E-post: apripp@ous-hf.no
Are Hugo Pripp (f. 1971) er forsker og biostatistiker ved Oslo senter for biostatistikk og epidemiologi, Forskningsstøtteavdelingen, Oslo universitetssykehus, og professor II ved Fakultet for helsefag, OsloMet − storbyuniversitetet.
Forfatter har fylt ut ICMJE-skjemaet og oppgir ingen interessekonflikter.
Are Hugo Pripp har sannsynligvis ønsket å gi en lettforståelig fremstilling av korrelasjonsanalyser (1). Men, «det er ingen kongelig vei til geometri». Snarveier og tilnærmet korrekte fremstillinger kan bidra til å underbygge misforståelser, feilaktigheter og manipulering av forskningsbudskap.
Korrelasjon (R) og regresjon henger sammen og kan ikke skilles. Det er for upresist å si at de røde linjene i figur 1 (1) er tilpassede linjer; det er regresjonslinjer hvor summen av de vertikale avstander mellom x-verdiene og linjen, benevnt residualer, er minst. Beregning av R begynner med å summere kvadrerte residualer, (KR).
Forskjellen i de to plottene (1) er neppe forskjell i stigning på regresjonslinjen, men kun forskjell i x-verdienes enheter. Man kan aldri sammenligne regresjonslinjens stigning hvis man ikke har benyttet samme enheter og skala, eventuelt må en utføre standardisert regresjon.
R-verdien viser ikke avstanden mellom punktene og regresjonslinjen; slike avstander er en måte å vurdere overensstemmelse på. R-verdien benyttes ofte, helt feilaktig, til å gi uttrykk for god eller dårlig overensstemmelse. For å bergene R-verdien trenger vi også summen av kvadratene av forskjellene mellom x-verdiene og gjennomsnittet av x-verdiene, benevnelsen «kvadrert total» kan benyttes (KT). R-verdien er proporsjonal til KR/KT. Jo større «kvadrert total» (KT), desto bedre R-verdi og tilsynelatende bedre overensstemmelse. «Kvadrert total» (KT) øker alltid med økt bredde (range) på y-verdiene og følgelig vil R-verdien alltid øke med økt bredde på utvalget av objekter. Å sørge for stor bredde på utvalget av objekter er et vekjent knep for å få en god R og tilsynelatende god overensstemmelse. Overensstemmelse er upåvirket av utvalgsbredden.
Ved R=0,09 forklarer variasjon i y så lite som 0,0081 prosent av variasjonen i x. For å bergene forklaringsprosenten benyttes ikke R, men r2, altså: r2 = 0,092 = 0,0081.
Påstanden om at man kan benytte regresjon til å predikere det ene tallet fra det andre er for upresist. Man kan lage «predikerte x-verdier» fra y-verdiene, men ikke y fra x. Hva slike predikerte verdier kan brukes til er for meg uklart. Hvis det ikke er en lineær assosiasjon er ikke R nødvendigvis 0. En kurvet sammenheng kan gi en høy R.
Pripp viser at p-verdien henger sammen med antall observasjoner, men om en korrelasjon/assosiasjon er (medisinsk faglig) relevant kan uansett ikke vurderes basert på p-verdier.
Jeg utfordrer Pripp til å diskutere betydningen av at den uavhengige variabel (y) aldri er 100% presis, noe korrelasjon og regresjonsanalysen forutsetter. Flere forhold nevnt over er forøvrig beskrevet i Lægeforeningens Tidsskrift i 1990, (2).
Litteratur
1. Pripp AH. Pearsons eller Spearmans korrelasjonskoeffisienter. Tidsskr Nor Legeforen nr 8, 2018; 138.
2. Høiseth A. Er statistiske analyser egnet ved vurdering av målinger? Tidsskr Nor Lægeforen. 1990; 110: 1968-71.
Takk for kommentaren om korrelasjon og regresjon. Et viktig budskap om korrelasjonskoeffisienter er at ulike (tallmessige) sammenhenger mellom variabler kan gi like korrelasjonskoeffisienter. Figuren i artikkelen viser et meget enkelt eksempel på dette, der spredningen til y-variablene i de to plottene er forskjellig. Det er derfor viktig å undersøke sammenhengen mellom variabler med deskriptiv statistikk samt vurdere bruk av regresjonsanalyser for en mer detaljert statistisk fremstilling.
Som påpekt, en p-verdi alene kan ikke vurdere om en assosiasjon er medisinsk relevant. Likevel kan p-verdien med et riktig valg av studiedesign og statistisk analyse gi oss statistisk informasjon om assosiasjonen. Hva som er en relevant assosiasjon kan også være vanskelig å fastslå rent medisinsk, og spesielt hvis man undersøker nye behandlinger, effekter og fenomener. Da kan statistiske estimater, inkludert p-verdier, gi verdifull informasjon for å si noe om relevansen.
«Er statistiske analyser egnet ved vurdering av målinger?» (1). Jeg vil hevde at de ofte er det. Hvis man skal være kritisk på bruk av statistiske analyser av målinger, så er min bekymring ikke nødvendigvis de statistisk-matematiske egenskapene som linearitet og sannsynlighetsfordelinger med mer. Selv om mulighetene for feilaktige antagelser og uriktig bruk av statistiske metoder er store, kan dette i stor grad etterprøves med matematiske modeller og simuleringer. Etter min vurdering, er validiteten til målinger mer kritisk. Kan alle fenomener, tilstander og hendelser måles og tallfestes? Det er alltids mulig å utvikle et måleinstrument, men gir det valide mål for det man ønsker å måle. Selv om statistikk og kvantitative forskningsmetoder er mye brukt og anerkjent i medisin, er det viktig å bruke kvalitative forskningsmetoder der de er best egnet (2). Kanskje kan ikke alt i verden måles med tall!
Litteratur
1. Høiseth A. Er statistiske analyser egnet ved vurdering av målinger? Tidsskr Nor Lægeforen. 1990; 110: 1968-71.
2. Pripp A. Vi trenger likestilte forskningsmetoder. Sykepleien 2016; 104: 56-58. DOI: https://doi.org/10.4220/Sykepleiens.2016.58624
Tidsskrift for Den norske legeforening, Postboks 1152 Sentrum, 0107 OSLO
Sentralbord: 23 10 90 00 • E-post: redaksjonen@tidsskriftet.no
Sjefredaktør Are Brean • Tidsskriftet redigeres etter redaktørplakaten
Kommentarer