Prace dyplomowe · jamovi

ANCOVA w jamovi krok po kroku: kowarianta, jednorodność nachyleń i średnie brzegowe

Okno Analyses → ANOVA → ANCOVA na badaniu przed i po z trzema grupami: kowarianta w Covariates, sprawdzenie nachyleń interakcją w Model, η² cząstkowe a ω², średnie brzegowe przy średniej kowarianty, post hoc z korektą i gotowy opis APA – z plikami do pobrania i tabelami z silnika jamovi.

Strona główna / Blog / ANCOVA w jamovi
W skrócie: ANCOVA w jamovi to okno Analyses → ANOVA → ANCOVA: wynik po do Dependent Variable, grupa do Fixed Factors, pomiar wyjściowy do Covariates. Najpierw sprawdź równoległość nachyleń: w Model dodaj interakcję grupa × kowarianta i odczytaj tylko jej wiersz. Potem wróć do modelu bez interakcji. Do pracy przepisz wiersz grupy z η² cząstkowym, średnie brzegowe z tabeli Estimated Marginal Means i porównania post hoc – w tym oknie są one liczone na średnich skorygowanych o kowariantę.

Kiedy ANCOVA i gdzie jest w jamovi

Analiza kowariancji (ANCOVA) porównuje średnie grup po uwzględnieniu zmiennej ilościowej związanej z wynikiem, czyli kowarianty. W pracach dyplomowych to zwykle badanie przed i po z grupą kontrolną: wynik po zajęciach jest zmienną zależną, grupa czynnikiem, a pomiar wyjściowy kowariantą. Dlaczego w takim schemacie ANCOVA zwykle wygrywa z analizą różnic, wyjaśnia wpis ANCOVA w badaniu przed i po. Tutaj zajmujemy się tylko jamovi: oknem, opcjami i tym, co przepisać z tabel.

W jamovi to osobne okno Analyses → ANOVA → ANCOVA (The jamovi project, b.d.-b). Dokumentacja pakietu jmv opisuje je jako tę samą analizę co ANOVA, tylko z dodanymi kowariantami (The jamovi project, b.d.-c). Większość opcji znasz z wpisu ANOVA w jamovi, a pierwsze kroki w programie – z wpisu jamovi krok po kroku. Nazwy opcji podajemy po angielsku według dokumentacji jamovi i definicji analiz jmv, a polskie – według pliku tłumaczeń jmv (The jamovi project, b.d.-c). W Twojej wersji etykiety mogą się nieco różnić. Ten sam przykład krok po kroku w SPSS opisuje wpis ANCOVA w SPSS.

Przykład i pliki do pobrania

Liczby pochodzą z jednego zbioru symulowanego (dane fikcyjne). 108 osób studiujących wylosowano do trzech grup po 36: warsztat oswajania ze statystyką, kurs e-learningowy albo grupa kontrolna bez zajęć. Przed zajęciami i po nich wszyscy wypełnili skalę lęku przed statystyką (10–50 pkt, więcej = silniejszy lęk). Czy po zajęciach grupy różnią się lękiem przy tym samym poziomie wyjściowym?

Pobierz plik CSV albo plik .sav z etykietami wartości i powtarzaj kroki w jamovi. Kolumny: id, grupa, pre (lęk przed) i post (lęk po).

Przygotowanie danych w jamovi

Jeden wiersz to jedna osoba, a pomiar przed i po to dwie osobne kolumny. Typ pomiaru (Measure type) zmienisz w edytorze zmiennej po dwukliku na nagłówku kolumny (The jamovi project, b.d.-a). Przed analizą sprawdź trzy rzeczy:

  • grupa ma typ Nominal, a pre i post – Continuous. Pole Covariates przyjmuje zmienne liczbowe, a zalecany typ to Continuous (The jamovi project, b.d.-c);
  • kolejność poziomów: warsztat, e-learning, kontrolna. Poziom na górze listy pojawi się pierwszy w tabelach i na wykresach (The jamovi project, b.d.-a);
  • kody braków, np. 99, wpisane w Missing values. Etykiety i braki opisuje wpis przygotowanie danych w jamovi.

Kowarianta musi być zmierzona przed przydziałem do grupy albo przed zajęciami. Zmienna zmierzona później może sama zależeć od grupy i wtedy korekta zniekształca efekt. ANCOVA nie „wyrówna” też grup, które naprawdę różnią się kowariantą, np. istniejących klas (Miller i Chapman, 2001). W takim schemacie przeczytaj najpierw o paradoksie Lorda.

Średnie i SD lęku przed i po w grupach da Analyses → Exploration → Descriptives z grupą w polu Split by (The jamovi project, b.d.-a). Przed zajęciami grupy były podobne: 32.64 (SD = 7.76) w warsztacie, 32.28 (SD = 7.15) w e-learningu i 31.58 (SD = 6.77) w kontrolnej. Po zajęciach średnie wyniosły odpowiednio 27.53 (SD = 7.16), 28.86 (SD = 6.28) i 30.81 (SD = 6.43).

  1. Analyses → ANOVA → ANCOVA. post przeciągnij do Dependent Variable (po polsku: Zmienna zależna), grupa do Fixed Factors (Czynniki stałe), a pre do Covariates (Współzmienne) (The jamovi project, b.d.-b).
  2. Effect Size: zaznacz partial η² i ω² (The jamovi project, b.d.-c).
  3. Model: na razie zostaw domyślne Model Terms. jamovi dodaje kowariantę tylko jako efekt główny, bez interakcji z czynnikiem. Sum of squares zostaw na domyślnym Type 3 (The jamovi project, b.d.-c).
  4. Assumption Checks: Homogeneity test i Normality test; dla oka także Q-Q Plot.
  5. Post Hoc Tests: grupa na prawą listę. Domyślna korekta to Tukey. W Effect Size zaznacz Cohen's d z Confidence interval.
  6. Estimated Marginal Means (Oszacowane średnie brzegowe): grupa do Term 1, zaznacz Marginal means tables. Wykres (Marginal means plots) jest włączony domyślnie (The jamovi project, b.d.-b, b.d.-c).

Tabele pokazujemy w układzie jamovi. Liczby policzyliśmy funkcją jmv::ancova, czyli tym samym kodem, który uruchamia program (Selker i in., 2025). Pogrubione są liczby, które trafią do pracy.

Krok 1: jednorodność nachyleń

ANCOVA zakłada, że związek lęku przed z lękiem po jest w każdej grupie taki sam. Linie regresji mają być równoległe. Sprawdzisz to modelem z interakcją grupa × kowarianta. W sekcji Model zaznacz w liście składników jednocześnie grupa i pre, kliknij strzałkę z menu rozwijanym i wybierz Interaction. Nowy składnik trafi do Model Terms (The jamovi project, b.d.-b).

ANCOVA – post, model z interakcją grupa × pre (typ 3 sum kwadratów) – liczby policzone pakietem jmv (silnik analiz jamovi); układ tabeli jak w jamovi
Sum of SquaresdfMean SquareFp
grupa49.883224.9411.294.279
pre2571.77912571.779133.453< .001
grupa:pre49.117224.5591.274.284
Residuals1965.65110219.271

Patrzysz tylko na wiersz interakcji: F(2, 102) = 1.27, p = .284. Nachylenia w grupach wynoszą 0.74 (warsztat), 0.55 (e-learning) i 0.77 (kontrolna) i nie różnią się istotnie. Wiersza grupa w tym modelu nie interpretuj – przy interakcji zależy on od wartości kowarianty, dla której porównuje się grupy.

Nieistotna interakcja nie dowodzi równoległości, bo test ma zwykle małą moc. Gdy interakcja jest wyraźna, zostaw ją w modelu, wycentruj kowariantę i opisz efekt dla kilku wartości wyjściowych. Tu interakcję usuwamy z Model Terms i wracamy do modelu domyślnego.

Krok 2: tabela ANCOVA

ANCOVA – post (efekty: grupa i pre; typ 3 sum kwadratów) – liczby policzone pakietem jmv (silnik analiz jamovi); układ tabeli jak w jamovi
Sum of SquaresdfMean SquareFpη²pω²
grupa291.7132145.8577.529< .001.126.051
pre2604.14912604.149134.423< .001.564.524
Residuals2014.76810419.373

W odróżnieniu od SPSS tabela nie ma wierszy Corrected Model, Intercept, Total i Corrected Total (The jamovi project, b.d.-b). Wiersz grupa to efekt zajęć przy wyrównanym lęku wyjściowym: F(2, 104) = 7.53, p < .001, η²p = .13. Wiersz pre pokazuje silny związek lęku przed z lękiem po – podaj go, choć to nie hipoteza. Typ 3 oznacza, że każdy efekt jest skorygowany o pozostałe, więc kolejność składników nie zmienia wyniku.

Dlaczego ω² (.051) jest tak dużo mniejsza od η²p (.126)? To dwie różne miary. η² cząstkowe dzieli sumę kwadratów grupy przez nią samą plus sumę reszt. Pomija więc wariancję wyjaśnioną przez kowariantę. ω² w jmv 2.7.7 ma w mianowniku sumę kwadratów wszystkich wierszy tabeli, razem z wierszem pre, i odejmuje oczekiwany wkład błędu (The jamovi project, b.d.-c). Przeliczyliśmy to ręcznie: (291.71 − 2 × 19.37) / (4910.63 + 19.37) = .051 (przepis 2). W ANCOVA z silną kowariantą η²p wychodzi więc wyraźnie wyżej. W pracy nazwij miarę dokładnie i nie porównuj η²p z jednego badania z ω² z innego.

Założenia: test Levene’a jmv liczy jako ANOVA bezwzględnych reszt modelu ANCOVA względem grup (The jamovi project, b.d.-c). Był nieistotny, F(2, 105) = 0.39, p = .678. Test Shapiro–Wilka dla reszt też: W = .99, p = .352.

Średnie brzegowe i porównania post hoc

Średnie brzegowe to średnie przewidywane przez model, a nie obserwowane. W ANCOVA jamovi liczy je przy kowariancie ustawionej na jej średniej. Sprawdziliśmy to w kodzie jmv i ręcznie: przewidywania modelu przy średnim lęku przed (32.17) dają dokładnie te same liczby (przepis 2).

Estimated Marginal Means – grupa (zmienna zależna: post) – liczby policzone pakietem jmv (silnik analiz jamovi); układ tabeli jak w jamovi
grupaMeanSELowerUpper
warsztat27.2030.73425.74728.659
e-learning28.7850.73427.33030.239
kontrolna31.2070.73429.75132.663

Surowa różnica między warsztatem a grupą kontrolną wynosiła 3.28 pkt. Skorygowana to 4.00 pkt, bo osoby z warsztatu zaczynały z nieco wyższym lękiem. Rysunek 1 pokazuje, skąd biorą się te liczby: trzy równoległe linie modelu i średnie brzegowe na wysokości średniego lęku przed.

Wykres rozrzutu lęku przed statystyką po zajęciach względem lęku przed zajęciami dla 108 osób w trzech grupach z trzema równoległymi liniami modelu ANCOVA o nachyleniu 0.69; na pionowej linii średniego lęku przed 32.17 zaznaczono średnie brzegowe: 27.20 w warsztacie, 28.78 w e-learningu i 31.21 w grupie kontrolnej
Rysunek 1. Lęk po zajęciach względem lęku przed. Linie to model ANCOVA ze wspólnym nachyleniem 0.69, a romby – średnie brzegowe przy średnim lęku przed. Pionowe odstępy między liniami to efekty grup. To nie jest zrzut ekranu z jamovi. Obliczenia i rysunek: R (dane symulowane).

Porównania par zamówione w Post Hoc Tests są w tym oknie oparte na średnich brzegowych. Mówi o tym notka pod tabelą, a w kodzie jmv porównania liczy pakiet emmeans na całym modelu (The jamovi project, b.d.-c). Uwzględniają więc kowariantę. W SPSS jest inaczej: przycisk Post Hoc porównuje średnie nieskorygowane, o czym piszemy we wpisie o SPSS.

Post Hoc Comparisons – grupa, korekty Tukey i Holm, d Cohena z 95% CI – liczby policzone pakietem jmv (silnik analiz jamovi); układ tabeli jak w jamovi
grupagrupaMean DifferenceSEdftptukeypholmCohen's dLowerUpper
warsztate-learning−1.5821.038104−1.524.284.130−0.359−0.8290.111
warsztatkontrolna−4.0041.039104−3.852< .001< .001−0.910−1.394−0.425
e-learningkontrolna−2.4221.038104−2.333.056.043−0.550−1.024−0.076

Warsztat obniżył lęk względem grupy kontrolnej o 4.00 pkt, t(104) = −3.85, pTukey < .001. Różnica e-learningu i grupy kontrolnej to 2.42 pkt. Z domyślną korektą Tukeya daje p = .056, a z poprawką Holma p = .043. Który wynik podać? Ten, którego korektę wybrałeś przed analizą. W naszym planie była to korekta Tukeya, więc różnicy e-learningu nie nazywamy istotną. Zamiana korekty po obejrzeniu tabeli to dopasowywanie wyniku.

Uwaga na d Cohena. W tym oknie jmv dzieli różnicę średnich brzegowych przez pierwiastek z MS reszt ANCOVA: 4.00 / √19.37 = 0.91 (The jamovi project, b.d.-c). Ta sama różnica podzielona przez połączone SD wyniku po w grupach (6.63) daje d = 0.60. Gdy porównujesz efekt z innymi badaniami, napisz, które SD jest w mianowniku.

Wykres średnich lęku po zajęciach z 95-procentowymi przedziałami ufności w trzech grupach: surowe średnie 27.53, 28.86 i 30.81 oraz średnie brzegowe z ANCOVA 27.20, 28.78 i 31.21 z wyraźnie węższymi przedziałami
Rysunek 2. Lęk po zajęciach: średnie surowe i średnie brzegowe z ANCOVA (pakiet jmv) z 95% przedziałami ufności. Średnie brzegowe z przedziałami pokaże też opcja Marginal means plots. Obliczenia i rysunek: R (dane symulowane).

Co dała kowarianta

Ta sama analiza bez pre w Covariates daje F(2, 105) = 2.22, p = .113, η²p = .04. Lęk wyjściowy wyjaśnił dużą część różnic między osobami: suma kwadratów reszt spadła z 4618.92 do 2014.77. Przedziały ufności średnich zwęziły się o 31–40% (rysunek 2). W badaniach randomizowanych ANCOVA i analiza różnic są nieobciążone, ale ANCOVA ma większą moc (Van Breukelen, 2006). Clifton i Clifton (2019) pokazują, że wynik różnicowy nie usuwa regresji do średniej ani nierównowagi na starcie, i zalecają uwzględnianie pomiaru wyjściowego w ANCOVA. Analizę główną zapisz jednak w planie przed zebraniem danych. Wybór wersji, „która wyszła istotna”, to błąd.

Zapis wyników w stylu APA

Podaj sprawdzenie nachyleń, wynik ANCOVA z nazwaną miarą efektu, średnie brzegowe z przedziałami i porównania z korektą. W metodzie wpisz wersję jamovi, typ sum kwadratów i korektę. Wzór do dostosowania:

Lęk przed statystyką po zajęciach porównano między trzema grupami analizą kowariancji (ANCOVA) z lękiem przed zajęciami jako kowariantą i sumami kwadratów typu III. Interakcja grupy i lęku wyjściowego była nieistotna, F(2, 102) = 1.27, p = .284, dlatego usunięto ją z modelu. Lęk przed zajęciami silnie przewidywał lęk po zajęciach, F(1, 104) = 134.42, p < .001. Po uwzględnieniu lęku wyjściowego grupy różniły się lękiem po zajęciach, F(2, 104) = 7.53, p < .001, η²p = .13. Średnie skorygowane wyniosły 27.20, 95% CI [25.75, 28.66] w grupie warsztatu, 28.78, 95% CI [27.33, 30.24] w grupie e-learningu i 31.21, 95% CI [29.75, 32.66] w grupie kontrolnej. Porównania z korektą Tukeya wykazały niższy lęk w grupie warsztatu niż w grupie kontrolnej, różnica = −4.00, t(104) = −3.85, p < .001. Różnice między e-learningiem a grupą kontrolną (p = .056) oraz między warsztatem a e-learningiem (p = .284) były nieistotne. Średnie skorygowane obliczono przy średnim lęku przed zajęciami (32.17).

Obok średnich skorygowanych pokaż w tabeli średnie surowe przed i po (zob. tabela ANOVA w APA). Jak opisać sam schemat przed–po i czego nie wnioskować, wyjaśnia wpis badanie przed i po – jak opisać. Zdania do innych analiz przygotuje generator opisu wyników APA.

Przykład reprodukowalny

To samo w R (pakiet jmv)

Pakiet jmv zawiera analizy jamovi, więc przepis 1 daje te same tabele co okno ANCOVA (Selker i in., 2025). Argumenty funkcji ancova odpowiadają opcjom okna, np. effectSize, homo, postHocCorr, emMeans (The jamovi project, b.d.-c). Interakcję do sprawdzenia nachyleń dopisujesz w formule jako grupa:pre. Samego jamovi tu nie uruchamialiśmy – liczby we wpisie pochodzą z tego kodu. Przepis 2 sprawdza ręcznie średnie brzegowe, ω² i d, a przepis 3 tworzy pliki do pobrania. Tabele wyników są szerokie: przewiń je w poziomie.

1. Okno ANCOVA funkcją jmv::ancova

Dane wejściowe: plik ancova-w-jamovi-dane.csv (108 osób; grupa, lęk przed i po); pakiet jmv.

Co odczytać: statystyki opisowe w grupach; tabelę modelu z interakcją grupa:pre; tabelę ANCOVA z η²p i ω², test Levene’a, test Shapiro–Wilka, porównania post hoc z korektami Tukeya i Holma oraz d z przedziałem ufności, średnie brzegowe; tabelę bez kowarianty.

R
# To samo w R: okno Analyses → ANOVA → ANCOVA wykonane pakietem jmv (silnik analiz jamovi)
library(jmv)
dane <- read.csv("ancova-w-jamovi-dane.csv")
dane$grupa <- factor(dane$grupa, levels = c("warsztat", "e-learning", "kontrolna"))

# 1. Exploration → Descriptives: lęk przed i po w trzech grupach (Split by: grupa)
descriptives(data = dane, vars = c("pre", "post"), splitBy = "grupa", desc = "rows",
             missing = FALSE, median = FALSE, min = FALSE, max = FALSE)

# 2. Krok 1 – jednorodność nachyleń: w Model Terms dodana interakcja grupa × pre
ancova(formula = post ~ grupa + pre + grupa:pre, data = dane, emmPlots = FALSE)

# 3. Krok 2 – właściwa ANCOVA (domyślny model: grupa + pre), η²p i ω², założenia,
#    post hoc z korektą Holma i d Cohena, średnie brzegowe przy średniej kowarianty
ancova(formula = post ~ grupa + pre, data = dane, effectSize = c("partEta", "omega"),
       homo = TRUE, norm = TRUE,
       postHoc = ~ grupa, postHocCorr = c("tukey", "holm"), postHocES = "d", postHocEsCi = TRUE,
       emMeans = ~ grupa, emmTables = TRUE, emmPlots = FALSE)

# 4. Dla porównania: ta sama analiza bez kowarianty (tylko wynik po)
ancova(formula = post ~ grupa, data = dane, effectSize = "partEta", emmPlots = FALSE)

Wynik:


 DESCRIPTIVES

 Descriptives                                         
 ──────────────────────────────────────────────────── 
           grupa         N     Mean        SD         
 ──────────────────────────────────────────────────── 
   pre     warsztat      36    32.63889    7.761269   
           e-learning    36    32.27778    7.149870   
           kontrolna     36    31.58333    6.771263   
   post    warsztat      36    27.52778    7.161349   
           e-learning    36    28.86111    6.275361   
           kontrolna     36    30.80556    6.426816   
 ──────────────────────────────────────────────────── 


 ANCOVA

 ANCOVA - post                                                                     
 ───────────────────────────────────────────────────────────────────────────────── 
                Sum of Squares    df     Mean Square    F             p            
 ───────────────────────────────────────────────────────────────────────────────── 
   grupa              49.88287      2       24.94144      1.294241     0.2785684   
   pre              2571.77895      1     2571.77895    133.452720    < .0000001   
   grupa:pre          49.11731      2       24.55866      1.274378     0.2840182   
   Residuals        1965.65085    102       19.27109                               
 ───────────────────────────────────────────────────────────────────────────────── 


 ANCOVA

 ANCOVA - post                                                                                               
 ─────────────────────────────────────────────────────────────────────────────────────────────────────────── 
                Sum of Squares    df     Mean Square    F             p             η²p          ω²          
 ─────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   grupa              291.7131      2      145.85653      7.528945     0.0008837    0.1264754    0.0513118   
   pre               2604.1485      1     2604.14850    134.423131    < .0000001    0.5638007    0.5242950   
   Residuals         2014.7682    104       19.37277                                                         
 ─────────────────────────────────────────────────────────────────────────────────────────────────────────── 


 ASSUMPTION CHECKS

 Homogeneity of Variances Test (Levene's) 
 ──────────────────────────────────────── 
   F            df1    df2    p           
 ──────────────────────────────────────── 
   0.3897727      2    105    0.6781865   
 ──────────────────────────────────────── 


 Normality Test (Shapiro-Wilk) 
 ───────────────────────────── 
   Statistic    p           
 ───────────────────────────── 
   0.9865299    0.3518737   
 ───────────────────────────── 


 POST HOC TESTS

 Post Hoc Comparisons - grupa                                                                                                                                   
 ────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   grupa              grupa         Mean Difference    SE          df          t            p-tukey      p-holm       Cohen's d     Lower         Upper         
 ────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   warsztat      -    e-learning          -1.581762    1.037653    104.0000    -1.524365    0.2837497    0.1304527    -0.3593730    -0.8294832     0.11073730   
                 -    kontrolna           -4.003955    1.039321    104.0000    -3.852472    0.0005893    0.0006075    -0.9096898    -1.3943654    -0.42501423   
   e-learning    -    kontrolna           -2.422193    1.038250    104.0000    -2.332957    0.0556874    0.0431505    -0.5503169    -1.0241724    -0.07646133   
 ────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   Note. Comparisons are based on estimated marginal means


 ESTIMATED MARGINAL MEANS

 GRUPA

 Estimated Marginal Means - grupa                                
 ─────────────────────────────────────────────────────────────── 
   grupa         Mean        SE           Lower       Upper      
 ─────────────────────────────────────────────────────────────── 
   warsztat      27.20291    0.7341101    25.74714    28.65868   
   e-learning    28.78467    0.7336048    27.32991    30.23944   
   kontrolna     31.20686    0.7343913    29.75054    32.66319   
 ─────────────────────────────────────────────────────────────── 


 ANCOVA

 ANCOVA - post                                                                               
 ─────────────────────────────────────────────────────────────────────────────────────────── 
                Sum of Squares    df     Mean Square    F           p            η²p         
 ─────────────────────────────────────────────────────────────────────────────────────────── 
   grupa              195.6296      2       97.81481    2.223585    0.1132922    0.0406330   
   Residuals         4618.9167    105       43.98968                                         
 ─────────────────────────────────────────────────────────────────────────────────────────── 

2. Kontrola ręczna: nachylenia, średnie brzegowe, ω² i d

Dane wejściowe: ten sam plik CSV; bazowy R (sumy kwadratów przepisane z tabeli ANCOVA).

Co odczytać: nachylenia w grupach, średni lęk przed i przewidywania modelu przy tej wartości, ω² i η²p z wzorów, d liczone na pierwiastku z MS reszt i na połączonym SD wyniku po.

R
# Kontrola ręczna liczb z tabel jamovi (bazowy R, te same dane)
dane <- read.csv("ancova-w-jamovi-dane.csv")
dane$grupa <- factor(dane$grupa, levels = c("warsztat", "e-learning", "kontrolna"))

# 1. Nachylenia pre → post osobno w grupach (to porównuje interakcja grupa:pre)
round(sapply(split(dane, dane$grupa), function(z) coef(lm(post ~ pre, data = z))[["pre"]]), 3)

# 2. Średnie brzegowe = przewidywania modelu ANCOVA przy średnim lęku przed
m <- lm(post ~ grupa + pre, data = dane)
sr_pre <- mean(dane$pre)
cat("średnia pre:", round(sr_pre, 3), "  wspólne nachylenie:", round(coef(m)[["pre"]], 3), "\n")
setNames(round(predict(m, newdata = data.frame(grupa = levels(dane$grupa), pre = sr_pre)), 3), levels(dane$grupa))

# 3. ω² w tabeli ANCOVA: (SS efektu − df × MS reszt) / (suma SS w tabeli + MS reszt)
SS <- c(grupa = 291.7131, pre = 2604.1485, Residuals = 2014.7682); MSE <- SS[["Residuals"]] / 104
cat("omega2 grupa =", round((SS[["grupa"]] - 2 * MSE) / (sum(SS) + MSE), 4),
    "  eta2p grupa =", round(SS[["grupa"]] / (SS[["grupa"]] + SS[["Residuals"]]), 4), "\n")

# 4. d Cohena w post hoc: różnica średnich brzegowych / pierwiastek z MS reszt ANCOVA
cat("pierwiastek MS reszt =", round(sqrt(MSE), 3), "  d (warsztat − kontrolna) =",
    round(-4.003955 / sqrt(MSE), 3), "\n")
# dla porównania: ta sama różnica podzielona przez połączone SD wyniku po w grupach (bez kowarianty)
sd_pol <- sigma(lm(post ~ grupa, data = dane))
cat("połączone SD wyniku po =", round(sd_pol, 3), "  d na tym SD =", round(-4.003955 / sd_pol, 3), "\n")

Wynik:

  warsztat e-learning  kontrolna 
     0.737      0.554      0.773 
średnia pre: 32.167   wspólne nachylenie: 0.688 
  warsztat e-learning  kontrolna 
    27.203     28.785     31.207 
omega2 grupa = 0.0513   eta2p grupa = 0.1265 
pierwiastek MS reszt = 4.401   d (warsztat − kontrolna) = -0.91 
połączone SD wyniku po = 6.632   d na tym SD = -0.604 

3. Dane symulowane i pliki CSV oraz .sav

Dane wejściowe: symulacja 108 osób w trzech grupach po 36, set.seed(5402); pakiet haven.

Co odczytać: pierwsze wiersze zbioru i liczebności grup; pliki ancova-w-jamovi-dane.csv i ancova-w-jamovi-dane.sav.

R
# Dane symulowane do wpisu „ANCOVA w jamovi”: lęk przed statystyką (10–50) przed i po
# 108 osób wylosowanych do trzech grup po 36: warsztat, e-learning, kontrolna
library(haven)
set.seed(5402)
n <- 36
grupa <- rep(c("warsztat", "e-learning", "kontrolna"), each = n)
pre <- round(pmin(50, pmax(10, rnorm(3 * n, 32, 7))))
efekt <- c(warsztat = -5, "e-learning" = -2.5, kontrolna = 0)[grupa]
post <- round(pmin(50, pmax(10, 9 + 0.7 * pre + efekt + rnorm(3 * n, 0, 4.5))))
dane <- data.frame(id = seq_len(3 * n), grupa, pre, post)
dane <- dane[sample(nrow(dane)), ]; dane$id <- seq_len(nrow(dane)); rownames(dane) <- NULL
write.csv(dane, "ancova-w-jamovi-dane.csv", row.names = FALSE, fileEncoding = "UTF-8")

# Ten sam zbiór w .sav: kody grup z etykietami wartości i etykiety zmiennych
sav <- dane
sav$id <- labelled(sav$id, label = "Numer osoby")
sav$grupa <- labelled(match(dane$grupa, c("warsztat", "e-learning", "kontrolna")),
                      labels = c("warsztat" = 1, "e-learning" = 2, "kontrolna" = 3), label = "Grupa")
sav$pre <- labelled(sav$pre, label = "Lęk przed statystyką – przed (10–50)")
sav$post <- labelled(sav$post, label = "Lęk przed statystyką – po (10–50)")
write_sav(sav, "ancova-w-jamovi-dane.sav")
cat("Zapisano", nrow(dane), "wierszy\n")
print(head(dane, 4), row.names = FALSE)
print(table(grupa = factor(dane$grupa, c("warsztat", "e-learning", "kontrolna"))))

Wynik:

Zapisano 108 wierszy
 id     grupa pre post
  1  warsztat  30   21
  2  warsztat  37   29
  3  warsztat  22   28
  4 kontrolna  32   26
grupa
  warsztat e-learning  kontrolna 
        36         36         36 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 z pakietem jmv, który do sum kwadratów typu 3 korzysta z pakietu car, a do średnich brzegowych, porównań i d – z pakietu emmeans. Pliki .sav zapisano pakietem haven, a rysunki przygotowano w pakiecie ggplot2. W pracy podaj wersję jamovi albo R, której faktycznie użyłeś(-aś).

  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. jmv (wersja 2.7.7): Selker, R., Love, J., & Dropmann, D. (2025). jmv: The 'jamovi' analyses [R package]. https://doi.org/10.32614/CRAN.package.jmv
  3. car (wersja 3.1.5): Fox, J., & Weisberg, S. (2019). An R companion to applied regression (3rd ed.). Sage. https://www.john-fox.ca/Companion/
  4. emmeans (wersja 2.0.2): Lenth, R., & Piaskowski, J. (2026). emmeans: Estimated marginal means, aka least-squares means [R package]. https://doi.org/10.32614/CRAN.package.emmeans
  5. haven (wersja 2.5.5): Wickham, H., Miller, E., & Smith, D. (2025). haven: Import and export 'SPSS', 'Stata' and 'SAS' files [R package]. https://doi.org/10.32614/CRAN.package.haven
  6. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Typowe błędy

  • Kowarianta w Fixed Factors. Lęk przed to zmienna ilościowa i trafia do Covariates. Jako czynnik dałaby osobną grupę dla każdej wartości.
  • Brak sprawdzenia nachyleń albo interpretacja wiersza grupa z modelu z interakcją.
  • Średnie surowe w opisie efektu. Wynik ANCOVA dotyczy średnich brzegowych z tabeli Estimated Marginal Means.
  • Zmiana korekty post hoc po obejrzeniu wyników, np. z Tukeya na Holma, bo „wtedy wychodzi”.
  • η²p opisane jako η² albo porównywane z ω². Przepisz miarę pod nazwą z tabeli.
  • Kowarianta zmierzona po zajęciach albo ANCOVA, która ma „wyrównać” grupy nielosowe (Miller i Chapman, 2001).

Przy trzech i więcej pomiarach tych samych osób sięgnij po Repeated Measures ANOVA w jamovi, a gdy chcesz sprawdzić, czy zmienna pośredniczy w efekcie zajęć – po wpis mediacja w jamovi. Jeśli nie wiesz, czy ANCOVA pasuje do hipotezy, skorzystaj z kreatora doboru testu.

Najczęstsze pytania

Gdzie w jamovi jest ANCOVA?

W menu Analyses → ANOVA → ANCOVA (The jamovi project, b.d.-b). Okno ma te same sekcje co ANOVA i dodatkowe pole Covariates na zmienne ilościowe. W polskiej wersji interfejsu pole kowariant nazywa się według pliku tłumaczeń jmv „Współzmienne”.

Jak w jamovi sprawdzić jednorodność nachyleń regresji?

W sekcji Model zaznacz jednocześnie czynnik i kowariantę, kliknij strzałkę z menu rozwijanym i wybierz Interaction (The jamovi project, b.d.-b). W tabeli ANCOVA odczytaj tylko wiersz interakcji, w przykładzie F(2, 102) = 1.27, p = .284. Potem usuń interakcję i policz właściwą ANCOVA.

Czy post hoc w ANCOVA w jamovi uwzględnia kowariantę?

Tak. Porównania z sekcji Post Hoc Tests są oparte na średnich brzegowych, czyli na średnich skorygowanych przy średniej wartości kowarianty. Mówi o tym notka pod tabelą, a kod jmv liczy je pakietem emmeans na całym modelu (The jamovi project, b.d.-c). Różnice w tabeli są więc równe różnicom średnich z Estimated Marginal Means.

Dlaczego ω² w ANCOVA jest dużo mniejsza niż η² cząstkowe?

W jmv 2.7.7 ω² ma w mianowniku sumę kwadratów wszystkich wierszy tabeli, także kowarianty, a η² cząstkowe tylko efekt i reszty (The jamovi project, b.d.-c). Przy silnej kowariancie różnica jest duża, w przykładzie .051 wobec .126. Podaj jedną miarę i nazwij ją dokładnie.

Czy zamiast ANCOVA mogę policzyć ANOVA na różnicach po − przed?

Możesz, ale w badaniu z losowym przydziałem ANCOVA ma większą moc, a obie metody są nieobciążone (Van Breukelen, 2006). Wynik różnicowy nie usuwa też regresji do średniej ani nierównowagi na starcie (Clifton i Clifton, 2019). Metodę wybierz przed analizą. Szczegóły opisuje wpis ANCOVA w badaniu przed i po.

Powiązane hasła

Przeczytaj też

Masz ANCOVA w jamovi i nie wiesz, co przepisać do pracy?

Sprawdzimy Twój plik .omv, wybór kowarianty, model, założenia, średnie skorygowane i porównania post hoc i wyjaśnimy je tak, żebyś umiał(a) samodzielnie je opisać i obronić.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Clifton, L., & Clifton, D. A. (2019). The correlation between baseline score and post-intervention score, and its implications for statistical analysis. Trials, 20(1), Article 43. https://doi.org/10.1186/s13063-018-3108-3 ● Otwarty dostęp
  2. Miller, G. A., & Chapman, J. P. (2001). Misunderstanding analysis of covariance. Journal of Abnormal Psychology, 110(1), 40–48. https://doi.org/10.1037/0021-843X.110.1.40
  3. Selker, R., Love, J., & Dropmann, D. (2025). jmv: The 'jamovi' analyses (Version 2.7.7) [R package]. https://CRAN.R-project.org/package=jmv ● Otwarty dostęp: pełny tekst
  4. The jamovi project. (b.d.-a). jamovi documentation: ANOVA: One-Way, ANOVA, ANOVA: Repeated Measures, ANOVA: Mixed, Descriptive analyses and Data Variables. jamovi docs. https://docs.jamovi.org/analyses/jg_overview.html ● Otwarty dostęp
  5. The jamovi project. (b.d.-b). From SPSS to jamovi: Analysis of Covariance (ANCOVA). jamovi docs. https://docs.jamovi.org/spss2jamovi/s2j_ANCOVA3.html ● Otwarty dostęp
  6. The jamovi project. (b.d.-c). jmv R package: ANCOVA (ancova). jamovi docs. https://docs.jamovi.org/jmv/jmv_ancova.html ● Otwarty dostęp
  7. Van Breukelen, G. J. P. (2006). ANCOVA versus change from baseline had more power in randomized studies and more bias in nonrandomized studies. Journal of Clinical Epidemiology, 59(9), 920–925. https://doi.org/10.1016/j.jclinepi.2006.02.007

Cytowania BibTeX

@article{clifton2019correlation, author={Clifton, Lei and Clifton, David A.}, title={{The correlation between baseline score and post-intervention score, and its implications for statistical analysis}}, journal={Trials}, year={2019}, volume={20}, number={1}, eid={43}, doi={10.1186/s13063-018-3108-3}}
@article{miller2001misunderstanding, author={Miller, Gregory A. and Chapman, Jean P.}, title={{Misunderstanding analysis of covariance}}, journal={Journal of Abnormal Psychology}, year={2001}, volume={110}, number={1}, pages={40--48}, doi={10.1037/0021-843x.110.1.40}}
@misc{selker2025jmv, author={Selker, Ravi and Love, Jonathon and Dropmann, Damian}, title={{jmv: The 'jamovi' analyses (R package version 2.7.7) [Computer software]}}, year={2025}, url={https://CRAN.R-project.org/package=jmv}}
@misc{jamovindanovaprzewodnik, author={{The jamovi project}}, title={{jamovi documentation: ANOVA: One-Way, ANOVA, ANOVA: Repeated Measures, ANOVA: Mixed, Descriptive analyses and Data Variables}}, howpublished={jamovi docs}, year={b.d.-a}, url={https://docs.jamovi.org/analyses/jg_overview.html}}
@misc{jamovindancovas2j, author={{The jamovi project}}, title={{From SPSS to jamovi: Analysis of Covariance (ANCOVA)}}, howpublished={jamovi docs}, year={b.d.-b}, url={https://docs.jamovi.org/spss2jamovi/s2j_ANCOVA3.html}}
@misc{jamovindjmvancova, author={{The jamovi project}}, title={{jmv R package: ANCOVA (ancova)}}, howpublished={jamovi docs}, year={b.d.-c}, url={https://docs.jamovi.org/jmv/jmv_ancova.html}}
@article{vanbreukelen2006ancova, author={Van Breukelen, Gerard J. P.}, title={{ANCOVA versus change from baseline had more power in randomized studies and more bias in nonrandomized studies}}, journal={Journal of Clinical Epidemiology}, year={2006}, volume={59}, number={9}, pages={920--925}, doi={10.1016/j.jclinepi.2006.02.007}}
R