Lääketieteellisissä tutkimuksissa on erittäin yleinen ongelma, että selitysmalleja ei juuri pohdita tai esitetä.

Tilastollinen päättely on keskeinen vaihe tieteellistä tutkimusta. Yksinkertaisin tilastollisen päättelyn muoto on hyödyntää aineistoa kuvailevia tunnuslukuja, kuten keskiarvoja ja keskihajontalukuja. Niistä voidaan kuitenkin tehdä vain melko rajoittuneita päätelmiä. Varsinkin havainnoivassa tutkimuksessa sen selvittämiseksi, miten selittävät eli lähtömuuttujat ovat yhteydessä selitettävään eli päätemuuttujaan, käytetään usein lineaarista tai logistista regressiota tai aika-analyysiä. Näiden pohjalta voidaan arvioida muuttujien yhteyksiä ja riippuvuussuhteita.

Tutkimuksessa tulisi aina erottaa selittäminen ja ennustaminen (1). Selittäminen tarkoittaa kahden muuttujan välisen yhteyden tutkimista. Tutkijaa saattaa kiinnostaa esimerkiksi tupakoinnin vaikutus sepelvaltimotautikuolleisuuteen tai ylipainon vaikutus leikkauksen jälkeisiin infektioihin. Tällöin pitäisi aina rakentaa yksiselitteinen selitysmalli, jossa on perustellut syy-seuraussuhteet lähtömuuttujasta päätemuuttujaan. Tarvittaessa mukaan otetaan sekoittavia tekijöitä, joilla tiedetään olevan syy-seuraus-suhde kumpaankin.

Erittäin yleinen ongelma lääketieteellisissä tutkimuksissa on se, että selitysmalleja ei juuri pohdita tai esitetä. Tämä lisää mahdollisuutta, että tutkimuksessa on ongelmallisia selityssuhteita, jotka vääristävät tuloksia (2).

Esimerkiksi tuoreessa tutkimuksessa, jossa raportoitiin suodatinkahvin juonnin pienentävän kuolleisuutta, tutkijat ottivat verenpaineen analyysiin sekoittavaksi tekijäksi (3). Se ei kuitenkaan ole todellinen sekoittava tekijä, vaan todennäköisemmin mediaattori, eli se välittää kahvin juonnin vaikutusta kuolleisuuteen (kuvio).

Todellinen sekoittava tekijä on ns. yhteinen syy eli sekä altisteeseen että päätemuuttujaan vaikuttava tekijä. Verenpaineella tuskin on vaikutusta kahvin juontiin.

Mahdollisuus virhepäätelmiin on erityisen suuri, jos tutkimuksessa on otettu kaikki mitatut lähtömuuttujat lopulliseen monimuuttujamalliin suoraan, pohtimatta niiden keskinäisiä suhteita. Tästä menetelmästä käytetään myös termiä "taulukko 2 -harha" (4).

Ennustekyky tutkittava erikseen

Ennustaminen tarkoittaa, että tietyillä lähtömuuttujien yhdistelmillä tai arvoilla voidaan ennustaa päätemuuttujan arvoa (5). Ennustemalleja tutkittaessa varsinaisilla selityssuhteilla ei välttämättä ole merkitystä. Tärkeintä on mallin ennustekyky, ei niinkään yksittäisen regressiokertoimen arvo.

Jos tutkimuksessa raportoidaan ennustekykyä, tuloksissa pitäisi tulla esille esimerkiksi mallin selitysaste, ns. käyrän alla oleva pinta-ala, c-indeksi tai kalibraatiokäyrä. Kaikki nämä kuvaavat, miten malli pystyy ennustamaan uusia havaintoarvoja.

Hyvin usein tutkimuksissa raportoidaan, että tietty muuttuja "ennustaa" (predicts) toista. Usein kuitenkin taustalla on monimuuttujamalli, jonka regressiokertoimien tilastollista merkitsevyyttä on tulkittu. Yleensä on kyse selittämisestä. Tilastollisesti merkitsevä regressiokerroin ei tarkoita, että muuttujalla olisi välttämättä ennustekykyä. Ennustekyky pitää tutkia aina erikseen.