Słownik metodologiczny · Projekt badania

Ilościowa analiza obciążeń – jak duży mógł być błąd systematyczny

Ilościowa analiza obciążeń szacuje liczbowo wpływ zakłócenia, selekcji i błędnej klasyfikacji na wynik. Pokazujemy kroki, korektę prostą i probabilistyczną w R oraz opis do pracy.

Strona główna / Słownik / Ilościowa analiza obciążeń
W skrócie: Ilościowa analiza obciążeń (QBA) szacuje kierunek i wielkość błędów systematycznych – zakłócenia, selekcji, błędnej klasyfikacji – przez jawny model obciążenia z parametrami z badań walidacyjnych lub literatury. Wersja probabilistyczna losuje parametry i podaje przedział symulacyjny.

Co to jest ilościowa analiza obciążeń?

Ilościowa analiza obciążeń (ang. quantitative bias analysis, QBA) to metody, które liczbowo szacują, jak błędy systematyczne – niezmierzone zakłócenie, błąd selekcji albo błędna klasyfikacja – mogły zmienić wynik badania. Lash i in. (2014) wskazują trzy cele: oszacowanie kierunku, wielkości i niepewności błędu systematycznego, ograniczenie nadmiernej pewności co do wyników oraz wskazanie, jakie dane warto zebrać w kolejnych badaniach.

Jak przebiega analiza

  1. Wybierz obciążenia, które najbardziej zagrażają wnioskom.
  2. Zapisz model obciążenia i jego parametry, np. czułość i swoistość pomiaru ekspozycji albo siłę związku zakłócacza z ekspozycją i wynikiem.
  3. Nadaj parametrom wartości z badań walidacyjnych lub literatury.
  4. Przelicz wynik i porównaj go z oszacowaniem konwencjonalnym.

Analiza prosta i probabilistyczna

W analizie prostej każdy parametr ma jedną wartość. W przykładzie z R badanie kliniczno-kontrolne daje obserwowany iloraz szans 2.00. Przy nieróżnicowej błędnej klasyfikacji ekspozycji o czułości i swoistości 0.85 i 0.95 skorygowany OR wynosi 2.33, więc błąd zaniżał efekt.

W analizie probabilistycznej parametry losuje się z rozkładów. Fox i in. (2005) opisali odtwarzanie danych, które zaobserwowano by przy poprawnej klasyfikacji, dla zakresów czułości i swoistości. Wynikiem jest przedział symulacyjny, który obejmuje błąd systematyczny i losowy. W przykładzie (czułość 0.75–0.95, swoistość 0.90–0.99) mediana OR wynosi 2.37, a 95% wyników mieści się w zakresie 2.12–2.73. Ten przedział pokazuje tylko niepewność co do błędu klasyfikacji, bez błędu losowego.

QBA a inne analizy wrażliwości

QBA jest odmianą analizy wrażliwości. E-wartość odwraca pytanie: podaje najmniejszą siłę związku niezmierzonego zakłócacza z ekspozycją i wynikiem, która w pełni wyjaśniłaby obserwowany związek (VanderWeele i Ding, 2017). QBA wymaga przyjęcia wartości parametrów, ale w zamian daje skorygowane oszacowanie. Uzupełnieniem bywa kontrola negatywna.

Jak opisać w pracy

Przeprowadzono probabilistyczną analizę obciążeń dla nieróżnicowej błędnej klasyfikacji ekspozycji. Czułość (0.75–0.95) i swoistość (0.90–0.99) pomiaru przyjęto na podstawie badania walidacyjnego i losowano z rozkładów jednostajnych (10 000 powtórzeń). Mediana skorygowanego ilorazu szans wyniosła 2.37 (95% przedział symulacyjny: 2.12–2.73) wobec 2.00 w analizie konwencjonalnej.
Przykład reprodukowalny

Korekta błędnej klasyfikacji w R

Kod koryguje tabelę 2×2 badania kliniczno-kontrolnego na błędną klasyfikację ekspozycji: najpierw dla jednej pary wartości czułości i swoistości, potem probabilistycznie, losując je z zakresów.

Prosta i probabilistyczna analiza obciążeń

Dane wejściowe: fikcyjna tabela: 200 przypadków (80 narażonych) i 400 kontroli (100 narażonych); czułość 0.85 i swoistość 0.95, a w wersji probabilistycznej 10 000 losowań z rozkładów jednostajnych (set.seed(57701)).

Co odczytać: OR obserwowany 2.00 i skorygowany 2.33; w wersji probabilistycznej mediana 2.37 i 95% wyników w zakresie 2.12–2.73.

R
# Błędna klasyfikacja ekspozycji w badaniu kliniczno-kontrolnym (dane fikcyjne)
a <- 80;  b <- 120   # przypadki: narażeni, nienarażeni
c <- 100; d <- 300   # kontrole: narażeni, nienarażeni
or_obs <- (a * d) / (b * c)
# Prosta korekta: czułość i swoistość klasyfikacji ekspozycji (nieróżnicowa)
popraw <- function(nar, n, se, sp) (nar - (1 - sp) * n) / (se + sp - 1)
or_kor <- function(se, sp) {
  A <- popraw(a, a + b, se, sp); C <- popraw(c, c + d, se, sp)
  (A * (c + d - C)) / ((a + b - A) * C)
}
round(c(OR_obserwowany = or_obs, OR_skorygowany = or_kor(se = 0.85, sp = 0.95)), 2)
# Wersja probabilistyczna: czułość 0.75-0.95, swoistość 0.90-0.99
set.seed(57701)
se <- runif(10000, 0.75, 0.95); sp <- runif(10000, 0.90, 0.99)
or_sym <- or_kor(se, sp)
round(quantile(or_sym, c(0.025, 0.5, 0.975)), 2)
Wynik w R
OR_obserwowany OR_skorygowany 
          2.00           2.33 
 2.5%   50% 97.5% 
 2.12  2.37  2.73 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (bez dodatkowych pakietów). 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/

Najczęstsze pytania

Czym różni się prosta analiza obciążeń od probabilistycznej?

W prostej każdy parametr obciążenia, np. czułość pomiaru, ma jedną wartość i dostajesz jedno skorygowane oszacowanie. W probabilistycznej parametry losuje się z rozkładów, a wynikiem jest rozkład oszacowań i przedział symulacyjny (Fox i in., 2005).

Skąd wziąć czułość i swoistość do korekty błędnej klasyfikacji?

Najlepiej z badania walidacyjnego na części własnej próby, w którym porównano pomiar z metodą referencyjną. Gdy go nie ma, użyj wartości z publikowanych badań walidacyjnych i pokaż wyniki dla kilku wariantów.

Czy nieróżnicowa błędna klasyfikacja zawsze zaniża efekt?

Nie zawsze. Dla dychotomicznej ekspozycji oczekiwanym kierunkiem jest osłabienie związku, ale w pojedynczym badaniu błąd losowy może dać wynik po drugiej stronie. Przy zmiennych o wielu kategoriach lub błędach zależnych reguła nie musi obowiązywać, dlatego warto policzyć korektę.

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. Fox, M. P., Lash, T. L., & Greenland, S. (2005). A method to automate probabilistic sensitivity analyses of misclassified binary variables. International Journal of Epidemiology, 34(6), 1370–1376. https://doi.org/10.1093/ije/dyi184
  2. Lash, T. L., Fox, M. P., MacLehose, R. F., Maldonado, G., McCandless, L. C., & Greenland, S. (2014). Good practices for quantitative bias analysis. International Journal of Epidemiology, 43(6), 1969–1985. https://doi.org/10.1093/ije/dyu149
  3. VanderWeele, T. J., & Ding, P. (2017). Sensitivity analysis in observational research: Introducing the E-value. Annals of Internal Medicine, 167(4), 268–274. https://doi.org/10.7326/m16-2607 ● Otwarty dostęp: pełny tekst

Cytowania BibTeX

@article{fox2005method, author={Fox, Matthew P. and Lash, Timothy L. and Greenland, Sander}, title={{A method to automate probabilistic sensitivity analyses of misclassified binary variables}}, journal={International Journal of Epidemiology}, year={2005}, volume={34}, number={6}, pages={1370--1376}, doi={10.1093/ije/dyi184}}
@article{lash2014good, author={Lash, Timothy L. and Fox, Matthew P. and MacLehose, Richard F. and Maldonado, George and McCandless, Lawrence C. and Greenland, Sander}, title={{Good practices for quantitative bias analysis}}, journal={International Journal of Epidemiology}, year={2014}, volume={43}, number={6}, pages={1969--1985}, doi={10.1093/ije/dyu149}}
@article{vanderweele2017sensitivity, author={VanderWeele, Tyler J. and Ding, Peng}, title={{Sensitivity analysis in observational research: Introducing the E-value}}, journal={Annals of Internal Medicine}, year={2017}, volume={167}, number={4}, pages={268--274}, doi={10.7326/m16-2607}}
R