Słownik metodologiczny · Statystyka opisowa

Wykres wodospadowy (waterfall plot) – zmiana u każdej osoby

Wykres wodospadowy pokazuje zmianę wyniku u każdej osoby jako osobny słupek, uporządkowany od pogorszenia do poprawy. Wyjaśniamy, jak go czytać, czego nie pokazuje (czas, osoby bez pomiaru) i jak go opisać w pracy.

Strona główna / Słownik / Wykres wodospadowy
W skrócie: Wykres wodospadowy pokazuje zmianę wyniku (zwykle w procentach) u każdej osoby jako słupek, posortowany od największego pogorszenia do największej poprawy, z linią progu odpowiedzi. Pokaż na nim wszystkie przydzielone osoby, także bez pomiaru, i dodaj wykres zmian w czasie, bo wodospad pokazuje tylko jeden moment.

Co to jest wykres wodospadowy?

Wykres wodospadowy (ang. waterfall plot) pokazuje zmianę wyniku u każdej osoby osobno jako pionowy słupek, a słupki są uporządkowane od największego pogorszenia do największej poprawy. Zwykle na osi pionowej jest zmiana procentowa od pomiaru wyjściowego, a pozioma linia zaznacza próg odpowiedzi. Wykres przyszedł z badań onkologicznych, gdzie opisuje zmianę wielkości guza (Mercier i in., 2019). W psychologii klinicznej nadaje się do pokazania, u ilu osób objawy spadły o ustaloną część.

Jak czytać wykres

  • Jeden słupek to jedna osoba. Słupek w dół oznacza poprawę (spadek objawów), w górę – pogorszenie.
  • Linia progu dzieli osoby na reagujące i niereagujące, jak w analizie responderów. Próg powinien być ustalony przed analizą, np. z MCID.
  • Kształt „wodospadu” mówi, czy poprawa dotyczy wielu osób umiarkowanie, czy niewielu bardzo silnie.
  • Oś pozioma nie ma jednostek. Pozycja słupka to tylko miejsce w rankingu.

Przykład

W symulowanym badaniu po 30 osób z depresją trafiło do terapii i do grupy kontrolnej. Objawy mierzono w skali 0–63 w tygodniach 0, 2, 4, 8 i 12, a odpowiedź na leczenie to spadek wyniku o co najmniej 50%. Parametry symulacji (średnia poprawa 50% vs 25%, nawroty u części osób, rezygnacje po 4. tygodniu) ustawiono ręcznie, ziarno 760 ustalono z góry i nie zmieniano. Pomiar w 12. tygodniu miało 21 osób z grupy terapii i 22 z kontrolnej. Mediana zmiany wyniosła −39.1% i −19.3%.

Na rysunku

Dwa wykresy wodospadowe obok siebie, terapia i kontrola, po 30 osób. Każdy słupek to zmiana wyniku depresji w procentach po 12 tygodniach, uporządkowana od pogorszenia do poprawy; przerywana linia na −50% to próg odpowiedzi. W grupie terapii 9 niebieskich słupków przekracza próg, w kontrolnej 1. Po lewej stronie każdego panelu krzyżyki na zerze oznaczają osoby bez pomiaru: 9 w terapii i 8 w kontroli
Rysunek 1. Wykres wodospadowy zmiany wyniku depresji po 12 tygodniach w grupie terapii i kontrolnej. Krzyżyki – osoby bez pomiaru w 12. tygodniu. Obliczenia: R, pakiet ggplot2 (dane symulowane, set.seed(760)).

Co widać. W grupie terapii próg −50% przekroczyło 9 osób, w kontrolnej 1. Wśród osób z pomiarem to 42.9% i 4.5%, ale wśród wszystkich przydzielonych tylko 30.0% i 3.3%. Gdyby krzyżyków nie było, wykres sugerowałby pierwszą, wyższą liczbę.

Na co uważać. Osoby bez pomiaru zwykle po cichu znikają z wykresu wodospadowego. Kim i Prasad (2019) pokazali, że w artykułach onkologicznych odsetek odpowiedzi odczytany z takich wykresów był zwykle wyższy niż odsetek raportowany jako wynik badania. Pokaż wszystkich przydzielonych (utrata uczestników) i podaj mianownik w podpisie. Zmiana procentowa jest też niestabilna przy niskich wynikach wyjściowych (tu od 16 do 39 pkt), a jako wynik analizy ma słabe własności – Vickers (2001) zaleca zamiast niej ANCOVA.

Podpis do pracy:

Rysunek 1. Zmiana wyniku depresji od pomiaru wyjściowego do 12. tygodnia u każdej osoby w grupie terapii (n = 30) i kontrolnej (n = 30). Uwaga. Słupki uporządkowano od największego pogorszenia do największej poprawy. Linia przerywana oznacza próg odpowiedzi (spadek o 50%). Krzyżyki oznaczają osoby bez pomiaru w 12. tygodniu (terapia: 9, kontrola: 8).
Wykres liniowy dla 30 osób z grupy terapii: zmiana wyniku w procentach w tygodniach 0, 2, 4, 8 i 12, z linią progu −50%. Szare linie to większość osób, zielone kropkowane linie kończą się w 4. tygodniu (rezygnacje), dwie z nich schodzą poniżej progu. Pomarańczowa gruba linia to osoba, która w 8. tygodniu była poniżej progu, a w 12. wróciła powyżej
Rysunek 2. Te same osoby z grupy terapii w kolejnych tygodniach – informacja, której wykres wodospadowy nie pokazuje. Obliczenia: R, pakiet ggplot2 (dane symulowane, set.seed(760)).

Co widać. Wykres wodospadowy to jeden przekrój w czasie. Próg w którymkolwiek tygodniu przekroczyło 12 osób z grupy terapii, a w 12. tygodniu – 9. Jedna osoba straciła odpowiedź między 8. a 12. tygodniem, a dwie osiągnęły próg przed rezygnacją. Gdyby słupki pokazywały „najlepszą zmianę”, terapia wyglądałaby lepiej.

Na co uważać. Mercier i in. (2019) wskazują, że wykres wodospadowy ukrywa przebieg zmian w czasie, i zalecają pokazywać obok trajektorie osób. Czas obserwacji i moment zdarzeń pokazuje wykres pływaka, a surowe wyniki – wykres spaghetti.

Podpis do pracy:

Rysunek 2. Zmiana wyniku depresji od pomiaru wyjściowego w kolejnych tygodniach u osób z grupy terapii (n = 30). Uwaga. Każda linia to jedna osoba. Linia przerywana oznacza próg odpowiedzi (spadek o 50%). Linie kropkowane kończą się w 4. tygodniu (rezygnacja z udziału).

Jak opisać w pracy

Zmianę wyniku depresji u poszczególnych osób przedstawiono na wykresie wodospadowym (Rysunek 1). Spadek objawów o co najmniej 50% w 12. tygodniu wystąpił u 9 z 30 osób w grupie terapii (30.0%) i u 1 z 30 w grupie kontrolnej (3.3%); pomiaru w 12. tygodniu nie miało odpowiednio 9 i 8 osób. Mediana zmiany wśród osób z pomiarem wyniosła −39.1% i −19.3%.

Na co uważać

  • Nie wybieraj progu po obejrzeniu wykresu. Przesunięcie linii zmienia liczbę responderów.
  • Nie zastępuj wykresem analizy. Efekt terapii oceń modelem na wyniku ciągłym; wykres jest opisem.
  • Podaj, który pomiar pokazujesz (ostatni czy najlepszy) i ilu osób brakuje.
  • Nie używaj go do skal z wartością 0 na starcie – zmiana procentowa jest wtedy nieokreślona.
Przykład reprodukowalny

Wykres wodospadowy w R

Kod symuluje pomiary objawów w dwóch grupach, rysuje wykres wodospadowy (p1) i wykres zmian w czasie (p2) oraz liczy liczby z tekstu. Kod sam definiuje paletę Okabe–Ito i motyw. Rysunki na stronie powstały z tych samych obiektów z motywem serwisu – dane, geometrie i skale są identyczne, różni się krój czcionki i siatka.

Wykres wodospadowy z osobami bez pomiaru

Dane wejściowe: wynik depresji (0–63) u 60 osób w pięciu pomiarach, z rezygnacjami po 4. tygodniu (dane symulowane, set.seed(760)).

Co odczytać: liczbę osób z pomiarem i responderów, odsetek responderów liczony wśród osób z pomiarem i wśród wszystkich, medianę zmiany oraz liczbę responderów według najlepszej zmiany i zmiany w 12. tygodniu.

R
# Wykres wodospadowy: zmiana procentowa wyniku depresji od pomiaru wyjściowego do 12. tygodnia
library(ggplot2)
kol <- c("responder" = "#0072B2", "bez odpowiedzi" = "#E69F00")   # Okabe–Ito
minus <- function(x) sub("-", "\u2212", x)                   # znak minus na osi
motyw <- theme_minimal(base_size = 13) +
  theme(panel.grid.minor = element_blank(), panel.grid.major.x = element_blank(),
        legend.position = "bottom", plot.title = element_text(face = "bold"))

set.seed(760)                                  # 2 × 30 osób, pomiary w tygodniach 0, 2, 4, 8, 12
n <- 30; tyg <- c(0, 2, 4, 8, 12)
os <- data.frame(id = 1:(2 * n), grupa = rep(c("terapia", "kontrola"), each = n))
os$wyj <- round(pmin(pmax(rnorm(2 * n, 27, 6), 14), 45))          # wynik wyjściowy (skala 0–63)
os$popr <- ifelse(os$grupa == "terapia", rnorm(2 * n, 50, 22), rnorm(2 * n, 25, 22))  # docelowa poprawa w %
os$nawrot <- rbinom(2 * n, 1, 0.2) * runif(2 * n, 15, 35)         # część osób traci poprawę po 4. tygodniu
os$odpad <- rbinom(2 * n, 1, 0.12) == 1                           # rezygnacja po 4. tygodniu
dl <- merge(os, data.frame(tydzien = tyg))
dl$proc_model <- -dl$popr * (1 - exp(-dl$tydzien / 3)) + dl$nawrot * pmax(dl$tydzien - 4, 0) / 8
dl$wynik <- round(pmin(pmax(dl$wyj * (1 + dl$proc_model / 100) + rnorm(nrow(dl), 0, 2), 0), 63))
dl$wynik[dl$tydzien == 0] <- dl$wyj[dl$tydzien == 0]
dl <- dl[!(dl$odpad & dl$tydzien > 4), ]                           # po rezygnacji brak pomiarów
dl$zmiana <- 100 * (dl$wynik - dl$wyj) / dl$wyj
dl <- dl[order(dl$id, dl$tydzien), ]

# Rysunek 1: wykres wodospadowy (zmiana w 12. tygodniu; osoby bez pomiaru zaznaczone osobno)
w12 <- merge(os[, c("id", "grupa")], dl[dl$tydzien == 12, c("id", "zmiana")], all.x = TRUE)
w12$odp <- ifelse(!is.na(w12$zmiana) & w12$zmiana <= -50, "responder", "bez odpowiedzi")
w12 <- w12[order(w12$grupa, -ifelse(is.na(w12$zmiana), Inf, w12$zmiana)), ]
w12$poz <- ave(w12$id, w12$grupa, FUN = seq_along)
w12$grupa <- factor(w12$grupa, c("terapia", "kontrola"))
p1 <- ggplot(w12, aes(poz, zmiana)) +
  geom_col(aes(fill = odp), width = 0.8, na.rm = TRUE) +
  geom_point(data = w12[is.na(w12$zmiana), ], aes(y = 0), shape = 4, size = 2.6, stroke = 1.1) +
  geom_hline(yintercept = 0, colour = "grey30") +
  geom_hline(yintercept = -50, linetype = "dashed", colour = "grey30") +
  annotate("text", x = 0.5, y = -52, label = "próg odpowiedzi: −50%", hjust = 0, vjust = 1, size = 3.4) +
  facet_wrap(~ grupa, ncol = 2) +
  scale_fill_manual(values = kol, name = NULL) +
  scale_x_continuous(breaks = NULL) +
  scale_y_continuous(limits = c(-100, 40), breaks = seq(-100, 40, 20), labels = minus) +
  labs(title = "Zmiana wyniku depresji po 12 tygodniach (każdy słupek = 1 osoba)",
       x = "Osoby uporządkowane od największego pogorszenia do największej poprawy (× = brak pomiaru)",
       y = "Zmiana od pomiaru wyjściowego (%)") +
  motyw

# Rysunek 2: te same osoby z grupy terapii w czasie (wykres pajęczy) – co znika na wykresie wodospadowym
ter <- dl[dl$grupa == "terapia", ]
naj <- aggregate(zmiana ~ id, ter[ter$tydzien > 0, ], min)            # najlepsza zmiana w dowolnym tygodniu
ost <- ter[ter$tydzien == 12, c("id", "zmiana")]
utrata <- intersect(naj$id[naj$zmiana <= -50], ost$id[ost$zmiana > -50])   # odpowiedź osiągnięta i utracona
ter$typ <- ifelse(ter$id %in% utrata, "odpowiedź utracona przed 12. tyg.",
                  ifelse(ter$id %in% os$id[os$odpad], "rezygnacja po 4. tyg.", "pozostali"))
ter$typ <- factor(ter$typ, c("pozostali", "odpowiedź utracona przed 12. tyg.", "rezygnacja po 4. tyg."))
p2 <- ggplot(ter, aes(tydzien, zmiana, group = id, colour = typ, linetype = typ, linewidth = typ)) +
  geom_hline(yintercept = c(0, -50), linetype = c("solid", "dashed"), colour = "grey30") +
  geom_line() + geom_point(size = 1.2) +
  scale_colour_manual(values = c("grey70", "#D55E00", "#009E73"), name = NULL) +
  scale_linetype_manual(values = c("solid", "solid", "dotted"), name = NULL) +
  scale_linewidth_manual(values = c(0.4, 1.1, 1.1), name = NULL) +
  scale_x_continuous(breaks = tyg) +
  scale_y_continuous(limits = c(-100, 40), breaks = seq(-100, 40, 20), labels = minus) +
  labs(title = "Grupa terapii: zmiana w kolejnych tygodniach",
       x = "Tydzień", y = "Zmiana od pomiaru wyjściowego (%)") +
  motyw + guides(colour = guide_legend(nrow = 1))

# Liczby do tekstu
tab <- aggregate(cbind(n_pomiar = !is.na(zmiana), responder = odp == "responder") ~ grupa, w12, sum)
tab$n_bez_pomiaru <- n - tab$n_pomiar
tab$proc_resp_z_pomiarem <- round(100 * tab$responder / tab$n_pomiar, 1)
tab$proc_resp_wszyscy <- round(100 * tab$responder / n, 1)
tab
round(tapply(w12$zmiana, w12$grupa, median, na.rm = TRUE), 1)       # mediana zmiany w %
c(najlepsza_zmiana_resp = sum(naj$zmiana <= -50), w_12_tyg_resp = sum(ost$zmiana <= -50),
  utracona = length(utrata))
c(min_wyjsciowy = min(os$wyj), max_wyjsciowy = max(os$wyj))
p1
p2
Wynik w R
     grupa n_pomiar responder n_bez_pomiaru proc_resp_z_pomiarem
1  terapia       21         9             9                 42.9
2 kontrola       22         1             8                  4.5
  proc_resp_wszyscy
1              30.0
2               3.3
 terapia kontrola 
   -39.1    -19.3 
najlepsza_zmiana_resp         w_12_tyg_resp              utracona 
                   12                     9                     1 
min_wyjsciowy max_wyjsciowy 
           16            39 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje bazowe i pakiet ggplot2). Rysunki zapisano pakietem svglite. W pracy podaj wersje faktycznie użytych pakietów (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/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. 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

Co pokazuje wykres wodospadowy w badaniu klinicznym?

Pokazuje zmianę wyniku u każdego uczestnika osobno, zwykle w procentach od pomiaru wyjściowego, posortowaną od pogorszenia do poprawy. Linia progu pozwala policzyć osoby, które zareagowały na leczenie.

Dlaczego na wykresie wodospadowym brakuje części pacjentów?

Słupek można narysować tylko dla osoby z pomiarem końcowym, więc osoby, które zrezygnowały, często po cichu znikają. Zaznacz je osobno (np. znakiem na zerze) i podaj w podpisie, ilu ich było, bo inaczej odsetek odpowiedzi wygląda na wyższy.

Czym wykres wodospadowy różni się od wykresu pajęczego?

Wykres wodospadowy to jeden przekrój: zmiana w wybranym momencie albo najlepsza zmiana. Wykres pajęczy pokazuje dla każdej osoby linię zmiany w kolejnych pomiarach, więc widać, kiedy pojawiła się poprawa i czy się utrzymała.

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. Kim, M. S., & Prasad, V. (2019). Assessment of accuracy of waterfall plot representations of response rates in cancer treatment published in medical journals. JAMA Network Open, 2(5), Article e193981. https://doi.org/10.1001/jamanetworkopen.2019.3981 ● Otwarty dostęp
  2. Mercier, F., Consalvo, N., Frey, N., Phipps, A., & Ribba, B. (2019). From waterfall plots to spaghetti plots in early oncology clinical development. Pharmaceutical Statistics, 18(5), 526–532. https://doi.org/10.1002/pst.1944
  3. Vickers, A. J. (2001). The use of percentage change from baseline as an outcome in a controlled trial is statistically inefficient: A simulation study. BMC Medical Research Methodology, 1(1), Article 6. https://doi.org/10.1186/1471-2288-1-6 ● Otwarty dostęp

Cytowania BibTeX

@article{kim2019assessment, author={Kim, Myung Sun and Prasad, Vinay}, title={{Assessment of accuracy of waterfall plot representations of response rates in cancer treatment published in medical journals}}, journal={JAMA Network Open}, year={2019}, volume={2}, number={5}, eid={e193981}, doi={10.1001/jamanetworkopen.2019.3981}}
@article{mercier2019waterfall, author={Mercier, Francois and Consalvo, Nicola and Frey, Nicolas and Phipps, Alex and Ribba, Benjamin}, title={{From waterfall plots to spaghetti plots in early oncology clinical development}}, journal={Pharmaceutical Statistics}, year={2019}, volume={18}, number={5}, pages={526--532}, doi={10.1002/pst.1944}}
@article{vickers2001use, author={Vickers, Andrew J.}, title={{The use of percentage change from baseline as an outcome in a controlled trial is statistically inefficient: A simulation study}}, journal={BMC Medical Research Methodology}, year={2001}, volume={1}, number={1}, eid={6}, doi={10.1186/1471-2288-1-6}}
R