Co to jest przerwanie badania z powodu daremności?
Przerwanie badania z powodu daremności (ang. stopping for futility) to zakończenie badania w analizie pośredniej, gdy dotychczasowe dane wskazują, że nawet dokończone zgodnie z planem raczej nie wykaże efektu. W odróżnieniu od przerwania z powodu skuteczności nie odrzuca się hipotezy zerowej – oszczędza się uczestników i zasoby na badanie z małą szansą rozstrzygnięcia.
Moc warunkowa
Najczęstszym kryterium jest moc warunkowa (ang. conditional power, CP): prawdopodobieństwo istotnego wyniku końcowego przy danych zebranych dotąd i określonym założeniu o danych przyszłych – zgodnych z efektem z planu, z obecnym trendem albo z hipotezą zerową (Lachin, 2005). Na tej zasadzie Lan, Simon i Halperin (1982) zaproponowali testy stochastycznie skracane. Lan i Wittes (1988) opisali wartość B – przekształconą statystykę Z – która pozwala prosto ekstrapolować wynik do końca badania. Przy B(t) = Zt√t:
CP = 1 − Φ[(z1−α/2 − B(t) − θ(1 − t)) / √(1 − t)],
gdzie t to odsetek zebranej informacji, a θ – oczekiwana wartość Z na końcu badania (przy obecnym trendzie θ = B(t)/t).
Przykład
W połowie badania (t = 0.5) obserwowane Z = 0.5. Przy efekcie z planu (moc 90%, θ = 3.24) moc warunkowa wynosi 0.508, przy obecnym trendzie 0.038, a przy braku efektu 0.012. Symulacja dokończenia badania przy obecnym trendzie daje 0.039. Jeśli plan przewidywał przerwanie przy CP < 10% pod obecnym trendem, badanie kończy się z powodu daremności.
Na rysunku
Przykład z poprzedniej sekcji (t = 0.5, Z = 0.5) na dwóch wykresach. Panel A pokazuje wartość B i trzy przedłużenia do końca badania, panel B – jak moc warunkowa zależy od Z obserwowanego w połowie badania.
set.seed(593)).Co widać. W panelu A moc warunkowa to szansa, że ścieżka B dojdzie na końcu powyżej 1.96. Przy efekcie z planu oczekiwane B(1) wynosi 1.97 – tuż przy granicy, stąd moc warunkowa ok. 50%. Przy obecnym trendzie oczekiwane B(1) to tylko 0.71, a z 40 narysowanych ścieżek granicę przekroczyły 4. Panel B pokazuje, że ta sama reguła „moc warunkowa < 10%” oznacza różne progi dla Z: przy obecnym trendzie badanie przerywa się, gdy Z < 0.75, przy braku efektu – gdy Z < 1.49, a przy efekcie z planu dopiero przy Z < −0.80.
Na co uważać. Odcinek od zera do punktu B(0.5) tylko łączy dwa punkty – prawdziwa droga statystyki do połowy badania była kręta jak szare ścieżki. Czterdzieści ścieżek to ilustracja, nie oszacowanie: 4 z 40 to 10%, a moc warunkowa ze wzoru wynosi 3.8%. Wykres nie pokazuje też kosztu reguły w mocy całego planu ani wpływu na wydatkowanie alfa. Granice daremności wiążące i niewiążące porównuje wpis Analizy pośrednie w praktyce.
Podpis do pracy:
Kod liczy moc warunkową tym samym wzorem co przykład w R poniżej; losowe są tylko szare ścieżki (set.seed(593), ziarno ustalone raz). Próg 10% i liczba 40 ścieżek są wybrane ręcznie. Rysunek na stronie różni się od wyniku kodu tylko motywem serwisu.
Kod R rysunku 1
# Rysunek 1. Wartość B w połowie badania i jej ekstrapolacja do końca (A)
# oraz moc warunkowa w funkcji obserwowanego Z przy t = 0.5 z progiem daremności 10% (B)
library(ggplot2)
library(patchwork)
motyw <- theme_minimal(base_size = 13) +
theme(panel.grid.minor = element_blank(), legend.position = "bottom", plot.title = element_text(face = "bold"))
kol <- c("efekt z planu" = "#0072B2", "obecny trend" = "#E69F00", "brak efektu" = "#000000")
alfa <- 0.05; z_kr <- qnorm(1 - alfa / 2)
t <- 0.5; z_t <- 0.5; B <- z_t * sqrt(t) # przykład hasła
theta_plan <- qnorm(0.975) + qnorm(0.90) # oczekiwane Z na końcu przy efekcie z planu
moc_warunkowa <- function(z, theta) { # theta = NA oznacza obecny trend
B <- z * sqrt(t); if (is.na(theta)) theta <- B / t
1 - pnorm((z_kr - B - theta * (1 - t)) / sqrt(1 - t))
}
zal <- c("efekt z planu" = theta_plan, "obecny trend" = NA, "brak efektu" = 0)
round(sapply(zal, function(th) moc_warunkowa(z_t, th)), 3) # jak w przykładzie hasła
# Przy jakim Z w połowie badania moc warunkowa spada do 10%?
prog_z <- sapply(zal, function(th) uniroot(function(z) moc_warunkowa(z, th) - 0.10, c(-3, 4))$root)
round(prog_z, 2)
# A: ekstrapolacja wartości B do końca badania + 40 możliwych dalszych ścieżek przy obecnym trendzie
ekstr <- data.frame(zalozenie = factor(names(kol), levels = names(kol)), t0 = t, B0 = B, t1 = 1,
B1 = B + c(theta_plan, B / t, 0) * (1 - t))
round(setNames(ekstr$B1, ekstr$zalozenie), 2) # oczekiwane B(1) = Z na końcu
set.seed(593)
kroki <- seq(t, 1, by = 0.01)
sciezki <- do.call(rbind, lapply(1:40, function(i) {
przyrosty <- rnorm(length(kroki) - 1, mean = (B / t) * 0.01, sd = sqrt(0.01))
data.frame(id = i, t = kroki, B = B + c(0, cumsum(przyrosty)))
}))
koniec <- subset(sciezki, abs(t - 1) < 1e-9)
c(sciezek = 40, powyzej_granicy = sum(koniec$B > z_kr))
pA <- ggplot() +
geom_line(data = sciezki, aes(t, B, group = id), colour = "grey70", linewidth = 0.35) +
geom_segment(aes(x = 0, y = 0, xend = t, yend = B), colour = "grey30", linewidth = 0.8, linetype = "22") + # odcinek od 0: znany jest tylko punkt w t = 0.5
geom_segment(data = ekstr, aes(t0, B0, xend = t1, yend = B1, colour = zalozenie, linetype = zalozenie),
linewidth = 1.1) +
geom_point(aes(x = t, y = B), size = 3.2) +
annotate("segment", x = 0.94, xend = 1.02, y = z_kr, yend = z_kr, linewidth = 1.2) +
annotate("text", x = 1.02, y = z_kr + 0.22, label = "granica 1.96", hjust = 1, size = 3.6) +
annotate("text", x = t, y = B, label = "B(0.5) = 0.35", hjust = 1.15, vjust = -0.6, size = 3.6) +
scale_colour_manual(values = kol, name = NULL) +
scale_linetype_manual(values = c("solid", "dashed", "dotted"), name = NULL) +
scale_x_continuous(breaks = seq(0, 1, 0.25)) +
labs(title = "A. Wartość B i jej ekstrapolacja", x = "Odsetek zebranej informacji t", y = "Wartość B(t) = Z√t") +
motyw
# B: moc warunkowa w funkcji obserwowanego Z przy t = 0.5
z_siatka <- seq(-1, 3, by = 0.01)
cp <- data.frame(z = rep(z_siatka, 3), zalozenie = factor(rep(names(kol), each = length(z_siatka)), levels = names(kol)),
cp = c(sapply(z_siatka, moc_warunkowa, theta = theta_plan), sapply(z_siatka, moc_warunkowa, theta = NA),
sapply(z_siatka, moc_warunkowa, theta = 0)))
pB <- ggplot(cp, aes(z, cp, colour = zalozenie, linetype = zalozenie)) +
geom_hline(yintercept = 0.10, colour = "grey40") +
annotate("text", x = -1, y = 0.14, label = "próg daremności 10%", hjust = 0, size = 3.6, colour = "grey25") +
geom_vline(xintercept = z_t, colour = "grey40", linetype = "22") +
geom_line(linewidth = 1.1) +
scale_colour_manual(values = kol, name = NULL) +
scale_linetype_manual(values = c("solid", "dashed", "dotted"), name = NULL) +
scale_y_continuous(labels = function(x) paste0(100 * x, "%")) +
labs(title = "B. Moc warunkowa przy t = 0.5", x = "Obserwowane Z w analizie pośredniej", y = "Moc warunkowa") +
motyw
p1 <- pA + pB + plot_layout(guides = "collect") & theme(legend.position = "bottom")
p1Wynik w R
efekt z planu obecny trend brak efektu
0.508 0.038 0.012
efekt z planu obecny trend brak efektu
-0.80 0.75 1.49
efekt z planu obecny trend brak efektu
1.97 0.71 0.35
sciezek powyzej_granicy
40 4 Jak opisać w pracy
Na co uważać
- Koszt w mocy. Lachin (2005) pokazuje, że reguła daremności obniża łączny błąd I rodzaju, ale zwiększa błąd II rodzaju, czyli zmniejsza moc; granicę dobiera się tak, by tę stratę kontrolować.
- Wybór założenia. CP przy efekcie z planu bywa wysoka nawet przy słabych danych – podaj kilka wariantów.
- Daremność to nie dowód braku efektu. Nieistotny wynik przerwanego badania nie potwierdza hipotezy zerowej.
- Reguła z góry. Zapisz ją w planie analizy statystycznej obok funkcji wydatkowania alfa; decyzję zwykle rekomenduje komitet monitorowania danych.
Moc warunkowa w R
Kod liczy moc warunkową ręcznie z wartości B dla trzech założeń o przyszłych danych i sprawdza wynik dla obecnego trendu symulacją dokończenia badania.
Moc warunkowa w połowie badania
R
# Moc warunkowa w połowie badania (t = 0.5) przy obserwowanym Z = 0.5
alfa <- 0.05; z_kr <- qnorm(1 - alfa / 2) # granica końcowa 1.96
t <- 0.5; z_t <- 0.5
B <- z_t * sqrt(t) # wartość B (Lan i Wittes)
moc_warunkowa <- function(theta) # theta = oczekiwane Z na końcu badania
1 - pnorm((z_kr - B - theta * (1 - t)) / sqrt(1 - t))
theta <- c(zalozony_efekt = qnorm(0.975) + qnorm(0.90), # efekt z planu (moc 90%)
obecny_trend = B / t, brak_efektu = 0)
round(moc_warunkowa(theta), 3)
# Sprawdzenie symulacją: dokończenie badania przy obecnym trendzie
set.seed(593)
B_koniec <- B + rnorm(1e5, mean = theta["obecny_trend"] * (1 - t), sd = sqrt(1 - t))
round(mean(B_koniec > z_kr), 3) # B(1) = Z na końcu badaniaWynik w R
zalozony_efekt obecny_trend brak_efektu
0.508 0.038 0.012
[1] 0.039Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje pakietów base i stats). Rysunek 1 wykonano w pakietach ggplot2 i patchwork. 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
- patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
Najczęstsze pytania
Czym różni się przerwanie z powodu daremności od przerwania z powodu skuteczności?
Przy skuteczności statystyka przekracza granicę i odrzuca się hipotezę zerową. Przy daremności badanie kończy się, bo szansa na istotny wynik końcowy jest mała; hipotezy zerowej się nie odrzuca.
Jaki próg mocy warunkowej przyjąć?
Nie ma jednego progu; w praktyce spotyka się m.in. 10–20% przy obecnym trendzie. Próg ustala się w planie badania i sprawdza, np. w symulacji, jak bardzo obniża on moc.
Czy przerwanie z powodu daremności zawyża błąd I rodzaju?
Nie. Zatrzymanie bez odrzucenia hipotezy zerowej może błąd I rodzaju tylko obniżyć; kosztem jest wzrost błędu II rodzaju (Lachin, 2005).
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 studentówBibliografia i dalsza literatura naukowa (APA 7)
- Lachin, J. M. (2005). A review of methods for futility stopping based on conditional power. Statistics in Medicine, 24(18), 2747–2764. https://doi.org/10.1002/sim.2151
- Lan, K. K. G., & Wittes, J. (1988). The B-value: A tool for monitoring data. Biometrics, 44(2), 579–585. https://doi.org/10.2307/2531870
- Lan, K. K. G., Simon, R., & Halperin, M. (1982). Stochastically curtailed tests in long-term clinical trials. Communications in Statistics. Part C: Sequential Analysis, 1(3), 207–219. https://doi.org/10.1080/07474948208836014
Cytowania BibTeX
@article{lachin2005review, author={Lachin, John M.}, title={{A review of methods for futility stopping based on conditional power}}, journal={Statistics in Medicine}, year={2005}, volume={24}, number={18}, pages={2747--2764}, doi={10.1002/sim.2151}}@article{lan1988bvalue, author={Lan, K. K. Gordon and Wittes, Janet}, title={{The B-value: A tool for monitoring data}}, journal={Biometrics}, year={1988}, volume={44}, number={2}, pages={579--585}, doi={10.2307/2531870}}@article{lan1982stochastically, author={Lan, K. K. Gordon and Simon, Richard and Halperin, Max}, title={{Stochastically curtailed tests in long-term clinical trials}}, journal={Communications in Statistics. Part C: Sequential Analysis}, year={1982}, volume={1}, number={3}, pages={207--219}, doi={10.1080/07474948208836014}}