Prace dyplomowe · jamovi

Analiza mocy w jamovi (jpower): liczebność próby, moc i najmniejszy wykrywalny efekt dla testu t

Moduł jpower z biblioteki jamovi krok po kroku: trzy analizy dla testu t, pole Calculate (N, moc albo efekt), δ jako najmniejszy interesujący efekt, tabele A Priori Power Analysis i Power by Effect Size, wykresy mocy, tekst objaśniający, próby zależne i ograniczenia modułu – z liczbami sprawdzonymi w R.

Strona główna / Blog / Analiza mocy w jamovi
W skrócie: W jamovi analizę mocy dla testu t daje moduł jpower z biblioteki modułów: Analyses → Power → jpower, a w nim Independent Samples T-Test, Paired Samples T-Test i One Sample T-Test. W polu Calculate wybierasz, co liczysz: N, moc albo najmniejszy efekt. Najważniejsze jest δ – najmniejszy efekt, który ma sens w Twoim badaniu, a nie „średni efekt” z tabelki. Przy domyślnych ustawieniach (δ = 0.5, moc 0.9, α = .05, test dwustronny) moduł daje 86 osób w każdej grupie. W próbach zależnych δ to efekt liczony na różnicach (dz). ANOVA, korelacji i χ² w jpower nie ma.

Analiza mocy w jamovi: moduł jpower

Analiza mocy a priori odpowiada na pytanie, ile osób trzeba zbadać, żeby test z dużym prawdopodobieństwem wykrył efekt, na którym Ci zależy. Czym jest moc testu i od czego zależy, wyjaśnia hasło w słowniku. Pięć decyzji przed obliczeniem (efekt, α, moc, plan, odpadanie) omawia poradnik dobór liczebności próby. Tutaj pokazujemy tylko, jak tę analizę zrobić w jamovi i jak czytać to, co program zwraca.

W jamovi służy do tego moduł jpower (jpower: Power Analysis for Common Research Designs), autorstwa Richarda D. Moreya i Raviego Selkera. Opisujemy wersję 0.1.3 – tę samą podaje plik opisu modułu w repozytorium i lista biblioteki modułów (Morey i Selker, b.d.; The jamovi project, b.d.). Moduł instalujesz przez Modules → jamovi library i jest dostępny od razu, bez ponownego uruchamiania programu (The jamovi project, b.d.). Pierwsze kroki w programie opisuje wpis jamovi krok po kroku.

Nazwy menu, pól i tabel wzięliśmy z plików definicji analiz (.a.yaml, .r.yaml, .u.yaml) i z kodu modułu w repozytorium. Samego jpower nie uruchamialiśmy. Liczby policzyliśmy w R tymi samymi wzorami (niecentralny rozkład t, pakiet pwr), których moduł używa wewnętrznie. W polskiej wersji interfejsu nazwy mogą brzmieć inaczej. Analiza mocy nie potrzebuje danych, więc tym razem nie ma pliku do pobrania – wystarczy pusty arkusz.

Po instalacji w menu Analyses pojawia się grupa Power, a w niej podgrupa jpower z trzema analizami: Independent Samples T-Test, Paired Samples T-Test i One Sample T-Test (Morey i Selker, b.d.). Okno testu dla prób niezależnych ma następujące pola:

  1. Calculate – co liczysz: N per group (liczebność, domyślnie), Power (moc przy danym N i efekcie) albo Effect size (najmniejszy efekt wykrywalny przy danym N i mocy). Pole, które jest liczone, staje się nieaktywne.
  2. Minimally-interesting effect size (δ) – najmniejszy interesujący efekt, domyślnie 0.5. To standaryzowana różnica średnich, czyli coś w rodzaju d Cohena w populacji.
  3. Minimum desired power – domyślnie 0.9, a nie 0.8, do którego przyzwyczajają podręczniki. Wartość 1 jest niedozwolona.
  4. N for group 1 – domyślnie 20; używane, gdy liczysz moc albo efekt.
  5. Relative size of group 2 to group 1 – stosunek N₂/N₁, domyślnie 1 (grupy równe).
  6. α (type I error rate) – domyślnie 0.05; okno podpowiada też 0.1, 0.01, 0.005 i 0.001.
  7. Tails – two-tailed albo one-tailed (consistent), czyli test jednostronny w kierunku zgodnym z hipotezą.
  8. Plots – Power contour plot i Power curve by effect size (domyślnie włączone), Power curve by N i Power demonstration. Additional Options → Explanatory text – teksty objaśniające, domyślnie włączone.

Okna Paired Samples T-Test i One Sample T-Test mają te same pola, tylko bez stosunku liczebności, a zamiast N for group 1 jest po prostu N (Morey i Selker, b.d.).

Skąd wziąć δ, zanim cokolwiek klikniesz

Wynik analizy mocy zależy przede wszystkim od δ. Na rysunku 2 widać, że połowa efektu oznacza mniej więcej czterokrotnie więcej osób. Etykieta pola mówi wprost, czego moduł oczekuje: najmniejszego efektu, który byłby dla Ciebie interesujący, a nie efektu, który „pewnie wyjdzie”. To jest najmniejszy interesujący efekt (SESOI).

  • Literatura i metaanalizy – efekt z podobnych badań, najlepiej przeliczony na tę samą miarę. Jak czytać wielkości efektu, opisuje poradnik wielkość efektu – interpretacja.
  • Pilotaż – ostrożnie. Efekt oszacowany w małym pilotażu jest niedokładny. Planowanie badania głównego tylko na jego podstawie daje zwykle zbyt małą moc (Albers i Lakens, 2018).
  • Konwencja „0.2, 0.5, 0.8” – Cohen (1992) podał umowne wartości małego, średniego i dużego efektu dla sytuacji, w których nic więcej nie wiadomo. To ostateczność, a nie uzasadnienie. Domyślne 0.5 w oknie jpower to tylko wartość startowa.

Lakens (2022) przypomina, że uzasadnienie liczebności to coś więcej niż jedno obliczenie. Warto rozważyć najmniejszy interesujący efekt, efekty oczekiwane i zakres efektów, które badanie wykrywa z wystarczającą mocą (analiza wrażliwości). Wszystkie trzy policzysz w jpower, zmieniając pole Calculate.

Calculate: N per group – tabele wyników

Przykład jest fikcyjny. Planujesz porównanie dwóch grup (np. trening i grupa kontrolna) testem t dla prób niezależnych. Najmniejsza różnica, która miałaby znaczenie praktyczne, to pół odchylenia standardowego. Zostawiasz ustawienia domyślne: δ = 0.5, moc 0.9, α = 0.05, test dwustronny, grupy równe.

Na górze wyników jpower pokazuje krótki wstęp, a pod nim tabelę A Priori Power Analysis. Kolumna liczona stoi na początku. Wartości wpisane przez Ciebie są pod wspólnym nagłówkiem User Defined (Morey i Selker, b.d.).

A Priori Power Analysis (Independent Samples T-Test, Calculate: N per group) – liczby policzone w R; układ kolumn jak w definicji tabeli jpower
N₁N₂Effect SizePowerαES for design to have 50% power
86860.5000.9000.0500.301

Potrzeba 86 osób w każdej grupie, razem 172. Moduł zaokrągla liczebność w górę, więc rzeczywista moc przy 86 osobach to 0.903. Ostatnia kolumna mówi, przy jakim prawdziwym efekcie ten plan ma tylko 50% mocy: δ = 0.301. Mniejsze efekty badanie najpewniej przegapi.

Gdy tekst objaśniający jest włączony, pod tabelą pojawia się zdanie z wynikiem (po angielsku) i tabela Power by Effect Size. Moduł dzieli w niej możliwe prawdziwe efekty na cztery przedziały mocy z opisami słownymi (Morey i Selker, b.d.):

Power by Effect Size dla planu 86 + 86 osób – liczby policzone w R; układ kolumn i opisy jak w jpower
True effect sizePower to detectDescription
0 < δ ≤ 0.301≤50%Likely miss
0.301 < δ ≤ 0.43050% – 80%Good chance of missing
0.430 < δ ≤ 0.55380% – 95%Probably detect
δ ≥ 0.553≥95%Almost surely detect

Ta tabela jest często ciekawsza niż samo N. Pokazuje, że plan „na 0.5” wykrywa z mocą co najmniej 80% efekty od 0.43 wzwyż, a efekty poniżej 0.30 najpewniej przegapi.

Calculate: Power i Effect size – gdy N jest z góry ustalone

Studenci często nie wybierają liczebności, tylko ją dostają: dwie grupy ćwiczeniowe po 40 osób. Wtedy pytanie „ile osób?” traci sens. Lepiej zapytać: jaką moc ma ten plan i jaki najmniejszy efekt wykrywa?

  • Calculate → Power, N for group 1 = 40, δ = 0.5: moc wynosi 0.598. Ostatnia kolumna tabeli daje δ = 0.444 dla mocy 50%.
  • Calculate → Effect size, N for group 1 = 40, moc 0.9: najmniejszy efekt wykrywalny to δ = 0.734, a przy mocy 0.8 – 0.634. Tabela Power by Effect Size ma progi 0.444, 0.634 i 0.816.

To jest analiza wrażliwości – zakres efektów, które badanie wykryje z wystarczającą mocą (Lakens, 2022). Na rysunku 1 widać, że przy 40 osobach w grupie efekt 0.5 ma mniej więcej takie same szanse na wykrycie jak rzut monetą z lekką przewagą. Podobny wykres daje opcja Power curve by effect size. Jest ona niedostępna, gdy liczysz N, bo wtedy liczebność nie jest jeszcze znana.

Krzywa mocy testu t dla dwóch grup po 40 osób w zależności od prawdziwej wielkości efektu: przy δ = 0.5 moc wynosi 0.60, moc 0.9 osiągana jest dopiero od δ = 0.73; tło podzielone na pasy mocy do 50%, 50–80%, 80–95% i powyżej 95%
Rysunek 1. Moc testu t dla prób niezależnych (40 + 40 osób, test dwustronny, α = 0.05) w zależności od prawdziwej wielkości efektu δ. Pasy odpowiadają przedziałom z tabeli Power by Effect Size. To nie jest zrzut ekranu z jamovi. Obliczenia i rysunek: R.

Do pracy taki wynik jest uczciwszy niż „moc obserwowana” liczona z własnych wyników po badaniu. Dlaczego ta druga nic nie wnosi, wyjaśnia wpis moc po fakcie – co podać zamiast.

Grupy nierówne i test jednostronny

Relative size of group 2 to group 1. Jeśli grupa kontrolna ma być dwa razy większa, wpisz 2. Przy δ = 0.5 i mocy 0.9 potrzeba wtedy 64 osób w grupie 1 i 128 w grupie 2, razem 192. Grupy równe dawały razem 172. Nierówny podział jest więc mniej oszczędny, ale bywa uzasadniony, np. gdy łatwiej zebrać jedną z grup.

Tails: one-tailed (consistent). Test jednostronny przy tych samych ustawieniach wymaga 70 osób w grupie zamiast 86. Wybierz go tylko wtedy, gdy kierunek hipotezy ustalono przed zebraniem danych i wynik w przeciwną stronę nie miałby znaczenia. Szczegóły: test jednostronny i dwustronny.

Rysunek 2 i tabela w kodzie R pokazują, jak potrzebne N zależy od δ. Przy δ = 0.2 to 394 osoby w grupie dla mocy 0.8 i 527 dla mocy 0.9. Przy δ = 0.8 – odpowiednio 26 i 34.

Wykres liczebności w każdej grupie potrzebnej w teście t dla dwóch grup w zależności od najmniejszej interesującej wielkości efektu od 0.2 do 1.0, dla mocy 0.8 i 0.9: 394 i 527 osób przy δ = 0.2, 64 i 86 przy δ = 0.5, 26 i 34 przy δ = 0.8
Rysunek 2. Liczebność w każdej grupie potrzebna w teście t dla prób niezależnych (grupy równe, test dwustronny, α = 0.05) przy mocy 0.8 i 0.9. Oś pionowa w skali logarytmicznej. To nie jest zrzut ekranu z jamovi. Obliczenia i rysunek: R.

Paired Samples i One Sample: inne δ

W Paired Samples T-Test jpower liczy moc funkcją pwr.t.test z typem "paired" (Morey i Selker, b.d.). δ oznacza tu średnią różnic podzieloną przez odchylenie standardowe różnic, czyli dz, a N to liczba par. Przy domyślnych ustawieniach (δ = 0.5, moc 0.9) wychodzi 44 pary. Tabela A Priori Power Analysis ma tu kolumny N, Effect Size, Power i α, bez kolumny dla 50% mocy.

Pułapka: efekt z literatury jest zwykle podany w jednostkach odchylenia standardowego pomiaru (d), a nie różnic. Przy równych odchyleniach obu pomiarów dz = d / √(2(1 − r)), gdzie r to korelacja przed–po. Lakens (2013) szczegółowo omawia różnice między miarami efektu dla planów wewnątrz- i międzyosobowych. Dla d = 0.5 i mocy 0.9:

Liczba par dla d = 0.5 (w jednostkach SD pomiaru), moc 0.9, α = 0.05, test dwustronny – liczby policzone w R
Korelacja przed–po rδ do wpisania w jpower (dz)N par
.30.42361
.50.50044
.70.64528
.80.79119

Jeśli wpiszesz d = 0.5 jako δ, a pomiary korelują na poziomie .7, przeszacujesz potrzebną próbę (44 zamiast 28 par). Jeśli korelacja jest niska, a przyjmiesz ją wysoką – niedoszacujesz. Korelację weź z wcześniejszych badań tym samym narzędziem i podaj ją w opisie. Przy 30 parach i dz = 0.5 moc wynosi 0.754, a najmniejszy efekt wykrywalny z mocą 0.9 to dz = 0.612. Porównanie planu z parami i planu z dwiema grupami pokazuje zadanie 8 w zbiorze moc testu i liczebność próby – zadania.

One Sample T-Test ma te same pola co analiza dla par, a w kodzie modułu dziedziczy po niej obliczenia (Morey i Selker, b.d.). δ to tu różnica między średnią a wartością odniesienia, podzielona przez SD. Przy δ = 0.5 i mocy 0.9 wynik jest ten sam: 44 osoby.

Wykresy i tekst objaśniający

Według definicji wyników jpower oferuje cztery wykresy (Morey i Selker, b.d.):

  • Power Contour – mapa mocy dla kombinacji liczebności grupy 1 (oś pozioma) i hipotetycznego efektu δ (oś pionowa). Czarna linia łączy kombinacje N i δ, które dają wybraną moc, a punkt oznacza Twój plan.
  • Power Curve by Effect Size – moc w funkcji δ przy ustalonym N (jak na rysunku 1). Niedostępna przy Calculate: N.
  • Power Curve by N – moc w funkcji liczebności przy ustalonym δ. Niedostępna przy Calculate: Effect size.
  • Power Demonstration – dwa rozkłady z próby oszacowanego efektu: gdy δ = 0 i gdy δ ma wpisaną wartość, z liniami przerywanymi w miejscu wartości krytycznych. To dobra ilustracja błędów I i II rodzaju na obronę.

Opcja Explanatory text dodaje pod tabelą i każdym wykresem akapit po angielsku. Moduł wstawia do niego Twoje liczby, np. że do wykrycia δ ≥ 0.5 z prawdopodobieństwem większym niż 0.9 potrzeba 86 osób w grupie przy dwustronnym kryterium i α = 0.05. Te teksty dobrze objaśniają wynik. Nie przeklejaj ich jednak do pracy po polsku słowo w słowo – lepiej napisać własne zdanie według wzoru niżej.

Czego jpower nie liczy

  • Tylko testy t. README modułu mówi, że w wersji testowej zaimplementowano tylko testy t. Analiza ANOVA jest w kodzie, ale w opisie modułu oznaczona jako ukryta (Morey i Selker, b.d.). Mocy dla ANOVA, χ², regresji i interakcji 2 × 2 nie policzysz – służy do tego kalkulator mocy: ANOVA, χ², regresja albo R. Moc dla interakcji omawia osobny wpis moc testu dla interakcji.
  • Klasyczny test t Studenta. Obliczenia zakładają równe wariancje w grupach. Nie ma wariantu dla testu Welcha ani testów nieparametrycznych.
  • Bez poprawki na odpadanie. Wynik to liczba osób, które mają trafić do analizy. Zapas na braki doliczasz sam (zadanie 5 w zbiorze zadań).
  • Bez planów złożonych. Losowanie całych klas, model mieszany czy pomiary wielokrotne wymagają symulacji – zob. analiza mocy dla modelu mieszanego i hasło o parametrze niecentralności i symulacyjnej analizie mocy.
  • Precyzja zamiast mocy. Jeśli celem jest oszacowanie efektu z określoną dokładnością, a nie test, zob. liczebność próby z precyzji (AIPE).

Szerszy wybór testów ma m.in. program G*Power, opisany w haśle analiza mocy a priori (G*Power).

Opis analizy mocy w pracy

W Metodzie podaj test, δ wraz z uzasadnieniem, α, kierunek testu, moc, wynik i program z wersją modułu. Jeśli zakładasz odpadanie, podaj, ile osób rekrutujesz. Wzór do dostosowania:

Liczebność próby ustalono za pomocą analizy mocy a priori dla testu t dla prób niezależnych (jamovi, moduł jpower 0.1.3). Przyjęto najmniejszy interesujący efekt δ = 0.50 [uzasadnienie: np. efekt uznany za praktycznie istotny lub efekt z metaanalizy], dwustronny poziom istotności α = .05 i moc 0.90. Analiza wskazała 86 osób w każdej grupie (łącznie 172). Przy tej liczebności badanie ma 50% mocy dla efektu δ = 0.30 i co najmniej 80% mocy dla efektów δ ≥ 0.43.

Gdy liczebność była z góry ustalona, zamiast analizy a priori opisz analizę wrażliwości: „Przy 40 osobach w każdej grupie, α = .05 (test dwustronny) badanie miało moc 0.80 do wykrycia efektów δ ≥ 0.63 i moc 0.90 dla δ ≥ 0.73”. Opis samego wyniku testu t ułatwi generator opisu wyników APA, a test t w jamovi krok po kroku pokazuje wpis test t w jamovi.

Przykład reprodukowalny

Te same liczby w R (pwr i power.t.test)

Pakietu R z modułem jpower nie używamy. Liczby odtwarzamy tymi samymi wzorami. Dla prób niezależnych moduł szuka najmniejszego N, przy którym moc z niecentralnego rozkładu t osiąga zadaną wartość, i zaokrągla je w górę. Dla prób zależnych i jednej próby wywołuje pwr::pwr.t.test (Morey i Selker, b.d.). Kontrolnie podajemy wynik power.t.test z strict = TRUE. Bez tej opcji funkcja przy teście dwustronnym pomija drugi ogon i daje minimalnie inne liczby. Danych ani ziarna losowania nie potrzeba – obliczenia są dokładne.

1. Independent Samples T-Test: N, moc, najmniejszy efekt

Dane wejściowe: brak; pakiet pwr.

Co odczytać: N w grupach dla ustawień domyślnych, kolumnę dla 50% mocy i progi tabeli Power by Effect Size, moc i najmniejszy efekt przy 40 + 40, grupy nierówne, test jednostronny, tabelę N dla różnych δ.

R
# B558 – analiza mocy w jamovi (jpower): Independent Samples T-Test policzony w R
# jpower liczy moc z niecentralnego rozkładu t (pakiet pwr i własne funkcje modułu).
# Ustawienia jak domyślne w oknie jpower: Calculate = N per group, δ = 0.5, moc 0.9,
# α = 0.05, test dwustronny, stosunek liczebności N2/N1 = 1. Danych nie potrzeba.
suppressPackageStartupMessages(library(pwr))

# Moc testu t dla dwóch grup z niecentralnego rozkładu t (oba ogony)
moc_t2 <- function(n1, n2, d, alpha = .05, ogony = "two.sided") {
  df <- n1 + n2 - 2
  ncp <- d * sqrt(n1 * n2 / (n1 + n2))
  if (ogony == "two.sided") {
    kr <- qt(1 - alpha / 2, df)
    pt(kr, df, ncp, lower.tail = FALSE) + pt(-kr, df, ncp)
  } else {
    pt(qt(1 - alpha, df), df, ncp, lower.tail = FALSE)
  }
}
# Najmniejsze N1 (N2 = ceiling(ratio * N1)) dające co najmniej zadaną moc
n_dla_mocy <- function(d, moc = .9, alpha = .05, ratio = 1, ogony = "two.sided") {
  n1 <- 2
  while (moc_t2(n1, ceiling(ratio * n1), d, alpha, ogony) < moc) n1 <- n1 + 1
  c(N1 = n1, N2 = ceiling(ratio * n1))
}

# 1. Calculate: N per group (ustawienia domyślne)
n <- n_dla_mocy(d = 0.5, moc = .9)
print(n)
cat(sprintf("moc przy tych N: %.4f\n", moc_t2(n[1], n[2], 0.5)))
# kontrola: pwr::pwr.t.test i stats::power.t.test (strict = TRUE liczy oba ogony)
cat(sprintf("pwr.t.test: n = %.2f; power.t.test: n = %.2f\n",
            pwr.t.test(d = 0.5, power = .9, sig.level = .05)$n,
            power.t.test(delta = 0.5, sd = 1, power = .9, sig.level = .05, strict = TRUE)$n))

# Kolumna "ES for design to have 50% power" i tabela Power by Effect Size
d_dla <- function(moc, n1, n2) pwr.t2n.test(n1 = n1, n2 = n2, power = moc, sig.level = .05)$d
cat(sprintf("delta dla mocy 50%%, 80%%, 95%% przy N = %d + %d: %s\n", n[1], n[2],
            paste(sprintf("%.3f", sapply(c(.5, .8, .95), d_dla, n1 = n[1], n2 = n[2])), collapse = ", ")))

# 2. Calculate: Power – grupy po 40 osób, δ = 0.5
cat(sprintf("moc przy N = 40 + 40 i delta = 0.5: %.3f\n", moc_t2(40, 40, 0.5)))
cat(sprintf("delta dla mocy 50%% przy N = 40 + 40: %.3f\n", d_dla(.5, 40, 40)))

# 3. Calculate: Effect size – grupy po 40 osób, moc 0.9 i 0.8
cat(sprintf("najmniejsze delta przy N = 40 + 40: moc 0.9 -> %.3f; moc 0.8 -> %.3f\n",
            d_dla(.9, 40, 40), d_dla(.8, 40, 40)))
cat(sprintf("delta dla mocy 50%%, 80%%, 95%% przy N = 40 + 40: %s\n",
            paste(sprintf("%.3f", sapply(c(.5, .8, .95), d_dla, n1 = 40, n2 = 40)), collapse = ", ")))

# 4. Grupy nierówne: N2/N1 = 2 oraz test jednostronny
n2 <- n_dla_mocy(d = 0.5, moc = .9, ratio = 2)
cat(sprintf("ratio 2: N1 = %d, N2 = %d, razem %d (przy równych grupach razem %d)\n",
            n2[1], n2[2], sum(n2), sum(n)))
n1s <- n_dla_mocy(d = 0.5, moc = .9, ogony = "greater")
cat(sprintf("test jednostronny: N1 = N2 = %d\n", n1s[1]))

# 5. Inne δ przy mocy 0.9 i 0.8 (N w każdej grupie)
tab <- sapply(c(0.2, 0.3, 0.4, 0.5, 0.6, 0.8), function(d)
  c(delta = d, moc_0.8 = n_dla_mocy(d, .8)[[1]], moc_0.9 = n_dla_mocy(d, .9)[[1]]))
print(t(tab))

Wynik:

N1 N2 
86 86 
moc przy tych N: 0.9032
pwr.t.test: n = 85.03; power.t.test: n = 85.03
delta dla mocy 50%, 80%, 95% przy N = 86 + 86: 0.301, 0.430, 0.553
moc przy N = 40 + 40 i delta = 0.5: 0.598
delta dla mocy 50% przy N = 40 + 40: 0.444
najmniejsze delta przy N = 40 + 40: moc 0.9 -> 0.734; moc 0.8 -> 0.634
delta dla mocy 50%, 80%, 95% przy N = 40 + 40: 0.444, 0.634, 0.816
ratio 2: N1 = 64, N2 = 128, razem 192 (przy równych grupach razem 172)
test jednostronny: N1 = N2 = 70
     delta moc_0.8 moc_0.9
[1,]   0.2     394     527
[2,]   0.3     176     235
[3,]   0.4     100     133
[4,]   0.5      64      86
[5,]   0.6      45      60
[6,]   0.8      26      34

2. Paired Samples i One Sample T-Test

Dane wejściowe: brak; pakiet pwr.

Co odczytać: liczbę par i osób dla ustawień domyślnych, przeliczenie d na dz przy różnych korelacjach przed–po i wynik dla 30 par.

R
# B558 – analiza mocy w jamovi (jpower): Paired Samples T-Test i One Sample T-Test policzone w R
# jpower liczy te analizy funkcją pwr::pwr.t.test (type = "paired" albo "one.sample").
# δ to tu średnia różnic podzielona przez SD różnic (d_z), a N to liczba par.
suppressPackageStartupMessages(library(pwr))

# 1. Paired Samples T-Test, ustawienia domyślne: δ = 0.5, moc 0.9, α = 0.05, dwustronnie
p <- pwr.t.test(d = 0.5, power = .9, sig.level = .05, type = "paired")
cat(sprintf("pary: n = %.3f -> N = %d\n", p$n, ceiling(p$n)))
o <- pwr.t.test(d = 0.5, power = .9, sig.level = .05, type = "one.sample")
cat(sprintf("jedna próba: n = %.3f -> N = %d\n", o$n, ceiling(o$n)))
cat(sprintf("kontrola power.t.test (paired, strict = TRUE): n = %.3f\n",
            power.t.test(delta = 0.5, sd = 1, power = .9, type = "paired", strict = TRUE)$n))

# 2. Ten sam efekt w jednostkach SD pomiaru (d = 0.5) a d_z przy różnej korelacji przed–po
# Przy równych SD pomiarów: SD różnic = SD * sqrt(2 * (1 - r)), więc d_z = d / sqrt(2 * (1 - r))
r <- c(0.3, 0.5, 0.7, 0.8)
dz <- 0.5 / sqrt(2 * (1 - r))
N <- sapply(dz, function(x) ceiling(pwr.t.test(d = x, power = .9, sig.level = .05, type = "paired")$n))
print(data.frame(r = r, d_z = round(dz, 3), N_par = N), row.names = FALSE)

# 3. Moc i najmniejszy efekt przy 30 parach
cat(sprintf("30 par, d_z = 0.5: moc = %.3f\n", pwr.t.test(n = 30, d = 0.5, sig.level = .05, type = "paired")$power))
cat(sprintf("30 par, moc 0.9: najmniejsze d_z = %.3f; moc 0.5: d_z = %.3f\n",
            pwr.t.test(n = 30, power = .9, sig.level = .05, type = "paired")$d,
            pwr.t.test(n = 30, power = .5, sig.level = .05, type = "paired")$d))

Wynik:

pary: n = 43.995 -> N = 44
jedna próba: n = 43.995 -> N = 44
kontrola power.t.test (paired, strict = TRUE): n = 43.996
   r   d_z N_par
 0.3 0.423    61
 0.5 0.500    44
 0.7 0.645    28
 0.8 0.791    19
30 par, d_z = 0.5: moc = 0.754
30 par, moc 0.9: najmniejsze d_z = 0.612; moc 0.5: d_z = 0.370

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3; rysunki wykonano w pakietach ggplot2 i svglite (kodu rysunków nie pokazujemy). Moduł jpower i jamovi nie były uruchamiane. W pracy podaj wersję jamovi i jpower albo R, której faktycznie użyłeś.

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. pwr (wersja 1.3.0): Champely, S. (2020). pwr: Basic functions for power analysis (R package version 1.3-0) [Computer software]. https://doi.org/10.32614/CRAN.package.pwr
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  4. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An ‘SVG’ graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Typowe błędy

  • δ = 0.5 „bo tak było w oknie”. To wartość domyślna, a nie uzasadnienie. Wynik jest tak dobry, jak δ, które wpiszesz.
  • d z literatury wpisane w Paired Samples. Moduł oczekuje dz. Bez przeliczenia z korelacją przed–po wynik może być daleko od prawdy.
  • N per group czytane jako N łącznie. 86 to liczba w każdej grupie.
  • Test jednostronny wybrany po to, żeby zmniejszyć próbę. Kierunek musi wynikać z hipotezy ustalonej z góry.
  • Brak zapasu na braki danych i rezygnacje. jpower podaje N do analizy, nie do rekrutacji.
  • jpower użyty do ANOVA „przez test t”. Moc dla kilku grup liczy się inaczej – użyj kalkulatora mocy.

Liczenie wyników w jamovi zaczniesz od wpisu przygotowanie danych i statystyki opisowe w jamovi. Inny moduł z biblioteki jamovi opisuje wpis metaanaliza w jamovi (MAJOR).

Najczęstsze pytania

Gdzie w jamovi jest analiza mocy?

Daje ją moduł jpower (Morey i Selker, b.d.). Zainstaluj go przez Modules → jamovi library (The jamovi project, b.d.). Po instalacji analizy są w Analyses → Power, w podgrupie jpower: Independent Samples T-Test, Paired Samples T-Test i One Sample T-Test. W polskiej wersji interfejsu nazwy mogą brzmieć inaczej.

Jaką wielkość efektu wpisać w jpower?

Najmniejszy efekt, który byłby dla Ciebie ważny (δ w jednostkach odchylenia standardowego). Wartość domyślna 0.5 to tylko ustawienie startowe okna. Efekt z małego pilotażu bywa zawyżony i prowadzi do zbyt małej próby (Albers i Lakens, 2018). Jak wybrać δ, wyjaśnia poradnik o doborze liczebności próby.

Dlaczego jpower podaje dla prób zależnych tak małe N?

W Paired Samples T-Test δ to średnia różnic podzielona przez SD różnic (dz), a N to liczba par. Przy dodatniej korelacji pomiarów SD różnic jest mniejsze, więc ten sam efekt w jednostkach SD pomiaru daje większe dz. Przy d = 0.5 i r = .7 to dz = 0.645 i 28 par zamiast 44.

Czy w jpower policzę moc dla ANOVA albo korelacji?

Nie. Wersja 0.1.3 ma tylko trzy analizy dla testu t. ANOVA jest w kodzie modułu, ale oznaczona jako ukryta. Moc dla ANOVA, χ², regresji i interakcji policzysz w kalkulatorze mocy na metodolog.pl albo w R.

Czy jpower nadaje się do mocy po fakcie?

Technicznie możesz wpisać N i efekt z własnych wyników, ale taka „moc obserwowana” nic nowego nie mówi – wynika z wartości p. Zamiast niej podaj przedział ufności efektu i analizę wrażliwości: najmniejsze δ, które Twoja próba wykrywa z mocą 0.8 lub 0.9 (opcja Calculate → Effect size).

Powiązane hasła

Przeczytaj też

Nie wiesz, ile osób potrzebujesz do badania?

Pomożemy dobrać najmniejszy interesujący efekt, policzyć liczebność dla Twojego planu (także poza testem t) i opisać uzasadnienie liczebności tak, żebyś umiał(a) je obronić.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Albers, C., & Lakens, D. (2018). When power analyses based on pilot data are biased: Inaccurate effect size estimators and follow-up bias. Journal of Experimental Social Psychology, 74, 187–195. https://doi.org/10.1016/j.jesp.2017.09.004 ● Otwarty dostęp
  2. Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155–159. https://doi.org/10.1037/0033-2909.112.1.155
  3. Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, Article 863. https://doi.org/10.3389/fpsyg.2013.00863 ● Otwarty dostęp
  4. Lakens, D. (2022). Sample size justification. Collabra: Psychology, 8(1), Article 33267. https://doi.org/10.1525/collabra.33267 ● Otwarty dostęp
  5. Morey, R. D., & Selker, R. (b.d.). jpower: Power analysis for common research designs (moduł jamovi, wersja 0.1.3) – pliki definicji analiz i kod modułu. GitHub. https://github.com/richarddmorey/jpower ● Otwarty dostęp
  6. The jamovi project. (b.d.). Library modules. https://www.jamovi.org/modules.html ● Otwarty dostęp

Cytowania BibTeX

@article{albers2018when, author={Albers, Casper and Lakens, Daniël}, title={{When power analyses based on pilot data are biased: Inaccurate effect size estimators and follow-up bias}}, journal={Journal of Experimental Social Psychology}, year={2018}, volume={74}, pages={187--195}, doi={10.1016/j.jesp.2017.09.004}}
@article{cohen1992power, author={Cohen, Jacob}, title={{A power primer}}, journal={Psychological Bulletin}, year={1992}, volume={112}, number={1}, pages={155--159}, doi={10.1037/0033-2909.112.1.155}}
@article{lakens2013calculating, author={Lakens, Daniël}, title={{Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs}}, journal={Frontiers in Psychology}, year={2013}, volume={4}, eid={863}, doi={10.3389/fpsyg.2013.00863}}
@article{lakens2022sample, author={Lakens, Daniël}, title={{Sample size justification}}, journal={Collabra: Psychology}, year={2022}, volume={8}, number={1}, eid={33267}, doi={10.1525/collabra.33267}}
@misc{moreyndjpower, author={Morey, Richard D. and Selker, Ravi}, title={{jpower: Power analysis for common research designs (moduł jamovi, wersja 0.1.3) – pliki definicji analiz i kod modułu}}, howpublished={GitHub}, year={b.d.}, url={https://github.com/richarddmorey/jpower}}
@misc{jamovindmodules, author={{The jamovi project}}, title={{Library modules}}, howpublished={jamovi}, year={b.d.}, url={https://www.jamovi.org/modules.html}}
R