebności tabel 2 × 2 w warstwach wieku i płci (dane przykładowe, po 800 osób).

Co odczytać: OR surowy i w warstwach, OR Mantela–Haenszela z 95% CI, zmianę dewiancji (χ²) i p dla interakcji.

R
or <- function(x) round(x[1] * x[4] / (x[2] * x[3]), 2)   # x = eksponowani z / bez objawów, nieeksponowani z / bez
mlodsi <- c(20, 80, 40, 260); starsi <- c(120, 180, 30, 70)          # warstwy wieku
c(surowy = or(mlodsi + starsi), mlodsi = or(mlodsi), starsi = or(starsi))
mh <- mantelhaen.test(array(c(mlodsi[c(1, 3, 2, 4)], starsi[c(1, 3, 2, 4)]), c(2, 2, 2)))
round(c(OR_MH = unname(mh$estimate), CI = mh$conf.int), 2)          # OR skorygowany o wiek
kobiety <- c(60, 140, 25, 175); mezczyzni <- c(30, 170, 30, 170)    # warstwy płci
c(surowy = or(kobiety + mezczyzni), kobiety = or(kobiety), mezczyzni = or(mezczyzni))
d <- data.frame(eksp = c(1, 1, 0, 0), objawy = c(1, 0, 1, 0), kobieta = rep(1:0, each = 4), n = c(kobiety, mezczyzni))
m0 <- glm(objawy ~ eksp + kobieta, binomial, d, weights = n)
m1 <- glm(objawy ~ eksp * kobieta, binomial, d, weights = n)       # model z interakcją
anova(m0, m1, test = "LRT")[2, c("Deviance", "Pr(>Chi)")]
Wynik w R
surowy mlodsi starsi
  2.54   1.62   1.56
OR_MH   CI1   CI2
 1.58  1.09  2.30
   surowy   kobiety mezczyzni
     1.82      3.00      1.00
  Deviance Pr(>Chi)
2   8.2737 0.004022 **
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje pakietów base i stats).

  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/

Najczęstsze pytania

Czy jedna zmienna może być jednocześnie czynnikiem zakłócającym i modyfikatorem?

Tak. Może być związana z ekspozycją i wynikiem, a do tego zmieniać wielkość efektu. Wtedy podajesz efekty osobno w jej warstwach, bo jeden skorygowany wynik ukryłby różnice.

Czym modyfikacja efektu różni się od moderacji?

To w zasadzie to samo zjawisko opisane w dwóch tradycjach: epidemiologia mówi o modyfikacji efektu, psychologia o moderacji. W obu przypadkach testuje się interakcję.

Kiedy można podać jeden OR Mantela–Haenszela?

Gdy ilorazy szans w warstwach są do siebie podobne. Jeśli wyraźnie się różnią, wspólny OR uśrednia odmienne efekty i wprowadza w błąd.

Powiązane hasła

Zmienna zakłócającaModeracjaEfekt interakcjiIloraz szans (OR)Analiza podgrupParadoks Simpsona

Poradniki, w których użyjesz tego pojęcia

Poradnik

Analiza moderacji krok po kroku

Hipoteza, centrowanie, model z interakcją, proste nachylenia, Johnson–Neyman, wykresy, moc, kod R, PROCESS w SPSS i opis APA – na jednym przykładzie.

Czytaj →Poradnik

Grafy przyczynowe (DAG)

Zakłócacz, mediator i zderzacz, kryterium tylnych drzwi i zbiór dostosowujący – z symulacją w R, która pokazuje koszt złej kontroli.

Czytaj →

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. VanderWeele, T. J., & Shpitser, I. (2013). On the definition of a confounder. The Annals of Statistics, 41(1), 196–220. https://doi.org/10.1214/12-aos1058 ● Otwarty dostęp
  2. Westreich, D., & Greenland, S. (2013). The Table 2 fallacy: Presenting and interpreting confounder and modifier coefficients. American Journal of Epidemiology, 177(4), 292–298. https://doi.org/10.1093/aje/kws412 ● Otwarty dostęp

Cytowania BibTeX

@article{vanderweele2013definition, author={VanderWeele, Tyler J. and Shpitser, Ilya}, title={{On the definition of a confounder}}, journal={The Annals of Statistics}, year={2013}, volume={41}, number={1}, pages={196--220}, doi={10.1214/12-aos1058}}
@article{westreich2013table, author={Westreich, Daniel and Greenland, Sander}, title={{The Table 2 fallacy: Presenting and interpreting confounder and modifier coefficients}}, journal={American Journal of Epidemiology}, year={2013}, volume={177}, number={4}, pages={292--298}, doi={10.1093/aje/kws412}}
R