ÇOK DEĞİŞKENLİ ÇÖZÜMLEMEYE GİRİŞ ve TEMEL TEKNİKLER Prof. Dr. Mustafa Şenocak 1-GİRİŞ Nedensellik bağıntısı çözümleyici araştırmaların yanıt aradığı ana konu olarak karşımıza çıkar. Bir “nedensel değişkenin” bir diğer , “sonuç değişkenin” oluşumuna nesnel ve yeterince açık bir etkisi sorgulanabilir ve bu tür bir sorgulamada “nedensel bağ” aranıyor olur. Buna karşılık bazen de, neden-sonuç tipi bir birliktelik zorunluluğu düşünülmeden sadece bir değişkenin değerine bakıp bir diğerini “kestirmeye çalışmak” amaç edinilebilir. Bu durumda da araştırma bir “birlikte değişim bağı” sorguluyor demektir. Aslına bakılırsa her bilimsel alandaki hemen her türlü çözümleyici araştırma bu iki tip sorudan birinin – veya ikisinin özel karışımı olan bir özgün sorgulamanın – peşindedir. Bir çözümleyici araştırmada, eğer bir “nedensel bağ” değerlendirmesi gerçekleştiriliyorsa, farklı özellikteki nedensel konumlar belli bir sonuç konu açısından kıyaslanarak değerlendirilir böylece farklı sonuç düzeylerinin farklı nedensel koşullardan ortaya çıktığı kanıtlanmaya çalışılır. Böylesi bir değerlendirmede kavramsal olarak farklı 2 değişken bulunur : 1- Konu değişken 2- Kıyassal ortam değişkeni Kıyassal ortam değişkeni :Farklı nedensel konumların belli bir özellik açısından kıyaslanması söz konusu ise de aslında bu farklı nedensel konumlar tek bir değişken kavramı altında toplanmaktadırlar. Örneğin bir ilacın 3 farklı dozunun veya 2 farklı ilacın, belli bir tedavi etkinliğini kıyaslanmayı düşündüğümüzde kıyassal kavram “Tedavi” veya “ilaç” adı altında toplanabilir. Hangi özellik – konu değişkenaçısından kıyaslanacakları önemsenmeden, farklı sayıda alttipler içeren belli bir tip “nitelik” bu kıyassal ortamı oluşturur. Konu değişken: Belli başlıkta toplanabilen farklı nitel alttipler (ör.: Cinsiyet: Kadın/erkek , Risk etkeni :Var/Yok , Tedavi tipi : Kemoterapi / Cerrahi / Kemo.+Radyoterapi ) araştırmada konu edinilen bir diğer özelliğin – örneğin sağkalım - düzeyinde fark oluşturup oluşturmadıkları açısından irdelenebilirler. Bu durumda üzerinde değişiklik olduğu düşünülen sonuçsal konumdaki özellik “konu değişkeni” oluşturur. Konu değişken bir nitelik veya nicelik olabilir (Ör.: MI hastaları ile sağlıklıları HDL düzeyi açısından kıyaslamak , Erkeklerle kadınları solak sıklığı açısından kıyaslamak) . Bir araştırmada aynı anda birden fazla konu değişkenle ilgilenilebilir. (Ör.: Antidepresan kullanan ve kullanmayan MD olgularında , MADRS skoru , Folik asit düzeyi ve intihar girişimi sıklığı ayrı ayrı irdelenebilir.) Sonuç olarak bir konu değişken kendisini etkileyebildiği düşünülen alttip kümeleri içeren bir kıyassal ortam değişkeni çerçevesinde irdelenmektedir yani en az 2 değişkenle nedensel bağ sorgulanmaktadır. Nedensellik bağı araştırmasında bir “birlikte değişim bağı” değerlendirmesi gerçekleştiriliyorsa ,o zaman , kabaca bir değişkenin düzeyini gerçek olarak belirleyip , bir diğerininkini buna bağlı olarak , bir matematiksel model çerçevesinde kestirmek planlanmaktadır. Böylesi bir değerlendirmede ise kavramsal olarak farklı 2 değişken bulunur : 1- Bağımsız değişken 2- Bağımlı ortam değişken. Bağımsız değişken : Gerçek ölçümsel durumu kullanılacak olan değişkendir. Bağımlı değişken : Bağımsız değişkenin gerçek ölçümsel durumuna göre, bir matematiksel modelleme kullanılarak , durumu , düzeyi tahmin edilecek, kestirilecek olan değişkendir. Bu 1 modellemenin oluşturulması için önce hem bağımlı hem bağımsız değişkenlerin gerçek ölçümsel değerleri üzerinde hesaplama yapılır. Devamında ise elde edilen oluşmuş olan model-matematiksel fonksiyon yardımı ile verilecek yeni öneri bağımsız değişken düzeyi için bağımlı değişkenin düzeyinin ne olabileceği hesaplanır. Ör.: SAB (mmHg) düzeyi ile TotalKolestrol düzeyi (mg/dL) arasında gerçek olgular üzerinden bir birlikte değişim modellemesi oluşturulursa sonradan SAB düzeyi verilecek bir kişinin TotKol. Düzeyini kestirme olanağı olur. Bazı matemetiksel modellemeler ise bağımlı değişkenin ortaya çıkmasında bağımsızın altkümeleri arasındaki göreli “ortaya çıkarma gücünü” kullanırlar ; RR,OR , HR gibi-. Doğal olarak önce bu modellemenin bilimsel varlığının , gücünün de kanıtlanması gerekecektir , tüm kestirimlerin de mutlak doğru olmayacağı bilinecektir. Bu tip bağıntı modellemeleri temel olarak 2 nicelik arasında kurgulanabilir ancak başka tiplemeler de bulunmaktadır. Bağımlı daima tek olmasına karşın bağımsızların sayı ve tipi farklılaşabilir. Burada da sonuç olarak bir bağımlı değişken , düzeyine bakılarak kendisininki kestirilen bir bağımsız değişken çerçevesinde irdelenmektedir yani en az 2 değişkenle birlikte değişim bağı sorgulanmaktadır. ARAŞTIRMA DEĞİŞKEN TİPLEMELERİ (ÇÖZÜMLEYİCİ) BİR ARAŞTIRMADA , “S SONUÇ’UN “ ÖLÇÜTÜ OLAN (veya düzeyi kestirilecek) BİR “DEĞİŞKEN” “NEDEN TİPLERİNİ “ ALTKÜMELER OLARAK KAPSAYAN (veya diğer değişkenin kestirimine temel oluşturacak) BİR DİĞER “DEĞİŞKEN” KIYASSAL ORTAM DEĞİŞKENİ (Bağımsız değişken) K ON U DEĞİŞKEN (Bağımlı değişken) BİVARİAT (ÇİFT DEĞİŞKENLİ) DEĞERLENDİRME Nedensel Bağ Kıyassal Ortam Değişkeni / Konu değişken Birlikte değişim Bağı Bağımsız Değişkeni / Bağımlı Değişken Araştırmada değişken tiplemeleri 2- ORTAM DEĞİŞKENİ SAYISI – ÇOK DEĞİŞKENLİLİK. Gerek nedensel bağ gerekse de birlikte değişim bağı kurgularında araştırma içindeki konumları farklı olsa da ikişer değişkenden söz etmiştik: Nedensel Bağ Kıyassal Ortam Değişkeni / Konu değişken Birlikte değişim Bağı Bağımsız Değişkeni / Bağımlı Değişken Buna göre bir araştırma en az 2 değişkenle irdelenmek durumundadır. Bu tip araştırmalara , değerlendirmelere “Çift Değişkenli (Bivariat) değerlendirme” denecektir – bazen “univariat” terimi de kullanılmaktadır ve sonuç – bağımlı- değişken üzerinde sadece tek bir dışsal değişkenin etkinliğini gösterir ; yani aslında çift değişkenli bir kurgu bulunmaktadır. 2 Çift değişkenli araştırmalarda ya doğal olarak sonucu sadece tek bir değişkenin etkileyebileceği bir ortamda araştırma sürdürülür – çok ender ve zor ! – ya da örneklem kurgulaması yapılandırılması esnasında sonucu etkileyebilecek tüm diğer etkenler ya engellenir veya etkileri “dengelenir”. Dolayısı ile böylesi durumların varlığından emin olmaksızın , önlemler alınmadan doğrudan çift değişkenli değerlendirmeler girişmek tamamen yanlış sonuçlara götürür. Doğal koşullarda çift değişkenlilik nerede ise yok denecek kadar azdır. Buna karşılık araştırmalar kurgulanmak ve değerlendirilmek zorundadır bunu da “birden fazla nedenin bağımlı değişkenin-, tek bir sonuç -bağımlı değişken- üzerindeki etkilerini” çözümleyecek düzenlemeler veya hesaplamalarla yaparlar. Bu tür , belli bir sonuç değişkeni etkileyen birden fazla dış değişkenin bulunmasına “Çok değişkenlilik” denecektir. Bir nedensel bağ değerlendirmesinde tek bir konu değişken ,- başka konu değişkenler varsa ayrı ayrı ele alınır – birden fazla kıyassal ortam değişkeni olması veya bir nedensel bağ değerlendirilmesinde , bir bağımlı değişkeni biçimleyecek birden fazla bağımsız değişken bulunması “çok değişkenliliktir”. Çözümlemeler ,etkileyen değişkenlerin birbirleri üzerindeki rollerini de göz önünde bulundurarak hesaplama yapar böylece her değişkenin gerçek yalın etkisini de saptanır. Bu değerlendirmeye “Çok değişkenli çözümleme : Multivariat analiz” denir. Anlaşılacağı üzere çokdeğişkenli çözümleme ile bir kıyassal ortam değişkeninin alttip sayısının 2’den fazla olması hiçbir şekilde aynı kavram değildir. Çokdeğişkenli değerlendirme Çokdeğişkenli değerlendirme farklı amaçlarla gerçekleştirilebilir ve kendine özgü teknikleri bulunacaktır. 3.- ÇOK DEĞİŞKENLİ DEĞERLENDİRME KAVRAMI Çok değişkenli değerlendirmeye ne zaman gerek vardır? sorusuna yanıt vermek için bir araştırmadaki “sonuç değişkeni” (konu değişken) , araştırılan nedensel etken (kıyassal ortam değişkeni) dışında hangi etkenlerin de etkileyebileceğini sorgulamak gerekir. Aynı soru bağımlı değişkeni tek bir bağımsız değişken mi kestirebilir ? sorusunun yanıtı da olacaktır. 3 Gerçekten de hiçbir “durum” aslında tek nedenle biçimlenmemekte ve sonuç düzeyin oluşmasına çok sayıda başka etken karışarak düzeyi farklılaştırabilmektedir. Bunları özelliklerine göre belli bir dizge içinde sıralarsak : 1- “Karıştırıcı” (confounding) etkenler Bir araştırmada , sorgulanan etkenle birlikte mutlaka bulunan ( yaş , cins, vs) veya bulunabilen , sonuca kendi özel etkisi de bulunduğu düşünülebilen etken tipidir. 2- İkincil nedensel etkenler Bir araştırmada konu edinilen sonucu etkilediği bilinen , düşünülen ana kıyassal ortam değişkeni dışındaki diğer etkenlerdir. Her araştırmada , konu değişkenin , farklı ikincil etkenler tarafından düzeyi değişebilir. Örneğin bir akciğer kanseri (NSCLC) araştırmasında araştırma sonucu olan sağkalımı ; yaş “karıştırıcı” etkeni dışında , tümör yeri , çapı , tedavi tipi , vs gibi pek çok ikincil etken de farklılaştırabilmektedir. Bir araştırmada bu etkenlerin etkisi ortadan kaldırılarak – matematiksel olarak etkinlikleri dengelenerek- esas konu edinilen ortam değişkenin (neden) gerçek özelliği , etkinlik gücü, ortaya konmaya çalışılır . Bu yaklaşım bir “düzeltme” (adjustment) amacı taşımaktadır. 3- Ek ortam değişkenler Bazı araştırmalarda belli bir sonuca , birden çok , etkisi olabileceğinden şüphelenilen – sorgulanması planlanan ortamsal değişken bulunur. Bunların birçoğu bir arada sorgulanıp hangilerinin gerçekten (anlamlı olarak) sonucu etkilediğinin sorgulanması amaçlanabilir. Böylesine zaten birden fazla nedensel etkenin belli bir sonuç üzerindeki rolünün irdelendiği araştırmalarda çokdeğişkenli değerlendirme “sorgulama” amacı ile yapılır. 3- “Bias ‘ lar (sistematik hatalar) Gerek karıştırıcı etkenler gerekse de ikincil etkenler bilinen , önlenmeye veya özellikle eklenmeye çalışılan dışsal etkenlerdir. Buna karşılık bilincinde olmadan , istemeden yapılan , sistemli yaklaşım hataları nedeni ile araştırmanın tüm sonuçları – veya özel bir kümeninkiler – düzeyleri bozulacak şekilde etkilenebilirler . Bu tür hatalara “bias” denmektedir ve araştırma yöntembilimi çerçevesinde sonuçların , olması gereken “gerçekten” , sistematik olarak farklılaşmasına neden olabilecek, onlarca tip işlem veya etkiden ; biastan söz edilebilmektedir. Bunların çalışmanın herhangi bir aşamasında ve tüm çalışmalarda bulunması doğaldır .Hangi tip dış etken ürettikleri veya hangi koşulu özellikle bozdukları listelenemeyeceğinden , kavramın olabildiğince farkında olunup bias engelleyici yöntembilimsel önlemlerle azaltımlarına gidilir. Özetleyecek olursak bir araştırma kaçınılmaz olarak çok fazla etkenin etkisi altındadır; bunlara karşı yaklaşımlar temel olarak iki başlık altında toplanabilir ; 1) Gidermek-düzeltmek amaçlı yaklaşımlar 2) Sorgulama amaçlı yaklaşımlar Doğal olarak bazı araştırmalarda değerlendirmede hem “düzeltilecek” değişkenler hem de sonuca etkisi gerçekten sorgulanan değişkenler bulunabilir. Araştırmanın amacına göre çokdeğişkenli değerlendirmenin yukarıda belirtilenlerden başka daha ikincil amaçları da olabilir : a) Sonuç (bağımsız) değişkeni kestirmek açısından, optimum yani en az sayıda değişkenle en yüksek doğrulukta kestirimi yapabilecek yaklaşımın araştırılması . b) Sonuç değişkene etkisi sorgulanan olası nedensel değişkenlerin kendi aralarındaki bağıntılarını , güçlerini , araetkileşimlerini belirlemeye çalışmak. 4 Bu iki yaklaşım klinik açıdan öncül bilgiye değerlendirmeye sürecinde daha fazla gereksinim gösterirler. Yaklaşım ne olursa olsun araştırıcı , çalışmanın planlama aşamasında , öngördüğü anadeğişkenler dışında , konu (veya bağımsız) değişkeni etkilediğini veya etkileyebileceğini düşündüğü ya da etkileyip etkilemediğini değerlendirmeyi amaçladığı diğer ikincil etkenlerin bilincinde olmalıdır. Normal koşullarda , örnekleme yapılandırma aşamasında özel önlemler alınmadı ise veya geniş örneklemli rassallanmış (randomize) bir klinik araştırma yürütülmüyorsa doğrudan çift değişkenli çözümleme ile işlemlere girişmek son derece güvensiz sonuçlar üretebilir. Şimdi ana iki yaklaşımı biraz daha ayrıntısı ile ele alalım. 2.1.- GİDERMEK-DÜZELTMEK-DENGELEMEK AMAÇLI YAKLAŞIMLAR Belli bir değişken dışında , sonucu etkileyebilecek diğer etkenleri kontrol altında tutmak yani kıyassal kümeleri sonucu etkileyebilecek ana neden özellik dışındaki değişkenler açısından eşdüzeyli oluşturabilmek için yapılır. Farklı aşamalarda ve koşullarda üç düzenleme gerçekleştirilebilir: - Veri eldesi aşamasına dek alınabilecek önlemler (Örnekleme aşaması) - Araştırma tasarımı aşamasında önlemler (Tasarım yaklaşımı) - Veri değerlendirilmesi aşamasında yaklaşımlar (Çok değişkenli çözümleme) Veri eldesi aşamasına dek alınabilecek önlemler (Örnekleme aşaması) Sonucu etkileyebilecek ikincil özellikler dengesiz gelmesinler diye önlem alınmaktadır. Bunlar verilerin matematiksel olarak değerlendirilmesi aşamasına dek alınabilecek önlemlerdir. Örnekleme aşamasında gerçekleştirilebilirler. Kısaca şu önlemlerden söz edilebilir : Randomizasyon : Yüksek sayıda örneklem ve az sayıda ikincil etken varlığında , tamamen rastlantılara bırakılan örneklem elde akışının ikincil etkenler açısından dengeli kümeler oluşturacağı kuramsal olarak düşünülür ,Bu rastlantısal elde akışı belli dizgelerle ve “gizli” sağlanmalıdır. Katmanlama (stratifikasyon): Daha kısıtlı sayıda örneklem ve en azından bilinen temel birkaç “karıştırıcı etkenin ( ör.: yaş , cinsiyet) dengesinin garantilenmesi açısından belli özelliklerin dengeli dağılımı, özgün seçimlerle- kısıtlamalarla , belli özelliklere “kota” ayrılması ile sağlanır. Eşleme (matching) : Kıyassal ortam değişken dışında , kıyas kümelerindeki olguların , diğer ikincil etkenler açısından aynı – eşdeğer– olmasının özellikle sağlanmasıdır. Kısıtlı sayıda örneklemle çalışma zorunluluğu söz konusu olduğunda , olgu-denetim çalışmaları çerçevesinde önerilebilir. Örneğin her “olgu” için ikincil özellikleri açısından olgununkine benzer değerler taşıyan eş-denetimler alınır. Minimizasyon : Kıyassal kümelerin ikincil etkenler açısından dağılımının olabildiğince benzeş gelmesini , araştırmaya katılan her yeni olgunun bu dengeyi en az kümesel farkla oluşturacak biçimde yerleştirilmesi ile sağlamak için gerçekleştirilen bir yaklaşımdır. Körleme (Blinding) : Araştırıcı , değerlendirici ve olgulara ilişkin bazı biasları engellemek için yapılan , uygulayıcıların veya olguların uygulanan yaklaşımın tipinden haberdar olmamalarının sağlanması işlemidir.Örneğin hastaların veya hekimin hangi tip tedaviyi 5 gördüklerini – uyguladıklarını –bilmeksizin verileri oluşturmaları , sonuçları saptamaları , ölçmeleri gibi. Bir, iki veya çoklu “kör” uygulaması araştırmanın koşullarına göre yapılabilmektedir. Hastaya plasebo kullanılması da bu tür bir yaklaşım olarak düşünülebilir. Araştırma tasarımı aşamasında önlemler (Tasarım yaklaşımı) İkincil etkenlerin ortadan kaldırılması için uygulanabilecek bir önlem de tasarım tipinde yatar. “Dönüşümlü” (cross-over) araştırma tasarımı , uygulanabildiği araştırma koşullarında dengelemeyi sağlayabilir. Dönüşümlü araştırma ancak özel koşullarda (biyoekivalans araştırmaları gibi) , oldukça kısıtlı örneklemlerle ve özellikli biyoistatistiksel değerlendirmeler yapılarak gerçekleştirilebilir. Süresinin , normal araştırmadan çok daha uzun olacağı , iki deneyleme süresi arasındaki yıkama (wash-out) döneminin yetersizliğinin tüm sonuçları zedeleyeceği unutulmamalıdır. Veri değerlendirilmesi aşamasında yaklaşımlar (Çokdeğişkenli çözümleme) İkincil etkenler varsa değerlendirme aşamasında etkilerini ortadan kaldırmak : Gerekli denetimler, kıyaslamalar yapılıp da kıyassal ortam kümeleri arasında ikincil etkenler açısından dengesizlik oluştuğu saptanırsa - veya oluşabileceğinden kaygımız varsa- bu “değiştirici” etkiyi ortadan kaldırmak için, söz konusu ikincil etken(ler) de çözümlemeye katılarak; ”çokdeğişkenli” tekniklerin kullanılması ile işlem yapılır. Örnekleme aşamasında katmanlama yapıldı ise bu değişkenler de değerlendirmeye alınmalıdır çünkü dengeli gelmiş olsalar bile ek etkilerinin dışındaki , sorgulanan değişkenin yalın rolü bu sayede belli olabilir. “Çok değişkenli (multivariat) değerlendirme teknikleri” ikincil değişkenlerin karıştırıcı etkilerinin hesaplamalar sürecinde ortadan kaldırılmasını sağlar. Araştırmanın amacı ve koşullarına göre pek çok farklı teknik bulunmaktadır. 2.2.- SORGULAMA AMAÇLI YAKLAŞIMLAR Sonucu etkileyebileceği düşünülen, birden fazla nedensel etkenin bu konu-sonucu oluşturma özellikleri aynı anda ve birbirlerinin üzerindeki etkileri de dengelenerek değerlendirilebilir. Bu tür yaklaşımda, ek ortam değişkenler zaten, araştırmanın, tasarlanmış ve sorgulanan temel parçalarıdır, örnekleme veya tasarımda alınan önlemlerle ortadan kaldırılmaya çalışılmazlar. Çokdeğişkenli değerlendirmeye sorgulanan – şüpheli – etkenlerin dışında bilinen ikincil etkenler de – etkilerinin düzeltilmesi amacı ile - alınabilir. Doğal olarak herhangi bir araştırmada akla pek çok sorgulanabilecek ikincil etken gelir. Ancak bunların sayısının çokluğu her şeyden önce örneklemin sayıca çok artmasını gerektirecektir. Bu nedenle çokdeğişkenli çözümleme yapılması öngörülen araştırmaların örneklem hesabı özel olarak kurgulanmalıdır. Aynı şekilde akla gelen her değişkenin çözümleme hesabına katılması değerlendirmelerde de sorun üretebilir. Bir “olası etkenler” listesinden, çokdeğişkenli çözümlemeye katılacak etkenlerin belirlenmesi için kabaca şu ilkeler düşünülmelidir : Sonucu etkilemesi “mantıklı” ( bivariate-çiftdeğişkenli yargılamada anlamlı veya en azından p<0.10) nedensel etkenler çokdeğişkenli çözümlemeye alınır. Tüm 6 düşünülen değişkenleri çözümlemeye katan veya p<0.25 sınırını kullanan yaklaşımlar da bulunmaktadır. “Olası” nedensel etkenlerin tümünün de sonuç üzerinde , “gerçek-anlamlı” etkisinin bulunması beklenmez, İrdeleme , “etkenler arası” etkileşimi de (interaction) dengeleyerek işlev görür. “Bağımsız” değişkenlerin – ortam değişkenleri –kendi aralarında olabildiğince “uyumsuz” olmaları uygundur. Böylece sonuç üzerindeki etki bağımsızlıkları da net olarak irdelenebilir. İstenirse bazı nedensel değişkenlerin araetkileşimleri özel, yeni sanal değişkenler olarak kurgulanıp çözümlemeye katılabilir. Çiftdeğişkenli yargılamadaki anlamlılıkları, çokdeğişkenli çözümlemede değişen değişkenlerin yorumlamasında özellikle klinik özellikler ve diğer değişkenlerle olası etkileşimleri göz önünde bulundurulmalıdır. Bu çerçevede uygulanacak çokdeğişkenli tekniklerin düzeltme amaçlı tekniklerden temelde bir farkı bulunmaz sadece araştırmanın amacının farklılığı doğrultusunda yorum-yargı farkları olacaktır. 4.- TEMEL ÇOKDEĞİŞKENLİ DEĞERLENDİRME TEKNİKLERİ Çift değişkenli yargılamalar uygulanırken kıyassal ortam değişkeni dışında, sonuç konu değişkeni etkileyen başka ikincil etken bulunmaması, daha doğrusu böylesi ikincil etkenlerin kıyas kümelerinde dengeli dağılmış olması mutlak gereklidir. Örneğin 2 farklı ilacın (ortam değişkeni: tedavi tipi) 2 senelik sağkalım oranına (konu değişken) etkileri kıyaslanacaksa ilaç deney kümelerinin sağkalımı etkileyebilecek tüm diğer değişkenler açısından (Ör.: Yaş, cinsiyet, tümör çapı, evre, vs.) benzeş olmaları gerekir. Aksi halde bunlar göz önünde bulundurulmadan gerçekleştirilen çift değişkenli (tedavi tipi/sağkalım) bir yargılamada anlamlı bir fark bulunsa bile bunun doğrudan ilaç farkına bağlılığı ayrımlanamaz. Fark bulunmaması da yine ikincil etkenlerin dengesiz dağılım nedeni ile gerçek bir farkı örtülemelerine bağlı olabilir. Daha önce vurgulandığı gibi böylesi ikincil etkenlerin farklılaştırıcı etkisini örneklem yapılandırması ve eldesinde olabildiğince dengelemek olanağı bulunur. Bu sağlanmadı veya planlanmadı ise yargılama çok değişkenli (multivariate) olarak gerçekleştirilmelidir. İkincil etkenlerin hiçbir aşamada (planlama, örnekleme, değerlendirme) göz önünde bulundurulmadığı ve hemen çift değişkenli yargılamalara geçilen araştırma sonuçları tamamen güvensizdir. Günümüzde pek çok biyoistatistiksel çözümleme yazılımı bulunmakta ve araştırmacılar tarafından kullanılmaktadır. Bunlardan bir kısmı genel amaçlıdır ve araştırmalara konu olabilecek tüm alanlar için gerekli çözümlemeleri içerirler – SAS , SPSS , NCSS , STATA , vs – hatta özel durumlar için kullanıcının kendi rutinlerin yazabilmesine de olanak veren çeşitleri vardır. Bazı yazılımlar ise sadece özel konulara yönelik olarak hazırlanmışlardır. Yazılımın çeşidi ve markası ne olursa olsun kullanımın doğru ve sonuçların güvenilir olabilmesi için araştırmacının ne istediğini bilmesi ve konu ile ilgili temel istatistiksel kavramlardan haberdar olması gerekir. Yazılımların bazıları çıktılarında araştırıcıya sonuçları doğru yargılaması hatta doğru çözümlemeyi seçmesi yönünde ipuçları 7 verirler ancak yine de araştırmacının istediğini yapmak durumundadırlar dolayısı ile doğru koşullara göre en uygun çözüm tekniğinin hangisi olduğunu bilmek araştırıcıya kalmaktadır. Araştırmanın koşullarına göre hangi istatistiksel yargılama tekniğinin kullanılması gerektiğini çalışmanın koşulları belirler ve bu koşullara uyan tek bir doğru çözümsel teknik bulunur.Kullanılabilecek istatistiksel teknikler hakkında bilgi sahibi olunması ,gereğinde örneklem ve tasarımın da eldeki olanaklara göre biçimlendirilebilmesini çok karmaşık konumlarla yetersiz-dolaylı çözümlere gitmek zorunluluğunu ortadan kaldırır. Araştırmanın varsayımı ve tasarımı oluşturulurken irdelenecek değişken sayısı da belirlenmiş ve süreç buna göre işletilmiş olmalıdır ancak koşullar bu yönde gerçekleşmeyebilir , örneğin “normal” dağılacağı beklenen bir veri dizisi “çarpık” bulunabilir veya denetim altına alınamamış bir ikincil etkenin varlığı saptanabilir. Dolayısı ile araştırma protokolünde öngörülmüş olan istatistik tekniklerde değişiklik olmasına sık rastlanabilir. Sonuçta yine de araştırmanın, varsayımın, verilerin koşullarına uygun tek çözümleme tekniği olması gerektiği unutulmamalıdır. Veri değerlendirmesine girmeden önce araştırıcı şu soruları yeniden sormalıdır : “1) Sadece tek bir değişkenin sadece tek bir başka değişkenle olan nedensellik bağıntısını mı irdeliyorum (çiftdeğişkenlilik) yoksa çalışmam zaten bir sonuçsal değişkenin çok sayıda nedensel değişkenden etkilenmesinin düzenini (çokdeğişkenlilik) mi sorguluyor ?” Yanıt çift değişkenli araştırma yönünde geliyorsa şu soru ile denetim gerçekleştirilmelidir : “2) İlgilendiğim sonuçsal konuyu öngördüğüm etken dışında etkileyebilecek tüm diğer değişkenleri denetim altında tutabildim mi ?” Bu soruya olumlu yanıt ,yöntembilimsel olarak gerekli önlemler uygulandı ise (örneğin randomizasyon , katmanlama , vs) ve ikincil etkenlerin dengeli dağıldığına ilişkin kanıt sağlanabiliyorsa (örneğin kıyas kümelerinin tedavi öncesi özelliklerinin eşdeğer olduğunun kanıtlanması) verilmiş olacaktır. İlk sorunun yanıtı zaten çiftdeğişkenlilik yönünde değilse veya ikinci sorunun yanıtında kuşkular varsa sorgulanan ve denetimsiz değişkenler araştırmaya katılmak böylece çokdeğişkenli çözümlemeye gidilmek durumundadır. Çokdeğişkenli çözümlemenin “dengeleme” veya “sorgulama” amaçlı yapılabileceğinden söz edilmişti yukarıdaki soruların yanıtları da eğer çokdeğişkenli çözümleme yapılacaksa bunun ne amaçla gerçekleştirileceğine ışık tutar . Dengeleme veya sorgulama amaçlı yapılan çokdeğişkenli çözümlemeler hem değerlendirilmeye katılacak değişkenlerin seçimi hem de yorumlama aşamalarında farklı yaklaşımlar gösterilmesini getirecektir. Dengeleme amacı ile öngörülen etkenler çokdeğişkenli çözümlemede mutlaka yer almalıdır buna karşılık sorgulama amaçlı çözümlemelerde etkisi irdelenen değişkenlerin denkleme katılıp katılmaması için önkabuller ve öncül ek değerlendirmeler gerekecektir. Çeşitli koşullarda , çeşitli sayıda ve tipte değişkenler için gerçekleştirilebilecek oldukça fazla sayıda çokdeğişkenli değerlendirme tekniği bulunmaktadır . Burada sadece tıp alanında en sık kullanılanlarına kavramsal olarak değinilecektir. 4.1. – NİCEL ÇOKLU REGRESYON Sürekli özellikte bir nicel değişken (Bağımlı değişken) düzeyini , birden fazla nicel özelliğin (bağımsız değişkenler) ölçümüne matematiksel bir modelle bağıntılandırmak için kullanılır. Bağımsız değişkenler skor , puan olabilir (geniş seçenek aralıklı) veya dikotomik 8 (çift seçenekli : Erkek/kadın gibi) bir nitelik de olabilir. Tekniğin kısa özeti şu şekilde biçimlendirilebilir: Bağımlı Değişken : Nicelik Bağımsız değişken(ler) : Nicelik ve/ veya İkicil (dikotom : 0/1) nitelikler Denkleme katılacak değişkenlerin anlamlılıkları yani sonucu gerçek etkileme düzeyleri de belirlenir .Bağımsız değişkenlerin sayısı ve seçimi araştırıcıya kalmakla birlikte bu sayının artmasının örneklemin de artmasına gereksinim gösterdiği unutulmamalıdır. Teknik doğrusal model kestiriminin çözümlemesini yapar dolayısı ile bağıntının eğrisel olduğu durumlarda sonuçlar yanıltıcı olabilir ; bağımsız değişkenlerin bağımlı ile teker teker doğrusal bağıntı açısından da irdelenmesi yararlı olur. Öngörülen bağımsız değişkenlerin tümünün birden denkleme katılması ile bunların kendi araetkileşimleri de dengelenerek bağımlı değişken üzerindeki gerçek rolleri saptanabilir. Buna karşılık çözümleme en az sayıda bağımlı değişkenin kullanımı ile en yüksek kestirim gücüne sahip denklemi modellemek için yapılıyorsa “adımsal : stepwise” yaklaşımlara gidilmelidir. Bu konuda daha ayrıntılı açıklama ileride yapılmaktadır. Ör.: Sistolik kan basıncının kestirimi için yaş , cinsiyet , total kolestrol, ailede HT varlığı ,BMI, ortalama kalp hızı değerlerinin kullanılarak matematiksel model kurgulanması 4.2. – ÇOK YÖNLÜ VARYANS ÇÖZÜMLEMESİ (Two-way ANOVA) Varyans çözümlemesi 2 den fazla altkümesi (yani kıyassal ortam durumu) bulunan bir kategorik nedensel değişkenin, nicel bir sonuç (konu) değişken açısından irdelemesini gerçekleştirmektedir. Eğer konu değişkeni etkileyen birden fazla nedensel nitelik öngörülüyorsa değerlendirme çok yönlü varyans çözümlemesi ile yapılır. Tekniğin kısa özeti şu şekilde biçimlendirilebilir: Konu Değişken : Nicelik Ortam Değişken(ler) : Nitelik (Kategorik değişkenler) Tek yönlü ANOVA’nın uygulanabilmesi için gerekli koşullar (küme varyanslarının eşdeğer olması , örneklem sayılarının yakoın olması , kümelerin bağımsız olması) burada da geçerlidir. Çok yönlü varyans çözümlemesinin en yararlı tarafı bağımlı değişkenlerin (kıyassal ortam) bağımsız (konu:sonuç) değişken üzerindeki etkilerini ayrı ayrı değerlendirmesinin yanı sıra bu nedensel etkenlerin bileşimli (kombine) etkilerini de değerlendirmesidir.Böylece tekil etkilerin araetkileşimlerle güçlenme/zayıflama özellikleri de sorgulanabilmektedir. Gerekli örneklem sayısı için kullanılan belirli hesaplama yaklaşımları bulunmamaktadır ancak bağımsız değişken sayısından daha fazla örneğin her bağımsız değişkenler kesişim gözünde bulunabilmesi sağlıklı sonuçlar için düşünülmelidir. Ör.:Cinsiyet (2 seçenek) ) , Eğitim tipi (4 seçenek) , Tedavi tipi (3 seçenek) 2 X 4 X 3 = 24 altseçenek ve her birinde en az 3 er (3 bağımsız nedensel nitelik) olgu olmak üzere çalışma en az 72 olgu ile gerçekleştirilmelidir. Bu yöndeki gereksinimin çok daha yüksek tutulması gerektiğine ilişkin görüşler de ağırlıklıdır. Ör.: MD olgularında başlangıç MADRS skorunun cinsiyet , ailede depresyon varlığı ve 10’lı yaş aralıkları nitelikleri çerçevesinde değerlendirilmesi. 9 4.3. – KOVARYANS ÇÖZÜMLEMESİ (ANCOVA) Bir nicel özellik , kıyassal ortam olarak nitel altkümeler çerçevesinde değerlendirilirken, bir (veya daha fazla) ikincil nicel özelliğin sonuç üzerine etkilerini gidermek amacı ile gerçekleştirilir . Tekniğin kısa özeti şu şekilde biçimlendirilebilir: Konu Değişken : Nicelik Ortam Değişken(ler) : Nitelik (Kategorik değişkenler) İkincil veya karıştırıcı değişken(ler) : Nicelik Kovaryans çözümlemesinin yararlı tarafı bir nicel konu değişkenin kıyassal ortam değişken(ler) çerçevesinde değerlendirilmesini yaparken nicel bir özelliğin etkisinden de arındırılmasıdır.Bu çerçevede nicel bir sonucu bazı nedensel niteliklerin etkisi açısından irdelerken , sonucu etkileyen yaş , BKİ ,vs gibi nicelikleri dengelemek açısından önem taşır. Bu tip ikincil etken nicelikler “kovaryat : covariate” olarak adlandırılırlar. Kullanımı sadece dengeleme ile kısıtlı olmayıp doğrudan doğruya ek nicel değişkenlerin sorgulaması için de kullanılır. Ör.MI hastaları ile sağlıklı olguların HDL düzeylerinin cinsiyet niteliği de göz önünde bulundurularak ayrıca yaş ve total kolestrol düzeyi açısından da düzeltme yapılarak değerlendirilmesi. 4.4. – ÇOK KONU DEĞİŞKENLİ VARYANS ÇÖZÜMLEMESİ (MANOVA) Çok değişkenli varyans çözümlemesi (MANOVA) genelde 2 veya daha fazla bağımsız değişkenin (kıyassal ortam değişkeninin) 2 veya daha fazla konu değişken (bağımlı değişken) üzerindeki etkilerini değerlendirir. Bağımlı değişkenler sürekli verilerden (nicelik) oluşurken , bağımsız değişken(ler) nitel özelliktedir. İki veya daha fazla bağımlı değişkenin aynı anda çözümlenmesinin I.Tip hatayı azalttığı öngörülür. Bağımlı değişkenler üzerinde tek bir nedensel (bağımsız) niteliğin etkisi sorgulanıyorsa “tek yönlü MANOVA” , bağımsız etken sayısı 2 veya daha fazla ise “çok yönlü MANOVA” söz konusudur. Tıpta , kardiyoloji , nöroloji , onkoloji , psikiatri ve endokrinoloji gibi tek kerede birbirleri ile ilgili olabilecek çok sayıda konu değişkenin irdelendiği araştırmalarda sıklıkla yer alır. Örneğin aynı olguların ,oturarak ve yatarak , cıvalı ve elektronik gereçlerle , sistolik ve diastolik kan basınçlarının ölçümlerinin değerlendirilmesi için MANOVA uygun tekniktir. Bu teknik için çok yönlü varyans çözümlemesinden daha fazla örneklemle çalışılması gerekmektedir ,küme varyanslarının homojenliği , dağılımların normale uygunluğu da ek koşullardır. Tekniğin kısa özeti şu şekilde biçimlendirilebilir: Konu Değişkenler : Nicelik Ortam Değişken(ler) : Nitelik (Kategorik değişkenler) Konu değişkenler gereğinde aynı niceliğin eşlendirilmiş konumdaki durumları da olabilir , bu koşulda “tekrarlı ölçümler MANOVA” tekniği kullanılır. 4.5. – LOJİSTİK REGRESYON Lojistik regresyon tıp araştırmalarında hem olanakları hem de kullanım esnekliği nedeni ile çok sık kullanılan bir değerlendirme tekniğidir. Özellikle çift değişkenli 10 değerlendirmelerle nedensellik kanıtlansa da , “oluşturma” gücüne ilişkin bilgi “nesnel” olarak yeterince tanımlı ve yoruma yatkın olmayabilir. Aynı şekilde birlikte değişim modellemesi nedenselliği kanıtlamaya yardımcı olsa da, kestirimler güvenli olmayabilir, model “ölçütleri” , “oluşturma” gücüne ilişkin bilgiyi “nesnel” olarak yeterince tanımlı ve yoruma yatkın biçimde sunamayabilirler. Lojistik regresyon çözümlemesi, özellikleri çerçevesinde hem kıyassal yargılamanın özelliklerini taşır hem de birlikte değişim bağı çözümlemelerinde erişilecek sonuçlara benzer bilgiler üretir böylece yargı bilgisi açısından daha verimli sonuçlara erişilir. Teknik, belli bir sonuç durumun varlığını (kıyassal konum), nedensel değişkenlerin uyumlu düzey farklılaşmasına (birlikte değişim) bağlayarak ortaya koyma eğilimindedir ve özgün bir çözüm yaklaşımı ile, sonucun ortaya çıkışını “olasılık” olarak, nedenin “gücünü” ; sonucu oluşturmada , “neden” seçeneklerinin birbirlerinin “katı” hesabı olarak, sunmak biçimindedir. Lojistik regresyon , "göreli değerlendirmeyi" temel alır ;burada kısaca özetlersek : bir toplulukta , belli bir özelliği gösterenlerin oranının (o özelliğin olasılığının) , bu özelliği “göstermeyenlere” oranı , ( özelliği göstermeme olasılığına) , bu özelliğin gözlenmesi açısından kesir olarak özgün bir "göreli değeri" (odds ratio) oluşturur . "Odds oranı" nitel veya nicel , sürekli veya süreksiz değişkenlerde oluşturulabilmektedir. Sonucun ikicil (dikotom : ikili) bir nitelik olduğu konumlarda çeşitli seçenek durumlarda karşılaşılan bağıntılandırılabilir ve bu süreçle her tür olası nesnel değişken yargılanabilir. Tek bir nedensel değişken için lojistik regresyon uygulaması yapmak, değişken sürekli ise bir "student's t" , kesikli ise "ki-kare" testi ile çiftdeğişkenli değerlendirme yaparak erişilecek sonuçlara eşdeğer sonuç verir. Buna karşılık lojistik regresyon çözümlemesindeki ana amaç birden fazla farklı değişkenin belli bir sonucun ortaya çıkmasındaki rollerini geçerlilik ve güçleri ile ortaya koyabilmektir. Sonuç olarak çokdeğişkenli lojistik regresyon : Bağımlı değişkenin; “Ortaya çıkma olasılığı” olduğu ( 0-1) , bağımsız değişken(ler) in ise nicel veya nitel özellikte olabildiği , birden fazla bağımsız değişkenin aynı anda , sonucun oluşmasına katkılarını, araetkileşimlerden de arındırılarak saptanabilen çözümleme yöntemidir. Bu yapısı ile ile hem çeşitli bağımsız değişken özelliklerine göre belli bir sonucun ortaya çıkma olasılığını kestirebilir , hem bağımsız değişken alt seçenekleri arasında “katlanmayı” saptayabilir ,hem de her bağımsız değişkenin sonuca gerçek katkısı olup olmadığını denetleyebilir. Tekniğin kısa özeti şu şekilde biçimlendirilebilir: Bağımlı Değişken : İkicil Niteliğin ortaya çıkma olasılığı Bağımsız Değişken(ler) : Nitelik(ler) (Kategorik veya ikicil), Nicelikler , Bir lojistik regresyon modeli "-2 log likelihood" fonksiyonunun yeterli bulunması ve modelin uyumu açısından ki-kare sonucunun anlamlılık vermesi ile geçerlilik kazanmış sayılabilir. Bu koşullar olmaksızın elde edilen sonuçlar kullanılmamalıdır. Bu çerçevede çözümleme modele konmuş olan tüm değişkenlerin istatistiksel geçerliliklerinin (p) ve sonucu oluşturmadaki güçlerinin birer "OR" değeri olarak (expB) sunulması ile ortaya çıkar : 11 Göreli değerlendirmeden anlaşılacağı gibi her nitel değişken için bir "alttip" durum referans ölçüt olarak alınıp ,diğer durumların, sonucu ortaya çıkma olasılığının , bu referansa göre "ne düzeyde" değiştirdikleri ortaya konur. Örnek çıktıda , "cins" değişkeninin yargılanan seçeneğinin -ör.:Kadın -, sonucu , referans seçeneğe göre -ör.:Erkek- , anlamlı olarak (p=0.0031) , 0.1551 kat arttırdığını yani yaklaşık 6.5 kat azalttığını) gözlemliyoruz.. Bir olgunun ,“bağımsız değişken” gerçek değerleri modelde biçimlenmiş olan denkleme işlendiğinde , bu olgunun bağımlı özelliği gösterme olasılığı saptanır. Bu olasılık % 50 den büyükse – veya klinikçinin kendi öngördüğü sınırdan büyükse – olgu, “bağımsız değişkeni” taşıyor kabul edilir. Doğal olarak olgunun gerçek özelliği ile (gözlenen : denklem oluşturulurken kullanılan gerçek nitelik) , denklemle saptanan özelliği (beklenen) çakışmak zorunda değildir. Olgular toplamında , bu “uyum oranı” ne kadar yüksek ise, çözümlemenin sonuçları o kadar güvenilirdir. Lojistik regresyon çözümlemeleri sonunda böylesi bir özetleme 4 gözlü bir tablo ile verilir. Oluşturulacak lojistik regresyon denklemine , araştırmada nedensel değişken listesinde bulunan tüm değişkenlerin katılması söz konusu değildir – örneklem hacminin çok genişlemesi gerekir, ayrıca bağımsız değişkenlerin gerçek özelliklerinde bozunum oluşabilir – . Lojistik değerlendirme ile çiftdeğişkenli yargılamada anlamlı bulunan değişkenlerin bir kısmı “anlamını” yitirirken – dolaylı etken oldukları anlaşılır- bazısının ise daha “anlamlı” duruma geldikleri – etkisi kamufle edilmiş olanlar - gözlenebilir. Denkleme alınan değişkenler sürekli ise "her bir birim artışın" sonucu gösterme olasılığını kaç kat arttırdığı göreli değerden belirlenmektedir. Kesikli değişkenlerde ise araştırıcının isteğine göre belli bir altnitelik referans küme olarak alınıp diğer kümelerin buna göre göreli değerleri saptanabilir -genelde önerilen ve kullanılan yaklaşım budur-. Bazen olgular genel ortalama sonucuna göre her bir altniteliğin göreli değerini hesaplama yoluna da gidilebilmektedir. Tüm istatistiksel çözümleme yazılımlarında lojistik regresyon değerlendirmesi bulunmaktadır. Uygulama yapmadan evvel o yazılıma özgü kullanıma ilişkin bilgi edinilmesi sonuçların yanlış yorumlanmaması açısından çok önem taşır. Yazılımlar OR değerlerinin – exp(b) - % 95 güven aralıklarını da üretirler. Ör.:Bipolar olgularda , ağır adversetki varlığına , cinsiyet , yaş , yeni ataktipi , hastalığın süresi , geçirilmiş ataksayısı değişkenlerinin etkilerinin irdelenmesi 4.6. – COX REGRESYON (Cox Proportional Hazards Model) “Sağkalım çözümlemesi” zamanın bir fonksiyonu olarak “ölmek” -veya “sağkalmak” veya zaman içinde ortaya çıkan herhangi bir ikicil (dikotom) nitelik- olasılıklarınının, araştırmanın teknik olarak başlangıcı sayılan bir andan başlayarak nasıl farklılaştığını değerlendirmektedir. Başlangıç kuramsal olarak herkes “sağ” iken zamanla, birikimli olarak bu oran düşer ve araştırma bitiminde “0” a bile erişmiş olabilir. Konuya sadece zaman/sağkalım açısından bakıldığında sürecin kendine özgü bir düzeni, eğimi olduğu gözlenir ve bu düzene ilişkin temel değerlendirme Kaplan-Meier tekniği ile irdelenir. Ancak sonucu etkileyen diğer etkenler de göz önünde bulundurulduğunda bunların temel düzenin 12 dışına çıkabilen farklılaşmalar oluşturabildiği fark edilir. Sadece tek bir ek etken varsa (örneğin cinsiyet) bunun çözümlemesi yani altnitelikleri arası sağkalım kıyaslaması log-rank testi ile yapılabilir. Ancak çok sayıda ikincil etken bulunuyorsa ve bunların 2 den de çok olabilen alt niteliklerinin farklı yönlerde etkisi düşünülüyorsa başka teknikler gerekir. Örneğin belli bir ilacı kullanmak sağkalım oranının daha yavaş düşmesini getirirken, tümör boyutunun büyük olması sağkalımı hızla düşürebilir. Böylesi etkenlere “predictor : öngörücü , kovaryat “ etken adı verilir. Bunlardan bazısının oluşturduğu farklılaşım, temel düzene göre istatistiksel anlamlı fark oluşturamayacak kadar küçük olabilir. Bazıları çok daha güçlü etkileri olumlu veya olumsuz yönlerde gösterebilirler. Etkenler sürekli veya kesikli değişkenler olabilir. Cox regresyon çözümlemesi belli bir etkene bağlı bu tür farklılaşmaların sağkalım izleme süreci boyunca belli bir “oranda” sürdüğü önkabulü ile tasarlanmıştır. Bunları yorumlamak açısından en verimli yaklaşım yine göreli değerleri kullanmak olacaktır . Örneğin “A” tedavi tipini kullanalar , “B” tipine göre 2.5 kat daha fazla ölmektedirler - Bu bağlamda ,aslında bir “odds ratio” olarak yapılanan göreli değer “Hazard ratio : (HR) Olumsuzluk , kötüşans katsayısı” olarak da adlandırılabilmektedir. Sonuç olarak “Cox orantılı olumsuzluklar regresyon çözümlemesi” , kabaca, zaman etkeninin de bulunduğu ve bir ikicil niteliği belirlediği, bir lojistik regresyon çözümlemesi olarak düşünülebilir. Tekniğin kısa özeti şu şekilde biçimlendirilebilir: Bağımlı Değişken : İkicil Niteliğin ortaya çıkma olasılığı Bağımsız Değişken(ler) : Nitelik(ler) (Kategorik veya ikicil), Nicelikler + Zaman Ör.:Bipolar olgularda yaş , cinsiyet , bipolar tanıtipi , komorbid hastalık sayısı , daha önceki atakların sayısı değişkenlerinin , ataksonrası iyileşmeden sonra geçen süre de göz önünde bulundurularak , relaps üzerine etkileri. 4.7. – TEKRARLI ÖLÇÜMLER VARYANS ÇÖZÜMLEMESİ (Repeated Measures ANOVA) En basit nicel “eşlendirilmiş dizi” değerlendirmesi bir dizi olgunun aynı nicel özellik açısından iki farklı konumdaki ölçümlerinin irdelenerek bir farkın varlığının sorgulanmasıdır. Örneğin aynı örneklem olgularının sabah saat 10.00 ve akşam 22.00 sistolik kan basıncı değerleri farkının bir değişimi gösterip göstermediğinin sorgulanması gibi. Sadece tek bir örneklem ve sadece 2 farklı konum bulunması çok basit bir araştırma tasarımıdır. Gerçekte hem süreç içinde 2’den fazla kez ölçümlenmiş bir özellikle hem de 2 veya daha fazla farklı ortamsal özellikte küme ile karşılaşılabilir. Örneğin 3 farklı tedavi tipi ile izlenen bipolar olguların ; atak başlangıcında , 7. , 14. ,21. ve tedavi 2.ay MADRS skorlarının irdelenmesi hem tedavi sürecindeki değişimin geçerliliğini hem tedavi kümeleri arasındaki sonuçsal farkları hem de belli süre aralıklarındaki farklılaşmaların tedavi tipleri açısından da gösterebileceği farkları değerlendirmek tekrarlı ölçümler varyans çözümlemesi ile olanaklıdır. 5- ÇOKDEĞİŞKENLİ DEĞERLENDİRMELERDE DEĞİŞKEN VE YAKLAŞIM SEÇİMİ Çokdeğişkenli çözümleme yapılması planlanan bir araştırmada sonuç (konu) değişkeni etkilediği varsayılan pek çok ortam değişkeni var demektir. Araştırma baştan, diğerlerinin etkilerini gidererek sorgulanan tek bir ortam değişkenin durumunu yargılamak 13 üzerine kurulu ise değerlendirmeye tüm değişkenler doğal olarak katılmalıdırlar. Katmanlı örnekleme ile olgu seçilen araştırmalarda da “katman” olarak belirlenen değişkenlerin sonuca etkisi zaten bilindiğine göre bu etkileri uygulayarak ilgilenilen ortam değişkenin rolünü görmek gerekir. Dolayısı ile katman değişkenler de çokdeğişkenli çözümlemede yer almalıdırlar. Buna karşılık araştırma pek çok olası nedensel etkenden hangilerinin sonucu gerçekten etkilediğini sorgulayan bir çokdeğişkenli çözümleme ise değişken seçimi ve tekniğin içine katılım yaklaşımı önem taşır. Burada özellikle Lojistik ve Cox regresyonları için , yani her çeşit ortamsal değişkenin bir ikicil konu değişkeni etkilemesinin çözümlenmesinde kullanılmasında yarar görülecek ipuçlarına değinilecektir. Birden çok olası değişken için çokdeğişkenli çözümleme yaklaşımlarından ilki tüm değişkenleri birden çözümlemeye almaktır. Bu yaklaşım bazı araştırmacılarca kullanılmaktadır. Ancak değişken sayısının artması ile örneklem sayısının da artması gerektiği unutulmamalıdır. Ayrıca tüm değişkenlerin kullanıldığı bir çözümlemede, istatistiksel açıdan anlam taşımayan – yani sonucu etkilemeyen- bazı değişkenler , araetkileşimlerin varlığı nedeni ile diğer, etkin değişkenlerin hesaplanan bazı “katsayılarını” bozabilmektedirler, bunun sonucunda da yargı ve yorum yanlışları yapılabilir. Bu nedenle çok sayıda olası etken listesinden, çokdeğişkenli yargılamaya “uygun” gözükenlerin seçilmesi gerekir. Seçim iki aşamalı gerçekleştirilmelidir ; ilki etkenlerin birbirleri arasındaki bağıntılarını (birlikte değişim bağı) çözümlemektir ; Diğer etkenlerle güçlü bağlar gösteren özelliklerin (multicollinearity) çok değişkenli çözümlemeye alınması iki açıdan gereksiz gözükmektedir : bunlar zaten diğerlerinin düzeyine göre belirlenebilmektedirler ve kestirime ek katkıları olmaz hatta etkilerin sayısal özelliklerini değiştirebilirler ayrıca listeyi arttırarak anlamlı sonuçlara erişim açısından olumsuz etki ederler. Etken özelliklerine göre bu bağıntıları saptamak açısından farklı teknikler kullanılabilir (Pearson “r” , Kramer V , Point-biserial korelasyon , vs) İkinci aşama sonuç ikicil değişken açısından , olası nedensel değişkenleri çift değişkenli yargılama ile değerlendirmektir. Değişken tipine göre bu, bağımsız iki kümeyi nicel değişkenlerce kıyaslamak açısından Student’s t veya Mann-Whitney testi kullanarak yapılabilir. Niteliklerin iki ortamsal küme açısından kıyaslanmasında da ki-kare veya diğer uygun testler kullanılır. Çiftdeğişkenli değerlendirme sonuçlarına göre , çokdeğişkenli çözümlemeye alınması uygun gözüken etkenlerin seçimi için farklı görüşler bulunmaktadır. Bazı araştırıcılar sadece istatistiksel açıdan anlamlı bulunmuş (p<0.05) etkenleri çokdeğişkenliye katarken , bazıları bu sınır için p<0.25 i öngörmüşlerdir. Bazı yazarlar ve araştırıcılar ise – bizim de tercih ettiğimiz gibi- p<0.10 sınırını seçim için kullanmışlardır. Bu sınırın , her şeye rağmen diğer etkenlerden etkilenip rolü baskılanan veya abartılan etkenleri daha sonra ayrımlamakta yararlı olacağı düşünülebilir. Böylece diğerleri ile bağıntısı olmayan ve sonuç değişken üzerinde olası etkisi vurgulanan etkenlerin listesi belirlenmiş olur ve çokdeğişkenli çözümlemeye alınırlar. Çözümlemeye değişkenlerin katılımı “simültane : aynı anda tümü birlikte” veya “hiyerarsik : büyüklük sıralı” gerçekleştirilebilir. Simültane yaklaşımda tüm değişkenler birden modele bir anda yerleştirilir , araetkileşimleri de göz önünde bulundurularak geçerlilikleri ve sonuca katkısal güçleri uygun hesap sonuçları ile belirlenir. Etkenlerin rollerinin geçerliliği ve gücünün belirlenmesi araştırmanın ana amacı ise bu yaklaşım öngörülmelidir. Hiyerarşik yaklaşımda ise ana amaç, olası tüm etkenlerin geçerlilik yargılamasını yapmak yerine, sonucu en yüksek doğrulukla kestirebilecek, bunu uygun sayıda değişkenle 14 sağlayabilecek – tüm değişkenleri kullanması , yargılaması gerekmemektedir – modeli oluşturmaktır. Bu çerçevede 3 yaklaşım ortaya çıkar : İleri doğru eklemek (Forward selection) : Model önce sonuç değişkenle en yüksek bağıntıyı gösteren değişkenle başlar. Buna tekil olarak ikinci en güçlü gözüken eklenerek iki değişkenli modelin ilk modele göre daha güçlü bir kestirim oluşturup oluşturmadığına ve bu değişkenin eklendiği zaman anlamlılığını yitirip yitirmediğine bakılır. Eklendikçe modelin kestirim gücünün artmasını sağlayabilen ve anlamlılıklarını da sürdüren değişkenler modele eklenir , diğerleri dışarıda kalır. Sonuçta – bazen hepsi bulunsa da- belli sayıda değişkenin oluşturduğu , en yüksek kestirim gücüne erişmiş bir model belirir. Dışarıda kalanların bir kısmı sonucu etkileme açısından anlamsız bulunmalarına karşın , bazıları da geçerli etkenler oldukları halde kestirime ek katkı yapmadıklarından modelde yokturlar. Bunların yorumlanmasında yanlışlık yapılmaması önemlidir. Geriye doğru elemek (Backward selection) : Model önce tüm değişkenlerin katılımı ile başlar ve öncekinin tersine , tekil olarak en güçsüz değişkenin modelden çıkartılması ile sürer. Bu azaltma modelin genel gücünü azaltmıyorsa – arttırabilir de – değişken modelden çıkartılır. Güçsüzlük sırası ile diğer değişkenler denenir ve başlangıç gücünden düşük olmamak koşulu ile en az sayıda anlamlı değişken modelde kalır. Bir önceki yaklaşımda olduğu gibi , dışarıda kalan değişkenler zorunlu olarak etkisiz-geçersiz olmak durumunda değildir. Adımsal değerlendirme (Stepwise selection) : Yaklaşımların en özgünüdür. Model, ileri doğru eklemede olduğu gibi önce sonuç değişkenle en yüksek bağıntıyı gösteren değişkenle başlar ve sıra ile devam eder. Yaklaşımın diğerlerinden farkı her eklemede modeli yeniden kurgulayıp, daha önce eklenmiş değişkenlerin anlamlılığını yeniden hesaplaması ve bu durumda anlamsızlık ortaya çıkmışsa değişkeni modelden çıkarmasıdır. Böylece adımsal değerlendirme bir anlamda değişkenler listesinden oluşturulabilecek tüm seçenek bileşimleri , sonuç kestirimin gücü açısından irdeler. Bu yaklaşım etkenlerin birbirleri üzerindeki etkilerini gözlemlemek açısından yarar taşır. İstatistiksel çözümleme yazılımları araştırıcının amaçları doğrultusunda, belirtildiğinde yaklaşımlardan herhangi birini gerçekleştirebilirler. Modele etken eklenmesi , çıkartılması açılarından önkabulsel değerler (p gibi) araştırmacı tarafından öngörülür. Her değişkenin sonuca etkisini yargılamak yerine en uygun model kestirimini amaçlayan araştırmacıların yukarıdaki yaklaşımlardan birini uygulamanın yanı sıra , verilerini rastgele ikiye ayırıp , her yarıya aynı yaklaşımı uygulayarak sonuçların tutarlılığını gözden geçirmeleri önerilir. 15 KAYNAKÇA Kachigan S.K. Multivariate Statistical Analysis. Radius press.New York,1991. Everitt S.B.,Dunn G. Applied Multivariate Data Analysis . John Wiley and sons. New York,1991. Friedman M.L.,Furberg D.C.,DeMets L.D. Fundamentals of Clinical Trials.Springer-Verlag. New York,1998. Motulsky H. Intuitive Biostatistics .Oxford University press. New York,1995. Hosmer W.D.,Lemeshow S. Applied Logistic Regression. Wiley Series in probability and statistics New York,1989 Hand D.J.,Taylor C.C. Multivariate Analysis of Variance and Repeated Measures. London,1987 Dawson B,Trapp RG. Basic & Clinical Biostatistics. 3. Ed. Boston : McGrawHill , 2001 Tatlıdil H. Uygulamalı Çok Değişkenli İstatistiksel Analiz.Ankara,1996. Şenocak M. Biyoistatistik. İstanbul,CTF yay.,İ.Ü. Rekt.No.:4053 ,1997. Şenocak M. Özel Biyoistatistik. Çağlayan kitabevi, İstanbul,1992. Şenocak M. Klinik Biyoistatistik. Nobel Tıp Kitabevleri, İstanbul, 2009 16