Analiza ankiety do pracy licencjackiej i magisterskiej

Autor: Konrad Hryniewicz · Opublikowano: 27 marca 2017 · Aktualizacja: 22 sierpnia 2026

Analiza ankiet nie zaczyna się od kliknięcia testu w programie. Najpierw trzeba sprawdzić, jak zbudowano próbę, jak sformułowano pytania i czy dane rzeczywiście mierzą konstrukty potrzebne do odpowiedzi na pytanie badawcze.

1. Audyt projektu i danych

Warto opisać sposób rekrutacji, kryteria włączenia, liczbę zaproszonych i odsetek odpowiedzi. Próba wygodna z formularza internetowego nie staje się reprezentatywna tylko dlatego, że jest liczna. Przed analizą należy wykryć duplikaty, niemożliwe wartości, sprzeczne odpowiedzi, wzorce bardzo szybkiego wypełniania i braki danych.

2. Kodowanie pytań

Pytania jednokrotnego wyboru, wielokrotnego wyboru, skale Likerta i odpowiedzi otwarte wymagają różnych reprezentacji. Pozycje odwrócone trzeba zakodować przed budową wyniku łącznego. Kategorie „nie wiem” lub „nie dotyczy” nie powinny automatycznie otrzymywać wartości środka skali.

3. Skale i wskaźniki

Jeżeli kilka pytań ma mierzyć jeden konstrukt, należy ocenić strukturę skali i rzetelność. Sama alfa Cronbacha nie potwierdza jednowymiarowości. W zależności od etapu rozwoju narzędzia potrzebne mogą być EFA, CFA, omega, analiza funkcjonowania pozycji oraz ocena trafności.

4. Opis i wnioskowanie

• dla kategorii: liczebności, procenty i przedziały ufności;
• dla wyników ilościowych: odpowiednie miary położenia, rozproszenia i wykresy;
• dla porównań: test lub model odpowiadający skali, schematowi i hipotezie;
• dla związków: korelacja albo regresja z uwzględnieniem potencjalnych zmiennych zakłócających;
• dla złożonego doboru próby: wagi, warstwy i klastry uwzględnione w estymacji wariancji.

Wybór między testem parametrycznym i nieparametrycznym nie powinien opierać się wyłącznie na jednym teście normalności. Liczą się rozkład wyniku, liczebność, odporność metody i dokładne pytanie badawcze.

5. Raport, który odpowiada na pytanie

Raport powinien zawierać opis próby, braków danych, kodowania, metod, założeń, wielkości efektów i niepewności. Wykresy warto projektować tak, aby pokazywały zarówno wynik, jak i jego zmienność. Przy wielu pytaniach potrzebny jest wcześniej ustalony podział na wyniki główne i dodatkowe.

Masz dane z ankiety lub dopiero projektujesz kwestionariusz? Możemy przeprowadzić audyt pytań, przygotować bazę, wykonać psychometrię i modele statystyczne oraz dostarczyć raport z tabelami i wizualizacjami.

Analiza ankiety w pracy licencjackiej i magisterskiej

W pracy dyplomowej analiza ankiety musi łączyć konstrukcję pytań z hipotezami. Pytanie wielokrotnego wyboru może wymagać osobnej zmiennej 0/1 dla każdej opcji, a kilka pozycji skali — jawnego klucza, kontroli pozycji odwróconych i oceny rzetelności. Dopiero po zbudowaniu poprawnych zmiennych można dobrać testy lub modele. Zobacz także kompletny proces dla pracy licencjackiej i pracy magisterskiej.

Plan czyszczenia danych ankietowych

• Zachowaj surowy eksport bez ręcznych poprawek.
• Ustal reguły duplikatów, czasu wypełniania i niespójności przed analizą.
• Oddziel „nie dotyczy” od braku odpowiedzi.
• Zweryfikuj kodowanie pozycji odwróconych na kilku rekordach ręcznie.
• Utwórz słownik zmiennych z etykietami wartości.
• Zapisz liczbę rekordów po każdym wykluczeniu.

Jak połączyć pytania ankiety z analizą?

Wzór opisu przygotowania bazy

Nie koduj „nie wiem” jako środka skali

Środek skali jest odpowiedzią merytoryczną. „Nie wiem”, „nie dotyczy” i brak odpowiedzi mają inne znaczenie i wymagają osobnych kodów. Przy wycenie opracowania ankiety liczą się liczba pytań, sposób kodowania, liczba skal i stan eksportu; wyjaśnia to poradnik cena analizy statystycznej.

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (von Elm et al., 2007).

surowe <- read.csv("ankieta.csv", na.strings = c("", "NA"))
dane <- surowe

# Duplikaty ID i wcześniej ustalone kryterium czasu.
dane$duplikat <- duplicated(dane$id) | duplicated(dane$id, fromLast = TRUE)
dane$za_szybko <- dane$czas_sekundy < 120

# Pozycja odwrócona 1–5 i wynik tylko przy komplecie czterech pozycji.
dane$item3_r <- 6 - dane$item3
dane$wynik <- rowMeans(dane[c("item1", "item2", "item3_r", "item4")], na.rm = FALSE)

# Wielokrotny wybór zapisany jako tekst rozdzielany średnikiem.
dane$wybor_A <- grepl("(^|;)A(;|$)", dane$pytanie_wielokrotne)
dane$wybor_B <- grepl("(^|;)B(;|$)", dane$pytanie_wielokrotne)

table(dane$duplikat, useNA = "ifany")
table(dane$za_szybko, useNA = "ifany")

import pandas as pd

raw = pd.read_csv("ankieta.csv")
df = raw.copy()
df["duplikat"] = df.duplicated("id", keep=False)
df["za_szybko"] = df["czas_sekundy"] < 120

df["item3_r"] = 6 - df["item3"]
items = ["item1", "item2", "item3_r", "item4"]
df["wynik"] = df[items].mean(axis=1, skipna=False)

wybory = df["pytanie_wielokrotne"].fillna("").str.get_dummies(sep=";")
df = pd.concat([df, wybory.add_prefix("wybor_")], axis=1)
print(df[["duplikat", "za_szybko"]].sum())

SORT CASES BY id.
MATCH FILES FILE=* /BY id /FIRST=pierwszy /LAST=ostatni.
COMPUTE duplikat=(pierwszy=0 OR ostatni=0).
COMPUTE za_szybko=(czas_sekundy<120).

COMPUTE item3_r=6-item3.
COMPUTE wynik=MEAN.4(item1,item2,item3_r,item4).

COMPUTE wybor_A=(INDEX(CONCAT(';',RTRIM(pytanie_wielokrotne),';'),';A;')>0).
COMPUTE wybor_B=(INDEX(CONCAT(';',RTRIM(pytanie_wielokrotne),';'),';B;')>0).
EXECUTE.

FREQUENCIES VARIABLES=duplikat za_szybko wybor_A wybor_B.

@manual{r-core-2026,
  author = {{R Core Team}},
  title = {R: A Language and Environment for Statistical Computing},
  organization = {R Foundation for Statistical Computing},
  address = {Vienna, Austria},
  year = {2026},
  url = {https://www.R-project.org/}
}

@book{vanrossum2009python,
  author = {Van Rossum, Guido and Drake, Fred L., Jr.},
  title = {Python 3 Reference Manual},
  publisher = {CreateSpace},
  year = {2009},
  isbn = {978-1-4414-1269-0}
}

@software{ibm2025spss,
  author = {{IBM Corp.}},
  title = {IBM SPSS Statistics for Macintosh},
  year = {2025},
  version = {31.0},
  publisher = {IBM Corp.}
}

@inproceedings{mckinney2010pandas,
  author = {McKinney, Wes},
  title = {Data Structures for Statistical Computing in Python},
  booktitle = {Proceedings of the 9th Python in Science Conference},
  editor = {van der Walt, Stéfan and Millman, Jarrod},
  year = {2010},
  pages = {56--61},
  doi = {10.25080/Majora-92bf1922-00a}
}

@article{vonelm2007strobe, author={von Elm, Erik and others}, title={The STROBE statement}, journal={PLoS Medicine}, year={2007}, volume={4}, number={10}, pages={e296}, doi={10.1371/journal.pmed.0040296}}

@article{kelley2003survey, author={Kelley, Kate and Clark, Belinda and Brown, Vivienne and Sitzia, John}, title={Good practice in the conduct and reporting of survey research}, journal={International Journal for Quality in Health Care}, year={2003}, volume={15}, number={3}, pages={261--266}, doi={10.1093/intqhc/mzg031}}

@article{artino2014questionnaires, author={Artino, Anthony R. and La Rochelle, Jeffrey S. and Dezee, Kent J. and Gehlbach, Hunter}, title={Developing questionnaires for educational research: AMEE Guide No. 87}, journal={Medical Teacher}, year={2014}, volume={36}, number={6}, pages={463--474}, doi={10.3109/0142159X.2014.889814}}

@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}

@article{mcneish2018alpha, author={McNeish, Daniel}, title={Thanks coefficient alpha, we’ll take it from here}, journal={Psychological Methods}, year={2018}, volume={23}, number={3}, pages={412--433}, doi={10.1037/met0000144}}

@article{dunn2014omega, author={Dunn, Thomas J. and Baguley, Thom and Brunsden, Vivienne}, title={From alpha to omega: A practical solution to the pervasive problem of internal consistency estimation}, journal={British Journal of Psychology}, year={2014}, volume={105}, number={3}, pages={399--412}, doi={10.1111/bjop.12046}}