Analiza statystyczna w doktoracie – plan części empirycznej i cykl publikacji

Autor: Konrad Hryniewicz · Opublikowano: 16 października 2026

Od czego zacząć: statystyka w doktoracie to część planu, nie ostatni etap

W pracy magisterskiej analiza statystyczna często zaczyna się wtedy, gdy dane są już w arkuszu. W doktoracie taka kolejność się mści. Część empiryczna rozprawy to zwykle kilka badań rozłożonych na cztery lata, a każde potrzebuje uzasadnionej liczebności, zgody komisji etycznej, planu analiz i miejsca w harmonogramie, który w połowie kształcenia ocenia komisja. Przy rozprawie z cyklu artykułów dochodzą recenzje w czasopismach i pytanie, jak z jednego projektu przygotować kilka publikacji bez dzielenia wyników na sztuczne kawałki.

Poniżej przechodzimy przez decyzje na pierwszy rok – od formy rozprawy po autorstwo. Liczby pokazujemy na jednym przykładzie: doktorat z psychologii z trzema badaniami – walidacją polskiej wersji skali, badaniem podłużnym z dwoma pomiarami i eksperymentem z interwencją. Liczebności policzyliśmy w R (kod na końcu wpisu). Przepisy cytujemy według tekstu ujednoliconego ustawy w ISAP, uwzględniającego zmiany do Dz.U. 2026 poz. 912 (sprawdzono 16 października 2026 r.). To nie jest porada prawna – szczegóły, które ustawa zostawia uczelniom, znajdziesz w regulaminie szkoły doktorskiej i uchwałach rady naukowej.

Monografia czy cykl publikacji – co mówi ustawa

Zgodnie z art. 187 ust. 3 ustawy z dnia 20 lipca 2018 r. – Prawo o szkolnictwie wyższym i nauce (tekst jednolity: Dz.U. 2024 poz. 1571 ze zm.; dalej: ustawa) rozprawę doktorską może stanowić praca pisemna, w tym monografia naukowa, zbiór opublikowanych i powiązanych tematycznie artykułów naukowych, praca projektowa, konstrukcyjna, technologiczna, wdrożeniowa lub artystyczna, a także samodzielna i wyodrębniona część pracy zbiorowej. Niezależnie od formy rozprawa prezentuje ogólną wiedzę teoretyczną kandydata i umiejętność samodzielnego prowadzenia pracy naukowej (art. 187 ust. 1), a rozprawę pisemną przed obroną sprawdza się w Jednolitym Systemie Antyplagiatowym (art. 188 ust. 4; zob. analiza statystyczna a system antyplagiatowy).

Stopień doktora wymaga też dorobku: co najmniej jednego artykułu w czasopiśmie naukowym lub w recenzowanych materiałach z konferencji międzynarodowej, ujętych w ministerialnym wykazie w roku publikacji artykułu w ostatecznej formie, albo monografii lub rozdziału w monografii wydawnictwa z wykazu (art. 186 ust. 1 pkt 3). Szczegóły ustawa zostawia uczelniom: senat albo rada naukowa określa m.in. tryb złożenia rozprawy i sposób sprawdzania wymagania publikacyjnego przy publikacjach wieloautorskich (art. 192 ust. 2 pkt 3 i 7). Ustawa mówi o artykułach „opublikowanych”, ale nie określa, ile ich ma być ani jakich oświadczeń współautorów wymaga się przy złożeniu rozprawy. Sprawdź to – i to, jak traktowane są artykuły przyjęte do druku – w zasadach swojej rady naukowej, zanim zaplanujesz badania.

W ankiecie wśród 246 osób, które niedawno uzyskały doktorat na podstawie rozprawy z publikacji na uczelniach australijskich, najczęściej wymieniano trudności ze spójnością rozprawy, presję czasu, przebieg procesu publikacyjnego i wsparcie promotora lub uczelni, a wśród zalet – m.in. efektywność, szersze rozpowszechnienie wyników, informację zwrotną z recenzji i rozwój umiejętności badawczych (Merga i in., 2020). Nethsinghe i Southcott (2015) dodają, że decyzję o takiej formie trzeba podjąć wcześnie, bo dane może być konieczne zebrać wcześnie.

Szkoła doktorska: indywidualny plan badawczy i ocena śródokresowa

Rozprawę przygotowuje się w szkole doktorskiej albo w trybie eksternistycznym (art. 197). W szkole doktorskiej kształcenie trwa od 6 do 8 semestrów, promotora wyznacza się w ciągu 3 miesięcy, a kształcenie prowadzi się na podstawie programu kształcenia i indywidualnego planu badawczego, w skrócie IPB (art. 201 ust. 1–3).

Ustawa wymaga w IPB „w szczególności” harmonogramu, więc resztę zakresu ustala szkoła. Z punktu widzenia statystyki dobry IPB podaje dla każdego badania pytanie, schemat, liczebność z uzasadnieniem, główną analizę, planowany artykuł i plan B:

Część empiryczna jako seria badań

Częsty układ doktoratu w psychologii i naukach społecznych prowadzi od pomiaru, przez związki zmiennych w czasie, do sprawdzenia przyczynowości – razem badania tworzą jeden argument.

Spójność narzędzi i decyzji między badaniami

• Ta sama wersja narzędzia – pozycje, instrukcja i skala odpowiedzi; każdą zmianę po badaniu 1 opisz i uzasadnij wynikami walidacji.
• Wspólna książka kodowa – te same nazwy zmiennych, kody braków i sposób liczenia wyników (zob. jak przygotować bazę danych do analizy).
• Rzetelność w każdej próbie – ω lub α liczone osobno w każdym badaniu (zob. omega McDonalda).
• Inwariancja pomiaru – zanim porównasz średnie grup albo pomiarów, sprawdź, czy skala mierzy to samo (inwariancja pomiaru; procedura: wielogrupowa CFA w lavaan).
• Te same reguły jakości danych – pytania kontrolne, kryteria wykluczeń i postępowanie z brakami ustalone raz dla całego projektu.
• Osobny plan analizy dla każdego badania, zapisany przed zebraniem danych. Prerejestracja pozwala odróżnić testowanie przewidywań od wyjaśniania wyników po fakcie (Nosek i in., 2018); wzór znajdziesz w poradniku plan analizy statystycznej i prerejestracja. Analizy dodane później opisuj jako eksploracyjne, bez HARKingu.

Przy więcej niż dwóch pomiarach rozważ modele CLPM i RI-CLPM albo model mieszany (ANOVA z powtarzanymi pomiarami czy model mieszany); standardy dla doktoratów medycznych omawiamy we wpisie statystyka w publikacji medycznej.

Moc i liczebność dla każdego badania – liczby z R

Uzasadnienie liczebności przyda się w IPB, we wniosku do komisji etycznej i grantodawcy oraz w każdym artykule. Lakens (2022) opisuje sześć sposobów takiego uzasadnienia – m.in. ograniczenia zasobów, analizę mocy a priori, planowanie dokładności i heurystyki – i zwraca uwagę na pytanie, jakie wielkości efektu zebrane dane pozwolą wykryć. W doktoracie najczęściej stosuje się analizę mocy a priori, osobno dla każdego badania, z efektem uzasadnionym wcześniejszymi badaniami albo najmniejszym efektem o praktycznym znaczeniu (więcej: dobór liczebności próby). W przykładzie przyjmujemy α = .05 i moc testu .90.

Badanie 1. W walidacji hipotezą jest dobre dopasowanie modelu, a zwykły test χ² sprawdza coś odwrotnego. MacCallum i in. (1996) zaproponowali test hipotezy zerowej o niedobrym dopasowaniu – wynik istotny mocno wspiera wtedy dobre dopasowanie – i pokazali, jak policzyć moc oraz minimalną liczebność, gdy efekt określa się wartościami RMSEA przy H₀ i H₁. Dla modelu z df = 53 moc .90 daje N = 312. Popularne „200 osób do CFA” dałoby w tym teście moc tylko .63.

Badanie 2. Efekt jest mały, bo kontrolujesz wyjściowy poziom Y: korelacja cząstkowa X z Y po pół roku wynosi .19 (f² = 0.039). Moc .90 wymaga 272 osób obecnych w obu pomiarach; symulacja dała moc .894, zgodną z obliczeniem analitycznym. Przy 20% odpadu do pierwszego pomiaru trzeba zaprosić 340 osób, a przy 150 osobach moc spadłaby do .67. Zaplanuj też analizę braków (zob. braki danych i imputacja wielokrotna w R).

Badanie 3. Do wykrycia efektu d = 0.40 (zob. d Cohena) z mocą .90 potrzeba 133 osób w grupie, a z mocą .80 – 100. Przy 15% rezygnacji rekrutujesz po 157 osób. Moc liczymy ostrożnie, dla testu t bez kowarianty – pomiar wyjściowy w ANCOVA zwykle ją zwiększa, a jej wartość dla takiego modelu policzysz symulacją. Przy 60 osobach w grupie moc dla d = 0.40 wyniesie .58, a najmniejszy efekt wykrywany z mocą .80 to d = 0.52 – taka analiza wrażliwości to gotowy element planu B.

Wzór uzasadnienia liczebności do części „Method” artykułu (dla trzech badań z przykładu):

Cała seria: ile wyników istotnych możesz realnie dostać

Jeśli wszystkie trzy efekty istnieją, a każde badanie ma moc około .90, prawdopodobieństwo, że wszystkie trzy dadzą wynik istotny, wynosi 73.2% (iloczyn mocy). W ponad jednej czwartej takich serii (26.8%) co najmniej jeden wynik będzie nieistotny, choć hipotezy są prawdziwe. Przy mocy .80 w każdym badaniu szansa na trzy wyniki istotne spada do 51.2%, a dwa istotne na trzy (38.4%) są niemal równie prawdopodobne. Lakens i Etz (2017) pokazują, że mieszane wyniki w serii badań są czymś oczekiwanym, a przy rozsądnej mocy i kontrolowanym poziomie błędu I rodzaju często świadczą na rzecz hipotezy alternatywnej; zachęcają, by takie serie publikować razem z metaanalizą wewnętrzną.

Dla doktoratu wniosek jest praktyczny: z góry zaplanuj, jak opiszesz wynik nieistotny (zob. hipoteza się nie potwierdziła), i nie zakładaj, że cykl musi się składać z samych „sukcesów” – od takiego założenia zaczyna się efekt szuflady. W omówieniu cyklu możesz połączyć wyniki badań w metaanalizie (zob. jak rzetelnie połączyć wyniki wielu badań).

Harmonogram na cztery lata – wykres Gantta

Rysunek 2 pokazuje przykładowy plan dla kształcenia trwającego 8 semestrów. Stałe punkty wynikają z ustawy: promotor w ciągu 3 miesięcy, IPB w ciągu 12 miesięcy i ocena śródokresowa w połowie okresu kształcenia – przy 8 semestrach około 24. miesiąca, a dokładny termin ustala szkoła (art. 201 ust. 2, art. 202 ust. 1–2). Pozostałe terminy to propozycja do uzgodnienia z promotorem.

• Pierwsze dane w pierwszym roku. Bez nich trudno pokazać postęp na ocenie śródokresowej. Przekład narzędzia przygotuj, czekając na decyzję komisji etycznej; pilotaż i dane – dopiero po niej.
• Kolejne badanie zaczynaj, zanim poprzedni artykuł wróci z recenzji. W przykładzie na recenzje przewidziano 6–7 miesięcy na artykuł; sprawdź, co czasopismo podaje o czasie oceny.
• Prerejestracja przed każdym badaniem (litera P) i dane z kodem udostępniane przy każdym artykule, a nie na końcu doktoratu.
• Przygotowanie do recenzji. Przed wysłaniem artykułu sprawdź najczęstsze zarzuty recenzentów do statystyki, a odpowiedź na uwagi przygotuj według wzorów odpowiedzi recenzentom.
• Przegląd literatury w pierwszym roku. Jeśli w cyklu ma się znaleźć przegląd systematyczny lub metaanaliza, zaplanuj je od razu (zob. metaanaliza wielopoziomowa, umbrella review i PRISMA 2020); czy artykuł przeglądowy może wejść do cyklu, określają zasady uczelni.
• Ostatnie pół roku na omówienie cyklu – wstęp i dyskusję, które łączą artykuły w jedną rozprawę.

Jeden zbiór danych w kilku artykułach – jak uniknąć „salami slicing”

„Salami slicing” to dzielenie wyników jednego badania na możliwie najmniejsze części, z których każda trafia do osobnego artykułu. Nethsinghe i Southcott (2015) opisują rozprawę z publikacji jako żonglowanie między spójnością całości a wydzielaniem publikowalnych części – tę równowagę trzeba zaplanować przed zebraniem danych.

Zalecenia Międzynarodowego Komitetu Wydawców Czasopism Medycznych (ICMJE) nie zabraniają kilku artykułów z jednego zbioru danych, ale stawiają warunki: artykuły oparte na tych samych danych powinny istotnie uzupełniać się nawzajem i cytować wcześniejsze publikacje z tego zbioru. Zalecenia opisują też – na przykładzie dużych badań klinicznych – planowanie od początku kilku publikacji o odrębnych pytaniach z tej samej próby; najważniejsze jest wtedy, by było to oczywiste dla czytelnika. Artykuł blisko związany z innym, złożonym lub przyjętym gdzie indziej, zgłaszasz z informacją o tym w liście do redakcji i z powiązanym tekstem (International Committee of Medical Journal Editors, 2026). Sprawdź też zasady wybranego czasopisma.

Najprostsza ochrona to mapa publikacji przygotowana przed zebraniem danych: tabela, w której każda zmienna ma rolę (wynik główny, predyktor, kowarianta, zmienna eksploracyjna) w konkretnym artykule, a każdy wynik główny występuje tylko w jednym artykule. Mapę dołącz do IPB i prerejestracji, a powiązania opisz wprost:

Plan zarządzania danymi (NCN) i pakiet replikacyjny

Plan zarządzania danymi (ang. data management plan, DMP) jest częścią wniosków do Narodowego Centrum Nauki – w ogłoszeniu konkursu PRELUDIUM 25 wymieniono go obok informacji o kwestiach etycznych (Narodowe Centrum Nauki, 2026). Warto go napisać w pierwszym roku, nawet bez wniosku grantowego, bo porządkuje decyzje, które i tak zapadają przed zebraniem danych. Wytyczne NCN rozumieją przez „dane” dane surowe i przetworzone w każdym formacie, także niecyfrowym, np. wypełnione kwestionariusze czy nagrania. Plan ma sześć części (Narodowe Centrum Nauki, 2020):

Według wytycznych dane należy udostępnić możliwie szybko – najpóźniej w momencie publikacji wyników – w repozytorium zgodnym z zasadami FAIR, z pierwszeństwem formatów otwartych; za uzasadniony okres przechowywania NCN uznaje minimum 10 lat (Narodowe Centrum Nauki, 2020). W PRELUDIUM dane będące podstawą publikacji – także tych w zamkniętym dostępie – powinny być udokumentowane zgodnie z FAIR i tam, gdzie to możliwe, udostępnione na licencji CC0 lub CC BY 4.0 (Narodowe Centrum Nauki, 2026). Strukturę folderów, README i skrypty, które działają od zera, opisujemy w poradniku pakiet replikacyjny – dane i kod do artykułu, a szerszy kontekst w haśle open science.

Komisja etyczna i zgoda uczestników

Wymogi wobec badań z udziałem ludzi określają uczelnie, czasopisma i grantodawcy, a w medycynie – także przepisy o komisjach bioetycznych. Punktem odniesienia są wytyczne NCN do formularza kwestii etycznych (Narodowe Centrum Nauki, 2023). Badania z udziałem ludzi obejmują w nich m.in. wywiady, obserwacje, użycie danych osobowych, interwencje psychologiczne i wykorzystanie wcześniej zebranych informacji. Udział musi być dobrowolny, a badacz musi uzyskać świadomą zgodę uczestników i zgodę właściwej komisji przed rozpoczęciem prac; w projektach NCN zgodę komisji dołącza się do pierwszego raportu rocznego. Celowa zmiana zachowania przez interwencje i treningi – jak w badaniu 3 – to aktywna interwencja psychologiczna, przy której opisuje się m.in. minimalizowanie ryzyka. Eksperyment medyczny wymaga pozytywnej opinii niezależnej komisji bioetycznej.

• Wniosek do komisji składaj przed pilotażem – pilotaż to też badanie z udziałem ludzi (zob. badanie pilotażowe).
• Zapytaj komisję o zakres zgody – czy wystarczy jeden wniosek dla projektu i czy np. dodanie interwencji wymaga nowej zgody.
• Zgoda uczestników musi obejmować udostępnienie danych. Formularz NCN pyta, czy zgoda zawiera informacje o przyszłym wykorzystaniu danych; bez nich plan otwartych danych może się nie udać (zob. świadoma zgoda i RODO w badaniach).

Granty dla doktorantów: PRELUDIUM

Dla osób bez stopnia doktora Narodowe Centrum Nauki prowadzi konkurs PRELUDIUM – na projekty badawcze realizowane przez osoby nieposiadające stopnia doktora (Narodowe Centrum Nauki, b.d.). Według ogłoszenia PRELUDIUM 25 z 16 marca 2026 r. (Narodowe Centrum Nauki, 2026):

• kierownikiem projektu może być osoba, która w dniu zamknięcia naboru nie ma stopnia doktora – i tylko raz;
• zespół liczy najwyżej trzy osoby, w tym kierownika projektu i opiekuna naukowego;
• projekt trwa 12, 24 lub 36 miesięcy i dotyczy badań podstawowych;
• temat może, ale nie musi być powiązany z tematem planowanej rozprawy;
• wniosek zawiera m.in. plan badań, informacje o kwestiach etycznych i plan zarządzania danymi;
• w projekcie nie można zaplanować stypendiów naukowych NCN ani stypendiów doktoranckich.

Kwoty, terminy naboru i szczegółowe warunki zmieniają się między edycjami – zawsze sprawdzaj bieżące ogłoszenie. Konkurs PRELUDIUM BIS dla doktorantów w szkołach doktorskich ma na liście konkursów krajowych NCN ostatnią edycję z 2023 r. – PRELUDIUM BIS 5, ogłoszony 15 czerwca 2023 r. (Narodowe Centrum Nauki, b.d.). Eksperci oceniają m.in. możliwość realizacji planowanych badań, więc uzasadniona liczebność i konkretny plan analiz wzmacniają wniosek. Zaplanuj jednak wersję badań możliwą bez grantu – wynik konkursu nie powinien decydować o doktoracie.

Współpraca ze statystykiem: rola i autorstwo

Współpraca ze statystykiem jest w nauce czymś zwyczajnym, ale w doktoracie granica pomocy jest ostrzejsza niż w artykule. Rozprawa ma prezentować umiejętność samodzielnego prowadzenia pracy naukowej (art. 187 ust. 1), a jeśli osoba ubiegająca się o stopień przypisała sobie autorstwo istotnego fragmentu lub innych elementów cudzego utworu lub ustalenia naukowego, podmiot doktoryzujący stwierdza nieważność decyzji o nadaniu stopnia (art. 195). Z konsultacji planu, sprawdzenia analiz czy obliczeń wykonanych z wyjaśnieniem korzystaj tak, by spełnić dwa warunki: rozumiesz każdą analizę i umiesz jej bronić oraz ujawniasz pomoc zgodnie z zasadami uczelni i czasopisma.

ICMJE zaleca, by autorstwo opierało się na czterech kryteriach spełnionych łącznie: (1) istotny wkład w koncepcję lub projekt pracy albo w pozyskanie, analizę lub interpretację danych; (2) przygotowanie tekstu lub jego krytyczna rewizja pod kątem ważnych treści merytorycznych; (3) akceptacja ostatecznej wersji do publikacji; (4) zgoda na odpowiedzialność za wszystkie aspekty pracy. Osoby, które nie spełniają wszystkich kryteriów, wymienia się w podziękowaniach z opisem wkładu; samo pozyskanie finansowania czy ogólny nadzór nad zespołem nie uzasadnia autorstwa. Każdy, kto spełnia pierwsze kryterium, powinien mieć możliwość udziału w przygotowaniu tekstu i akceptacji jego ostatecznej wersji, a o autorstwie zespół najlepiej decyduje już przy planowaniu pracy (International Committee of Medical Journal Editors, 2026).

Wiele czasopism prosi o opis wkładu w taksonomii CRediT (norma ANSI/NISO z 2022 r., 14 ról). Dla statystyka typowe są Formal analysis (techniki statystyczne, matematyczne lub obliczeniowe zastosowane do analizy danych), Methodology, Software, Data curation, Validation i Visualization. Role opisują wkład, a nie przesądzają o autorstwie; przy kilku osobach w tej samej roli można określić stopień wkładu: wiodący, równy albo wspierający (NISO CRediT Working Group, 2022).

Jakie dokumenty o wkładzie współautorów dołącza się do rozprawy, sprawdź w zasadach określonych przez senat albo radę naukową (art. 192 ust. 2). Jeśli chcesz zaplanować liczebność i analizy przed złożeniem IPB albo potrzebujesz obliczeń do kolejnych artykułów cyklu z wyjaśnieniem wyników, zobacz ofertę analiz statystycznych dla badaczy (analizy do publikacji naukowych i opracowanie części empirycznej).

# Badanie 1: walidacja skali – test braku bliskiego dopasowania (H0: RMSEA >= .05, H1: RMSEA = .01)
moc_rmsea <- function(N, df, e0 = .05, e1 = .01, alfa = .05) {
  n  <- N - 1
  kr <- qchisq(alfa, df, ncp = n * df * e0^2)   # odrzucamy H0, gdy chi-kwadrat < kr
  pchisq(kr, df, ncp = n * df * e1^2)
}
df1 <- 12 * 13 / 2 - (12 + 12 + 1)             # 12 pozycji, 2 skorelowane czynniki
N1  <- which(sapply(1:3000, moc_rmsea, df = df1) >= .90)[1]
c(df = df1, N = N1, moc = round(moc_rmsea(N1, df1), 3), moc_N200 = round(moc_rmsea(200, df1), 3))

# Badanie 2: X(T1) -> Y(T2) przy kontroli Y(T1); założone korelacje
R2 <- matrix(c(1, .25, .30,  .25, 1, .60,  .30, .60, 1), 3,
             dimnames = rep(list(c("X1", "Y1", "Y2")), 2))
pr <- (R2["X1", "Y2"] - R2["X1", "Y1"] * R2["Y1", "Y2"]) /
      sqrt((1 - R2["X1", "Y1"]^2) * (1 - R2["Y1", "Y2"]^2))   # korelacja cząstkowa
f2 <- pr^2 / (1 - pr^2)
moc_f2 <- function(N, f2, k = 2, alfa = .05) {   # test jednego współczynnika, k predyktorów
  v <- N - k - 1
  1 - pf(qf(1 - alfa, 1, v), 1, v, ncp = f2 * N)
}
N2 <- which(sapply(10:3000, moc_f2, f2 = f2) >= .90)[1] + 9
c(r_czastkowe = round(pr, 3), f2 = round(f2, 4), N = N2, rekrutacja = ceiling(N2 / .80),
  moc_N150 = round(moc_f2(150, f2), 3))
set.seed(3602)                                    # sprawdzenie symulacją
istotne <- replicate(5000, {
  d <- as.data.frame(MASS::mvrnorm(N2, mu = rep(0, 3), Sigma = R2))
  summary(lm(Y2 ~ Y1 + X1, data = d))$coefficients["X1", 4] < .05
})
mean(istotne)

# Badanie 3: eksperyment, dwie grupy, d = 0.40
n3 <- ceiling(power.t.test(delta = 0.40, power = .90)$n)
c(n_w_grupie = n3, rekrutacja = ceiling(n3 / .85),
  n_moc_80 = ceiling(power.t.test(delta = 0.40, power = .80)$n),
  moc_n60 = round(power.t.test(n = 60, delta = 0.40)$power, 3),
  d_min_n60 = round(power.t.test(n = 60, power = .80)$delta, 3))

# Cała seria: prawdopodobieństwo, że wszystkie trzy wyniki będą istotne
moce <- c(moc_rmsea(N1, df1), moc_f2(N2, f2), power.t.test(n = n3, delta = 0.40)$power)
round(c(wszystkie_3 = prod(moce), co_najmniej_1_nieistotny = 1 - prod(moce)), 3)
round(dbinom(0:3, 3, .80), 3)   # liczba wyników istotnych (0–3) przy mocy .80 w każdym badaniu

      df        N      moc moc_N200 
  53.000  312.000    0.901    0.631 
r_czastkowe          f2           N  rekrutacja    moc_N150 
      0.194       0.039     272.000     340.000       0.671 
[1] 0.8944
n_w_grupie rekrutacja   n_moc_80    moc_n60  d_min_n60 
   133.000    157.000    100.000      0.584      0.516 
             wszystkie_3 co_najmniej_1_nieistotny 
                   0.732                    0.268 
[1] 0.008 0.096 0.384 0.512

Najczęstsze błędy w planowaniu części empirycznej

• Analizy planowane po zebraniu danych. Bez planu zapisanego wcześniej trudno uniknąć p-hackingu i dopisywania hipotez do wyników.
• „200 osób, bo tak się przyjmuje”. W przykładowej walidacji daje to moc .63 zamiast .90; liczebność wylicz dla konkretnej hipotezy i każdego badania osobno.
• Brak zapasu na odpad – w badaniu podłużnym zaproś 340 osób, a nie 272.
• Zmiana narzędzia między badaniami bez opisu i uzasadnienia.
• Założenie, że wszystkie badania „wyjdą”. Nawet przy mocy .90 seria trzech prawdziwych efektów da co najmniej jeden wynik nieistotny w 26.8% przypadków.
• Komisja etyczna po rozpoczęciu badań albo zgoda uczestników bez informacji o udostępnianiu danych.
• Salami slicing – osobne artykuły dla podskal, podgrup albo kolejnych pomiarów tej samej analizy.
• Autorstwo ustalane po fakcie zamiast przed rozpoczęciem pracy.
• Harmonogram bez czasu na recenzje – ryzyko przy ocenie śródokresowej i terminie złożenia rozprawy.
• Nieznajomość lokalnych zasad – liczby artykułów i dokumentów o wkładzie współautorów nie ma w ustawie.

Lista kontrolna na cztery lata

Rok 1

• Znam zasady rady naukowej dotyczące rozprawy z artykułów.
• Mam mapę publikacji: pytania, zmienne i wynik główny każdego artykułu.
• Dla każdego badania mam uzasadnienie liczebności z analizą wrażliwości i zapasem na odpad.
• IPB złożyłam/złożyłem w ciągu 12 miesięcy, a plan zarządzania danymi jest gotowy.
• Mam zgodę komisji etycznej przed pilotażem, a zgoda uczestników obejmuje udostępnianie danych.
• Plan analizy badania 1 zarejestrowałam/zarejestrowałem przed zebraniem danych.

Rok 2

• Artykuł 1 jest w recenzji, a dane i kod są gotowe do udostępnienia.
• Badanie 2 ma prerejestrację, a pierwszy pomiar odbył się zgodnie z planem.
• Na ocenę śródokresową mam porównanie stanu prac z harmonogramem z IPB.

Rok 3

• Wyniki badania 2 opisuję spójnie z wcześniejszymi artykułami (to samo N, te same wykluczenia).
• Eksperyment ma prerejestrację, zgodę komisji i zapas na rezygnacje.
• Autorstwo i role CRediT w kolejnych artykułach są uzgodnione przed analizami.

Rok 4

• Artykuły cyklu mają status wymagany przez zasady rady naukowej.
• Omówienie łączy artykuły, a wyniki nieistotne są opisane uczciwie.
• Umiem samodzielnie wyjaśnić każdą analizę w rozprawie.

Najczęstsze pytania

Czy rozprawa doktorska może być cyklem artykułów?

Tak. Według art. 187 ust. 3 ustawy – Prawo o szkolnictwie wyższym i nauce rozprawę doktorską może stanowić m.in. zbiór opublikowanych i powiązanych tematycznie artykułów naukowych. Liczbę artykułów, wymagania wobec czasopism i dokumenty o wkładzie współautorów określają zasady uczelni (senatu albo rady naukowej), więc sprawdź je, zanim zaplanujesz badania.

Co powinien zawierać indywidualny plan badawczy doktoranta?

Ustawa wymaga, by indywidualny plan badawczy zawierał w szczególności harmonogram przygotowania rozprawy; doktorant opracowuje go w uzgodnieniu z promotorem i przedstawia w ciągu 12 miesięcy od rozpoczęcia kształcenia (art. 202 ust. 1). Warto opisać w nim każde badanie: pytanie, schemat, liczebność z uzasadnieniem, główną analizę, planowaną publikację i plan B, bo realizację planu ocenia komisja w ocenie śródokresowej.

Kiedy jest ocena śródokresowa w szkole doktorskiej?

W połowie okresu kształcenia określonego w programie, a przy kształceniu trwającym 6 semestrów – w czwartym semestrze (art. 202 ust. 2). Ocenia ją komisja trzech osób, w tym co najmniej jednej spoza podmiotu prowadzącego szkołę doktorską; promotor nie może być jej członkiem. Wynik jest pozytywny albo negatywny, a negatywny oznacza skreślenie z listy doktorantów (art. 203 ust. 1 pkt 1).

Czy z jednego badania można opublikować kilka artykułów do doktoratu?

Można, jeśli każdy artykuł odpowiada na inne pytanie i istotnie uzupełnia pozostałe. Zalecenia ICMJE wymagają cytowania wcześniejszych publikacji z tego samego zbioru danych i poinformowania redakcji o powiązanych tekstach. Dzielenie jednego wyniku na kilka artykułów (salami slicing) wprowadza w błąd czytelników i recenzentów.

Czy statystyk powinien być współautorem artykułu doktoranta?

Według zaleceń ICMJE – tylko wtedy, gdy spełnia wszystkie cztery kryteria autorstwa: istotny wkład (np. w analizę i interpretację danych), udział w przygotowaniu lub krytycznej rewizji tekstu, akceptację ostatecznej wersji i zgodę na odpowiedzialność za pracę. W przeciwnym razie wymienia się go w podziękowaniach z opisem wkładu. Role obu osób można opisać taksonomią CRediT, np. Formal analysis.

Ile osób trzeba zbadać w doktoracie?

Uniwersalnej liczby nie ma: liczebność wylicza się osobno dla każdego badania, z analizy mocy albo planowanej dokładności. W naszym przykładzie przy mocy .90 walidacja skali wymaga 312 osób, badanie podłużne – 272 osób obecnych w obu pomiarach (340 zaproszonych przy 20% odpadu), a eksperyment – 133 osób w grupie.

Powiązane hasła

Przeczytaj też

@misc{icmje2026recommendations, author={{International Committee of Medical Journal Editors}}, title={{Recommendations for the conduct, reporting, editing, and publication of scholarly work in medical journals (updated January 2026)}}, howpublished={ICMJE}, year={2026}, publisher={International Committee of Medical Journal Editors}, url={https://www.icmje.org/recommendations/}}

@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}}

@article{lakens2017too, author={Lakens, Daniël and Etz, Alexander J.}, title={{Too true to be bad: When sets of studies with significant and nonsignificant findings are probably true}}, journal={Social Psychological and Personality Science}, year={2017}, volume={8}, number={8}, pages={875--881}, doi={10.1177/1948550617693058}}

@article{maccallum1996power, author={MacCallum, Robert C. and Browne, Michael W. and Sugawara, Hazuki M.}, title={{Power analysis and determination of sample size for covariance structure modeling}}, journal={Psychological Methods}, year={1996}, volume={1}, number={2}, pages={130--149}, doi={10.1037/1082-989x.1.2.130}}

@article{merga2020what, author={Merga, Margaret K. and Mason, Shannon and Morris, Julia E.}, title={{‘What do I even call this?’ Challenges and possibilities of undertaking a thesis by publication}}, journal={Journal of Further and Higher Education}, year={2020}, volume={44}, number={9}, pages={1245--1261}, doi={10.1080/0309877x.2019.1671964}}

@techreport{ncn2020plandanych, author={{Narodowe Centrum Nauki}}, title={{Wytyczne dla wnioskodawców do uzupełnienia planu zarządzania danymi w projekcie badawczym}}, year={2020}, institution={Narodowe Centrum Nauki}, url={https://www.ncn.gov.pl/sites/default/files/pliki/regulaminy/wytyczne_zarzadzanie_danymi_06_2020.pdf}}

@techreport{ncn2023kwestieetyczne, author={{Narodowe Centrum Nauki}}, title={{Wytyczne dla wnioskodawców do uzupełnienia formularza dotyczącego kwestii etycznych w projekcie badawczym (Załącznik nr 1 do zarządzenia nr 33/2023 Dyrektora Narodowego Centrum Nauki z dnia 30 maja 2023 r.)}}, year={2023}, institution={Narodowe Centrum Nauki}, url={https://www.ncn.gov.pl/sites/default/files/pliki/regulaminy/2023_wytyczne_dla_wnioskodawcow_kwestie_etyczne.pdf}}

@misc{ncn2026preludium25, author={{Narodowe Centrum Nauki}}, title={{PRELUDIUM 25 [ogłoszenie konkursu]}}, year={2026}, url={https://www.ncn.gov.pl/ogloszenia/konkursy/preludium25}}

@misc{ncnndkonkursy, author={{Narodowe Centrum Nauki}}, title={{Konkursy krajowe}}, url={https://www.ncn.gov.pl/konkursy-krajowe}}

@article{nethsinghe2015juggling, author={Nethsinghe, Rohan and Southcott, Jane}, title={{A juggling act: Supervisor/candidate partnership in a doctoral thesis by publication}}, journal={International Journal of Doctoral Studies}, year={2015}, volume={10}, pages={167--185}, doi={10.28945/2256}}

@techreport{niso2022credit, author={{NISO CRediT Working Group}}, title={{ANSI/NISO Z39.104-2022, CRediT, Contributor Roles Taxonomy}}, year={2022}, institution={National Information Standards Organization}, doi={10.3789/ansi.niso.z39.104-2022}}

@article{nosek2018preregistration, author={Nosek, Brian A. and Ebersole, Charles R. and DeHaven, Alexander C. and Mellor, David T.}, title={{The preregistration revolution}}, journal={Proceedings of the National Academy of Sciences}, year={2018}, volume={115}, number={11}, pages={2600--2606}, doi={10.1073/pnas.1708274114}}

@misc{pswn2018ustawa, author={{Ustawa z dnia 20 lipca 2018 r. – Prawo o szkolnictwie wyższym i nauce}}, title={{Tekst jednolity (Dz.U. 2024 poz. 1571 z późn. zm.)}}, howpublished={Internetowy System Aktów Prawnych}, year={2018}, publisher={Kancelaria Sejmu RP}, url={https://isap.sejm.gov.pl/isap.nsf/DocDetails.xsp?id=WDU20180001668}}