Przejdź do treści

Rozdział wyników

To samo N w dwóch modelach regresji. Czy to te same osoby?

Około 23 min czytania

Dwa podobnej grubości pliki kart spięte klipsami w różnych kolorach

Na dwóch wydrukach z regresji widzisz n = 100. Oba modele opisują związek liczby wieczornych zmian ze zmęczeniem, ale każdy uwzględnia inny zestaw dodatkowych zmiennych. Czy w pracy możesz napisać, że oszacowano je na tej samej próbie? Sama liczebność tego nie potwierdza. W jednym modelu mogły wypaść osoby bez danych o stażu, w drugim osoby bez informacji o dojazdach.

Porównaj identyfikatory osób faktycznie uwzględnionych w obu analizach. Policz, ile osób znalazło się w obu modelach, ile tylko w A, ile tylko w B i ile w żadnym. Przy ostatniej liczbie wskaż, od jakiej grupy zaczynasz liczenie. W wynikach podaj n dla każdego modelu i liczbę wspólnych osób. Jeśli masz tylko wydruki, możesz potwierdzić równe liczebności. Skład obu prób pozostaje nieustalony.

Ustal, czy program liczy osoby, czy obserwacje

„Sto osób ukończyło ankietę”, „sto osób ma ważny wynik zmęczenia” i „w modelu wykorzystano sto obserwacji” opisują różne etapy. W jednym badaniu liczby mogą być takie same, ale każda odpowiada na inne pytanie. W charakterystyce próby podajesz, kto spełnił kryteria projektu. Przy wyniku modelu wskazujesz, czyje dane weszły do obliczeń.

Jeśli każda osoba wnosi jeden wiersz, do sprawdzenia składu wystarczy roboczy identyfikator uczestnika. Gdy ta sama osoba ma po jednym wierszu na tydzień, identyfikator pozwala ustalić tylko, czy dana osoba wystąpiła w modelu przynajmniej raz. Żeby porównać konkretne obserwacje, połącz identyfikator osoby z oznaczeniem tygodnia. Oba modele mogą obejmować po 60 osób i po 180 wierszy, choć część wierszy tych samych osób pochodzi z innych tygodni. Podaj wtedy liczbę osób i liczbę obserwacji.

W przykładzie z jednym wierszem na osobę rozróżnij trzy etapy. Najpierw policz osoby, które spełniły wstępne kryteria. Potem ustal, kto miał ważny wynik i wartość głównej zmiennej. Dopiero w tej grupie oblicz liczebność A, B i ich części wspólnej. Jeśli raportujesz także liczbę osób poza oboma modelami, podaj, czy liczysz ją od grupy po wstępnej kwalifikacji, czy od mniejszej bazy z ważnymi dwoma polami.

Spisz zmienne wymagane przez każdy model

W obu modelach interesuje Cię związek między liczbą wieczornych zmian a zmęczeniem. Do A dodajesz staż i sposób ustalania grafiku. Do B dodajesz czas dojazdu i tygodniową liczbę godzin opieki. Jeśli analizujesz wyłącznie kompletne przypadki, każda osoba musi mieć komplet pól wymaganych przez dany model. Oba modele mogą zacząć od tego samego pliku i wykluczyć tyle samo osób z różnych powodów, ponieważ wymagają różnych informacji.

Zapis „A: z korektą, B: z korektą” nie pozwoli odtworzyć obliczeń. Przy każdej nazwie wymień wynik, główną zmienną i dodatkowe pola. Zapisz też sposób przeliczenia zmiennych. Przykładowo zerowy czas dojazdu daje niepoprawną wartość po zwykłym logarytmowaniu, choć w surowym polu odpowiedź jest zapisana. Sprawdź, jak program postąpił z taką wartością i jaką regułę obsługi braków faktycznie zastosował.

Przed liczeniem sprawdź wersję pliku, okres i kryteria wstępnej kwalifikacji. Między uruchomieniami ktoś mógł dopisać ankiety albo usunąć duplikat. Wtedy różnicy składu nie da się wiarygodnie przypisać brakom przy dojazdach. Zachowaj przy każdym wyniku wersję bazy, listę wykorzystanych obserwacji i kod lub zapis ustawień, z których można odtworzyć filtry.

Czego nie wyjaśnia sama różnica liczebności

Jeśli A ma 100, a B ma 94, sześć daje różnicę liczebności. To nie rozstrzyga, czy B jest podzbiorem A. Może z A wypadło 6 osób i nikt nie doszedł. Równie dobrze mogły wypaść 22 osoby, a na ich miejsce weszło 16. Obie historie kończą się tą samą różnicą n. Jeśli B obliczono z tymi samymi regułami co A i jedynie dodano jedną zmienną, zawieranie się list jest prawdopodobnym oczekiwaniem po kompletacji przypadków. Sprawdź je na wyjściu, zanim zapiszesz, kogo wyłączono. Gdy chodzi właśnie o przejście od prostego modelu do modelu z dodatkowymi zmiennymi, osobny poradnik omawia opis wyniku surowego i skorygowanego.

Czasami porównanie ma granice już na wejściu. Jeśli jeden model dotyczy pracowników obecnych przez cały miesiąc, a drugi wszystkich, którzy pojawili się choć przez tydzień, od początku odpowiadają na częściowo inny zakres. Możesz obliczyć przecięcie list. Samo przecięcie nie zmieni faktu, że kryteria wejścia były inne. Najpierw podaj w metodach, z czego wzięła się rozbieżność, a potem dopiero omawiaj różnice w oszacowaniach. Nie zmieniaj po obejrzeniu wyniku nazwy populacji, aby oba modele wyglądały na z góry przewidziane warianty tego samego zadania.

Porównaj obserwacje, które weszły do obliczeń

Wyeksportuj listę wykorzystanych wierszy z obiektu modelu lub z dziennika obliczeń. Jeśli program jej nie udostępnia, spróbuj odtworzyć listę z właściwej wersji danych, zapisanych filtrów i ustawień. Porównaj ją z tym, co zachował program. Gdy przy takim odtworzeniu dostajesz inną liczebność niż w wydruku, sprawdź, czy w obliczeniach zadziałał dodatkowy filtr albo czy program inaczej zinterpretował konkretną wartość.

Nie łącz plików po numerze wiersza. Wystarczy jedno sortowanie, by ten sam numer wskazywał inną osobę. Użyj stałego, niepustego klucza, unikatowego na poziomie osób lub obserwacji. Ustal, czy „007” i „7” to ten sam identyfikator po zmianie formatu, czy dwie różne etykiety. Jeżeli ośrodki numerowały uczestników oddzielnie, do klucza może być potrzebny także kod ośrodka.

Podziel bazę na cztery grupy

Przy każdym identyfikatorze z bazy wpisz osobno, czy znalazł się w modelu A oraz czy znalazł się w B. Otrzymasz cztery rozłączne grupy:

  • W obu modelach. Osoby, które rzeczywiście weszły do A i B. To przecięcie list.
  • Tylko w A. Osoby obecne w A, których nie ma w B.
  • Tylko w B. Osoby obecne w B, których nie ma w A.
  • W żadnym. Osoby z przyjętego zbioru bazowego poza obiema listami.

Dodaj wspólną część do grupy „tylko w A”, a odtworzysz n modelu A. W modelu B użyj wspólnej części i grupy „tylko w B”. Suma wszystkich czterech grup powinna dać liczebność bazy. Jeśli rachunek się nie domyka, sprawdź, czy identyfikatory są unikatowe, żadna obserwacja nie leży poza bazą i listy dotyczą tej samej jednostki.

Jeśli podajesz procent pokrycia, nazwij mianownik. Przy 84 wspólnych osobach i 100 w A możesz napisać, że 84% osób z A weszło także do B. Udział 84 osób wśród 116 objętych co najmniej jednym modelem odpowiada na inne pytanie. Jeżeli A i B mają różne n, udział wspólnej części w każdym z nich również będzie różny. W wielu raportach cztery liczebności wystarczą, żeby czytelnik mógł sam odtworzyć te udziały.

Skontroluj po jednym przypadku z każdej grupy

Wróć do danych źródłowych i wybierz po jednym identyfikatorze z każdej grupy. Osoba w obu modelach powinna spełniać oba zestawy warunków. Dla osoby tylko w A znajdź powód jej wyłączenia w B. Dla osoby poza oboma modelami sprawdź oba powody. Jeżeli rekord nie pasuje do podsumowania, przyjrzyj się kodowaniu braków. „99” może być ważną odpowiedzią w jednej kolumnie i kodem braku w innej. Puste pole może oznaczać brak odpowiedzi albo pytanie, którego uczestnik nie dostał.

W kopii roboczej oznaczaj powody wyłączenia osobno. Jedna osoba może mieć jednocześnie brak stażu i brak informacji o grafiku. Zachowaj liczbę osób z każdym brakiem oraz liczbę różnych osób z co najmniej jednym brakiem. W podpisie rezultat możesz nazwać krótko „brak kompletu danych”, jeśli szczegóły są łatwe do znalezienia w metodach lub załączniku.

Przykład: oba modele mają po 100 osób, wspólne są 84

W fikcyjnym badaniu ankietowym po wstępnej kwalifikacji pozostały 132 osoby. Badano związek liczby wieczornych zmian w ustalonym okresie z wynikiem zmęczenia na skali od 0 do 40 punktów. Każda osoba wniosła najwyżej jeden wiersz. Oba modele wymagały ważnego wyniku zmęczenia i podanej liczby zmian. Dopiero w następnej kolejności sprawdzano dodatkowe pola, osobno dla modelu A i B.

Wśród 132 osób braku wyniku zmęczenia dotyczyło pięć przypadków, a braku liczby zmian cztery. Jedna osoba nie podała obu informacji. Wyłączono więc osiem różnych osób według wspólnej reguły (5 + 4 − 1 = 8), zanim zastosowano osobne wymagania A i B. Do porównania specyfikacji pozostała baza 124 osób. Kolejne osiem osób należało do tej bazy, ale nie miało kompletu danych ani do A, ani do B. To dwa oddzielne etapy, więc w raporcie podaj przy każdym jego własną podstawę.

Ile osób weszło do każdego modelu

Model A. Uwzględnia staż i sposób ustalania grafiku. W bazie 124 osób u 18 brakowało informacji o grafiku, u 11 informacji o stażu, a pięć osób znalazło się w obu licznikach. Co najmniej jednego z wymaganych pól nie miały więc 24 osoby (18 + 11 − 5 = 24). Do A weszło 100 kompletnych przypadków.

Model B. Uwzględnia czas dojazdu i godziny opieki. W tej samej bazie czasu dojazdu brakowało u 14 osób, a godzin opieki u 16. U sześciu brakowało obu wartości. Wyłączono 24 osoby (14 + 16 − 6 = 24), więc B również objął 100 kompletnych przypadków.

Z tych rachunków wynika n dla A i B. Nadal nie wiadomo, które osoby weszły do obu modeli. To pokazało dopiero porównanie identyfikatorów wśród 124 osób:

  • Oba modele, 84 osoby. Mają komplet danych do A i B.
  • Tylko A, 16 osób. Mają komplet danych do A. Do B brakuje im co najmniej jednego wymaganego pola.
  • Tylko B, 16 osób. Mają komplet danych do B. Do A brakuje im co najmniej jednego wymaganego pola.
  • Żaden model, 8 osób. W każdym zestawie brakuje im co najmniej jednego pola wymaganego przez dany model.

Każdy model objął 100 osób, w tym 84 wspólne. Po 16 osób było tylko w A i tylko w B, więc łącznie 32 osoby znalazły się dokładnie w jednym modelu. Spośród 124 osób osiem nie weszło do żadnej analizy. Jeśli liczysz od 132 osób po wstępnej kwalifikacji, poza oboma modelami znalazło się łącznie 16 osób. Osiem odpadło na wspólnej regule dotyczącej wyniku zmęczenia i liczby zmian, a osiem kolejnych na wymaganiach dotyczących dodatkowych pól.

Odróżnij braki w polach od liczby wyłączonych osób

Osoba bez stażu i informacji o grafiku zwiększa oba liczniki braków w polach. Z modelu A wypada raz. Liczby 18 i 11 możesz dodać, żeby policzyć 29 brakujących wartości w tych dwóch polach. Do ustalenia liczby osób z brakami odejmij pięć podwójnie policzonych przypadków. Sumowanie liczników bez korekty jest dopuszczalne, gdy pochodzą z tej samej bazy, dotyczą pól wymaganych przez ten model i żadne osoby się nie powtarzają. Osobno zapisz wyłączenia z innych przyczyn, na przykład wynikające z filtra grupy zawodowej.

Jeśli przedstawiasz wyłączenia po kolei, na każdym etapie licz tylko osoby, które jeszcze pozostały. W A możesz najpierw wyłączyć 18 osób bez informacji o grafiku, a potem sześć kolejnych bez stażu. Pięć osób bez stażu już odpadło na pierwszym etapie. Dlatego „sześć wyłączeń podczas kontroli stażu” i „jedenaście braków stażu w bazie” mogą być prawdziwe jednocześnie. Zmiana kolejności przesunie niektóre wyłączenia między etapami. Przy tych samych warunkach końcowy zbiór kompletnych przypadków będzie jednak ten sam.

W tym przykładzie znamy regułę wyłączenia: brak co najmniej jednej wartości potrzebnej w danym modelu. Powód braku odpowiedzi to osobna informacja. Uczestnik mógł nie znać odpowiedzi, pominąć pytanie lub nie zobaczyć go ze względu na ścieżkę ankiety. Jeśli formularz zapisywał te zdarzenia, rozróżnij je. Przy samym pustym polu możesz napisać, że brakowało ważnej wartości według przyjętej reguły. Zdanie o tym, że uczestnicy nie chcieli podać informacji, wymagałoby dodatkowych danych.

Podobnie zero godzin opieki może być ważną odpowiedzią, a pytanie „nie dotyczy” kierować osobę do pominięcia dalszego szczegółu. Projekt może pozwalać na wyznaczenie zera po danym przejściu przez formularz, ale taka decyzja wymaga uzasadnienia. Przepisanie wszystkich pustych godzin na zera tylko po to, żeby powiększyć zakres modelu, zmienia znaczenie danych. W raporcie zostaw rozróżnienie tego, co zmierzono, od wartości wyprowadzonych według jawnej reguły.

Podaj liczebności przy oszacowaniach

Na początku rozdziału z wynikami możesz pokazać 132 osoby po wstępnej kwalifikacji i 124 z oboma ważnymi polami wspólnymi dla modeli. Przy samych współczynnikach podaj nazwy modeli, ich n i liczbę osób wspólnych. Szczegóły braków zostaw w sąsiednim akapicie, załączniku zbiorczym lub opisie przepływu. Podpis „n = 100 w A i n = 100 w B, w tym 84 osoby w obu” jest konkretniejszy niż odsyłacz do ogólnej charakterystyki, która może dotyczyć 132 albo 124 osób.

Można też przygotować dwie krótkie karty odpowiadające obu modelom. Każda pokazuje cel, wymagane pola, n i próbę, której dotyczy wynik. Pod kartami wystarczy jedno opisane zestawienie pokrycia. Jeżeli różnicę w składzie ilustrujesz wykresem, nie używaj słupków o wysokości 100 jako jedynej ilustracji. Słupki pokażą równą liczebność, która jest dopiero punktem wyjścia. Przydatniejszy jest rozdział na część wspólną i wyłączną obu modeli z widoczną liczbą osób. Opis powinien się dać odczytać również bez rozróżniania kolorów.

Przed rozpisaniem liczb zastanów się, kto i po co będzie z nich korzystał. W krótkim opisie można podać cztery agregaty i zaznaczyć kompletację danych, a listy robocze zachować jako dokumentację. W samej pracy zwykle nie ma potrzeby ujawniania identyfikatorów uczestników. Jeśli połączenie cech daje bardzo małe i rozpoznawalne grupy, poziom szczegółowości trzeba dostosować do projektu. Można odtworzyć logikę wyłączeń i liczebności bez wymieniania, którzy pracownicy dysponowali danymi o dojazdach albo godzinach opieki.

Co daje ponowna analiza na wspólnych 84 osobach

Gdy modele różnią się zestawami zmiennych i składem próby, oba czynniki mogą mieć znaczenie dla różnicy oszacowań. Jeśli projekt na to pozwala, zastosuj obie formuły do potwierdzonego przecięcia 84 osób. Z wydruku lub obiektu modelu sprawdź, czy każda analiza wykorzystała dokładnie te wiersze. Zachowaj wspólne jednostki, definicje zmiennych i reguły ważenia, o ile są częścią porównania.

Pokaż obok siebie wyniki z własnych prób i z części wspólnej, jeśli ponowne obliczenia były zaplanowane lub stanowią jawne sprawdzenie dodatkowe. Porównanie A na 100 i A na 84 dotyczy tej samej formuły na różnych danych. W zestawieniu A i B na 84 skład się nie zmienia. Podaj jednak, czy pomiędzy modelami różnią się jeszcze wagi, skale albo sposób kodowania. Wtedy porównujesz wyniki całych specyfikacji, więc nie możesz przypisać rozbieżności jednej zmiennej na podstawie tego zestawienia.

Cztery oszacowania i ich przedziały

Oba warianty z przykładu to modele liniowe z wynikiem zmęczenia w punktach. Współczynnik oznacza różnicę w przewidywanym wyniku przypadającą na jedną dodatkową wieczorną zmianę przy pozostałych zmiennych określonych w danym modelu. Poniższe wartości są fikcyjne i służą do przećwiczenia opisu.

  • A, własna podstawa, n = 100. Współczynnik 0,60 punktu, 95% przedział ufności od 0,18 do 1,02.
  • B, własna podstawa, n = 100. Współczynnik 0,25 punktu, 95% przedział ufności od −0,19 do 0,69.
  • A, wspólna podstawa, n = 84. Współczynnik 0,46 punktu, 95% przedział ufności od −0,04 do 0,96.
  • B, wspólna podstawa, n = 84. Współczynnik 0,39 punktu, 95% przedział ufności od −0,10 do 0,88.

Możesz napisać: „Każdy model objął po 100 osób, w tym 84 wspólne. Po ponownym oszacowaniu na wspólnej próbie współczynnik wyniósł 0,46 punktu w A i 0,39 punktu w B na jedną dodatkową wieczorną zmianę. Oszacowania punktowe na wspólnej próbie były bliższe sobie niż oszacowania z własnych prób. Przedziały ufności podano oddzielnie”. Różnica 0,07 dotyczy dwóch wartości punktowych. Jeśli chcesz testować różnicę współczynników, uwzględnij zależność wyników z tej samej próby. Samo porównanie przedziałów albo etykiet „istotny” i „nieistotny” nie zastępuje takiego testu.

Na podstawie tych liczb nie można stwierdzić, że „dane o dojazdach tłumaczą połowę efektu pracy wieczorami”. W obu regresjach oszacowano związek zmęczenia z liczbą zmian po uwzględnieniu różnych zmiennych. Każde oszacowanie ma też własną niepewność. Sposób prezentacji współczynnika i jego jednostki pokazuje poradnik o opisie wyników regresji.

Czego wspólna próba nie rozstrzyga

Po ograniczeniu do przecięcia w obu analizach masz te same osoby. Wciąż mogą różnić się pytania, na które pomagają odpowiadać oszacowania. Model A opisuje związek przy ustalonych wartościach zmiennych o grafiku i stażu. Model B uwzględnia dojazdy i godziny opieki. Jeżeli w jednym przypadku kontrolujesz element pośredniczący w analizowanej relacji albo zmienną silnie związaną z doborem do próby, uzasadnienie modelu wymaga osobnego rozważenia. Wydruk z regresji nie rozstrzyga roli tych zmiennych. Ich wybór i interpretację oprzyj na projekcie badania oraz jasno sformułowanym pytaniu.

Wspólna próba obejmuje osoby z kompletem wszystkich pól wymaganych przez oba modele. Może być wyraźnie węższa. Jeśli część uczestników pomija pytania o opiekę, sprawdź dostępne cechy osób w poszczególnych grupach. Może to pokazać, czy wspólna próba ma inny skład pod względem obserwowanych cech. Z samej liczebności nie dowiesz się, dlaczego brakuje odpowiedzi ani czy uczestnicy różnią się również pod względami, których nie mierzono.

Nie traktuj wspólnych obserwacji jako testu jakości dla regresji. Na 84 osobach może być zbyt mało obserwacji w jednej kategorii lub zbyt mało zdarzeń dla danego modelu. Wówczas dopasowanie bywa niestabilne lub w ogóle niemożliwe. Jeśli sprawdzenie napotka ten problem, opisz go. Wniosek „wspólną próbę znaleziono, ale porównywalnego oszacowania nie uzyskano” jest bardziej precyzyjny niż liczba przepisana z wyniku o niepewnym statusie. Nie wybieraj też wspólnego wariantu dlatego, że układa się w równiejszą historię. Jeżeli jest analizą dodatkową, pokaż, w jakiej kolejności ją zaplanowano lub odtworzono. Sposób prezentacji alternatyw można oprzeć na poradniku o analizach wrażliwości.

Sprawdź, czy współczynniki mają tę samą jednostkę

To samo X i Y zapisane na wydruku może ukrywać inną skalę. W jednym modelu wieczorne zmiany mogą zostać ujęte jako liczba, w drugim jako kategorie. Dwie jednostki współczynnika będą wówczas różne. W praktyce sprawdź nazwę, skalę, zakres oraz kategorię odniesienia każdej interpretowanej zmiennej. Obejrzyj też, czy dla rozpatrywanego wyniku oba modele pochodzą z tego samego okresu, używają tego samego progu i mają te same zasady oznaczania braku. Ograniczenie do wspólnych ID nie ujednolica tych definicji.

Porównaj też podejście do standaryzacji, jeśli zostało użyte. Jeden punkt skali jest jednym punktem w każdym modelu, dopóki oba czytają tę samą skalę. Jedno odchylenie standardowe może oznaczać coś innego w grupie A i B, jeśli liczone jest osobno. Po ponownym dopasowaniu na przecięciu nadal trzeba wiedzieć, czy wartości przeliczono z użyciem starej czy wspólnej podstawy. Przykładowe liczby w poradniku celowo są w punktach. Dzięki temu prostszy pozostaje argument, że sama wymiana członków próby jest jedną ze zmian, które można prześledzić.

W modelu logistycznym współczynnik na skali logarytmu szans i iloraz szans wymagają odczytu zgodnego z typem modelu. Przy różnych zestawach zmiennych oszacowania warunkowe mogą różnić się nawet na tych samych obserwacjach. Dlatego sformułowanie „spadek oszacowania po dodaniu zmiennej wskazuje, jaki odsetek wpływu wyjaśnia to pole” wykracza poza zwykłe porównanie wydruków. By odpowiedzieć na pytanie o przyczynę, potrzebujesz właściwego projektu i analizy opartych na jawnych założeniach. Pytanie o zgodność prób jest węższe: kto lub co weszło do obliczeń.

Trzy przypadki wymagające dodatkowego sprawdzenia

Wspólne osoby, inne wiersze albo wagi. Dane jednego pracownika pochodzą z kolejnych tygodni. Brak w jednym tygodniu może wyłączyć tylko ten tydzień, pozostawiając pozostałe. Raport z takiego modelu powinien ujawniać, czy n liczy wiersze, a także, ile osób one reprezentują. Zdarza się też, że oba modele zawierają identyczne wiersze, lecz używają innych wag. Audyt członkostwa potwierdzi zgodność list, a czytelnik nadal potrzebuje informacji, jak wagi zmieniają wkład danych do oszacowania. Jeżeli coś wygląda na rozbieżność, sprawdź, czy rekord z wagą zero został zgodnie z dokumentacją programu uznany za użyty. Zapisz właściwą definicję zamiast zgadywać na podstawie sumy wag.

Próg, filtr lub wyjątkowe zachowanie programu. Model B może wyłączyć obserwacje z zerowym czasem dojazdu, jeśli użyto logarytmu tej liczby. To może być kwestia zdefiniowania zmiennej, a nie brak odpowiedzi. W innym przypadku pewne grupy mogą wypaść w trakcie dopasowania, choć wszystkie pola były wypełnione. Najpierw sprawdź ostrzeżenia programu i rzeczywisty zbiór wykorzystany przez metodę. Jeżeli włączyłeś filtr ograniczający zakres do jednej grupy zawodowej, podaj jego powód i liczebność jeszcze przed brakami. Do kategorii „brak w zestawie pól” trafiają tylko wyłączenia, które rzeczywiście z niego wynikają.

Plan zakładał imputację lub inną metodę postępowania z brakami. Wyliczone na surowych polach przecięcie kompletnych przypadków może służyć jako informacja o danych dostępnych przed zastosowaniem metody. Nie podstawiaj go jako n modelu, który oszacowano inaczej. Przy wielokrotnej imputacji trzeba wyjaśnić, co imputowano, według jakiej metody, jakie były zasady kwalifikacji oraz jak uzyskano końcowe oszacowanie. Liczba utworzonych zbiorów nie zwiększa liczby badanych osób. Przecięcie rzeczywiście wykorzystanych identyfikatorów nadal można analizować, ale po zrozumieniu zasad danej procedury. Wzór z kompletnymi przypadkami należy wówczas traktować jako przykład innej sytuacji.

Co możesz ustalić z samych wydruków

Jeśli dwa pliki PDF pokazują tylko n i oszacowania, poproś osobę wykonującą obliczenia o cztery liczebności lub o ponowne odtworzenie filtrów na właściwej wersji danych. Do opisu zwykle wystarczy zbiorcza informacja, ilu uczestników weszło do każdego modelu i dlaczego pozostali wypadli. Jeśli danych jednostkowych nie można przekazać, nie są potrzebne do samej redakcji tekstu. Zapisz, skąd pochodzą liczby zbiorcze.

Jeśli oba modele mają po 100 osób i wiadomo, że ich unikatowe identyfikatory pochodzą wyłącznie z tej samej bazy 124 osób, można obliczyć dolną granicę pokrycia. W obu modelach musi wystąpić co najmniej 76 osób, ponieważ 100 + 100 − 124 = 76. Górna granica to 100. W tym przedziale mieści się 84, ale bez list nie można ustalić, czy właśnie tyle osób było wspólnych. Jeśli nie znasz bazy albo jednostki liczenia, nie masz podstaw także do podania tej granicy.

Jeśli list nie ma i analizy nie da się odtworzyć, podaj liczebność każdej analizy oraz wynikający z tego zakres wniosku. Nie zastępuj brakującej wartości liczbą ze środka matematycznie możliwego zakresu. Jeżeli pytanie badawcze wymaga porównania dokładnie tych samych obserwacji, brak dokumentacji pozostaje ograniczeniem.

Jak zapisać wyniki i umożliwić ich sprawdzenie

W metodach opisz reguły wejścia do analiz. W wynikach podaj odpowiadające im liczebności i oszacowania. Jeśli dodatkowy filtr zmienił próbę, umieść go przy etapie, na którym go zastosowano. Poniższe wzory zachowaj tylko w zakresie, który odpowiada temu, co zrobiono w Twoim badaniu.

Gdy skład obu modeli jest potwierdzony

Metody. „Po wstępnej kwalifikacji do wspólnej bazy włączano osoby z ważnym wynikiem zmęczenia i podaną liczbą wieczornych zmian. W każdym modelu analizowano przypadki z kompletem danych wymaganych przez jego specyfikację. Porównano identyfikatory faktycznie wykorzystanych osób. Oba modele ponownie oszacowano na wspólnej próbie w analizie dodatkowej”.

Wyniki. „Po wstępnej kwalifikacji pozostały 132 osoby. Osiem wyłączono przed zastosowaniem odrębnych reguł modeli z powodu braku wyniku zmęczenia, liczby wieczornych zmian albo obu wartości. W bazie 124 osób model A i B objęły po 100 osób. Do obu analiz weszły 84 osoby, po 16 tylko do jednego modelu, a 8 do żadnego. Przy oszacowaniach podano n każdego modelu i liczbę osób wspólnych”.

Dalsze zdanie o wynikach zależy od tego, co obliczono. Jeśli nie dopasowano modeli na przecięciu, usuń odpowiedni zapis z metod i zakończ informacją o składzie. Jeżeli odtwarzasz raport innej osoby, dopilnuj, by „porównano listy” odnosiło się do potwierdzonej czynności. Można zapisać, że odtworzono skład według zweryfikowanego filtra, jeśli tak właśnie zrobiono. Krótka adnotacja w dokumentacji może wyjaśniać, w jaki sposób wynik filtra sprawdzono.

Gdy znasz liczebności, a skład nie jest potwierdzony

„Wydruki wskazują po 100 obserwacji w każdej specyfikacji. Dostępny materiał nie zawiera list wykorzystanych obserwacji ani zestawienia ich pokrycia, dlatego nie można stwierdzić, ilu uczestników weszło do obu oszacowań. Wyniki opisano oddzielnie, według zestawów zmiennych uwzględnionych w poszczególnych modelach”.

Jeśli wydruk może liczyć kilka wierszy tej samej osoby, pozostań przy jednostce, którą da się potwierdzić. Gdy znasz obie liczebności, podaj osobno n osób i liczbę wierszy. Samo podobieństwo wydruków nie uzasadnia, by w opisie zamienić „obserwacje” na „uczestników”.

Co zachować razem z wynikami

Zachowaj dane potrzebne do odtworzenia ścieżki od kwalifikacji do współczynnika. Przed oddaniem rozdziału sprawdź, czy drugi czytelnik będzie mógł ustalić:

  • Zapisz przy każdej analizie wersję danych, datę, jednostkę, formułę i regułę dla braków.
  • Porównaj liczebność na wydruku z liczbą jednostek faktycznie użytych w modelu. Upewnij się, że liczysz tę samą jednostkę po obu stronach.
  • Dodaj cztery rozłączne grupy i sprawdź, czy suma daje wielkość bazy. Jeśli A i B mają różne kryteria wejścia, wskaż, względem jakiej bazy opisujesz pokrycie.
  • Rozróżnij liczby braków w polach od liczby osób wyłączonych. Nieznane powody oznacz jako nieustalone.
  • Sprawdź podpisy, jednostki i wnioski. Przy każdym n = 100 wskaż właściwy model oraz wersję obliczeń.
  • Jeśli ponownie oszacowano modele, zachowaj pierwotne wyniki, nazwę dodatkowego wariantu i uzasadnienie zmiany. Ostatni akapit powinien opisywać tylko te porównania, które wykonano.

Wyjaśnienie wytycznych STROBE dla badań obserwacyjnych wskazuje, by opisać postępowanie z brakami, podać liczby na poszczególnych etapach, pokazać braki według zmiennych i wskazać n analiz skorygowanych. W przykładzie oznacza to przejście od 132 osób po wstępnej kwalifikacji przez wspólną bazę 124 osób do dwóch modeli po 100 i ich przecięcia obejmującego 84 osoby. Wytyczne pomagają udokumentować tę ścieżkę. Wybór sposobu postępowania z brakami nadal zależy od projektu i pytań badawczych.

Przygotuj pytanie badawcze, wydruki, reguły wyłączeń i dostępne liczebności. W zgłoszeniu wskaż, czy potrzebujesz uporządkowania podstaw, opisu gotowych obliczeń czy sprawdzenia rozdziału.

Bibliografia

  • Vandenbroucke, J. P., von Elm, E., Altman, D. G., Gøtzsche, P. C., Mulrow, C. D., Pocock, S. J., Poole, C., Schlesselman, J. J., Egger, M., STROBE Initiative (2007). Strengthening the Reporting of Observational Studies in Epidemiology (STROBE): Explanation and Elaboration. PLoS Medicine, 4(10), e297. DOI 10.1371/journal.pmed.0040297. Pozycje 12c, 13, 14b i 16a.

Najczęstsze pytania

Czy takie samo N w dwóch modelach regresji oznacza te same osoby?

Równe N oznacza, że oba modele objęły tyle samo jednostek. Porównaj identyfikatory jednostek użytych do obliczeń. W dwóch modelach po 100 osób może być 84 uczestników wspólnych i po 16 tylko w jednym z nich. Przy pomiarach powtarzanych porównaj również obserwacje, np. pary osoba i tydzień.

Czy z liczby braków w poszczególnych polach można wyliczyć, ile osób wyłączono z regresji?

W analizie kompletnych przypadków możesz dodać liczniki osób z brakami tylko wtedy, gdy pochodzą z tej samej bazy, dotyczą pól wymaganych przez ten model i żadna osoba się nie powtarza. Gdy w pierwszym polu brakuje wartości u 18 osób, w drugim u 11, a 5 osób ma oba braki, co najmniej jednego pola brakuje 24 osobom (18 + 11 − 5 = 24). Inne wyłączenia, np. zastosowanie filtra, rozlicz osobno.

Czy wystarczy dopasować oba modele na wspólnej próbie, żeby porównać współczynniki?

Wspólna próba ustala, na czyich danych dopasowano oba modele. Sprawdź też, czy współczynniki odnoszą się do tych samych jednostek i definicji oraz jak zmieniają się wagi i dodatkowe zmienne. Samo zestawienie oszacowań nie wyjaśnia przyczyny różnicy ani nie jest testem tej różnicy.

Jak opisać skład modeli, jeśli na wydrukach widzę tylko N?

Dla każdego modelu podaj n oraz jednostkę, którą liczy program. Jeśli nie masz list wykorzystanych jednostek, sprawdzonego zestawienia pokrycia ani możliwości odtworzenia analizy, napisz, że wspólnego składu nie potwierdzono. Na podstawie dwóch równych wartości n nie ustalisz, czy w obliczeniach uczestniczyły te same osoby.

Mam już obliczenia. Czy przygotujecie do nich opis?

Możemy pracować na gotowej analizie, jeżeli raport ma objaśnienia metod, zmiennych i oznaczeń. Dołącz pytania badawcze oraz wytyczne. Jeżeli brakuje informacji potrzebnych do interpretacji lub analiza wymaga ponownego sprawdzenia, wskażemy potrzebę odrębnego etapu.

Co przesłać do wyceny opracowania wyników?

Przygotuj aktualny materiał, narzędzie badawcze, cel i pytania, wytyczne oraz termin. Przy ankiecie potrzebny jest plik odpowiedzi i kwestionariusz; przy wywiadach liczba rozmów, transkrypcje lub opis ich stanu; przy dokumentach zbiór albo spis materiału oraz kryteria analizy. Dodaj istniejący tekst i uwagi promotora, jeśli są.

Arkusz do samodzielnej pracy

Rozpisz swój rozdział przed redakcją.

Arkusz planowania rozdziału wyników pomoże połączyć pytania badawcze z danymi, tabelami, opisem i miejscem na dyskusję. Możesz pracować z nim samodzielnie, bez podawania e-maila.

Twój materiał. Konkretny zakres pomocy.

Ustalmy zakres na podstawie Twoich materiałów.

Napisz, czy masz ankietę, wywiady, dokumenty albo gotowy fragment. Dodaj oczekiwany rezultat, termin i najważniejsze wytyczne.

Wysłanie zapytania rozpoczyna ustalanie zakresu. Cenę i warunki realizacji poznasz przed decyzją o zamówieniu.

Zapytaj o opracowanie