دوگانه‌سازی متغیرهای پیوسته ۳۶ درصد اطلاعات را دور می‌ریزد: چرا تقسیم بر اساس میانه برآوردها را مخدوش می‌کند؟

در یک کارآزمایی بالینی، فشار خون دقیق ۱۰٬۰۰۰ بیمار برای بررسی یک مداخله قلبی‌عروقی جدید اندازه‌گیری می‌شود. پیش از آغاز تحلیل، پژوهشگر ارشد خطی فرضی در میانه داده‌ها رسم می‌کند و بیماران را به دو گروه مساوی «بالا» و «پایین» تقسیم می‌کند.

تنها با یک حرکت، این مطالعه عملاً معادل آماری داده‌های ۳٬۶۰۰ بیمار را به سطل زباله ریخته است. این شیوه که به «دوگانه‌سازی» یا «تقسیم بر اساس میانه» مشهور است، یکی از رایج‌ترین و مخرب‌ترین عادت‌ها در تحلیل مدرن داده‌ها به شمار می‌رود.

تحلیل‌گران با تبدیل یک متغیر پیوسته به یک دسته دوگانه، تفاوت‌های ظریف و معنادار میان بیماری که کمی بالاتر از میانه قرار دارد و بیماری که در نقطه اوج طیف است را پاک می‌کنند. جریمه آماری این ساده‌سازی ظاهری، سنگین و از نظر ریاضی اجتناب‌ناپذیر است.

دهه‌ها پژوهش روش‌شناختی نشان می‌دهد که تقسیم یک متغیر پیش‌بین پیوسته از نقطه میانه، تقریباً ۳۶ درصد از کل اطلاعات نهفته در آن متغیر را نابود می‌کند. افت واریانس ناشی از این کار، اساساً توانایی مدل در شناسایی روابط واقعی میان پدیده‌ها را کاهش می‌دهد.[1][9]

پژوهشگران در یک بررسی روش‌شناختی برجسته در نشریه BMJ خاطرنشان کردند: «دوگانه‌سازی یک متغیر پیوسته معادل دور ریختن یک‌سوم از کل داده‌هاست.» این شیوه، تنوع طبیعی داده‌ها را به بلوک‌های ساختگی و یکدست بدل می‌کند.[1]

ریاضیات پشت افت اطلاعات

برای درک چرایی این افت ۳۶ درصدی، باید به سازوکار واریانس آماری نگاه کنیم. واریانس همان موتور محرکه ریاضی است که به کشف روابط می‌انجامد؛ سیگنالی بنیادین که اثر واقعی را از نوفه و خطای تصادفی پس‌زمینه در مجموعه داده‌ها جدا می‌سازد.

دوگانه‌سازی عمداً این واریانس را متلاشی می‌کند و تمام داده‌ها را به سمت مرکز دست‌ساز دسته جدید می‌کشاند؛ به‌طوری‌که یک فرد ۴۰ ساله و یک فرد ۸۰ ساله، اگر در دسته جمعیتی «مسن‌تر» بیفتند، در محاسبات ریاضی دقیقاً یکسان فرض می‌شوند.

وقتی واریانس فشرده می‌شود، خطای معیار برآوردها به شکل چشمگیری متورم خواهد شد. در چنین شرایطی، برای دستیابی به همان توان آماری متناظر با متغیر پیوسته، یک مطالعه مبتنی بر تقسیم بر میانه ناچار است حجم نمونه خود را نزدیک به ۵۰ درصد افزایش دهد.[1]

برای یک کارآزمایی بالینی که هزینه هر شرکت‌کننده در آن سرسام‌آور است، این افت توان یک خطای مالی و علمی سنگین است که به سادگی قابل پیشگیری بود. از دست رفتن توان آماری، مستقیماً ریسک خطای نوع دوم را بالا می‌برد و اثرات واقعی را از چشم پژوهشگران پنهان می‌کند.[2]

ساخت تعامل‌های ساختگی در داده‌ها

تخریب ناشی از دوگانه‌سازی به کاهش توان آماری و از دست رفتن اثرات محدود نمی‌شود. در شرایطی مشخص، دسته‌بندی متغیرهای پیوسته نتایج مثبت کاذب تولید می‌کند و توهمی از کشف علمی پدید می‌آورد که در دنیای واقعی وجود خارجی ندارد.[5]

این رخداد به ویژه در مدل‌های رگرسیون چندگانه که در آن‌ها دو یا چند متغیر پیش‌بین پیوسته با یکدیگر همبستگی دارند، رخ می‌نماید. هنگامی که یکی از این متغیرهای همبسته دوگانه می‌شود، واریانس پسماند به سادگی از معادله محو نمی‌شود.[9]

در عوض، اطلاعات باقیمانده به دیگر متغیرهای مدل نشت می‌کند. این نشت اطلاعات می‌تواند یک اثر تعاملی ساختگی بسازد و محققان را به این نتیجه نادرست برساند که یک پدیده خاص، تنها تحت شرایط دسته‌بندی‌شده خاصی رخ می‌دهد.[5]

روش‌شناسان حوزه روان‌شناسی مصرف‌کننده این پدیده افزایش خطای نوع اول را در مقاله‌ای در سال ۲۰۱۵ در پایگاه ScienceDirect مستند کردند. آنان نشان دادند که تقسیم بر میانه پیوسته تعامل‌های کاذب پدید می‌آورد و ادبیات پژوهشی را با نتایجی پر می‌کند که تکرارپذیر نیستند.[8]

گروه مدل‌سازی آماری دانشگاه کلمبیا تأکید کرده است که اگر دسته‌بندی داده‌ها صرفاً برای اهداف نمایشی گریزناپذیر باشد، تقسیم داده‌ها به سه بخش مساوی بسیار کم‌ضررتر از تقسیم بر اساس میانه است.[6]

پژوهشگران با مقایسه یک‌سوم بالایی و یک‌سوم پایینی و نادیده گرفتن بخش میانی، می‌توانند بدون ایجاد همان حجم از تعامل‌های کاذب، اثرات حدی را بررسی کنند؛ هرچند حفظ متغیر در حالت پیوسته همواره انتخاب بهینه ریاضی است.[6]

پیامدهای بالینی و اکولوژیک

تبعات این اعوجاج آماری در علوم کاربردی کاملاً آشکار است. در نورورادیولوژی، پژوهشگرانی که تاریخچه طبیعی آنوریسم‌های مغزی پاره‌نشده را مطالعه می‌کردند دریافتند که دسته‌بندی متغیرهای پیوسته به ارزیابی‌های کاملاً نادرست از ریسک انجامیده است.[3]

مدل‌های بالینی با قرار دادن اندازه آنوریسم در بازه‌های بسته، نتوانستند رشد نمایی خطر پارگی همگام با افزایش اندازه فیزیکی را بازتاب دهند. مدل دوگانه گستره وسیعی از آنوریسم‌های پرخطر را صرفاً به عنوان موردی با اندازه یکسان «بزرگ» ثبت می‌کرد.[3]

نشریه آمریکایی نورورادیولوژی صراحتاً هشدار داد که تحلیل داده‌ها از طریق دسته‌بندی متغیرهای پیوسته «غیرقابل توصیه» است و متذکر شد که ممکن است یک بیمار با آنوریسم ۹ میلی‌متری در همان طبقه ریسک بیماری با آنوریسم ۵ میلی‌متری قرار گیرد.[3]

بوم‌شناسی و زیست‌شناسی فرگشتی نیز از خطاهای روش‌شناختی مشابهی رنج می‌برند. یک مرور در نشریه Proceedings of the Royal Society B نشان داد چگونه دسته‌بندی ویژگی‌های پیوسته نظیر وزن بدن یا دما، شیب‌های نامحسوسی را که رانش‌های انتخاب طبیعی هستند می‌پوشاند.[4]

وقتی بوم‌شناسان تنوع پیوسته زیستی را در طبقه‌بندی‌های گسسته حبس می‌کنند، محرک‌های اصلی بقا را نادرست تفسیر می‌کنند. پاسخ گونه‌ها به تغییر اقلیم یک کلید قطع و وصل دوگانه نیست، بلکه یک منحنی پیوسته است که دسته‌بندی از درک آن عاجز است.[4]

توهم کارایی در مصارف بالینی

مهم‌ترین توجیه طرفداران دوگانه‌سازی، کاربرد بالینی یا عملیاتی آن است. پزشکان بر مبنای یک تابع پیوسته دارو تجویز نمی‌کنند؛ آن‌ها بر پایه آستانه‌های تشخیصی تصمیم می‌گیرند بیمار را درمان کنند یا خیر.

بنابراین، این استدلال مطرح می‌شود که مدل آماری نیز باید از همان ابتدا منعکس‌کننده این نقاط تصمیم‌گیری دوگانه باشد؛ فرضی که هدف بنیادین مدل‌سازی آماری را با هدف مجزای کاربرد بالینی خلط می‌کند.[10]

هدف یک مدل آماری، توصیف دقیق روابط متغیرها در جهان واقع است. تنها پس از ترسیم این رابطه با بهره‌گیری از تمامی داده‌های پیوسته در دسترس است که می‌توان آستانه‌های تصمیم بالینی را روی خروجی اعمال کرد.[10]

تحمیل قالب دوگانه به داده‌ها پیش از آغاز تحلیل، تضمین می‌کند که مدل نهایی غیردقیق خواهد بود. یک مدل پیوسته همیشه می‌تواند پیش‌بینی‌های دوگانه تولید کند، اما مدل دوگانه‌سازی‌شده هرگز نمی‌تواند اطلاعات از دست رفته را بازگرداند.

علاوه بر این، آستانه‌های بالینی ایستا نیستند. تعریف فشار خون بالا یا کلسترول غیرطبیعی طی سه دهه گذشته با شواهد جدید بارها تغییر کرده و مدل‌های متکی بر آستانه‌های تاریخی را بلافاصله منسوخ ساخته است.

وقتی محققان تحلیل خود را به یک آستانه خاص گره می‌زنند، یافته‌هایشان را به اجماع پزشکی همان سال محدود می‌کنند. در مقابل، یک مدل پیوسته معادله‌ای پایدار ارائه می‌دهد که محققان آینده می‌توانند آن را با دستورالعمل‌های نو تطبیق دهند.

رویکردهای کارآمدتر برای تحلیل‌های پیچیده

نرم‌افزارهای آماری مدرن جایگزین‌های فراوانی برای دوگانه‌سازی ارائه می‌دهند که اصالت داده‌های پیوسته را حفظ می‌کند. اگر رابطه متغیر پیش‌بین با پیامد کاملاً خطی باشد، متغیر باید در شکل طبیعی خود باقی بماند.[7]

در مواردی که رابطه غیرخطی است — مانند دارویی که در دوز میانه مفید و در دوز بالا سمی است — می‌توان از چندجمله‌ای‌های کسری استفاده کرد تا مدلی منطبق بر منحنی ملایم تغییرات ساخته شود.[1]

یک جایگزین کارآمد دیگر، استفاده از اسپلاین‌های مکعبی محدودشده (Restricted Cubic Splines) است. در این تکنیک، متغیر پیوسته در نقاط مشخصی به نام «گره» به بخش‌هایی تقسیم شده و روی هر بخش منحنی ملایم مجزایی برازش می‌شود.

این منحنی‌ها در محل گره‌ها به شکلی پیوسته و هموار به یکدیگر متصل می‌شوند و نقشه‌ای دقیق از اثر متغیر در تمام دامنه آن رسم می‌کنند. این روش ۱۰۰ درصد اطلاعات گردآوری‌شده را حفظ کرده و الگوهای زیستی را بازمی‌تاباند.

گرچه پیاده‌سازی این رویکردها دانش آماری بیشتری می‌طلبد، اما اکنون به امکانات استاندارد بسته‌های نرم‌افزاری تحلیلی بدل شده‌اند و دیگر بهانه دشواری محاسباتی قابل قبول نیست.

چشم‌انداز پیش‌روی علم داده

ریشه‌کن ساختن خطای تقسیم بر میانه نیازمند تحول در داوری مقالات است. داوران و سردبیران ژورنال‌ها باید دوگانه‌سازی ناموجه متغیرهای پیوسته را به عنوان یک نقص روش‌شناختی بنیادین تلقی کنند.

برخی ژورنال‌های پزشکی و آماری هم‌اکنون تصریح کرده‌اند که مقالات متکی بر متغیرهای پیوسته دسته‌بندی‌شده رد خواهند شد، مگر آنکه توجیه بیولوژیکی مستند و از پیش تعیین‌شده‌ای برای آستانه ارائه شود.[3][5]

سرفصل‌های آموزشی در علوم اجتماعی و زیستی نیز باید به‌روزرسانی شوند. بسیاری از دوره‌های مقدماتی آمار هنوز تقسیم بر میانه را به عنوان راهکاری برای ساده‌سازی آموزش می‌دهند و ناخواسته پژوهشگران را به نابودی داده‌ها ترغیب می‌کنند.

بحران تکرارپذیری در روان‌شناسی و پزشکی، جامعه علمی را به بازنگری در عادات آماری واداشته است. با سخت‌گیرانه‌تر شدن معیارهای شواهد، مدارا با خطاهایی چون تقسیم بر میانه به سرعت رو به زوال است.

در نهایت، سلامت پژوهش‌های تجربی در گرو احترام به شکل واقعی داده‌هاست. طبیعت به ندرت با کلیدهای قطع و وصل رفتار می‌کند؛ پدیده‌ها در قالب طیف‌ها، شیب‌ها و منحنی‌های پیوسته‌ای رخ می‌دهند که نیازمند تحلیل با وضوح بالا هستند.

هر بار که متغیری بر اساس میانه تقسیم می‌شود، یک‌سوم داده‌ها به باد می‌رود و احتمال انتشار نتایج گمراه‌کننده اوج می‌گیرد. پژوهشگران دیگر نباید برای ساده‌تر به نظر رسیدن محاسبات، ۳۶ درصد اطلاعات خود را قربانی کنند.