Co to jest stratyfikacja główna?
Stratyfikacja główna (ang. principal stratification) to sposób porównywania grup z uwzględnieniem zmiennej mierzonej po interwencji, np. przestrzegania zaleceń, ukończenia kursu czy przeżycia. Frangakis i Rubin (2002) dzielą osoby na warstwy główne według łącznych potencjalnych wartości tej zmiennej w obu warunkach, np. „ukończy kurs z programem i bez niego”, „ukończy tylko z programem”, „nie ukończy nigdy”. Przydział do interwencji nie zmienia przynależności do warstwy, więc warstwę można traktować jak cechę sprzed randomizacji (np. kategorię wieku), a efekt w jej obrębie – efekt główny – jest prawdziwym efektem przyczynowym.
Zwykłe dopasowanie do zmiennej po interwencji (np. analiza tylko tych, którzy ukończyli kurs) porównuje różne osoby w obu ramionach i nie daje efektu przyczynowego. Znanym przypadkiem warstwy głównej jest CACE, czyli efekt wśród osób przestrzegających przydziału (Angrist i in., 1996). Podejście to nie ma nic wspólnego z randomizacją warstwową – tam warstwy tworzy się z cech zmierzonych przed przydziałem. W języku estymand jest to strategia warstwy głównej.
Przykład
W symulowanym badaniu 2000 uczniów losowo przydzielono do programu przeciw porzucaniu nauki. Wynik egzaminu istnieje tylko u tych, którzy ukończyli kurs (ang. truncation by death; Zhang i Rubin, 2003). Kurs ukończyło 56.8% grupy kontrolnej i 79.3% grupy z programem. Prawdziwy efekt w warstwie „ukończy zawsze” wynosi 3.00 pkt, ale naiwne porównanie kończących dało tylko 0.52 pkt, bo w grupie z programem są też słabsi uczniowie „chronieni” przez program. Przy założeniu monotoniczności efekt w warstwie „ukończy zawsze” mieści się w granicach od −4.53 do 5.70 pkt.
Jak opisać w pracy
Na co uważać
- Warstw nie obserwuje się wprost. W każdym ramieniu widać tylko jedną potencjalną wartość, więc identyfikacja wymaga założeń (np. monotoniczności) albo kończy się na granicach.
- Analiza kompletnych przypadków to nie efekt główny. Wyniki per protocol lub „tylko przeżywający” mieszają różne warstwy; podobny mechanizm stoi za błędem przeżywalności.
- Efekt dotyczy tylko warstwy, nie całej próby – raportuj go obok analizy ITT i opisz, ile osób do warstwy należy.
Stratyfikacja główna w R
Kod symuluje warstwy główne i wyniki potencjalne, a potem porównuje naiwną różnicę między kończącymi kurs, prawdziwy efekt w warstwie „ukończy zawsze” (znany tylko w symulacji) i granice z przycinania rozkładu w grupie z programem. Liczby w tekście pochodzą z tego kodu.
Naiwne porównanie kończących, efekt w warstwie i granice
R
set.seed(696) # symulacja: program przeciw porzucaniu nauki, n = 2000
n <- 2000
warstwa <- sample(c("zawsze", "chronieni", "nigdy"), n, replace = TRUE,
prob = c(.60, .20, .20)) # monotoniczność: brak warstwy „szkodzonych”
S0 <- warstwa == "zawsze" # kończy kurs bez programu
S1 <- warstwa %in% c("zawsze", "chronieni") # kończy kurs z programem
Y0 <- ifelse(warstwa == "zawsze", 60, 48) + rnorm(n, 0, 10) # wynik egzaminu bez programu
Y1 <- Y0 + 3 # prawdziwy efekt programu: +3 pkt
Z <- rbinom(n, 1, .5) # losowy przydział
S <- ifelse(Z == 1, S1, S0) # obserwowane ukończenie
Y <- ifelse(S, ifelse(Z == 1, Y1, Y0), NA) # wynik istnieje tylko u kończących
table(Z, S)
naiwny <- mean(Y[Z == 1 & S]) - mean(Y[Z == 0 & S]) # porównanie kończących w obu grupach
sace <- mean(Y1[S0 & S1] - Y0[S0 & S1]) # efekt w warstwie „zawsze kończą” (znany tylko w symulacji)
p0 <- mean(S[Z == 0]); p1 <- mean(S[Z == 1])
q <- p0 / p1 # udział „zawsze kończących” wśród kończących z programem
y1 <- sort(Y[Z == 1 & S]); m <- round(q * length(y1))
granice <- c(dolna = mean(head(y1, m)), gorna = mean(tail(y1, m))) - mean(Y[Z == 0 & S])
round(c(p0 = p0, p1 = p1, q = q, naiwny = naiwny, SACE = sace, granice), 3)Wynik w R
S
Z FALSE TRUE
0 442 580
1 202 776
p0 p1 q naiwny SACE dolna gorna
0.568 0.793 0.715 0.516 3.000 -4.533 5.702 Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (tylko funkcje bazowe). W pracy podaj wersję faktycznie użytego R (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 stratyfikacja główna różni się od analizy per protocol?
Per protocol porównuje osoby, które faktycznie przestrzegały zaleceń w każdym ramieniu, a to w obu grupach mogą być inne osoby. Stratyfikacja główna definiuje warstwę przez zachowanie w obu warunkach, więc porównuje te same typy osób.
Co to jest SACE?
SACE (survivor average causal effect) to efekt w warstwie osób, które „przeżyłyby” – np. ukończyłyby kurs – niezależnie od przydziału. Stosuje się go, gdy wynik nie istnieje u osób, które odpadły, więc nie jest to zwykły brak danych.
Czy efekt w warstwie głównej da się zawsze oszacować punktowo?
Nie. Warstw nie widać w danych, więc bez dodatkowych założeń, np. monotoniczności i założeń o rozkładzie wyniku, można podać tylko granice efektu. Bywają one szerokie, jak w przykładzie powyżej.
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)
- Angrist, J. D., Imbens, G. W., & Rubin, D. B. (1996). Identification of causal effects using instrumental variables. Journal of the American Statistical Association, 91(434), 444–455. https://doi.org/10.1080/01621459.1996.10476902
- Frangakis, C. E., & Rubin, D. B. (2002). Principal stratification in causal inference. Biometrics, 58(1), 21–29. https://doi.org/10.1111/j.0006-341x.2002.00021.x ● Otwarty dostęp: pełny tekst
- Zhang, J. L., & Rubin, D. B. (2003). Estimation of causal effects via principal stratification when some outcomes are truncated by “death”. Journal of Educational and Behavioral Statistics, 28(4), 353–368. https://doi.org/10.3102/10769986028004353
Cytowania BibTeX
@article{angrist1996identification, author={Angrist, Joshua D. and Imbens, Guido W. and Rubin, Donald B.}, title={{Identification of causal effects using instrumental variables}}, journal={Journal of the American Statistical Association}, year={1996}, volume={91}, number={434}, pages={444--455}, doi={10.1080/01621459.1996.10476902}}@article{frangakis2002principal, author={Frangakis, Constantine E. and Rubin, Donald B.}, title={{Principal stratification in causal inference}}, journal={Biometrics}, year={2002}, volume={58}, number={1}, pages={21--29}, doi={10.1111/j.0006-341x.2002.00021.x}}@article{zhang2003estimation, author={Zhang, Junni L. and Rubin, Donald B.}, title={{Estimation of causal effects via principal stratification when some outcomes are truncated by “death”}}, journal={Journal of Educational and Behavioral Statistics}, year={2003}, volume={28}, number={4}, pages={353--368}, doi={10.3102/10769986028004353}}