Kalkulator testu McNemara
Wpisz liczebności sparowanych par w tabeli 2×2, a kalkulator przeprowadzi test McNemara — dokładny binomialny lub chi-kwadrat — porównujący sparowane wyniki binarne przed i po interwencji.
Porównanie sparowanych wyników dychotomicznych przed i po
Wzór testu McNemara
Gdzie:
- \(b\) — liczba par niezgodnych, które zmieniły się z pozytywnej na negatywną
- \(c\) — liczba par niezgodnych, które zmieniły się z negatywnej na pozytywną
- \(b + c\) — łączna liczba par niezgodnych (test korzysta wyłącznie z tych par)
- \(\chi^2\) — statystyka testowa, porównywana z rozkładem chi-kwadrat o 1 stopniu swobody
- \(p\) — dwustronna wartość p dokładnej wersji binomialnej
Test sprawdza, czy oba kierunki zmiany są jednakowo prawdopodobne. W ramach hipotezy zerowej każda para niezgodna ma taką samą szansę przejścia w każdą stronę (prawdopodobieństwo 1/2), dlatego duża dysproporcja między \(b\) i \(c\) świadczy o tym, że rzeczywisty odsetek wyników pozytywnych zmienił się między dwoma pomiarami.
Test McNemara – przykład obliczeń
{example}
Przykład: przychodnia ocenia program rzucania palenia. Spośród 80 uczestników 40 paliło zarówno przed, jak i po programie, 30 nie paliło w obu pomiarach, 8 rzuciło palenie (wynik pozytywny przed, negatywny po), a 2 zaczęły palić (negatywny przed, pozytywny po).
Pary niezgodne: \(n = b + c = 8 + 2 = 10\), więc stosujemy dokładny test binomialny:
\[ p = 2 \cdot P(X \le \min(8, 2)) = 2 \cdot P(X \le 2), \quad X \sim \mathrm{Binomial}(10,\ 0.5) \]
\[ P(X \le 2) = \frac{\binom{10}{0} + \binom{10}{1} + \binom{10}{2}}{2^{10}} = \frac{1 + 10 + 45}{1024} = 0.0547 \]
\[ p = 2 \times 0.0547 = 0.1094 \]
Wynik: \(p = 0.1094\). Różnica nie jest istotna statystycznie na poziomie 5% — przy zaledwie 10 parach niezgodnych dysproporcja 8 do 2 to zbyt słaby dowód na to, że program zmienił status palenia. (Dla porównania: statystyka chi-kwadrat z poprawką na ciągłość wynosi \(\chi^2 = (8-2-1)^2/10 = 2.5\), co prowadzi do podobnego wniosku.)
{/example}
Jak korzystać z kalkulatora
- Policz, ile par było pozytywnych przed i po, i wpisz tę liczbę w pierwsze pole (pary zgodne).
- W polu Pozytywny przed, negatywny po wpisz liczbę par, które przeszły z pozytywnej na negatywną — to \(b\).
- W polu Negatywny przed, pozytywny po wpisz liczbę par, które przeszły z negatywnej na pozytywną — to \(c\).
- W polu Negatywny przed i po wpisz liczbę par, które pozostały negatywne.
- Wybierz metodę testu: dokładny test binomialny jest zalecany, gdy łączna liczba par niezgodnych jest mniejsza niż około 25; asymptotyczny test chi-kwadrat lepiej sprawdza się przy większych próbach.
- Jeśli wybrałeś metodę chi-kwadrat, zdecyduj, czy zastosować poprawkę na ciągłość (poprawkę Edwardsa). Jest ona domyślnie zaznaczona i na ogół zalecana.
- Odczytaj wyniki: liczebności par niezgodnych, statystykę testową, dwustronną wartość p oraz interpretację opisującą prostym językiem, co te liczby oznaczają dla Twoich danych.
Czym jest test McNemara?
Test McNemara to test statystyczny służący do porównywania dwóch odsetków mierzonych na tych samych osobach — czyli danych sparowanych. Typowe zastosowania to badania typu przed–po (czy odsetek pacjentów z wynikiem pozytywnym zmienił się po leczeniu?), badania przypadek–kontrola z dopasowaniem oraz porównywanie dwóch testów diagnostycznych wykonanych u tych samych osób. Gdy każda osoba dostarcza dwóch pomiarów binarnych, obserwacje tworzą pary dopasowane, a standardowe testy dla odsetków niezależnych — takie jak test z dla dwóch odsetków czy test chi-kwadrat niezależności — nie nadają się, ponieważ ignorują parowanie.
Kluczowa myśl stojąca za testem jest taka, że liczą się wyłącznie pary niezgodne. Para, która była pozytywna w obu pomiarach albo negatywna w obu, nie mówi nic o tym, czy odsetek się zmienił — obie obserwacje wzajemnie się znoszą. Cała informacja o zmianie zawiera się w parach, które się przełączyły: \(b\) par w jedną stronę i \(c\) par w drugą. Jeśli hipoteza zerowa (brak zmiany) jest prawdziwa, każde przełączenie ma równe szanse nastąpić w obu kierunkach — jak rzut uczciwą monetą. Wyraźna dysproporcja między \(b\) i \(c\) jest więc dowodem przeciwko hipotezie zerowej.
Wynikiem jest dwustronna wartość p. Jeśli spadnie poniżej przyjętego poziomu istotności (najczęściej 0,05), stwierdzasz, że odsetek wyników pozytywnych zmienił się między pomiarami; kierunek zmiany wskazuje ta z liczb \(b\) i \(c\), która jest większa. Jeśli wartość p jest duża, dane są zgodne z brakiem zmiany. Nieistotny wynik przy małej liczbie par niezgodnych często oznacza po prostu, że badaniu brakowało mocy — tak jak w przykładzie powyżej. Aby ocenić, jak silny jest zaobserwowany efekt (a nie tylko, czy w ogóle istnieje), przydatnym uzupełnieniem są narzędzia takie jak iloraz szans dla danych sparowanych.
Założenia, ograniczenia i praktyczne wskazówki
- Wyłącznie dane sparowane. Oba pomiary muszą pochodzić od tej samej osoby albo z par dopasowanych. Dla grup niezależnych użyj zamiast tego testu z dla dwóch odsetków lub testu dokładnego Fishera.
- Pary niezależne. Każda para dopasowana musi być niezależna od pozostałych; dane sklasteryzowane lub z powtarzanymi pomiarami naruszają to założenie.
- Metodę wybieraj według liczby par niezgodnych. Reguła kciuka: dokładny test binomialny, gdy \(b + c < 25\), i przybliżenie chi-kwadrat, gdy \(b + c \ge 25\). Test dokładny nigdy nie daje błędnych wyników — ręcznie liczy się go po prostu dłużej.
- Pary zgodne wpływają na moc, nie na statystykę. Dwie tabele o tych samych \(b\) i \(c\) dają identyczne wartości p niezależnie od liczby par zgodnych — ale badania z większą liczbą par zgodnych na ogół precyzyjniej szacują odsetki.
- W wersji chi-kwadrat stosuj poprawkę na ciągłość. Poprawka Edwardsa \((|b-c|-1)^2/(b+c)\) zapobiega zawyżaniu statystyki przy małych liczebnościach i przybliża ją do testu dokładnego.
- Dwustronna wartość p nie testuje kierunku. Wartość p mówi tylko, czy zmiana nastąpiła; aby zobaczyć, w którą stronę przesunął się odsetek, porównaj \(b\) z \(c\) i sprawdź, czy ten kierunek zgadza się z Twoją hipotezą badawczą.
Jeśli nie wiesz, jak interpretować samą wartość p — co oznacza, a czego nie — kalkulator wartości p wyjaśnia podstawy i przelicza statystyki testowe na wartości p dla najczęstszych rozkładów.
Najczęściej zadawane pytania
Jak obliczyć test McNemara ręcznie?
Weź pod uwagę tylko dwie liczebności pozadiagonalne, b i c. W wersji dokładnej oblicz \(p = 2 \cdot P(X \le \min(b, c))\), gdzie \(X\) ma rozkład dwumianowy z \(n = b + c\) próbami i prawdopodobieństwem 0,5. Tę wartość odczytasz z tablic rozkładu dwumianowego albo z funkcji arkuszowej, np. BINOM.DIST. W wersji chi-kwadrat oblicz \(\chi^2 = (|b - c| - 1)^2 / (b + c)\) i porównaj ją z wartością krytyczną 3,84 dla testu dwustronnego przy \(\alpha = 0.05\).
Kiedy stosować dokładny test binomialny zamiast wersji chi-kwadrat?
Dokładny test binomialny stosuj, gdy liczba par niezgodnych \(b + c\) jest mała — zwykła reguła mówi: poniżej 25. Statystyka chi-kwadrat jedynie przybliża rzeczywisty rozkład, a przy małej liczbie przełączeń przybliżenie staje się niepewne. Test dokładny jest zawsze poprawny, więc w razie wątpliwości wybieraj go; wersja chi-kwadrat ma znaczenie głównie przy dużych próbach albo wtedy, gdy trzeba podać statystykę testową w konkretnej formie.
Dlaczego pary zgodne nie wpływają na wynik?
To zaskakuje wiele osób: pary, które pozostały pozytywne albo negatywne, nie niosą żadnej informacji o zmianie, bo oba pomiary dają ten sam wynik. O przesunięciu odsetków mówią wyłącznie przełączenia. Dlatego dwa zbiory danych o tych samych b i c dają identyczne wartości p, nawet gdy jeden liczy dziesięć razy więcej osób. Liczebności par zgodnych mają natomiast znaczenie przy szacowaniu odsetków i dla mocy badania — nie dla samego testu.
Czym test McNemara różni się od zwykłego testu chi-kwadrat?
Standardowy test chi-kwadrat niezależności zakłada, że oba pomiary pochodzą z osobnych, niezwiązanych ze sobą grup. Test McNemara służy do danych sparowanych — tych samych osób mierzonych dwukrotnie, par dopasowanych albo dwóch testów wykonanych u tych samych osób. Zastosowanie testu chi-kwadrat dla prób niezależnych albo testu z dla dwóch odsetków do danych sparowanych to częsty błąd, który zwykle zaniża siłę dowodów, ponieważ ignoruje korelację między dwoma pomiarami u tej samej osoby.
Czy można wykonać jednostronny test McNemara?
Tak. Kalkulator podaje dwustronną wartość p, czyli pyta, czy zmiana nastąpiła w którymkolwiek kierunku. Jeśli z góry sformułowałeś hipotezę kierunkową — na przykład, że leczenie może jedynie obniżyć odsetek wyników pozytywnych — podziel dwustronną wartość p przez dwa, o ile zaobserwowany kierunek zgadza się z Twoją hipotezą. Jeśli dane poszły w przeciwną stronę, jednostronna wartość p wynosi 1 minus ta wielkość. Nie przechodź na test jednostronny już po zobaczeniu wyników.
Co się dzieje, gdy w ogóle nie ma par niezgodnych?
Jeśli \(b = c = 0\), każda osoba dała w obu pomiarach ten sam wynik, więc oba odsetki są dokładnie równe i nie ma czego testować — wartość p jest w sensownym rozumieniu nieokreślona. Kalkulator sygnalizuje taką sytuację. Podobnie, gdy jedno z b lub c jest zerowe, a drugie małe (np. 1 albo 2), dokładny test nadal działa poprawnie; nie dodawaj sztucznych liczebności i nie zmieniaj testu.
Jak raportować wyniki lub mierzyć wielkość efektu?
Zwykle podaje się liczebności par niezgodnych, metodę, statystykę testową i wartość p — na przykład: „dokładny test McNemara, b = 8, c = 2, p = 0,11”. Istotna wartość p mówi tylko, że zmiana nastąpiła; aby opisać jej wielkość, użyj ilorazu szans dla danych sparowanych \(b/c\) albo podaj odsetki przed i po wraz z przedziałem ufności dla ich różnicy. Duże badania potrafią wykryć nawet trywialnie małe zmiany, więc testowanie istotności zawsze łącz z miarą wielkości efektu.