Słownik metodologiczny · Analiza danych

Dzielenie medianą (median split) – dlaczego lepiej go unikać?

Podział zmiennej ciągłej na grupę „niską” i „wysoką” upraszcza analizę, ale kosztuje moc i bywa źródłem pozornych efektów. Pokazujemy to na przykładzie z R i podpowiadamy, co zrobić zamiast.

Strona główna / Słownik / Dzielenie medianą

Opracowanie merytoryczne: · Opublikowano:

W skrócie: Dzielenie medianą zamienia zmienną ciągłą na dwie grupy i wyrzuca przy tym dużą część informacji: moc spada tak, jakby pominąć około 38% osób, a przy dwóch podzielonych predyktorach mogą pojawić się pozorne efekty. Zostaw zmienną ciągłą i użyj korelacji, regresji lub moderacji.

Co to jest dzielenie medianą?

Dzielenie medianą (ang. median split) to zamiana zmiennej ilościowej na dwie grupy, „niską” i „wysoką”, według mediany w próbie. Kusi, bo zamiast regresji pozwala policzyć test t albo ANOVA. MacCallum i in. (2002) pokazują jednak, że taki podział rzadko daje się obronić, a często prowadzi do mylących wyników.

Dlaczego szkodzi?

  • Traci informację. Osoby tuż pod medianą i tuż nad nią trafiają do różnych grup, a osoby bardzo różne – do tej samej. Cohen (1983) wyliczył, że przy rozkładzie normalnym podział jednej zmiennej zmniejsza wyjaśnianą wariancję do .647r², co pod względem mocy odpowiada wyrzuceniu 38% obserwacji.
  • Może tworzyć pozorne efekty. Maxwell i Delaney (1993) wykazali, że podzielenie dwóch skorelowanych predyktorów może prowadzić do fałszywie istotnych wyników.
  • Grupy zależą od próby. „Wysoki stres” w jednym badaniu może być „niskim” w innym.

Przykład

U 80 studentów stres korelował z jakością snu, r = −.30, 95% CI [−.49, −.09], p = .006 (dane symulowane). Po podziale medianą ten sam związek, liczony jako korelacja punktowo-dwuseryjna, spadł do r = −.21, 95% CI [−.41, .01], p = .061, czyli przestał być istotny. To nie przypadek: w 5000 symulowanych próbach z korelacją −.30 i n = 80 moc testu wyniosła .78 dla zmiennej ciągłej i .58 po podziale.

Co zamiast?

Zostaw zmienną ciągłą: policz korelację Pearsona albo regresję liniową. Gdy pytasz o warunki działania efektu, użyj moderacji z ciągłym moderatorem po centrowaniu i przedstaw efekty proste dla wybranych wartości (zob. analiza moderacji krok po kroku). Grupy mają sens tylko wtedy, gdy wynikają z uzasadnionego punktu odcięcia, np. z norm testu.

Jak opisać w pracy

Stres analizowano jako zmienną ciągłą, bez podziału na grupy. Wyższy stres wiązał się z gorszą jakością snu, r(78) = −.30, 95% CI [−.49, −.09], p = .006.

Na co uważać

Argument „mimo podziału wynik wyszedł istotny” nie ratuje analizy, bo przy dwóch podzielonych predyktorach istotność bywa właśnie artefaktem (Maxwell i Delaney, 1993). Podział na tercyle czy kwartyle ma te same wady.

Przykład reprodukowalny

Podział medianą w R

Kod liczy korelację przed podziałem i po nim, a potem w symulacji porównuje moc obu analiz. Liczby z przykładu pochodzą z tego kodu.

Korelacja i moc przed podziałem medianą i po nim

Dane wejściowe: stres i jakość snu 80 studentów (dane symulowane, set.seed(23)); w symulacji 5000 prób z korelacją −.30 i n = 80.

Co odczytać: w pierwszym wierszu r i p dla zmiennej ciągłej oraz po podziale; w ostatnim – odsetek istotnych wyników (moc) dla obu analiz.

R
set.seed(23)
n <- 80
stres <- rnorm(n, 50, 10)                                   # stres (wynik ciągły)
sen <- 7 - 0.03 * (stres - 50) + rnorm(n, 0, 0.95)          # jakość snu, związek ujemny
grupa <- as.numeric(stres > median(stres))                  # podział medianą: 0 = niski, 1 = wysoki
ct <- cor.test(stres, sen); cs <- cor.test(grupa, sen)
round(c(r_ciagla = ct$estimate, p = ct$p.value, r_po_podziale = cs$estimate, p = cs$p.value), 3)
moc <- replicate(5000, {                                    # moc przy rho = -.30 i n = 80
  x <- rnorm(n); y <- -0.3 * x + rnorm(n, 0, sqrt(1 - 0.09))
  c(cor.test(x, y)$p.value < .05, cor.test(as.numeric(x > median(x)), y)$p.value < .05)
})
rowMeans(moc)                                               # [1] zmienna ciągła, [2] po podziale medianą
Wynik w R
     r_ciagla.cor                 p r_po_podziale.cor                 p 
           -0.304             0.006            -0.211             0.061 
[1] 0.7778 0.5812

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 dzielenie medianą jest kiedykolwiek dopuszczalne?

Rzadko. Grupy mają sens, gdy wynikają z uzasadnionego punktu odcięcia, np. normy testu lub kryterium klinicznego. Mediana z własnej próby takim punktem nie jest.

Promotor chce grup „wysoki” i „niski” – co zrobić?

Przeprowadź analizę na zmiennej ciągłej, a grupy pokaż tylko opisowo lub na wykresie. Uzasadnij wybór utratą mocy przy podziale medianą i podaj źródło, np. MacCallum i in. (2002).

Jak zastąpić podział medianą w analizie moderacji?

Zostaw moderator jako zmienną ciągłą, wycentruj go, dodaj iloczyn do regresji i przedstaw efekty proste dla wybranych wartości moderatora, np. średniej ± 1 SD.

Powiązane hasła

Korelacja PearsonaModeracjaCentrowanie zmiennychKorelacja punktowo-dwuseryjnaMoc testuMediana

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 →

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. Cohen, J. (1983). The cost of dichotomization. Applied Psychological Measurement, 7(3), 249–253. https://doi.org/10.1177/014662168300700301 ● Otwarty dostęp: pełny tekst
  2. MacCallum, R. C., Zhang, S., Preacher, K. J., & Rucker, D. D. (2002). On the practice of dichotomization of quantitative variables. Psychological Methods, 7(1), 19–40. https://doi.org/10.1037/1082-989X.7.1.19 ● Otwarty dostęp: pełny tekst
  3. Maxwell, S. E., & Delaney, H. D. (1993). Bivariate median splits and spurious statistical significance. Psychological Bulletin, 113(1), 181–190. https://doi.org/10.1037/0033-2909.113.1.181

Cytowania BibTeX

@article{cohen1983cost, author={Cohen, Jacob}, title={{The cost of dichotomization}}, journal={Applied Psychological Measurement}, year={1983}, volume={7}, number={3}, pages={249--253}, doi={10.1177/014662168300700301}}
@article{maccallum2002practice, author={MacCallum, Robert C. and Zhang, Shaobo and Preacher, Kristopher J. and Rucker, Derek D.}, title={{On the practice of dichotomization of quantitative variables}}, journal={Psychological Methods}, year={2002}, volume={7}, number={1}, pages={19--40}, doi={10.1037/1082-989x.7.1.19}}
@article{maxwell1993bivariate, author={Maxwell, Scott E. and Delaney, Harold D.}, title={{Bivariate median splits and spurious statistical significance}}, journal={Psychological Bulletin}, year={1993}, volume={113}, number={1}, pages={181--190}, doi={10.1037/0033-2909.113.1.181}}
R