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
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:
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:
Jak opisać w pracy
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.
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
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
p2Wynik 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()).
- 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
- 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
Dane podłużne na wykresie
Wykres spaghetti, średnie z 95% CI i liczbą osób, rzeczywista oś czasu i trajektorie z modelu mieszanego – sześć rysunków z kodem R i podpisami.
Czytaj →PoradnikRCI, MDC i MCID
SEM, MDC95, RCI i kryteria Jacobsona–Truaxa, MCID z kotwicy i metod rozkładowych, analiza responderów z 95% CI i koszt dychotomizacji – z kodem R.
Czytaj →PoradnikWykresy w pracy dyplomowej
Jaki wykres do jakich danych, błędy źle → dobrze, podpis rysunku i gotowe zdania opisu wykresu w rozdziale wyników.
Czytaj →PoradnikOdchylenie plan–wykonanie: cena, wolumen, struktura
Plan przekroczony o 3.29 mln zł: ile to wolumen, struktura, cena i kurs euro, czy kolejność rozbicia ma znaczenie i kiedy odchylenie coś znaczy – z kodem R.
Czytaj →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)
- 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
- 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
- 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}}