Słownik metodologiczny · Projekt badania

Kontaminacja między grupami – gdy kontrola dostaje część interwencji

Kontaminacja to przenikanie interwencji do grupy kontrolnej. Pokazujemy, jak zaniża efekt i moc testu (przykład w R), kiedy uzasadnia randomizację klastrową, jakie ma ona koszty i jak opisać to w pracy.

Strona główna / Słownik / Kontaminacja między grupami
W skrócie: Kontaminacja między grupami występuje, gdy osoby z grupy kontrolnej otrzymują część badanej interwencji, np. od uczestników grupy eksperymentalnej. Zaniża to efekt w analizie ITT i moc testu. Najczęstszą obroną jest randomizacja klastrowa, ale ma ona własne koszty.

Co to jest kontaminacja między grupami?

Kontaminacja między grupami (ang. contamination, treatment contamination) to sytuacja, w której osoby z grupy kontrolnej otrzymują część badanej interwencji, choć według przydziału nie powinny. Torgerson (2001) podaje przykład badania diety: uczestnicy z grupy kontrolnej dowiadują się o nowym sposobie żywienia i sami go stosują. Źródłem bywają rozmowy uczestników, wspólne sale, ten sam personel albo materiały przekazywane dalej.

Skutki

Kontaminacja zbliża wyniki grup, więc efekt w analizie ITT jest mniejszy od rzeczywistego. Spada moc testu i rośnie ryzyko odrzucenia skutecznej interwencji jako nieskutecznej (Torgerson, 2001). W przykładzie z R przy prawdziwym d = 0.40 i 30% skażonej grupy kontrolnej widoczny efekt spada do 0.28. Zamiast 100 osób na grupę potrzeba wtedy 202, a przy 100 osobach moc spada z .80 do około .48.

Uzasadnienie randomizacji klastrowej

Najczęstszą obroną przed kontaminacją jest losowanie całych jednostek – szkół, oddziałów, przychodni – czyli randomizacja klastrowa. W opisie metody podaj to jako powód wyboru schematu. Rozwiązanie ma jednak koszty: efekt schematu wymaga większej próby, a rekrutacja po losowaniu klastrów grozi błędem selekcji. Torgerson (2001) wylicza, że pod względem łącznej liczebności próby badanie klastrowe jest wydajniejsze dopiero przy kontaminacji powyżej 30%, a mniejszą kontaminację często lepiej zrównoważyć większą próbą przy losowaniu osób. Keogh-Brown i in. (2007) pokazali w symulacjach, że badania klastrowe mogą dawać obciążenie podobne lub większe niż losowanie osób, więc nie należy ich traktować jako automatycznego rozwiązania.

Co jeszcze pomaga

  • Oddzielenie grup w czasie, miejscu lub personelem prowadzącym.
  • Pomiar kontaminacji: pytanie grupy kontrolnej o kontakt z materiałami interwencji.
  • Gdy kontaminacja jest zmierzona – analiza CACE (efekt u osób stosujących się do przydziału) obok ITT (Keogh-Brown i in., 2007).

Kontaminację odróżnij od efektu Johna Henry’ego, w którym kontrola nie przejmuje interwencji, lecz bardziej się stara. Ryzyko rośnie też przy liście oczekujących, gdy czekający szukają podobnej pomocy.

Jak opisać w pracy

Ponieważ uczniowie tej samej szkoły kontaktują się ze sobą, losowano całe szkoły, a nie uczniów, aby ograniczyć kontaminację między grupami. W ankiecie końcowej pytano uczniów ze szkół kontrolnych o kontakt z materiałami programu.
Przykład reprodukowalny

Kontaminacja w R

Kod pokazuje, jak odsetek skażonej grupy kontrolnej zmniejsza widoczny efekt i zwiększa potrzebną liczebność próby (power.t.test(), α = .05, moc .80), a w symulacji – jak spada moc przy 100 osobach na grupę.

Rozmycie efektu i moc testu

Dane wejściowe: prawdziwy efekt d = 0.40 u osób, które dostały interwencję; kontaminacja 0–30% grupy kontrolnej; symulacja 2000 badań po 100 osób na grupę (dane symulowane, set.seed(52301)).

Co odczytać: widoczny efekt 0.40, 0.36, 0.32 i 0.28; liczebność na grupę 100, 123, 155 i 202; moc .481 przy 30% kontaminacji wobec .804 bez niej.

R
# Kontaminacja: część grupy kontrolnej przejmuje interwencję (d = 0.40 u osób, które ją dostały)
d <- 0.40
c_kont <- c(0, 0.10, 0.20, 0.30)              # odsetek "skażonej" grupy kontrolnej
d_obs <- (1 - c_kont) * d                      # efekt widoczny w analizie ITT
n_grupa <- sapply(d_obs, function(x)
  ceiling(power.t.test(delta = x, sd = 1, power = 0.80)$n))
print(data.frame(kontaminacja = c_kont, d_obserwowane = d_obs, n_na_grupe = n_grupa))
# symulacja: 100 osób na grupę, 30% kontaminacji, 2000 badań
set.seed(52301)
pwart <- replicate(2000, {
  y_int <- rnorm(100, mean = d)
  y_kon <- rnorm(100, mean = ifelse(runif(100) < 0.30, d, 0))
  t.test(y_int, y_kon)$p.value
})
round(c(moc_przy_30proc = mean(pwart < 0.05),
        moc_bez_kontaminacji = power.t.test(n = 100, delta = d)$power), 3)
Wynik w R
  kontaminacja d_obserwowane n_na_grupe
1          0.0          0.40        100
2          0.1          0.36        123
3          0.2          0.32        155
4          0.3          0.28        202
     moc_przy_30proc moc_bez_kontaminacji 
               0.481                0.804

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

Czy kontaminacja zawyża czy zaniża efekt interwencji?

Zaniża. Część grupy kontrolnej korzysta z interwencji, więc wyniki grup się zbliżają. W analizie ITT efekt jest mniejszy od rzeczywistego, a moc testu spada.

Kiedy kontaminacja uzasadnia randomizację klastrową?

Gdy uczestnicy z obu grup mieliby stały kontakt, np. w jednej klasie lub na jednym oddziale, i nie da się ich oddzielić. Przy niewielkiej kontaminacji często wystarczy losowanie osób z większą próbą.

Jak zmierzyć kontaminację w badaniu?

Zapytaj osoby z grupy kontrolnej o kontakt z materiałami lub elementami interwencji i rejestruj, kto z personelu pracował z którą grupą. Odsetek skażonych osób podaj w raporcie.

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. Keogh-Brown, M., Bachmann, M., Shepstone, L., Hewitt, C., Howe, A., Ramsay, C., Song, F., Miles, J., Torgerson, D., Miles, S., Elbourne, D., Harvey, I., & Campbell, M. (2007). Contamination in trials of educational interventions. Health Technology Assessment, 11(43). https://doi.org/10.3310/hta11430 ● Otwarty dostęp
  2. Torgerson, D. J. (2001). Contamination in trials: Is cluster randomisation the answer? BMJ, 322(7282), 355–357. https://doi.org/10.1136/bmj.322.7282.355 ● Otwarty dostęp

Cytowania BibTeX

@article{keoghbrown2007contamination, author={Keogh-Brown, M. and Bachmann, M. and Shepstone, L. and Hewitt, C. and Howe, A. and Ramsay, C. and Song, F. and Miles, J. and Torgerson, D. and Miles, S. and Elbourne, D. and Harvey, I. and Campbell, M.}, title={{Contamination in trials of educational interventions}}, journal={Health Technology Assessment}, year={2007}, volume={11}, number={43}, doi={10.3310/hta11430}}
@article{torgerson2001contamination, author={Torgerson, David J.}, title={{Contamination in trials: Is cluster randomisation the answer?}}, journal={BMJ}, year={2001}, volume={322}, number={7282}, pages={355--357}, doi={10.1136/bmj.322.7282.355}}
R