Trzy okna ANOVA w jamovi – które wybrać
Analiza wariancji porównuje średnie zmiennej ilościowej w kilku grupach albo w kilku pomiarach tych samych osób. Logikę testu F opisuje poradnik ANOVA krok po kroku, a pierwsze kroki w programie i prostą jednoczynnikową ANOVA – wpis jamovi krok po kroku. Tu idziemy dalej: dwa czynniki z interakcją i pomiary powtarzane. Sam program opisuje hasło jamovi.
Ścieżki i nazwy opcji sprawdziliśmy w oficjalnej dokumentacji jamovi i w definicjach analiz pakietu jmv (The jamovi project, b.d.-a, b.d.-b). Podajemy je po angielsku. W polskiej wersji językowej interfejsu mogą brzmieć inaczej.
| Okno | Kiedy | Czego nie ma |
|---|---|---|
| One-Way ANOVA | jeden czynnik; test Welcha, Games–Howell | wielkości efektu, drugiego czynnika |
| ANOVA | kilka czynników, interakcja, η²p i ω², średnie brzegowe | testu Welcha |
| Repeated Measures ANOVA | pomiary tych samych osób, ANOVA mieszana | obsługi braków (osoba z brakiem odpada) |
Przykład i pliki do pobrania
Liczby pochodzą z jednego zbioru symulowanego. 150 osób studiujących pisało ten sam test wiedzy (0–40 punktów) w tygodniu 1, 5 i 10 semestru: kolumny wiedza1–wiedza3. Każda osoba ma dwie cechy: sposób notowania (odręcznie albo na laptopie) i format zajęć (stacjonarne, hybrydowe, online). To schemat 2 × 3 z nierównymi komórkami po 22–27 osób. Pobierz plik CSV albo plik .sav z etykietami wartości i powtarzaj kroki w jamovi.
Przygotowanie danych w jamovi
Każda zmienna ma typ pomiaru (Measure type: Continuous, Ordinal, Nominal, ID), który zmienisz w edytorze zmiennej po dwukliku na nagłówku kolumny (The jamovi project, b.d.-a). Przed ANOVA sprawdź:
- czynniki
notatkiiformatmają typ Nominal, a wynikiwiedza1–wiedza3– Continuous; - kolejność poziomów: stacjonarne, hybrydowe, online – 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 – inaczej jamovi policzy je jak wyniki.
Plik ma format szeroki: wiersz to osoba, a każdy pomiar to osobna kolumna. Tego wymaga Repeated Measures ANOVA (The jamovi project, b.d.-b). Etykiety, braki i wynik skali opisuje wpis przygotowanie danych i statystyki opisowe w jamovi.
One-Way ANOVA: jeden czynnik i test Welcha
Wybierz Analyses → ANOVA → One-Way ANOVA. wiedza3 przeciągnij do Dependent Variables, a format do Grouping Variable. W Variances domyślnie zaznaczone jest Don't assume equal (Welch's). Dodaj Descriptives table, Homogeneity test i w Post-Hoc Tests opcję Games-Howell (unequal variances) (The jamovi project, b.d.-b).
| F | df1 | df2 | p | ||
|---|---|---|---|---|---|
| wiedza3 | Welch's | 20.344 | 2 | 96.141 | < .001 |
| Fisher's | 21.719 | 2 | 147 | < .001 |
Wynik zależy od formatu, F Welcha(2, 96.14) = 20.34, p < .001. Grupa online (M = 17.02, SD = 6.68) miała według testu Gamesa–Howella niższy wynik niż stacjonarna (M = 23.96, SD = 5.64) i hybrydowa (M = 24.30, SD = 6.52), oba p < .001. Test Levene’a, liczony tu od średnich grup, był nieistotny, F(2, 147) = 1.22, p = .298. Welcha raportuj jednak bez względu na ten wynik – Delacre i in. (2019) zalecają go jako test domyślny. To okno nie podaje wielkości efektu. Ten sam przykład w SPSS: ANOVA w SPSS krok po kroku.
ANOVA z dwoma czynnikami: interakcja, efekty i post hoc
Co zaznaczyć w oknie ANOVA
- Analyses → ANOVA → ANOVA:
wiedza3do Dependent Variable,notatkiiformatdo Fixed Factors (The jamovi project, b.d.-a). - Effect Size: partial η² i ω². Model: w Model Terms oba czynniki i interakcja, Sum of squares – domyślne Type 3 (The jamovi project, b.d.-b).
- Assumption Checks: Homogeneity test, Normality test, Q-Q Plot.
- Post Hoc Tests: interakcja na prawą listę, w Correction zamiast domyślnego Tukey – Holm, w Effect Size – Cohen's d.
- Estimated Marginal Means: oba czynniki do Term 1, zaznacz Marginal means plots, Marginal means tables i Observed scores.
n, M i SD w komórkach da Analyses → Exploration → Descriptives z oboma czynnikami w Split by (The jamovi project, b.d.-a).
Tabela ANOVA
| Sum of Squares | df | Mean Square | F | p | η²p | ω² | |
|---|---|---|---|---|---|---|---|
| notatki | 21.701 | 1 | 21.701 | 0.579 | .448 | .004 | −.002 |
| format | 1730.997 | 2 | 865.499 | 23.101 | < .001 | .243 | .219 |
| notatki:format | 386.159 | 2 | 193.079 | 5.154 | .007 | .067 | .041 |
| Residuals | 5394.998 | 144 | 37.465 |
Czytaj od interakcji. Jest istotna, F(2, 144) = 5.15, p = .007, η²p = .07: różnica między notującymi odręcznie a na laptopie zależy od formatu zajęć. Efekt formatu jest duży, F(2, 144) = 23.10, p < .001, η²p = .24. Efekt notatek jest bliski zeru, F(1, 144) = 0.58, p = .448, ale przy istotnej interakcji to tylko uśrednienie przeciwnych różnic.
η² cząstkowe to udział efektu w wariancji bez pozostałych efektów, więc w jednym modelu η²p mogą sumować się powyżej 1. ω² jest mniej obciążona. Sprawdziliśmy ręcznie, że jamovi liczy ją względem całej wariancji: (1731.00 − 2 × 37.47) / (7533.86 + 37.47) = .22. Ujemne ω² dla notatek oznacza efekt praktycznie zerowy. Miary cząstkowe zależą od schematu badania (Olejnik i Algina, 2003), więc zawsze nazwij miarę, którą podajesz.
Typ 3 sum kwadratów to ustawienie domyślne. Przy nierównych komórkach typy dają różne wyniki dla efektów głównych, a Langsrud (2003) argumentuje za typem 2. Typ wybierz przed analizą i podaj w metodzie. Dla interakcji wszystkie typy dają ten sam wynik.
Założenia: test Levene’a, w tym oknie liczony na bezwzględnych resztach w komórkach (The jamovi project, b.d.-b), był nieistotny, F(5, 144) = 0.51, p = .770. Test Shapiro–Wilka dla reszt modelu też: W = .99, p = .190.
Wykres interakcji i porównania post hoc
Rysunek 1 pokazuje to, co da opcja Marginal means plots z Observed scores. W pełnym modelu średnie brzegowe komórek są równe ich średnim. W zajęciach stacjonarnych i hybrydowych linie prawie się pokrywają, a online rozchodzą się.
Okno ANOVA nie ma osobnej opcji efektów prostych (The jamovi project, b.d.-b). Najprościej zamówić post hoc dla interakcji: jamovi porówna każdą komórkę z każdą, czyli 15 par, i skoryguje p dla wszystkich. Odczytaj tylko pary z hipotezy: notatki odręczne a laptop w każdym formacie. Poprawka Holma jest mniej konserwatywna od Bonferroniego, a kontroluje błąd dla całej rodziny porównań.
| Porównanie | Mean Difference | SE | df | t | pholm | Cohen's d | Lower | Upper |
|---|---|---|---|---|---|---|---|---|
| odręczne stacjonarne − laptop stacjonarne | −0.613 | 1.699 | 144 | −0.361 | 1.000 | −0.100 | −0.649 | 0.449 |
| odręczne hybrydowe − laptop hybrydowe | −2.292 | 1.807 | 144 | −1.268 | 1.000 | −0.374 | −0.959 | 0.211 |
| odręczne online − laptop online | 5.192 | 1.698 | 144 | 3.059 | .027 | 0.848 | 0.291 | 1.405 |
Różnica dotyczy tylko zajęć online: notujący odręcznie mieli o 5.19 punktu więcej, t(144) = 3.06, pHolm = .027, d = 0.85, 95% CI [0.29, 1.41]. d to tu różnica podzielona przez pierwiastek z MS reszt: 5.19 / √37.47 = 0.85. W naszym uruchomieniu (jmv 2.7.7) znak d w kilku wierszach pełnej tabeli nie zgadzał się ze znakiem różnicy, więc kierunek odczytuj z Mean Difference. Jak opisać interakcję, wyjaśnia wpis interakcja w ANOVA – jak ją opisać, a te same kroki w SPSS – ANOVA dwuczynnikowa w SPSS.
Czy wykrycie interakcji to szczęśliwy traf? W 1000 powtórzeniach tego samego mechanizmu generowania danych była istotna w 80.9% prób (przepis 3). Interakcje wymagają dużych prób, więc liczebność planuj z myślą o nich.
Repeated Measures ANOVA: trzy pomiary tych samych osób
Definicja czynnika i opcje
- Analyses → ANOVA → Repeated Measures ANOVA (The jamovi project, b.d.-a).
- W Repeated Measures Factors zmień nazwę RM Factor 1 na
Tydzień. Domyślne poziomy Level 1 i Level 2 zastąp nazwami pomiarów i dodaj trzeci poziom, tak aby były 1, 5 i 10. Czynnika nie ma w pliku – tworzysz go tutaj. - Do Repeated Measures Cells przeciągnij
wiedza1–wiedza3, każdą do komórki właściwego poziomu. - Effect Size: Generalised η² i Partial η². Assumption Checks: Sphericity tests i w Sphericity corrections – None, Greenhouse-Geisser, Huynh-Feldt (The jamovi project, b.d.-b).
- Post Hoc Tests:
Tydzieńz korektą Holm; w Estimated Marginal Means –Tydzieńi tabela.
Czynnik przeciągnięty do Between Subject Factors zmieni analizę w ANOVA mieszaną (The jamovi project, b.d.-a) – zob. ANOVA mieszana krok po kroku. Według kodu jmv okno pomija osoby, którym brakuje choć jednego pomiaru (sprawdziliśmy to też na danych z brakami).
Sferyczność i poprawki
Sferyczność oznacza równe wariancje różnic między każdą parą pomiarów. Tu jej nie ma: SD różnic 5 − 1 i 10 − 5 wynoszą 4.34 i 4.59, a różnicy 10 − 1 – 6.70. Osoby uczą się w różnym tempie, więc rozrzut rośnie z czasem (rysunek 2).
| Mauchly's W | p | Greenhouse-Geisser ε | Huynh-Feldt ε | |
|---|---|---|---|---|
| Tydzień | 0.652 | < .001 | 0.742 | 0.747 |
Test Mauchly’ego jest istotny, W = .65, p < .001, ale ważniejsza jest wartość ε: 1 to pełna sferyczność, im niżej, tym większe naruszenie. Blanca i in. (2023) zalecają domyślnie poprawkę Greenhouse’a–Geissera, bez decydowania na podstawie testu Mauchly’ego. Gdy poprawki prowadzą do różnych wniosków, przy ε powyżej .60 radzą Huynha–Feldta. Tu wniosek jest ten sam.
| Sphericity Correction | Sum of Squares | df | Mean Square | F | p | η²G | η²p | |
|---|---|---|---|---|---|---|---|---|
| Tydzień | None | 5317.240 | 2 | 2658.620 | 188.005 | < .001 | .294 | .558 |
| Greenhouse-Geisser | 5317.240 | 1.484 | 3584.065 | 188.005 | < .001 | .294 | .558 | |
| Huynh-Feldt | 5317.240 | 1.495 | 3556.688 | 188.005 | < .001 | .294 | .558 | |
| Residual | None | 4214.093 | 298 | 14.141 | ||||
| Greenhouse-Geisser | 4214.093 | 221.053 | 19.064 | |||||
| Huynh-Feldt | 4214.093 | 222.755 | 18.918 |
Poprawka nie zmienia F, tylko mnoży oba df przez ε: 2 × .742 = 1.48 i 298 × .742 = 221.05. Do pracy przepisz wiersz Greenhouse-Geisser: F(1.48, 221.05) = 188.00, p < .001. η² uogólnione (η²G = .29) jest mniejsze od η²p (.56), bo zostawia w mianowniku zmienność między osobami. Olejnik i Algina (2003) zaproponowali je jako miarę porównywalną między schematami z pomiarami powtarzanymi i bez nich.
| Tydzień | Tydzień | Mean Difference | SE | df | t | pholm |
|---|---|---|---|---|---|---|
| 1 | 5 | −4.200 | 0.354 | 149 | −11.858 | < .001 |
| 1 | 10 | −8.420 | 0.547 | 149 | −15.387 | < .001 |
| 5 | 10 | −4.220 | 0.375 | 149 | −11.248 | < .001 |
Średnie rosły z 13.24 (SD = 3.92) przez 17.44 (SD = 4.47) do 21.66 punktu (SD = 7.11), każda para różni się istotnie. Porównania mają osobne błędy standardowe dla par, więc nie zakładają sferyczności. Tygodnie 1, 5 i 10 są tu kategoriami, a nie odstępami w czasie. Gdy liczy się tempo zmian albo są braki, rozważ model mieszany (ANOVA z powtarzanymi pomiarami czy model mieszany?). Ten schemat w SPSS: ANOVA z powtarzanymi pomiarami w SPSS.
Zapis wyników w stylu APA
W metodzie podaj wersję jamovi, typ sum kwadratów, korektę porównań i poprawkę sferyczności. Wzory do dostosowania:
Zdania do innych analiz przygotuje generator opisu wyników APA, a interpretację tabel przećwiczysz w zbiorze ANOVA – zadania z rozwiązaniami.
To samo w R (pakiet jmv)
Pakiet jmv zawiera analizy jamovi, więc przepis 1 daje te same tabele co program (Selker i in., 2025). Każde wywołanie odpowiada jednemu oknu, a nazwy argumentów – opcjom z okna, np. effectSize, spherCorr, postHocCorr (The jamovi project, b.d.-b). Samego jamovi tu nie uruchamialiśmy – liczby we wpisie pochodzą z tego kodu. W jamovi taki kod pokaże tryb składni (Syntax mode), opisany we wpisie jamovi krok po kroku. Przepis 2 tworzy pliki do pobrania, a przepis 3 sprawdza, jak typowy jest przykład. Tabele wyników są szerokie: przewiń je w poziomie.
1. Trzy okna ANOVA funkcjami jmv
R
# B407 – to samo w R: analizy jamovi z menu ANOVA wykonane pakietem jmv (te same funkcje co w programie)
library(jmv)
dane <- read.csv("anova-w-jamovi-dane.csv")
dane$notatki <- factor(dane$notatki, levels = c("odręczne", "laptop"))
dane$format <- factor(dane$format, levels = c("stacjonarne", "hybrydowe", "online"))
# 1. ANOVA → One-Way ANOVA: wynik w tygodniu 10 a format zajęć (Welch i Fisher, Games–Howell)
anovaOneW(data = dane, deps = "wiedza3", group = "format", welchs = TRUE, fishers = TRUE,
desc = TRUE, eqv = TRUE, phMethod = "gamesHowell")
# 2. Exploration → Descriptives: N, M i SD w sześciu komórkach (Split by: notatki, format)
descriptives(data = dane, vars = "wiedza3", splitBy = c("notatki", "format"), desc = "rows",
missing = FALSE, median = FALSE, min = FALSE, max = FALSE)
# 3. ANOVA → ANOVA: schemat 2 × 3 z interakcją, η² cząstkowe i ω², założenia, post hoc i średnie brzegowe
ANOVA(formula = wiedza3 ~ notatki * format, data = dane, effectSize = c("partEta", "omega"),
homo = TRUE, norm = TRUE, postHoc = ~ notatki:format, postHocCorr = "holm",
postHocES = "d", postHocEsCi = TRUE,
emMeans = ~ format:notatki, emmTables = TRUE, emmPlots = FALSE)
# 4. Przed Repeated Measures ANOVA: M i SD w trzech pomiarach oraz SD różnic między parami pomiarów
dane$r5_1 <- dane$wiedza2 - dane$wiedza1; dane$r10_1 <- dane$wiedza3 - dane$wiedza1
dane$r10_5 <- dane$wiedza3 - dane$wiedza2
descriptives(data = dane, vars = c("wiedza1", "wiedza2", "wiedza3", "r5_1", "r10_1", "r10_5"),
missing = FALSE, median = FALSE, min = FALSE, max = FALSE)
# 5. ANOVA → Repeated Measures ANOVA: trzy pomiary wiedzy, sferyczność i poprawki
anovaRM(data = dane,
rm = list(list(label = "Tydzień", levels = c("1", "5", "10"))),
rmCells = list(list(measure = "wiedza1", cell = "1"), list(measure = "wiedza2", cell = "5"),
list(measure = "wiedza3", cell = "10")),
depLabel = "Wiedza", effectSize = c("ges", "partEta"),
spherTests = TRUE, spherCorr = c("none", "GG", "HF"),
postHoc = list("Tydzień"), postHocCorr = "holm",
emMeans = list("Tydzień"), emmTables = TRUE, emmPlots = FALSE)Wynik:
ONE-WAY ANOVA
One-Way ANOVA
────────────────────────────────────────────────────────────────────
F df1 df2 p
────────────────────────────────────────────────────────────────────
wiedza3 Welch's 20.34408 2 96.14066 < .0000001
Fisher's 21.71890 2 147 < .0000001
────────────────────────────────────────────────────────────────────
Group Descriptives
─────────────────────────────────────────────────────────────────────
format N Mean SD SE
─────────────────────────────────────────────────────────────────────
wiedza3 stacjonarne 52 23.96154 5.639363 0.7820389
hybrydowe 46 24.30435 6.524721 0.9620176
online 52 17.01923 6.675946 0.9257871
─────────────────────────────────────────────────────────────────────
ASSUMPTION CHECKS
Homogeneity of Variances Test (Levene's)
──────────────────────────────────────────────────
F df1 df2 p
──────────────────────────────────────────────────
wiedza3 1.219330 2 147 0.2983982
──────────────────────────────────────────────────
POST HOC TESTS
Games-Howell Post-Hoc Test – wiedza3
────────────────────────────────────────────────────────────────────────────
stacjonarne hybrydowe online
────────────────────────────────────────────────────────────────────────────
stacjonarne Mean difference — -0.3428094 6.942308
p-value — 0.9587491 0.0000003
hybrydowe Mean difference — 7.285117
p-value — 0.0000011
online Mean difference —
p-value —
────────────────────────────────────────────────────────────────────────────
DESCRIPTIVES
Descriptives
────────────────────────────────────────────────────────────────────
notatki format N Mean SD
────────────────────────────────────────────────────────────────────
wiedza3 odręczne stacjonarne 27 23.66667 6.044705
hybrydowe 24 23.20833 6.865029
online 26 19.61538 6.505855
laptop stacjonarne 25 24.28000 5.271938
hybrydowe 22 25.50000 6.061196
online 26 14.42308 5.879953
────────────────────────────────────────────────────────────────────
ANOVA
ANOVA - wiedza3
─────────────────────────────────────────────────────────────────────────────────────────────────────────────────
Sum of Squares df Mean Square F p η²p ω²
─────────────────────────────────────────────────────────────────────────────────────────────────────────────────
notatki 21.70129 1 21.70129 0.5792377 0.4478558 0.0040064 -0.0020821
format 1730.99727 2 865.49864 23.1013609 < .0000001 0.2429130 0.2187289
notatki:format 386.15893 2 193.07946 5.1535591 0.0068914 0.0667961 0.0411062
Residuals 5394.99833 144 37.46527
─────────────────────────────────────────────────────────────────────────────────────────────────────────────────
ASSUMPTION CHECKS
Homogeneity of Variances Test (Levene's)
────────────────────────────────────────
F df1 df2 p
────────────────────────────────────────
0.5078517 5 144 0.7699745
────────────────────────────────────────
Normality Test (Shapiro-Wilk)
─────────────────────────────
Statistic p
─────────────────────────────
0.9873349 0.1896883
─────────────────────────────
POST HOC TESTS
Post Hoc Comparisons - notatki:format
─────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────
notatki format notatki format Mean Difference SE df t p-holm Cohen's d Lower Upper
─────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────
odręczne stacjonarne - odręczne hybrydowe 0.4583333 1.717165 144.0000 0.2669128 1.0000000 0.07488021 -0.47970031 0.6294607
- odręczne online 4.0512821 1.681837 144.0000 2.4088441 0.1381370 0.66187819 0.11333072 1.2104257
- laptop stacjonarne -0.6133333 1.698886 144.0000 -0.3610209 1.0000000 -0.10020333 -0.64893667 0.4485300
- laptop hybrydowe -1.8333333 1.758001 144.0000 -1.0428509 1.0000000 -0.29952083 -0.86829068 0.2692490
- laptop online 9.2435897 1.681837 144.0000 5.4961284 0.0000022 1.51017143 0.93929567 2.0810472
hybrydowe - odręczne online 3.5929487 1.732635 144.0000 2.0736903 0.2792256 0.58699798 0.02332875 1.1506672
- laptop stacjonarne -1.0716667 1.749189 144.0000 -0.6126648 1.0000000 0.17508354 -0.39013781 0.7403049
- laptop hybrydowe -2.2916667 1.806660 144.0000 -1.2684551 1.0000000 -0.37440103 -0.95944032 0.2106383
- laptop online 8.7852564 1.732635 144.0000 5.0704596 0.0000144 1.43529123 0.85134393 2.0192385
online - laptop stacjonarne -4.6646154 1.714521 144.0000 -2.7206522 0.0658670 0.76208152 0.20135363 1.3228094
- laptop hybrydowe -5.8846154 1.773115 144.0000 -3.3187999 0.0125957 0.96139901 0.37797305 1.5448250
- laptop online 5.1923077 1.697629 144.0000 3.0585648 0.0265257 0.84829325 0.29125773 1.4053288
laptop stacjonarne - laptop hybrydowe -1.2200000 1.789295 144.0000 -0.6818327 1.0000000 -0.19931749 -0.77758813 0.3789531
- laptop online 9.8569231 1.714521 144.0000 5.7490826 0.0000007 1.61037476 1.02580933 2.1949402
hybrydowe - laptop online 11.0769231 1.773115 144.0000 6.2471527 < .0000001 1.80969226 1.19954955 2.4198350
─────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────
Note. Comparisons are based on estimated marginal means
ESTIMATED MARGINAL MEANS
FORMAT:NOTATKI
Estimated Marginal Means - format:notatki
───────────────────────────────────────────────────────────────────────────
notatki format Mean SE Lower Upper
───────────────────────────────────────────────────────────────────────────
odręczne stacjonarne 23.66667 1.177965 21.33833 25.99500
hybrydowe 23.20833 1.249421 20.73876 25.67791
online 19.61538 1.200405 17.24269 21.98807
laptop stacjonarne 24.28000 1.224178 21.86032 26.69968
hybrydowe 25.50000 1.304978 22.92061 28.07939
online 14.42308 1.200405 12.05039 16.79577
───────────────────────────────────────────────────────────────────────────
DESCRIPTIVES
Descriptives
──────────────────────────────────────────────────────────────────────────────────────────────
wiedza1 wiedza2 wiedza3 r5_1 r10_1 r10_5
──────────────────────────────────────────────────────────────────────────────────────────────
N 150 150 150 150 150 150
Mean 13.24000 17.44000 21.66000 4.200000 8.420000 4.220000
Standard deviation 3.916374 4.466850 7.107827 4.338063 6.701968 4.594818
──────────────────────────────────────────────────────────────────────────────────────────────
REPEATED MEASURES ANOVA
Within Subjects Effects
────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────
Sphericity Correction Sum of Squares df Mean Square F p η²-G η²-p
────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────
Tydzień None 5317.240 2 2658.62000 188.0046 < .0000001 0.2937179 0.5578695
Greenhouse-Geisser 5317.240 1.483578 3584.06526 188.0046 < .0000001 0.2937179 0.5578695
Huynh-Feldt 5317.240 1.494998 3556.68819 188.0046 < .0000001 0.2937179 0.5578695
Residual None 4214.093 298 14.14125
Greenhouse-Geisser 4214.093 221.053106 19.06371
Huynh-Feldt 4214.093 222.754630 18.91810
────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────
Note. Type 3 Sums of Squares
Between Subjects Effects
────────────────────────────────────────────────────────────────────────────────────────────────
Sum of Squares df Mean Square F p η²-G η²-p
────────────────────────────────────────────────────────────────────────────────────────────────
Residual 8571.887 149 57.52944
────────────────────────────────────────────────────────────────────────────────────────────────
Note. Type 3 Sums of Squares
ASSUMPTIONS
Tests of Sphericity
─────────────────────────────────────────────────────────────────────────────────
Mauchly's W p Greenhouse-Geisser ε Huynh-Feldt ε
─────────────────────────────────────────────────────────────────────────────────
Tydzień 0.6519077 < .0000001 0.7417889 0.7474988
─────────────────────────────────────────────────────────────────────────────────
POST HOC TESTS
Post Hoc Comparisons - Tydzień
──────────────────────────────────────────────────────────────────────────────────────────────────
Tydzień Tydzień Mean Difference SE df t p-holm
──────────────────────────────────────────────────────────────────────────────────────────────────
1 - 5 -4.200000 0.3542014 149.0000 -11.85766 < .0000001
- 10 -8.420000 0.5472134 149.0000 -15.38705 < .0000001
5 - 10 -4.220000 0.3751653 149.0000 -11.24838 < .0000001
──────────────────────────────────────────────────────────────────────────────────────────────────
ESTIMATED MARGINAL MEANS
TYDZIEŃ
Estimated Marginal Means - Tydzień
────────────────────────────────────────────────────────────
Tydzień Mean SE Lower Upper
────────────────────────────────────────────────────────────
1 13.24000 0.3197706 12.60813 13.87187
5 17.44000 0.3647168 16.71931 18.16069
10 21.66000 0.5803517 20.51322 22.80678
──────────────────────────────────────────────────────────── 2. Dane symulowane i pliki CSV oraz .sav
R
# B407 – dane symulowane do wpisu /blog/anova-w-jamovi/: pliki CSV i .sav do otwarcia w jamovi
# Uruchomienie z folderu kod/: LANG=en_US.UTF-8 LC_ALL=en_US.UTF-8 Rscript b407-0-dane.R
library(haven)
set.seed(4071)
komorki <- expand.grid(format = c("stacjonarne", "hybrydowe", "online"), notatki = c("odręczne", "laptop"),
stringsAsFactors = FALSE)
n_kom <- c(27, 24, 26, 25, 22, 26) # nierówne liczebności komórek 2 × 3
format <- rep(komorki$format, n_kom); notatki <- rep(komorki$notatki, n_kom); N <- sum(n_kom)
# wynik testu wiedzy (0–40) w tygodniach 1, 5 i 10 semestru; przyrost różni się między osobami
start <- rnorm(N, 14, 3.5)
tempo <- rnorm(N, 1, 0.4) # indywidualne tempo uczenia się
efekt_f <- c(stacjonarne = 0, hybrydowe = -1, online = -3)[format]
efekt_n <- ifelse(notatki == "laptop", ifelse(format == "online", -6, 0.5), 0)
w1 <- start + rnorm(N, 0, 2.5)
w2 <- start + 5 * tempo + 0.5 * (efekt_f + efekt_n) + rnorm(N, 0, 2.5)
w3 <- start + 10 * tempo + efekt_f + efekt_n + rnorm(N, 0, 2.5)
ogr <- function(x) round(pmin(40, pmax(0, x)))
dane <- data.frame(id = seq_len(N), notatki, format, wiedza1 = ogr(w1), wiedza2 = ogr(w2), wiedza3 = ogr(w3))
dane <- dane[sample(N), ]; dane$id <- seq_len(N); rownames(dane) <- NULL
write.csv(dane, "../anova-w-jamovi-dane.csv", row.names = FALSE, fileEncoding = "UTF-8")
# ten sam zbiór w .sav: kody liczbowe z etykietami wartości i etykiety zmiennych
sav <- dane
sav$id <- labelled(sav$id, label = "Numer osoby")
sav$notatki <- labelled(match(dane$notatki, c("odręczne", "laptop")), labels = c("odręczne" = 1, "laptop" = 2),
label = "Sposób robienia notatek")
sav$format <- labelled(match(dane$format, c("stacjonarne", "hybrydowe", "online")),
labels = c("stacjonarne" = 1, "hybrydowe" = 2, "online" = 3), label = "Format zajęć")
for (t in 1:3) attr(sav[[paste0("wiedza", t)]], "label") <- c("Test wiedzy – tydzień 1 (0–40)",
"Test wiedzy – tydzień 5 (0–40)", "Test wiedzy – tydzień 10 (0–40)")[t]
write_sav(sav, "../anova-w-jamovi-dane.sav")
cat("Zapisano", nrow(dane), "wierszy\n")
print(table(notatki = factor(dane$notatki, c("odręczne", "laptop")),
format = factor(dane$format, c("stacjonarne", "hybrydowe", "online"))))Wynik:
Zapisano 150 wierszy
format
notatki stacjonarne hybrydowe online
odręczne 27 24 26
laptop 25 22 263. Jak typowy jest przykład: 1000 powtórzeń
R
# B407 – jak typowy jest przykład? 1000 powtórzeń tego samego mechanizmu generowania danych co w b407-0-dane.R
# Liczymy, jak często interakcja notatki × format wychodzi istotna (moc) i jaki bywa ε Greenhouse'a–Geissera.
set.seed(4072)
n_kom <- c(27, 24, 26, 25, 22, 26)
komorki <- expand.grid(format = c("stacjonarne", "hybrydowe", "online"), notatki = c("odręczne", "laptop"),
stringsAsFactors = FALSE)
format <- factor(rep(komorki$format, n_kom)); notatki <- factor(rep(komorki$notatki, n_kom)); N <- sum(n_kom)
efekt_f <- c(stacjonarne = 0, hybrydowe = -1, online = -3)[as.character(format)]
efekt_n <- ifelse(notatki == "laptop", ifelse(format == "online", -6, 0.5), 0)
ogr <- function(x) round(pmin(40, pmax(0, x)))
gg_eps <- function(Y) { # ε Greenhouse'a–Geissera z macierzy kowariancji pomiarów
k <- ncol(Y); C <- contr.poly(k); S <- t(C) %*% cov(Y) %*% C
sum(diag(S))^2 / ((k - 1) * sum(S^2))
}
wyniki <- t(replicate(1000, {
start <- rnorm(N, 14, 3.5); tempo <- rnorm(N, 1, 0.4)
w1 <- ogr(start + rnorm(N, 0, 2.5))
w2 <- ogr(start + 5 * tempo + 0.5 * (efekt_f + efekt_n) + rnorm(N, 0, 2.5))
w3 <- ogr(start + 10 * tempo + efekt_f + efekt_n + rnorm(N, 0, 2.5))
p_int <- anova(lm(w3 ~ notatki * format))["notatki:format", "Pr(>F)"]
c(p_int = p_int, eps = gg_eps(cbind(w1, w2, w3)))
}))
c(moc_interakcji = mean(wyniki[, "p_int"] < .05))
round(quantile(wyniki[, "eps"], c(.05, .50, .95)), 3)Wynik:
moc_interakcji
0.809
5% 50% 95%
0.733 0.787 0.848 Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 z pakietem jmv, który do modeli z pomiarami powtarzanymi i średnich brzegowych korzysta z pakietów afex i emmeans. Pliki .sav zapisano pakietem haven, a rysunki przygotowano w pakiecie ggplot2. W pracy podaj wersję jamovi albo R, której faktycznie użyłeś(-aś).
- 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/
- 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
- afex (wersja 1.5.1): Singmann, H., Bolker, B., Westfall, J., Aust, F., & Ben-Shachar, M. S. (2025). afex: Analysis of factorial experiments [R package]. https://doi.org/10.32614/CRAN.package.afex
- 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
- 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
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
Typowe błędy
- Czynnik jako Continuous. Format z kodami 1–3 i typem Continuous to dla jamovi liczba, a nie grupy. Zmień typ na Nominal.
- Efekty główne mimo istotnej interakcji. „Brak efektu notatek” ukrywa tu różnicę 5 punktów w zajęciach online.
- Szukanie testu Welcha w oknie ANOVA. Jest tylko w One-Way ANOVA.
- η²p opisane jako η². Przepisz miarę pod nazwą z tabeli.
- Wiersz None zamiast poprawki sferyczności. Przy ε = .74 df bez poprawki są zawyżone.
- Opis wszystkich 15 porównań post hoc. Przed analizą zdecyduj, które pary odpowiadają na hipotezę.
Przy dwóch grupach wystarczy test t w jamovi, a przy wynikach porządkowych lub silnie skośnych – testy nieparametryczne w jamovi. Jeśli nie wiesz, czy ANOVA pasuje do hipotezy, skorzystaj z kreatora doboru testu.
Najczęstsze pytania
Które okno ANOVA w jamovi wybrać: One-Way ANOVA czy ANOVA?
Przy jednym czynniku i nierównych wariancjach wybierz One-Way ANOVA, bo tylko ono ma test Welcha i porównania Gamesa–Howella. Dokumentacja jmv zaznacza, że test Welcha nie obsługuje więcej niż jednego czynnika (The jamovi project, b.d.-b). Gdy czynników jest kilka, potrzebujesz interakcji albo wielkości efektu η² cząstkowe lub ω², wybierz ANOVA.
Dlaczego jamovi pokazuje ujemne ω²?
ω² odejmuje od sumy kwadratów efektu jej oczekiwaną wartość przy braku efektu. Gdy F jest mniejsze od 1, wynik wychodzi ujemny, jak −.002 dla sposobu notowania w przykładzie. Ujemna ω² oznacza efekt praktycznie zerowy. Podaj ją jako .00 albo dosłownie i dopisz, że efekt jest pomijalny.
Jak w jamovi zrobić efekty proste po istotnej interakcji?
Okno ANOVA nie ma osobnej opcji efektów prostych (The jamovi project, b.d.-b). W Post Hoc Tests przenieś człon interakcji, czyli interakcję notatek i formatu zajęć, wybierz korektę Holma i odczytaj tylko porównania w obrębie poziomów drugiego czynnika. Pamiętaj, że jamovi koryguje p dla wszystkich par komórek, w przykładzie dla 15 porównań.
Kiedy w Repeated Measures ANOVA podać wynik z poprawką Greenhouse’a–Geissera?
Gdy czynnik ma co najmniej trzy poziomy, a ε jest wyraźnie poniżej 1. Blanca i in. (2023) zalecają poprawkę Greenhouse’a–Geissera domyślnie, bez czekania na wynik testu Mauchly’ego. Wtedy w pracy podajesz ułamkowe df z wiersza Greenhouse-Geisser, np. F(1.48, 221.05).
Czy wyniki z pakietu jmv w R są takie same jak w jamovi?
Tak. Pakiet jmv zawiera te same analizy, które uruchamia jamovi (Selker i in., 2025), dlatego kod z tego wpisu odtwarza tabele bez otwierania programu. Liczby mogą się różnić tylko zaokrągleniem, bo jamovi pokazuje mniej miejsc po przecinku.
Powiązane hasła
Przeczytaj też
ANOVA z powtarzanymi pomiarami w jamovi
Okno Repeated Measures ANOVA na schemacie grupa × czas: czynnik i poziomy, format szeroki, sferyczność z poprawką, η²G, post hoc z korektą i średnie brzegowe – z kodem jmv.
Czytaj →PoradnikANCOVA w jamovi krok po kroku
Okno ANCOVA w jamovi na badaniu przed i po: kowarianta, nachylenia, η²p i ω², średnie brzegowe i post hoc liczone na średnich skorygowanych – z kodem jmv.
Czytaj →Poradnikjamovi krok po kroku
Descriptives, test t Welcha, Correlation Matrix i One-Way ANOVA na jednym zbiorze danych: nazwy opcji z dokumentacji, gotowe zdania APA, kod jmv.
Czytaj →PoradnikANOVA krok po kroku
Jednoczynnikowa i dwuczynnikowa ANOVA na przykładach: założenia, test Welcha, post hoc, η² i ω², efekty proste, typy sum kwadratów i opis APA.
Czytaj →PoradnikMoc testu dla interakcji
Dlaczego test interakcji wymaga 4–16 razy większej próby: kształt interakcji, rzetelność iloczynu, symulacja w R i opis analizy mocy.
Czytaj →PoradnikANOVA w SPSS krok po kroku
One-Way ANOVA w SPSS od przygotowania pliku po opis APA: opcje Welch i Brown-Forsythe, Tukey a Games–Howell, η² ręcznie i składnia ONEWAY – z plikiem .sav do pobrania.
Czytaj →Masz ANOVA w jamovi i nie wiesz, który wiersz przepisać do pracy?
Sprawdzimy Twój plik .omv, wybór okna i opcji, założenia, porównania post hoc i opis wyników i wyjaśnimy je tak, żebyś umiał(a) samodzielnie je opisać i obronić.
Oferta dla studentówWyceń analizęBibliografia i dalsza literatura naukowa (APA 7)
- Blanca, M. J., Arnau, J., García-Castro, F. J., Alarcón, R., & Bono, R. (2023). Repeated measures ANOVA and adjusted F-tests when sphericity is violated: Which procedure is best? Frontiers in Psychology, 14, Article 1192453. https://doi.org/10.3389/fpsyg.2023.1192453 ● Otwarty dostęp
- Delacre, M., Leys, C., Mora, Y. L., & Lakens, D. (2019). Taking parametric assumptions seriously: Arguments for the use of Welch's F-test instead of the classical F-test in one-way ANOVA. International Review of Social Psychology, 32(1), Article 13. https://doi.org/10.5334/irsp.198 ● Otwarty dostęp
- Langsrud, Ø. (2003). ANOVA for unbalanced data: Use Type II instead of Type III sums of squares. Statistics and Computing, 13(2), 163–167. https://doi.org/10.1023/A:1023260610025
- Olejnik, S., & Algina, J. (2003). Generalized eta and omega squared statistics: Measures of effect size for some common research designs. Psychological Methods, 8(4), 434–447. https://doi.org/10.1037/1082-989X.8.4.434
- 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
- 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
- The jamovi project. (b.d.-b). jmv R package: One-Way ANOVA (anovaOneW), ANOVA (ANOVA) and Repeated Measures ANOVA (anovaRM). jamovi docs. https://docs.jamovi.org/jmv/jmv_ANOVA.html ● Otwarty dostęp
Cytowania BibTeX
@article{blanca2023repeated, author={Blanca, María J. and Arnau, Jaume and García-Castro, F. Javier and Alarcón, Rafael and Bono, Roser}, title={{Repeated measures ANOVA and adjusted F-tests when sphericity is violated: Which procedure is best?}}, journal={Frontiers in Psychology}, year={2023}, volume={14}, eid={1192453}, doi={10.3389/fpsyg.2023.1192453}}@article{delacre2019taking, author={Delacre, Marie and Leys, Christophe and Mora, Youri L. and Lakens, Daniël}, title={{Taking parametric assumptions seriously: Arguments for the use of Welch's F-test instead of the classical F-test in one-way ANOVA}}, journal={International Review of Social Psychology}, year={2019}, volume={32}, number={1}, eid={13}, doi={10.5334/irsp.198}}@article{langsrud2003anova, author={Langsrud, Øyvind}, title={{ANOVA for unbalanced data: Use Type II instead of Type III sums of squares}}, journal={Statistics and Computing}, year={2003}, volume={13}, number={2}, pages={163--167}, doi={10.1023/a:1023260610025}}@article{olejnik2003generalized, author={Olejnik, Stephen and Algina, James}, title={{Generalized eta and omega squared statistics: Measures of effect size for some common research designs}}, journal={Psychological Methods}, year={2003}, volume={8}, number={4}, pages={434--447}, doi={10.1037/1082-989x.8.4.434}}@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{jamovindjmvanova, author={{The jamovi project}}, title={{jmv R package: One-Way ANOVA (anovaOneW), ANOVA (ANOVA) and Repeated Measures ANOVA (anovaRM)}}, howpublished={jamovi docs}, year={b.d.-b}, url={https://docs.jamovi.org/jmv/jmv_ANOVA.html}}