Co to jest kontrola negatywna?
Kontrola negatywna (ang. negative control) to dodatkowa analiza, w której z góry wiadomo, że związku przyczynowego nie ma. Jeśli mimo to pojawi się związek, sygnalizuje on zakłócenie albo inny błąd. Lipsitch, Tchetgen Tchetgen i Cohen (2010) przenieśli to rutynowe zabezpieczenie eksperymentów laboratoryjnych do epidemiologii i wyróżnili dwa typy:
- kontrola negatywna wyniku – wynik, na który ekspozycja nie może wpływać, ale który ma te same źródła zakłócenia co wynik główny;
- kontrola negatywna ekspozycji – ekspozycja, która nie może wpływać na wynik, ale zależy od tych samych czynników co ekspozycja główna.
Według autorów kontrole negatywne pomagają wykryć nie tylko zakłócenie, lecz także np. błąd przypominania czy błędy analizy.
Przykład klasyczny
Jackson i in. (2006) obserwowali w kohorcie 72 527 osób w wieku co najmniej 65 lat ryzyko zgonu u zaszczepionych przeciw grypie. Ryzyko względne wyniosło 0.39 przed sezonem grypy, 0.56 w sezonie i 0.74 po sezonie. Szczepionka nie może chronić przed sezonem, więc spadek ryzyka w tym okresie wskazuje, że szczepią się osoby zdrowsze. Korekta o kody diagnoz nie usunęła tego obciążenia, a jego wielkość wystarczała, by w całości wyjaśnić związek obserwowany w sezonie.
Symulacja
W symulacji 5000 seniorów zdrowsi częściej się szczepią, a stan zdrowia nie jest zmierzony. Prawdziwy iloraz szans hospitalizacji w sezonie wynosi 0.8, a obserwowany OR = 0.41, 95% CI [0.32, 0.52]. Kontrola negatywna wyniku – hospitalizacje przed sezonem – daje OR = 0.48 [0.36, 0.64], choć szczepionka nie mogła wtedy działać. To sygnał silnego niezmierzonego zakłócenia.
Na rysunku
Co widać. Górny wiersz to symulacja z poprzedniej sekcji: szczepienie „chroni” zarówno w sezonie (OR = 0.41), jak i przed sezonem (OR = 0.48), choć wtedy działać nie mogło. Środkowy wiersz pokazuje, co by się stało, gdyby stan zdrowia zmierzono: po korekcie wynik główny wraca w okolice prawdy (OR = 0.83, 95% CI [0.63, 1.08]), a kontrola – do braku związku (1.09 [0.80, 1.49]). Dolny wiersz to nowe dane, w których szczepienie jest losowe: kontrola daje 0.88 [0.67, 1.17], a wynik główny 0.76 [0.61, 0.95]. Kontrola negatywna „zapala się” więc tylko tam, gdzie wynik główny jest obciążony.
Na co uważać. Każdy wiersz to jedna próba, więc oszacowania odchylają się od prawdy losowo (0.88 zamiast 1). Kontrola działa tu tak dobrze, bo zbudowano ją idealnie: stan zdrowia wpływa na oba wyniki z tą samą siłą. W prawdziwych danych zakłócenie kontroli i wyniku głównego może być różne, więc z wielkości OR w kontroli nie da się wprost odjąć obciążenia. Środkowy wiersz jest niedostępny w praktyce – właśnie dlatego szuka się kontroli. Jak zakłócacz zmienia oszacowanie przy kontroli i bez niej, pokazuje wpis Zmienna zakłócająca i collider – wizualizacja. Dane górnego wiersza, parametry i ziarno 576 są te same co w symulacji; w wariancie bez zakłócenia prawdopodobieństwo szczepienia 0.5 ustawiono ręcznie.
Podpis do pracy:
Kod R rysunku 1
# Rysunek 1: wynik główny i kontrola negatywna wyniku w trzech analizach (dane z przykładu + wariant bez zakłócenia)
library(ggplot2)
# Paleta Okabe–Ito (rozróżnialna także przy deuteranopii) i prosty motyw
kol <- c(glowny = "#0072B2", kontrola = "#D55E00")
motyw <- theme_minimal(base_size = 14) +
theme(panel.grid.minor = element_blank(), legend.position = "bottom",
plot.title = element_text(face = "bold", colour = "#0f1d3a", size = rel(0.95)),
plot.background = element_rect(fill = "white", colour = NA))
set.seed(576) # te same dane co w przykładzie
n <- 5000
zdrowie <- rnorm(n)
szczep <- rbinom(n, 1, plogis(zdrowie))
przed <- rbinom(n, 1, plogis(-3.5 - zdrowie))
sezon <- rbinom(n, 1, plogis(-3.0 - zdrowie + log(0.8) * szczep))
# Wariant bez zakłócenia: szczepienie niezależne od zdrowia (ta sama sesja losowania, dalsze liczby)
szczep_b <- rbinom(n, 1, 0.5)
przed_b <- rbinom(n, 1, plogis(-3.5 - zdrowie))
sezon_b <- rbinom(n, 1, plogis(-3.0 - zdrowie + log(0.8) * szczep_b))
or <- function(y, x, z = NULL) { # OR dla szczepienia z 95% CI (Wald); z – korekta o zdrowie
m <- if (is.null(z)) glm(y ~ x, family = binomial) else glm(y ~ x + z, family = binomial)
exp(c(OR = coef(m)[[2]], dolna = confint.default(m)[2, 1], gorna = confint.default(m)[2, 2]))
}
analizy <- c("bez korekty", "korekta o zdrowie", "brak zakłócenia")
etykiety <- c("Zdrowie niezmierzone,\nbez korekty", "Gdyby zdrowie zmierzono:\nkorekta o zdrowie",
"Brak zakłócenia:\nszczepienie losowe")
wyn <- rbind(
data.frame(analiza = analizy[1], wynik = c("w sezonie", "przed sezonem"), rbind(or(sezon, szczep), or(przed, szczep))),
data.frame(analiza = analizy[2], wynik = c("w sezonie", "przed sezonem"),
rbind(or(sezon, szczep, zdrowie), or(przed, szczep, zdrowie))),
data.frame(analiza = analizy[3], wynik = c("w sezonie", "przed sezonem"), rbind(or(sezon_b, szczep_b), or(przed_b, szczep_b))))
print(data.frame(wyn[1:2], round(wyn[3:5], 2)), row.names = FALSE)
wyn$analiza <- factor(wyn$analiza, levels = rev(analizy), labels = rev(etykiety))
wyn$wynik <- factor(wyn$wynik, levels = c("w sezonie", "przed sezonem"),
labels = c("wynik główny: hospitalizacja w sezonie (prawdziwy OR = 0.8)",
"kontrola negatywna: przed sezonem (prawdziwy OR = 1)"))
p1 <- ggplot(wyn, aes(OR, analiza, colour = wynik, shape = wynik)) +
geom_vline(xintercept = 1, colour = "grey30") +
geom_vline(xintercept = 0.8, linetype = "dashed", colour = kol[["glowny"]]) +
geom_errorbar(aes(xmin = dolna, xmax = gorna), width = 0.2, orientation = "y",
position = position_dodge(0.5), show.legend = FALSE) +
geom_point(size = 3.4, position = position_dodge(0.5)) +
geom_text(aes(label = sprintf("%.2f", OR)), position = position_dodge(0.5), vjust = -1, size = 3.6,
show.legend = FALSE) +
scale_x_log10(breaks = c(0.3, 0.4, 0.5, 0.6, 0.8, 1, 1.25, 1.5)) +
scale_colour_manual(values = unname(kol), name = NULL) +
scale_shape_manual(values = c(16, 17), name = NULL) +
guides(colour = guide_legend(ncol = 1), shape = guide_legend(ncol = 1)) +
labs(x = "Iloraz szans dla szczepienia (95% CI, skala logarytmiczna)", y = NULL) + motyw +
theme(panel.grid.major.y = element_blank())
p1 # zapis: ggsave("kontrola-negatywna-trzy-analizy.svg", p1, width = 9, height = 5.4)Wynik w R
analiza wynik OR dolna gorna
bez korekty w sezonie 0.41 0.32 0.52
bez korekty przed sezonem 0.48 0.36 0.64
korekta o zdrowie w sezonie 0.83 0.63 1.08
korekta o zdrowie przed sezonem 1.09 0.80 1.49
brak zakłócenia w sezonie 0.76 0.61 0.95
brak zakłócenia przed sezonem 0.88 0.67 1.17Rysunek na stronie powstał z tego kodu z motywem serwisu (dane, geometrie i skale identyczne).
Na co uważać
- Brak związku w kontroli nie dowodzi braku zakłócenia. Kontrola wykrywa tylko te źródła błędu, które ma wspólne z analizą główną.
- Dobór po fakcie. Kontrolę wybierz przed analizą i uzasadnij merytorycznie, najlepiej na grafie przyczynowym (DAG).
- Od wykrycia do korekty. Shi, Miao i Tchetgen Tchetgen (2020) omawiają metody wykrywania, zmniejszania i korygowania zakłócenia z użyciem kontroli negatywnych, w tym schemat z podwójną kontrolą negatywną.
Uzupełnieniem są E-wartość i ilościowa analiza obciążeń.
Kontrola negatywna wyniku w R
Kod symuluje efekt „zdrowego zaszczepionego”: niezmierzony stan zdrowia zwiększa szansę szczepienia i zmniejsza ryzyko hospitalizacji. Regresja logistyczna daje OR dla wyniku głównego (hospitalizacja w sezonie grypy) i dla kontroli negatywnej wyniku (hospitalizacja przed sezonem). Liczby w tekście pochodzą z tego kodu.
Wynik główny a kontrola negatywna
R
set.seed(576) # 5000 seniorów; szczepienie nie chroni poza sezonem grypy
n <- 5000
zdrowie <- rnorm(n) # niezmierzony stan zdrowia (zakłócacz)
szczep <- rbinom(n, 1, plogis(zdrowie)) # zdrowsi częściej się szczepią
p_przed <- plogis(-3.5 - zdrowie) # hospitalizacja PRZED sezonem: szczepionka nie działa
p_sezon <- plogis(-3.0 - zdrowie + log(0.8) * szczep) # w sezonie: prawdziwy OR = 0.8
przed <- rbinom(n, 1, p_przed); sezon <- rbinom(n, 1, p_sezon)
or <- function(y) { # OR z 95% CI (Wald) z regresji logistycznej
m <- glm(y ~ szczep, family = binomial)
round(exp(c(OR = coef(m)[[2]], dolna = confint.default(m)[2, 1], gorna = confint.default(m)[2, 2])), 2)
}
rbind(w_sezonie = or(sezon), kontrola_negatywna_przed_sezonem = or(przed))Wynik w R
OR dolna gorna
w_sezonie 0.41 0.32 0.52
kontrola_negatywna_przed_sezonem 0.48 0.36 0.64Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (przykład bez dodatkowych pakietów); rysunek wykonano w pakiecie ggplot2, a plik zapisano pakietem svglite. 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/
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite
Najczęstsze pytania
Czym różni się kontrola negatywna wyniku od kontroli negatywnej ekspozycji?
Kontrola wyniku zmienia wynik na taki, na który ekspozycja nie może wpływać (np. hospitalizacje przed sezonem grypy). Kontrola ekspozycji zmienia ekspozycję na taką, która nie może wpływać na wynik. W obu przypadkach źródła zakłócenia powinny być te same co w analizie głównej.
Co oznacza istotny związek w kontroli negatywnej?
Że analiza główna jest prawdopodobnie obciążona zakłóceniem lub innym błędem. W symulacji kontrola dała OR = 0.48 przy prawdziwym 1. Sam związek nie mówi jednak, o ile poprawić wynik główny – do tego potrzebne są metody korekty.
Czy kontrola negatywna zastępuje E-wartość?
Nie, oba narzędzia się uzupełniają. E-wartość mówi, jak silne musiałoby być niezmierzone zakłócenie, by wyjaśnić wynik, a kontrola negatywna sprawdza na danych, czy takie zakłócenie rzeczywiście występuje.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Grafy przyczynowe (DAG)
Zakłócacz, mediator i zderzacz, kryterium tylnych drzwi i zbiór dostosowujący – z symulacją w R, która pokazuje koszt złej kontroli.
Czytaj →PoradnikE-wartość i niezmierzone zakłócenie
Wzór dla RR i granicy CI, przeliczenia z OR i HR, współczynnik ograniczający, porównanie ze zmierzonymi zmiennymi i krytyka E-wartości.
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)
- Jackson, L. A., Jackson, M. L., Nelson, J. C., Neuzil, K. M., & Weiss, N. S. (2006). Evidence of bias in estimates of influenza vaccine effectiveness in seniors. International Journal of Epidemiology, 35(2), 337–344. https://doi.org/10.1093/ije/dyi274
- Lipsitch, M., Tchetgen Tchetgen, E., & Cohen, T. (2010). Negative controls: A tool for detecting confounding and bias in observational studies. Epidemiology, 21(3), 383–388. https://doi.org/10.1097/ede.0b013e3181d61eeb ● Otwarty dostęp: pełny tekst
- Shi, X., Miao, W., & Tchetgen Tchetgen, E. (2020). A selective review of negative control methods in epidemiology. Current Epidemiology Reports, 7(4), 190–202. https://doi.org/10.1007/s40471-020-00243-4 ● Otwarty dostęp: pełny tekst
Cytowania BibTeX
@article{jackson2006evidence, author={Jackson, Lisa A. and Jackson, Michael L. and Nelson, Jennifer C. and Neuzil, Kathleen M. and Weiss, Noel S.}, title={{Evidence of bias in estimates of influenza vaccine effectiveness in seniors}}, journal={International Journal of Epidemiology}, year={2006}, volume={35}, number={2}, pages={337--344}, doi={10.1093/ije/dyi274}}@article{lipsitch2010negative, author={Lipsitch, Marc and Tchetgen Tchetgen, Eric and Cohen, Ted}, title={{Negative controls: A tool for detecting confounding and bias in observational studies}}, journal={Epidemiology}, year={2010}, volume={21}, number={3}, pages={383--388}, doi={10.1097/ede.0b013e3181d61eeb}}@article{shi2020selective, author={Shi, Xu and Miao, Wang and Tchetgen Tchetgen, Eric}, title={{A selective review of negative control methods in epidemiology}}, journal={Current Epidemiology Reports}, year={2020}, volume={7}, number={4}, pages={190--202}, doi={10.1007/s40471-020-00243-4}}