Słownik metodologiczny · Projekt badania

Stratyfikacja główna (principal stratification): efekty przy zmiennych po interwencji

Stratyfikacja główna pozwala oszacować efekt przyczynowy, gdy wynik zależy od zmiennej mierzonej po interwencji – przestrzegania zaleceń, ukończenia kursu czy przeżycia. Pokazujemy, dlaczego porównanie samych „kończących” jest obciążone, i liczymy granice efektu w R.

Strona główna / Słownik / Stratyfikacja główna
W skrócie: Stratyfikacja główna dzieli osoby na warstwy według łącznych potencjalnych wartości zmiennej mierzonej po interwencji (np. ukończenia kursu z programem i bez niego). Przydział nie zmienia warstwy, więc efekt w jej obrębie jest efektem przyczynowym (Frangakis i Rubin, 2002) – w przeciwieństwie do analizy samych „kończących”.

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

Ze względu na niepełne ukończenie kursu (56.8% w grupie kontrolnej, 79.3% w grupie interwencyjnej) efekt na wynik egzaminu oszacowano w warstwie głównej osób, które ukończyłyby kurs niezależnie od przydziału. Przy założeniu monotoniczności granice efektu wyniosły od −4.53 do 5.70 pkt; porównanie wyłącznie osób kończących dało różnicę 0.52 pkt.

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.
Przykład reprodukowalny

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

Dane wejściowe: 2000 symulowanych uczniów (set.seed(696)), trzy warstwy główne (60% „zawsze”, 20% „chronieni”, 20% „nigdy”), prawdziwy efekt +3 pkt.

Co odczytać: tabela przydziału i ukończenia; p0, p1 – odsetki kończących; q – udział warstwy „zawsze” wśród kończących z programem; naiwny, SACE oraz dolna/gorna – granice efektu przy monotoniczności.

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()).

  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

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 studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. 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
  2. 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
  3. 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}}
R