Słownik metodologiczny · Projekt badania

Utrata uczestników (attrition) – różnicowa, nieróżnicowa i jak ją raportować

Każda osoba, która nie przyszła na pomiar końcowy, osłabia badanie. Pokazujemy, kiedy utrata uczestników grozi obciążeniem wyniku, jak to sprawdzić w R i jak opisać w pracy.

Strona główna / Słownik / Utrata uczestników

Opracowanie merytoryczne: · Opublikowano:

W skrócie: Utrata uczestników (attrition) to brak danych od osób włączonych do badania w kolejnych pomiarach. Pokaż ją na diagramie przepływu CONSORT, porównaj odsetki utraty między grupami i cechy wyjściowe osób utraconych z pozostałymi.

Co to jest utrata uczestników?

Utrata uczestników (ang. attrition, loss to follow-up) to sytuacja, w której osoby włączone do badania nie dostarczają danych w kolejnych pomiarach. Utrata uniemożliwia pełną analizę ITT i może obciążyć wynik, gdy osoby utracone różnią się między grupami w cechach związanych z wynikiem (Dumville i in., 2006). Problem narasta w badaniach z pomiarem odroczonym.

Utrata różnicowa i nieróżnicowa

  • Nieróżnicowa: odsetek i powody utraty są podobne w grupach. Zmniejsza moc i może ograniczać uogólnianie.
  • Różnicowa: z jednej grupy odpada więcej osób albo odpadają inne osoby. Narusza równowagę uzyskaną dzięki randomizacji. Zhou i Fishbach (2016) pokazali, że w eksperymentach internetowych porzucenia różniące się między warunkami prowadziły do fałszywych wniosków.

Jak to sprawdzić i pokazać

  1. Narysuj diagram przepływu CONSORT: liczba osób zrandomizowanych, otrzymujących interwencję, utraconych (z powodami) i analizowanych w każdej grupie (Schulz i in., 2010).
  2. Porównaj odsetki utraty między grupami.
  3. Porównaj cechy wyjściowe osób utraconych i pozostałych, osobno w każdej grupie (Dumville i in., 2006).

Przykład

120 osób losowo przydzielono do treningu uważności albo na listę oczekujących, po 60 osób (dane symulowane). Przed pomiarem końcowym odpadło 14 osób z treningu (23.3%) i 8 z grupy kontrolnej (13.3%). Różnica 10.0 punktu procentowego była nieistotna, χ²(1) = 2.00, p = .157, 95% CI [−3.7, 23.7]. Osoby utracone miały jednak wyższy stres na starcie (M = 24.27, SD = 6.43) niż pozostałe (M = 20.29, SD = 5.48), t(118) = 2.99, p = .003, d = 0.70.

Jak opisać w pracy

Pomiaru końcowego nie wykonało 22 ze 120 osób (18.3%): 14 z grupy treningu (23.3%) i 8 z grupy kontrolnej (13.3%), χ²(1) = 2.00, p = .157. Osoby utracone miały wyższy wyjściowy poziom stresu niż pozostałe (M = 24.27, SD = 6.43 wobec M = 20.29, SD = 5.48), t(118) = 2.99, p = .003, d = 0.70, dlatego braki uwzględniono w analizie zgodnej z zasadą ITT.

Na co uważać

  • Nieistotna różnica odsetków nie wyklucza obciążenia. Ważne jest też, kto odpadł.
  • Nie ma progu, od którego utrata „nie szkodzi” (Dumville i in., 2006).
  • Nie usuwaj osób z brakami bez zastanowienia: sprawdź mechanizm braków danych i unikaj LOCF. Metody opisuje poradnik braki danych i imputacja wielokrotna w R.
Przykład reprodukowalny

Utrata uczestników w R

Kod liczy odsetek utraty w każdej grupie, sprawdza, czy utrata jest różnicowa, i porównuje stres na starcie u osób, które odpadły, oraz u pozostałych.

Odsetki utraty i porównanie osób utraconych z pozostałymi

Dane wejściowe: 120 osób w dwóch grupach po 60, stres na starcie (PSS-10, 0–40) i informacja, czy osoba odpadła (dane symulowane, set.seed(165)).

Co odczytać: tabelę utraty, odsetki w grupach, wartość p testu dla dwóch proporcji i wynik testu t (FALSE = zostali, TRUE = odpadli).

R
set.seed(165)
grupa <- rep(c("trening", "kontrola"), each = 60)
stres0 <- round(rnorm(120, 20, 6))
odpadl <- runif(120) < plogis(-2.6 + 0.12 * (stres0 - 20) + 1.0 * (grupa == "trening"))
table(grupa, odpadl)
round(100 * tapply(odpadl, grupa, mean), 1)                    # odsetek utraty w każdej grupie
prop.test(table(grupa, odpadl)[, 2:1], correct = FALSE)$p.value  # czy utrata jest różnicowa?
t.test(stres0 ~ odpadl, var.equal = TRUE)                       # stres na starcie: zostali (FALSE) vs odpadli (TRUE)
Wynik w R
          odpadl
grupa      FALSE TRUE
  kontrola    52    8
  trening     46   14
kontrola  trening 
    13.3     23.3 
[1] 0.1569147

	Two Sample t-test

data:  stres0 by odpadl
t = -2.9873, df = 118, p-value = 0.003424
alternative hypothesis: true difference in means between group FALSE and group TRUE is not equal to 0
95 percent confidence interval:
 -6.629951 -1.344075
sample estimates:
mean in group FALSE  mean in group TRUE 
           20.28571            24.27273

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje pakietów base i stats).

  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

Co to jest utrata różnicowa?

To utrata, która różni się między grupami: odsetkiem albo cechami osób, które odpadły. Narusza porównywalność grup uzyskaną dzięki randomizacji i może zawyżać lub zaniżać efekt interwencji.

Jaki odsetek utraty uczestników jest dopuszczalny?

Nie ma jednego progu. Nawet niewielka utrata szkodzi, jeśli odpadają osoby o innych wynikach. Liczy się zarówno odsetek, jak i to, kto odpadł i w której grupie.

Jak porównać osoby, które odpadły, z tymi, które zostały?

Zestaw ich cechy wyjściowe (średnie, odsetki, ewentualnie test t lub chi-kwadrat), najlepiej osobno w każdej grupie. Różnice wskazują, że wynik osób pozostałych może być obciążony.

Powiązane hasła

Analiza ITT (intention-to-treat)Braki danych (MCAR, MAR, MNAR)LOCF i proste imputacjePomiar odroczony (follow-up)Adherencja (przestrzeganie protokołu)Randomizacja

Poradniki, w których użyjesz tego pojęcia

Poradnik

Braki danych i imputacja wielokrotna w R

MCAR, MAR i MNAR, test Little’a, symulacja metod i imputacja wielokrotna w R krok po kroku – z kodem, regułami Rubina i gotowym opisem APA.

Czytaj →Poradnik

Statystyka dla fizjoterapeuty

Pomiar przed i po terapii, test t i Wilcoxona, MCID dla skali NRS, ANCOVA, trzy pomiary, ICC i regresja do średniej – z danymi, kodem R i opisem APA.

Czytaj →

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. Dumville, J. C., Torgerson, D. J., & Hewitt, C. E. (2006). Reporting attrition in randomised controlled trials. BMJ, 332(7547), 969–971. https://doi.org/10.1136/bmj.332.7547.969 ● Otwarty dostęp: pełny tekst
  2. Schulz, K. F., Altman, D. G., Moher, D., & CONSORT Group. (2010). CONSORT 2010 statement: Updated guidelines for reporting parallel group randomised trials. BMJ, 340, Article c332. https://doi.org/10.1136/bmj.c332 ● Otwarty dostęp
  3. Zhou, H., & Fishbach, A. (2016). The pitfall of experimenting on the web: How unattended selective attrition leads to surprising (yet false) research conclusions. Journal of Personality and Social Psychology, 111(4), 493–504. https://doi.org/10.1037/pspa0000056

Cytowania BibTeX

@article{dumville2006reporting, author={Dumville, Jo C. and Torgerson, David J. and Hewitt, Catherine E.}, title={{Reporting attrition in randomised controlled trials}}, journal={BMJ}, year={2006}, volume={332}, number={7547}, pages={969--971}, doi={10.1136/bmj.332.7547.969}}
@article{schulz2010consort, author={Schulz, Kenneth F. and Altman, Douglas G. and Moher, David and {CONSORT Group}}, title={{CONSORT 2010 statement: Updated guidelines for reporting parallel group randomised trials}}, journal={BMJ}, year={2010}, volume={340}, eid={c332}, doi={10.1136/bmj.c332}}
@article{zhou2016pitfall, author={Zhou, Haotian and Fishbach, Ayelet}, title={{The pitfall of experimenting on the web: How unattended selective attrition leads to surprising (yet false) research conclusions}}, journal={Journal of Personality and Social Psychology}, year={2016}, volume={111}, number={4}, pages={493--504}, doi={10.1037/pspa0000056}}
R