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
- Wybierz obciążenia, które najbardziej zagrażają wnioskom.
- Zapisz model obciążenia i jego parametry, np. czułość i swoistość pomiaru ekspozycji albo siłę związku zakłócacza z ekspozycją i wynikiem.
- Nadaj parametrom wartości z badań walidacyjnych lub literatury.
- 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
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
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()).
- 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
Analiza wrażliwości w artykule naukowym
Jak dobrać warianty, policzyć je w R (braki danych, obserwacje odstające, specyfikacje), zbudować krzywą specyfikacji i opisać wyniki w artykule.
Czytaj →PoradnikBłąd pomiaru w regresji i korekta na atenuację
Atenuacja i zakłócenie resztkowe przy nierzetelnych skalach, korekta Spearmana, SEM z jednym wskaźnikiem w lavaan, pełny SEM i symulacja estymatorów.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- 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
- 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
- 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}}