Statystyka · Ćwiczenia

ANOVA – zadania z rozwiązaniami: 10 zadań krok po kroku

Dziesięć zadań z analizy wariancji jak na kolokwium: ANOVA z sum przy nierównych grupach, uzupełnianie tabeli, Tukey HSD ręcznie, test Levene’a, ANOVA Welcha, ANOVA 2 × 2 z interakcją, η² i ω², pomiary powtarzane, kontrast planowany i związek F = t².

Strona główna / Blog / ANOVA – zadania
W skrócie: Dziesięć zadań obejmuje typowy materiał kolokwium z analizy wariancji: ANOVA jednoczynnikową liczoną z sum przy nierównych liczebnościach, uzupełnianie niepełnej tabeli ANOVA, test Tukeya HSD ręcznie, test Levene’a, ANOVA Welcha, ANOVA dwuczynnikową 2 × 2 z interakcją i efektami prostymi, η², cząstkowe η² i ω², ANOVA z powtarzanymi pomiarami ze sferycznością, kontrast planowany oraz związek ANOVA z testem t. Każde rozwiązanie ma wzór, podstawienie, wynik, interpretację w stylu APA i typowy błąd. Wszystkie liczby sprawdzono w R, a dane do zadań możesz pobrać w pliku CSV.

ANOVA – zadania z rozwiązaniami: jak z nich korzystać

Poniżej znajdziesz ANOVA – zadania z rozwiązaniami w takiej formie, w jakiej trafiają na kolokwium i egzamin ze statystyki na drugim roku: krótka historyjka, mała tabela danych albo niepełna tabela wyników. Zadania prowadzą od jednoczynnikowej analizy wariancji przez post hoc, założenia i wielkość efektu do ANOVA dwuczynnikowej, pomiarów powtarzanych i kontrastów.

Każde zadanie ma ten sam układ: treść, rozwiązanie krok po kroku, interpretacja i typowy błąd. Wyniki zaokrąglamy do dwóch miejsc po kropce, a p i miary efektu do trzech. Wszystkie liczby sprawdziliśmy w R – każde zadanie dwa razy: wzorem, jak na kartce, i gotową funkcją (kod na końcu wpisu). Wzory są zgodne z podręcznikami (King i Minium, 2009; Maxwell i in., 2018). Zbiór nie powtarza zadania 9 z zadań ze statystyki na psychologii (trzy równe grupy po 5 osób i podstawowa tabela ANOVA). Pełny przykład z opisem założeń i interpretacją znajdziesz w poradniku ANOVA krok po kroku.

Spis zadań: numer, historyjka i to, co trzeba policzyć
ZadanieHistoryjkaCo liczysz
1trzy formy edukacji pacjentów z cukrzycą (n = 5, 7, 6)ANOVA jednoczynnikowa z sum przy nierównych liczebnościach
2cztery warianty szkolenia sprzedawcówuzupełnianie tabeli ANOVA, p, η²
3te same danetest Tukeya HSD ręcznie (q z tablic lub qtukey)
4czas rozwiązania łamigłówki w trzech grupach wiekowychtest Levene’a (wokół średniej i mediany)
5te same daneANOVA Welcha a klasyczne F
6forma szkolenia × doświadczenie pielęgniarekANOVA 2 × 2: efekty główne, interakcja, efekty proste
7dane z zadań 6 i 1η², cząstkowe η² i ω²
8zgięcie kolana po endoprotezie: 3 pomiaryANOVA z powtarzanymi pomiarami, SS osób, sferyczność
9szkolenia sprzedawców (dane z zadania 2)kontrast planowany
10błędy w dyktandzie w dwóch klasachANOVA a test t: F = t²

Surowe dane do wszystkich zadań pobierzesz w pliku anova-zadania-dane.csv (format długi: zadanie, id, czynnik_a, czynnik_b, wynik). Wartości krytyczne F odczytasz z tablic rozkładów t, χ² i F. Dane są wymyślone.

Zadanie 1. ANOVA jednoczynnikowa przy nierównych liczebnościach

Treść zadania

Pielęgniarka edukacyjna porównała trzy formy edukacji pacjentów z cukrzycą typu 2. Po miesiącu pacjenci rozwiązali test wiedzy (0–20 pkt). Ulotka (n = 5): 9, 11, 8, 12, 10. Rozmowa z pielęgniarką (n = 7): 14, 12, 15, 13, 16, 11, 17. Zajęcia grupowe (n = 6): 12, 13, 11, 14, 12, 10. Czy forma edukacji różnicuje wiedzę (α = .05)? Policz sumy kwadratów z sum, bez odchyleń od średnich.

Rozwiązanie krok po kroku

Krok 1. Sumy w grupach. Dla każdej grupy policz liczebność nj, sumę wyników Tj i sumę kwadratów wyników Σx².

Sumy pomocnicze do zadania 1
GrupanjTjMjΣx²
ulotka55010.00510
rozmowa79814.001400
zajęcia grupowe67212.00874
RazemN = 18T = 22012.222784

Krok 2. Całkowita suma kwadratów (składnik T²/N = 220² / 18 = 2688.89 to tzw. poprawka):

SST = Σx² − T²/N = 2784 − 2688.89 = 95.11

Krok 3. Suma kwadratów między grupami – każdą sumę grupy dzielisz przez jej liczebność:

SSB = Σ(Tj²/nj) − T²/N = (50²/5 + 98²/7 + 72²/6) − 2688.89 = 2736.00 − 2688.89 = 47.11

Krok 4. Reszta i tabela. SSW = 95.11 − 47.11 = 48.00 (kontrola: Σ(nj − 1)sj² = 48.00). df = 2 i 15, MSB = 23.56, MSW = 3.20.

F(2, 15) = 23.56 / 3.20 = 7.36;   Fkryt = 3.68;   p = .006;   η² = 47.11 / 95.11 = .50

Interpretacja

Forma edukacji różnicowała wiedzę o cukrzycy, F(2, 15) = 7.36, p = .006, η² = .50. Najwyższe wyniki uzyskali pacjenci po rozmowie z pielęgniarką (M = 14.00), najniższe – po ulotce (M = 10.00).

Mniej obciążone ω² dla tych danych policzysz w zadaniu 7.

Typowy błąd

Liczenie średniej ogólnej jako średniej trzech średnich: (10 + 14 + 12) / 3 = 12.00 zamiast 220 / 18 = 12.22. Przy nierównych grupach daje to złą SSB (48.00 zamiast 47.11).

Zadanie 2. Uzupełnianie tabeli ANOVA

Treść zadania

Firma sprawdziła cztery warianty szkolenia sprzedawców: grupa kontrolna (bez szkolenia), e-learning, warsztat oraz warsztat z coachingiem – po 8 osób. Wynik to liczba umów podpisanych w miesiącu po szkoleniu. Średnie: 22, 24, 27 i 29. Z wydruku zostały tylko trzy liczby. Uzupełnij tabelę, oblicz p i η².

Niepełna tabela ANOVA do zadania 2
ŹródłoSSdfMSF
Między grupami232.00???
Wewnątrz grup??5.00
Ogółem372.00?

Rozwiązanie krok po kroku

Krok 1. Stopnie swobody. k = 4, N = 32: dfmiędzy = k − 1 = 3, dfwewn = N − k = 28, dfogółem = N − 1 = 31 (kontrola: 3 + 28 = 31).

Krok 2. Brakujące sumy i średnie kwadraty. SSW = SST − SSB = 372 − 232 = 140.00 (kontrola: 140 / 28 = 5.00 – zgadza się z podanym MSW). MSB = 232 / 3 = 77.33.

Krok 3. Statystyka F i decyzja.

F(3, 28) = 77.33 / 5.00 = 15.47;   Fkryt = 2.95;   p < .001;   η² = 232 / 372 = .62
Wykres sześciu różnic średnich liczby umów między wariantami szkolenia z 95% przedziałami Tukeya: czerwone, istotne różnice – warsztat minus kontrolna 5, warsztat z coachingiem minus kontrolna 7, warsztat z coachingiem minus e-learning 5 (wszystkie p < .001); szare, nieistotne – e-learning minus kontrolna 2 i warsztat z coachingiem minus warsztat 2 (p = .300) oraz warsztat minus e-learning 3 (p = .055), których przedziały obejmują zero
Rysunek 1. Różnice średnich w zadaniach 2–3 z 95% przedziałami Tukeya. Różnica jest istotna, gdy przedział nie obejmuje zera, czyli gdy przekracza HSD = 3.05. Obliczenia: R (dane z treści zadania).

Interpretacja

Wariant szkolenia różnicował liczbę podpisanych umów, F(3, 28) = 15.47, p < .001, η² = .62.

Gotowy układ tabeli do pracy znajdziesz w haśle tabela ANOVA w APA, a wielkość efektu omawia hasło eta kwadrat.

Typowy błąd

Wpisywanie w wiersz „Ogółem” sumy MS (77.33 + 5.00). Sumują się tylko SS i df; średnie kwadraty się nie sumują.

Zadanie 3. Test Tukeya HSD ręcznie

Treść zadania

Dla danych z zadania 2 (MSW = 5.00, n = 8 w każdej grupie, df = 28) wykonaj test Tukeya HSD (α = .05). Które warianty szkolenia różnią się od siebie?

Rozwiązanie krok po kroku

Krok 1. Wartość q. Z tablic rozkładu studentyzowanego rozstępu dla k = 4 średnich i df = 28 (w R: qtukey(0.95, 4, 28)): q = 3.861.

Krok 2. Najmniejsza istotna różnica (test Tukeya HSD):

HSD = q × √(MSW / n) = 3.861 × √(5.00 / 8) = 3.05

Krok 3. Porównanie wszystkich par. Przy 4 grupach jest 4 × 3 / 2 = 6 par.

Różnice średnich i decyzje testu Tukeya w zadaniu 3
ParaRóżnica> 3.05?p (Tukey)
e-learning – kontrolna2nie.300
warsztat – kontrolna5tak< .001
warsztat + coaching – kontrolna7tak< .001
warsztat – e-learning3nie.055
warsztat + coaching – e-learning5tak< .001
warsztat + coaching – warsztat2nie.300

Interpretacja

Test Tukeya wykazał, że osoby po warsztacie (M = 27.00) i po warsztacie z coachingiem (M = 29.00) podpisały więcej umów niż grupa kontrolna (M = 22.00), p < .001; warsztat z coachingiem przewyższał też e-learning (M = 24.00), p < .001. Pozostałe różnice były nieistotne.

Różnica warsztat – e-learning (3 umowy) jest tuż pod progiem – to nie dowód braku różnicy. Kiedy zamiast Tukeya wybrać inny test, wyjaśnia wpis testy post hoc – który wybrać.

Typowy błąd

Porównanie każdej pary zwykłym testem t (granica tkryt(28) × √(2MSW/n)) zamiast q. Taka granica jest niższa i nie kontroluje ryzyka błędu dla całej rodziny sześciu porównań.

Zadanie 4. Test Levene’a: czy wariancje są równe?

Treść zadania

Psycholożka zmierzyła czas rozwiązania łamigłówki (s) w trzech grupach wiekowych. 20–30 lat (n = 8): 30, 32, 29, 31, 33, 30, 28, 31. 40–50 lat (n = 7): 34, 30, 38, 33, 36, 31, 37. 70+ lat (n = 5): 45, 28, 52, 33, 40. Sprawdź testem Levene’a założenie równości wariancji.

Rozwiązanie krok po kroku

Krok 1. Opis grup. Średnie: 30.50, 34.14 i 39.60; SD: 1.60, 3.02 i 9.50 (wariancje 2.57 i 90.30 różnią się 35-krotnie).

Krok 2. Odchylenia bezwzględne. Test Levene’a zamienia każdy wynik na jego odległość od średniej własnej grupy, |x − Mj|. W grupie 70+ są to: 5.40, 11.60, 12.40, 6.60, 0.40. Średnie odchylenia w grupach: 1.25, 2.45 i 7.28.

Krok 3. Zwykła ANOVA na odchyleniach.:

Levene: F(2, 17) = 8.72, p = .002

Krok 4. Wersja z medianą. Brown i Forsythe (1974) zaproponowali odległość od mediany, odporniejszą na rozkłady nienormalne: F(2, 17) = 7.98, p = .004. Tę wersję car::leveneTest() liczy domyślnie, a wersję ze średnią – po dodaniu center = mean.

Wykres punktowy czasu rozwiązania łamigłówki w trzech grupach wiekowych z czerwonymi średnimi i niebieskimi słupkami plus minus SD: grupa 20–30 lat skupiona wokół 30.50 s (SD 1.60), grupa 40–50 lat wokół 34.14 s (SD 3.02), grupa 70+ rozrzucona od 28 do 52 s wokół 39.60 s (SD 9.50); w podtytule Levene F(2, 17) = 8.72, Welch F(2, 7.46) = 5.50 i klasyczne F(2, 17) = 4.99
Rysunek 2. Dane z zadań 4–5: najmniejsza grupa ma największy rozrzut, dlatego klasyczne F jest tu zbyt liberalne. Obliczenia: R (dane z treści zadania).

Interpretacja

Wariancje różnią się istotnie, F(2, 17) = 8.72, p = .002 – założenie homogeniczności wariancji nie jest spełnione, a najmniejsza grupa ma największy rozrzut. Klasyczny test F trzeba tu zastąpić ANOVA Welcha (zadanie 5).

Typowy błąd

Uznanie wyniku Levene’a za test różnic średnich („Levene istotny, więc grupy się różnią”). Levene porównuje rozrzuty, nie poziomy. Przy małych grupach bywa też nieistotny mimo dużych różnic wariancji.

Zadanie 5. ANOVA Welcha przy nierównych wariancjach

Treść zadania

Dla danych z zadania 4 oblicz statystykę F Welcha i jej stopnie swobody. Porównaj wynik z klasyczną ANOVA.

Rozwiązanie krok po kroku

Krok 1. Wagi. Każda grupa dostaje wagę wj = nj / sj²: 8 / 2.57 = 3.111, 7 / 9.14 = 0.766, 5 / 90.30 = 0.055. Średnia ważona Mw = ΣwjMj / Σwj = 31.34.

Krok 2. Licznik i poprawka.

A = Σwj(Mj − Mw)² / (k − 1) = 5.994
λ = Σ(1 − wj/Σw)² / (nj − 1) = 0.357;   mianownik = 1 + 2(k − 2)/(k² − 1) × λ = 1.089

Krok 3. Statystyka i df. FW = 5.994 / 1.089 = 5.50; df1 = 2, df2 = (k² − 1) / (3λ) = 7.46; p = .034. Tak samo liczy oneway.test(), w którym Welch jest ustawieniem domyślnym.

Krok 4. Porównanie. Klasyczna ANOVA daje F(2, 17) = 4.99, p = .020. Wniosek się nie zmienia, ale klasyczne p jest za małe, bo wspólna wariancja „pożycza” małą zmienność grupie 70+.

Interpretacja

Ze względu na nierówne wariancje zastosowano test Welcha. Czas rozwiązania łamigłówki różnił się między grupami wiekowymi, F(2, 7.46) = 5.50, p = .034.

Welch (1951) zaproponował ten test do porównywania kilku średnich, a Delacre i in. (2019) zalecają go jako domyślny zamiast klasycznego F. Porównania par wykonaj wtedy testem Gamesa–Howella, nie Tukeya (zob. ANOVA Welcha).

Typowy błąd

Zaokrąglanie df2 do liczby całkowitej w opisie albo wpisywanie df = 17 z klasycznej ANOVA. Ułamkowe stopnie swobody (7.46) to normalna cecha testu Welcha.

Zadanie 6. ANOVA dwuczynnikowa 2 × 2 z interakcją

Treść zadania

Na egzaminie praktycznym z resuscytacji (0–50 pkt) porównano dwie formy szkolenia (wykład, symulacja) u studentów pielęgniarstwa i u pielęgniarek z co najmniej pięcioletnim stażem – po 4 osoby w komórce. Studenci po wykładzie: 27, 31, 26, 30; studenci po symulacji: 37, 41, 38, 38; pielęgniarki po wykładzie: 36, 40, 37, 37; pielęgniarki po symulacji: 38, 42, 39, 39. Wykonaj ANOVA 2 × 2, narysuj wykres interakcji i zbadaj efekty proste.

Rozwiązanie krok po kroku

Krok 1. Tabela średnich.

Średnie w komórkach i średnie brzegowe w zadaniu 6
DoświadczenieWykładSymulacjaŚrednia brzegowa
studenci28.538.533.5
pielęgniarki37.539.538.5
średnia brzegowa33.039.0M = 36.0

Krok 2. Sumy kwadratów (układ zrównoważony, n = 4 w komórce, więc 8 osób na każdy poziom czynnika):

SSdośw = 8 × [(33.5 − 36)² + (38.5 − 36)²] = 100.00;   SSforma = 8 × [(33 − 36)² + (39 − 36)²] = 144.00
SSkomórek = 4 × Σ(Mij − 36)² = 308.00;   SSinterakcja = 308 − 100 − 144 = 64.00
SSwewn = 44.00 (odchylenia od średnich komórek);   MSwewn = 44 / 12 = 3.667

Krok 3. Testy F (każdy efekt ma df = 1, błąd df = 16 − 4 = 12): doświadczenie F = 27.27, forma F = 39.27 (oba p < .001), interakcja F = 64 / 3.667 = 17.45, p = .001.

Wykres interakcji: na osi poziomej wykład i symulacja, na osi pionowej średni wynik egzaminu; niebieska linia studentów rośnie stromo z 28.5 do 38.5, czerwona linia pielęgniarek ze stażem prawie płasko z 37.5 do 39.5; linie nie są równoległe
Rysunek 3. Wykres interakcji w zadaniu 6. Gdyby efekt formy był taki sam w obu grupach, linie byłyby równoległe. Obliczenia: R (dane z treści zadania).

Krok 4. Efekty proste. Efekt formy liczysz osobno w każdym wierszu, ze wspólnym MSwewn = 3.667:

studenci: SS = 4 × [(28.5 − 33.5)² + (38.5 − 33.5)²] = 200.00;   F(1, 12) = 54.55, p < .001
pielęgniarki: SS = 4 × [(37.5 − 38.5)² + (39.5 − 38.5)²] = 8.00;   F(1, 12) = 2.18, p = .165

Interpretacja

Wystąpiła istotna interakcja formy szkolenia i doświadczenia, F(1, 12) = 17.45, p = .001. Symulacja podnosiła wynik studentów o 10 pkt, F(1, 12) = 54.55, p < .001, a u pielęgniarek ze stażem różnica 2 pkt była nieistotna, F(1, 12) = 2.18, p = .165.

Interakcja to tu „różnica różnic”: 10 − 2 = 8 pkt (efekt interakcji). Jak opisywać interakcję krzyżową i porządkującą, pokazuje wpis interakcja w ANOVA – jak ją opisać.

Typowy błąd

Pisanie „symulacja jest lepsza od wykładu” na podstawie efektu głównego (33 vs 39 pkt), gdy interakcja jest istotna – średnia brzegowa miesza duży efekt u studentów z prawie żadnym u doświadczonych.

Zadanie 7. Eta kwadrat, cząstkowe eta kwadrat i omega kwadrat

Treść zadania

Dla trzech efektów z zadania 6 (SSogółem = 352, SSwewn = 44, MSwewn = 3.667, N = 16) oblicz η², cząstkowe η² i ω². Policz też ω² dla zadania 1. Dlaczego te miary dają różne liczby?

Rozwiązanie krok po kroku

Krok 1. Wzory.

η² = SSefekt / SSogółem;   η²p = SSefekt / (SSefekt + SSwewn)
ω² = (SSefekt − dfefekt × MSwewn) / (SSogółem + MSwewn)

Krok 2. Wyniki. Na przykład dla interakcji: η² = 64 / 352 = .182, η²p = 64 / (64 + 44) = .593, ω² = (64 − 3.667) / (352 + 3.667) = .170.

Miary wielkości efektu w zadaniu 7
EfektSSη²η²pω²cząstkowe ω²
doświadczenie100.284.694.271.622
forma144.409.766.395.705
interakcja64.182.593.170.507
Suma308.8752.053

Krok 3. Zadanie 1. η² = .495, a ω² = (47.11 − 2 × 3.20) / (95.11 + 3.20) = .414.

Interpretacja

η² mówi, jaką część całej zmienności wyjaśnia efekt – w jednym modelu te części sumują się do R² (.875). Cząstkowe η² usuwa z mianownika pozostałe efekty, więc jest większe, a suma może przekroczyć 1 (tu 2.053). Olejnik i Algina (2003) pokazują, że cząstkowe miary zależą od schematu badania, co utrudnia porównania między badaniami. ω² koryguje obciążenie η² w górę (Lakens, 2013); przy 18 osobach w zadaniu 1 różnica wynosi aż .08. Zob. omega kwadrat.

Typowy błąd

Podawanie „η²”, gdy program (np. SPSS) wypisał cząstkowe η². W ANOVA jednoczynnikowej obie miary są równe, przy dwóch czynnikach – nie.

Zadanie 8. ANOVA z powtarzanymi pomiarami

Treść zadania

Fizjoterapeuta zmierzył zakres zgięcia kolana (stopnie) u 6 pacjentów po endoprotezie: przed rehabilitacją, po 4 i po 8 tygodniach. P1: 70, 85, 95; P2: 65, 78, 90; P3: 80, 92, 98; P4: 60, 75, 88; P5: 75, 84, 96; P6: 68, 82, 89. Czy zakres ruchu zmienia się w czasie? Oceń założenie sferyczności.

Rozwiązanie krok po kroku

Krok 1. Średnie. Pomiary: 69.67, 82.67 i 92.67; średnia ogólna 81.67. Średnie pacjentów: od 74.33 (P4) do 90.00 (P3).

Krok 2. Podział zmienności. W schemacie wewnątrzobiektowym z SSogółem = 2112.00 wydzielasz różnice między osobami:

SSczas = 6 × [(69.67 − 81.67)² + (82.67 − 81.67)² + (92.67 − 81.67)²] = 1596.00
SSosoby = 3 × Σ(Mosoby − 81.67)² = 471.33;   SSbłąd = 2112.00 − 1596.00 − 471.33 = 44.67

Krok 3. Test F. dfczas = 2, dfbłąd = (3 − 1)(6 − 1) = 10.

F(2, 10) = (1596 / 2) / (44.67 / 10) = 798.00 / 4.467 = 178.66;   p < .001;   η²p = 1596 / (1596 + 44.67) = .973

Krok 4. Sferyczność. Założenie sferyczności wymaga podobnych wariancji różnic między pomiarami: tu 5.20, 13.20 i 8.40. Test Mauchly’ego: W = .729, p = .532. ε Greenhouse’a–Geissera = .787; po korekcie df = 1.57 i 7.87, p nadal < .001.

Wykres liniowy zgięcia kolana u sześciu pacjentów w trzech pomiarach: szare linie pacjentów rosną od 60–80 stopni przed rehabilitacją do 88–98 stopni po 8 tygodniach; czerwona linia średnich: 69.67, 82.67 i 92.67 stopnia
Rysunek 4. Dane z zadania 8. Pacjenci różnią się poziomem, ale poprawiają się w podobnym tempie, więc błąd po odjęciu różnic między osobami jest mały. Obliczenia: R (dane z treści zadania).

Interpretacja

Zakres zgięcia kolana zwiększał się w czasie rehabilitacji, F(2, 10) = 178.66, p < .001, η²p = .97; test Mauchly’ego nie wskazał naruszenia sferyczności, W = .73, p = .532.

Przy 6 osobach test Mauchly’ego ma bardzo małą moc, dlatego wielu autorów od razu raportuje korektę Greenhouse’a–Geissera. Dłuższy przykład z porównaniami par: ANOVA z powtarzanymi pomiarami krok po kroku.

Typowy błąd

Policzenie ANOVA dla grup niezależnych, jakby w każdym pomiarze byli inni pacjenci. Różnice między osobami (471.33) trafiają wtedy do błędu: F(2, 15) spada z 178.66 do 23.20.

Zadanie 9. Kontrast planowany

Treść zadania

Przed badaniem z zadania 2 postawiono dwie hipotezy: (H1) każde szkolenie daje więcej umów niż brak szkolenia; (H2) szkolenia stacjonarne (warsztat, warsztat z coachingiem) dają więcej niż e-learning. Średnie: 22, 24, 27, 29; MSW = 5.00; n = 8; df = 28. Przetestuj obie hipotezy kontrastami.

Rozwiązanie krok po kroku

Krok 1. Wagi. Wagi kontrastu sumują się do zera. H1: (3, −1, −1, −1) – grupa kontrolna przeciw średniej trzech szkoleń. H2: (0, −2, 1, 1). Iloczyn wag obu kontrastów sumuje się do zera (0 + 2 − 1 − 1), więc są ortogonalne.

Krok 2. Wartość i błąd kontrastu.

H1: L = 3 × 22 − 24 − 27 − 29 = −14.00;   SE = √(MSW × Σc² / n) = √(5 × 12 / 8) = 2.739;   t(28) = −5.11, p < .001
H2: L = −2 × 24 + 27 + 29 = 8.00;   SE = √(5 × 6 / 8) = 1.936;   t(28) = 4.13, p < .001

Krok 3. Kontrola. SS kontrastu = L² / (Σc²/n): 130.67 i 85.33. Z trzecim kontrastem ortogonalnym (0, 0, −1, 1 – warsztat vs warsztat z coachingiem: SS = 16.00, t(28) = 1.79, p = .084) sumują się do SSB = 232.00.

Interpretacja

Zgodnie z hipotezą osoby po dowolnym szkoleniu podpisały więcej umów niż grupa kontrolna, t(28) = 5.11, p < .001, a szkolenia stacjonarne dały lepsze wyniki niż e-learning, t(28) = 4.13, p < .001.

W zadaniu 3 Tukey nie potwierdził różnic e-learning – kontrolna ani warsztat – e-learning, bo rozkładał ryzyko błędu na 6 par. Pytanie postawione przed zebraniem danych ma większą moc. Więcej o wagach i trendach: kontrasty planowane i analiza trendu.

Typowy błąd

Wymyślanie kontrastu po obejrzeniu średnich i testowanie go jak planowanego. Taki kontrast jest porównaniem post hoc i wymaga korekty (np. Scheffégo).

Zadanie 10. ANOVA a test t przy dwóch grupach

Treść zadania

Nauczycielka policzyła błędy w dyktandzie w dwóch klasach po 6 uczniów. Klasa A: 4, 6, 3, 5, 7, 5. Klasa B: 7, 9, 6, 8, 10, 6. Wykonaj test t dla prób niezależnych i ANOVA. Co łączy oba wyniki?

Rozwiązanie krok po kroku

Krok 1. Test t. Średnie 5.00 i 7.67, SD 1.41 i 1.63. Wariancje: 2.000 i 2.667, więc wariancja łączna sp² = (5 × 2.000 + 5 × 2.667) / 10 = 2.333.

t(10) = (7.67 − 5.00) / √(2.333 × (1/6 + 1/6)) = 3.024;   p = .013

Krok 2. ANOVA. F(1, 10) = 9.143, p = .013, a MSW = 2.333 – to ta sama wariancja łączna.

Krok 3. Związek. t² = 3.024² = 9.143 = F, a p jest identyczne. To samo dotyczy wersji Welcha: kwadrat t Welcha równa się F z oneway.test() (9.143, df = 9.80).

Interpretacja

Uczniowie klasy B popełnili więcej błędów (M = 7.67, SD = 1.63) niż uczniowie klasy A (M = 5.00, SD = 1.41), t(10) = 3.02, p = .013.

Przy dwóch grupach wybór między testem t dla prób niezależnych a ANOVA nie zmienia wniosku; test t pozwala jednak na hipotezę jednostronną (tu p = .006), a F jest zawsze „dwustronne”. Oba wyniki z samych średnich i SD policzysz w kalkulatorze testu t i ANOVA.

Typowy błąd

Dzielenie p z ANOVA przez 2 „dla hipotezy jednostronnej” bez sprawdzenia kierunku różnicy – F nie ma znaku i nie pokazuje, która grupa ma wyższą średnią.

Ściąga wzorów do zadań z ANOVA

Ściąga: wielkość, wzór i szybka kontrola wyniku
WielkośćWzórSzybka kontrola
SST, SSBΣx² − T²/N;   Σ(Tj²/nj) − T²/NSSB + SSW = SST
Stopnie swobodyk − 1;   N − k;   N − 1sumują się; MS nie
Tukey HSDq(k, dfwewn) × √(MSW/n)liczba par = k(k − 1)/2
LeveneANOVA na |x − Mj| (lub |x − Mej|)bada rozrzuty, nie średnie
Interakcja 2 × 2SSkomórek − SSA − SSBlinie wykresu nierównoległe
Pomiary powtarzaneSSbłąd = SSogółem − SSczas − SSosobydfbłąd = (k − 1)(n − 1)
Kontrastt = ΣcjMj / √(MSWΣcj²/n)Σcj = 0
η², ω²SSefekt/SSogółem;   (SSefekt − df × MSW)/(SSogółem + MSW)ω² < η²

Gdy ANOVA nie pasuje do danych (silnie skośne wyniki w małych grupach), alternatywą jest test Kruskala–Wallisa.

Inne zbiory zadań ze statystyki

Ten wpis należy do serii zbiorów zadań z rozwiązaniami – wszystkie zebraliśmy na stronie zadania ze statystyki z rozwiązaniami. Najbliżej ANOVA są: estymacja i testowanie hipotez, testy nieparametryczne (Kruskal–Wallis i Friedman), korelacja i regresja (test F w regresji) oraz moc testu i liczebność próby. Gdy przyjdzie czas na ANOVA we własnej pracy dyplomowej, możesz skorzystać z konsultacji analizy statystycznej dla studentów.

Przykład reprodukowalny

Sprawdź wyniki w R: kod i wynik

Dwa przepisy liczą wszystkie liczby z rozwiązań na danych wpisanych w kod (bez losowania). Każde zadanie jest policzone dwa razy: najpierw wzorem, tak jak na kartce, potem gotową funkcją R jako kontrola. Rysunki i plik CSV powstały w osobnym skrypcie, który wczytuje dane z tych przepisów.

Zadania 1–5: ANOVA z sum, tabela ANOVA, Tukey HSD, test Levene’a i ANOVA Welcha

Dane wejściowe: liczby z treści zadań 1–5 wpisane w kod; funkcje bazowego R (aov, anova, qtukey, TukeyHSD, oneway.test) i leveneTest z pakietu car.

Co odczytać: sumy pomocnicze i sumy kwadratów ze wzorów obok tabel z aov(), wartość q i HSD z decyzjami dla par obok wydruku TukeyHSD(), odchylenia bezwzględne w teście Levene’a (dwie wersje) oraz wagi i stopnie swobody testu Welcha obok wydruku oneway.test().

R
# B387 – zadania 1–5: ANOVA jednoczynnikowa przy nierównych liczebnościach (sumy kwadratów z sum),
# uzupełnianie tabeli ANOVA, test Tukeya HSD ręcznie, test Levene’a i ANOVA Welcha
# Dane wpisane na sztywno – te same co w treści zadań. Funkcje bazowego R (stats) i car::leveneTest.
z2 <- function(x) formatC(x, format = "f", digits = 2)
z3 <- function(x) formatC(x, format = "f", digits = 3)
bz <- function(x, d = 3) sub("^(-?)0\\.", "\\1.", formatC(x, format = "f", digits = d))   # bez zera przed kropką
pp <- function(p) if (p < .001) "< .001" else paste("=", bz(p))                            # zapis p jak w APA

# Zadanie 1. Test wiedzy o cukrzycy (0–20 pkt) po trzech formach edukacji pacjentów (n = 5, 7, 6)
ulotka   <- c(9, 11, 8, 12, 10)
rozmowa  <- c(14, 12, 15, 13, 16, 11, 17)
zajecia  <- c(12, 13, 11, 14, 12, 10)
z1 <- list(ulotka = ulotka, rozmowa = rozmowa, zajecia = zajecia)
n_j <- sapply(z1, length); T_j <- sapply(z1, sum); M_j <- sapply(z1, mean); Q_j <- sapply(z1, function(x) sum(x^2))
N1 <- sum(n_j); T1 <- sum(T_j); k1 <- length(z1)
cat("Zadanie 1\n")
print(data.frame(grupa = names(z1), n = n_j, suma = T_j, srednia = round(M_j, 2), suma_kwadratow = Q_j), row.names = FALSE)
cat("N =", N1, "; suma ogólna T =", T1, "; średnia ogólna =", z2(T1 / N1), "; suma x^2 =", sum(Q_j), "\n")
SST1 <- sum(Q_j) - T1^2 / N1
SSB1 <- sum(T_j^2 / n_j) - T1^2 / N1
SSW1 <- SST1 - SSB1
cat("SST = suma x^2 - T^2 / N =", sum(Q_j), "-", T1, "^2 /", N1, "=", z2(SST1), "\n")
cat("SSB = suma(T_j^2 / n_j) - T^2 / N =", z2(sum(T_j^2 / n_j)), "-", z2(T1^2 / N1), "=", z2(SSB1), "\n")
cat("SSB ze średnich = suma n_j (M_j - M)^2 =", z2(sum(n_j * (M_j - T1 / N1)^2)), "\n")
cat("SSW = SST - SSB =", z2(SSW1), "; kontrola suma (n_j - 1) s_j^2 =", z2(sum((n_j - 1) * sapply(z1, var))), "\n")
F1 <- (SSB1 / (k1 - 1)) / (SSW1 / (N1 - k1))
cat("MSB =", z2(SSB1 / (k1 - 1)), "; MSW =", z2(SSW1 / (N1 - k1)), "; F(", k1 - 1, ",", N1 - k1, ") =", z2(F1),
    "; F krytyczne =", z2(qf(0.95, k1 - 1, N1 - k1)), "; p", pp(pf(F1, k1 - 1, N1 - k1, lower.tail = FALSE)), "\n")
cat("eta^2 = SSB / SST =", bz(SSB1 / SST1, 2), "\n")
d1 <- data.frame(wynik = unlist(z1), grupa = factor(rep(names(z1), n_j), levels = names(z1)))
print(summary(aov(wynik ~ grupa, data = d1)))
cat("Błąd: średnia ogólna jako średnia średnich =", z2(mean(M_j)), "; SSB liczone z nią =",
    z2(sum(n_j * (M_j - mean(M_j))^2)), "\n\n")

# Zadanie 2. Cztery warianty szkolenia sprzedawców, po 8 osób; wynik = liczba umów w miesiącu po szkoleniu
umowy <- list(kontrolna = c(20, 24, 22, 18, 25, 21, 23, 23),
              elearning = c(23, 26, 24, 21, 27, 25, 22, 24),
              warsztat  = c(27, 25, 29, 24, 28, 26, 30, 27),
              coaching  = c(28, 33, 27, 30, 25, 32, 29, 28))
d2 <- data.frame(umowy = unlist(umowy), grupa = factor(rep(names(umowy), each = 8), levels = names(umowy)))
a2 <- anova(lm(umowy ~ grupa, data = d2))
cat("Zadanie 2\n")
cat("Średnie grup:", z2(sapply(umowy, mean)), "; SD:", z2(sapply(umowy, sd)), "\n")
SSB2 <- a2$`Sum Sq`[1]; SSW2 <- a2$`Sum Sq`[2]; SST2 <- SSB2 + SSW2
k2 <- 4; N2 <- 32
cat("Podane w treści: SSB =", z2(SSB2), "; SST =", z2(SST2), "; MSW =", z2(SSW2 / (N2 - k2)), "\n")
cat("df między = k - 1 =", k2 - 1, "; df wewnątrz = N - k =", N2 - k2, "; df ogółem = N - 1 =", N2 - 1, "\n")
cat("SSW = SST - SSB =", z2(SST2 - SSB2), "; MSB = SSB / 3 =", z2(SSB2 / 3), "; F = MSB / MSW =", z2((SSB2 / 3) / (SSW2 / 28)), "\n")
cat("F krytyczne(3, 28) =", z2(qf(0.95, 3, 28)), "; p", pp(pf((SSB2 / 3) / (SSW2 / 28), 3, 28, lower.tail = FALSE)),
    "; eta^2 =", bz(SSB2 / SST2, 2), "\n")
print(a2)
cat("\n")

# Zadanie 3. Test Tukeya HSD ręcznie dla danych z zadania 2
MSW2 <- SSW2 / 28
q <- qtukey(0.95, nmeans = 4, df = 28)
HSD <- q * sqrt(MSW2 / 8)
cat("Zadanie 3\n")
cat("q(0.95; 4, 28) =", z3(q), "; HSD = q * sqrt(MSW / n) =", z3(q), "* sqrt(", z3(MSW2), "/ 8 ) =", z2(HSD), "\n")
M2 <- sapply(umowy, mean)
pary <- combn(names(M2), 2)
tab3 <- data.frame(para = paste(pary[2, ], "-", pary[1, ]), roznica = M2[pary[2, ]] - M2[pary[1, ]])
tab3$istotna <- ifelse(abs(tab3$roznica) > HSD, "tak", "nie")
print(tab3, row.names = FALSE)
tk <- TukeyHSD(aov(umowy ~ grupa, data = d2))$grupa
print(data.frame(round(tk[, 1:3], 3), p_skor = sapply(tk[, 4], function(p) paste("p", pp(p)))))
cat("\n")

# Zadanie 4. Test Levene’a: czas rozwiązania łamigłówki (s) w trzech grupach wiekowych (n = 8, 7, 5)
mlodzi  <- c(30, 32, 29, 31, 33, 30, 28, 31)
srednie <- c(34, 30, 38, 33, 36, 31, 37)
starsi  <- c(45, 28, 52, 33, 40)
z4 <- list(mlodzi = mlodzi, srednie = srednie, starsi = starsi)
d4 <- data.frame(czas = unlist(z4), grupa = factor(rep(names(z4), sapply(z4, length)), levels = names(z4)))
cat("Zadanie 4\n")
cat("n:", sapply(z4, length), "; średnie:", z2(sapply(z4, mean)), "; SD:", z2(sapply(z4, sd)), "; wariancje:", z2(sapply(z4, var)), "\n")
d4$odch <- abs(d4$czas - ave(d4$czas, d4$grupa))           # |x - średnia grupy| (klasyczny test Levene’a)
d4$odch_med <- abs(d4$czas - ave(d4$czas, d4$grupa, FUN = median))   # |x - mediana grupy| (Brown i Forsythe, 1974)
for (g in names(z4)) cat("|x - M|", g, ":", z2(d4$odch[d4$grupa == g]), "\n")
cat("Średnie odchylenia bezwzględne od średniej:", z2(tapply(d4$odch, d4$grupa, mean)), "\n")
lev <- anova(lm(odch ~ grupa, data = d4))
cat("Levene (wokół średniej) = ANOVA na |x - M_j|: F(", lev$Df[1], ",", lev$Df[2], ") =", z2(lev$`F value`[1]),
    "; p", pp(lev$`Pr(>F)`[1]), "\n")
print(car::leveneTest(czas ~ grupa, data = d4, center = mean))
bf <- anova(lm(odch_med ~ grupa, data = d4))
cat("Brown–Forsythe (wokół mediany): F =", z2(bf$`F value`[1]), "; p", pp(bf$`Pr(>F)`[1]), "\n")
print(car::leveneTest(czas ~ grupa, data = d4))   # domyślnie center = median
cat("Stosunek największej do najmniejszej wariancji =", z2(max(sapply(z4, var)) / min(sapply(z4, var))), "\n\n")

# Zadanie 5. ANOVA Welcha dla danych z zadania 4 – wzór i oneway.test()
n5 <- sapply(z4, length); M5 <- sapply(z4, mean); s2 <- sapply(z4, var); k5 <- 3
w <- n5 / s2; Mw <- sum(w * M5) / sum(w)
A <- sum(w * (M5 - Mw)^2) / (k5 - 1)
lam <- sum((1 - w / sum(w))^2 / (n5 - 1))
FW <- A / (1 + 2 * (k5 - 2) / (k5^2 - 1) * lam)
df2W <- (k5^2 - 1) / (3 * lam)
cat("Zadanie 5\n")
cat("wagi w_j = n_j / s_j^2:", z3(w), "; ważona średnia =", z2(Mw), "\n")
cat("licznik = suma w_j (M_j - Mw)^2 / (k - 1) =", z3(A), "; suma (1 - w_j/W)^2 / (n_j - 1) =", z3(lam), "\n")
cat("mianownik = 1 + 2 (k - 2) / (k^2 - 1) * lambda =", z3(1 + 2 * (k5 - 2) / (k5^2 - 1) * lam), "\n")
cat("F Welcha =", z2(FW), "; df1 =", k5 - 1, "; df2 = (k^2 - 1) / (3 * lambda) =", z2(df2W),
    "; p", pp(pf(FW, k5 - 1, df2W, lower.tail = FALSE)), "\n")
print(oneway.test(czas ~ grupa, data = d4))                    # var.equal = FALSE (Welch) – domyślnie
klas <- oneway.test(czas ~ grupa, data = d4, var.equal = TRUE)
cat("Klasyczne F (równe wariancje): F(", klas$parameter[1], ",", klas$parameter[2], ") =", z2(klas$statistic),
    "; p", pp(klas$p.value), "\n")
Wynik w R
Zadanie 1
   grupa n suma srednia suma_kwadratow
  ulotka 5   50      10            510
 rozmowa 7   98      14           1400
 zajecia 6   72      12            874
N = 18 ; suma ogólna T = 220 ; średnia ogólna = 12.22 ; suma x^2 = 2784 
SST = suma x^2 - T^2 / N = 2784 - 220 ^2 / 18 = 95.11 
SSB = suma(T_j^2 / n_j) - T^2 / N = 2736.00 - 2688.89 = 47.11 
SSB ze średnich = suma n_j (M_j - M)^2 = 47.11 
SSW = SST - SSB = 48.00 ; kontrola suma (n_j - 1) s_j^2 = 48.00 
MSB = 23.56 ; MSW = 3.20 ; F( 2 , 15 ) = 7.36 ; F krytyczne = 3.68 ; p = .006 
eta^2 = SSB / SST = .50 
            Df Sum Sq Mean Sq F value  Pr(>F)   
grupa        2  47.11   23.56   7.361 0.00592 **
Residuals   15  48.00    3.20                   
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Błąd: średnia ogólna jako średnia średnich = 12.00 ; SSB liczone z nią = 48.00 

Zadanie 2
Średnie grup: 22.00 24.00 27.00 29.00 ; SD: 2.27 2.00 2.00 2.62 
Podane w treści: SSB = 232.00 ; SST = 372.00 ; MSW = 5.00 
df między = k - 1 = 3 ; df wewnątrz = N - k = 28 ; df ogółem = N - 1 = 31 
SSW = SST - SSB = 140.00 ; MSB = SSB / 3 = 77.33 ; F = MSB / MSW = 15.47 
F krytyczne(3, 28) = 2.95 ; p < .001 ; eta^2 = .62 
Analysis of Variance Table

Response: umowy
          Df Sum Sq Mean Sq F value    Pr(>F)    
grupa      3    232  77.333  15.467 3.991e-06 ***
Residuals 28    140   5.000                      
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Zadanie 3
q(0.95; 4, 28) = 3.861 ; HSD = q * sqrt(MSW / n) = 3.861 * sqrt( 5.000 / 8 ) = 3.05 
                  para roznica istotna
 elearning - kontrolna       2     nie
  warsztat - kontrolna       5     tak
  coaching - kontrolna       7     tak
  warsztat - elearning       3     nie
  coaching - elearning       5     tak
   coaching - warsztat       2     nie
                    diff    lwr    upr   p_skor
elearning-kontrolna    2 -1.053  5.053 p = .300
warsztat-kontrolna     5  1.947  8.053 p < .001
coaching-kontrolna     7  3.947 10.053 p < .001
warsztat-elearning     3 -0.053  6.053 p = .055
coaching-elearning     5  1.947  8.053 p < .001
coaching-warsztat      2 -1.053  5.053 p = .300

Zadanie 4
n: 8 7 5 ; średnie: 30.50 34.14 39.60 ; SD: 1.60 3.02 9.50 ; wariancje: 2.57 9.14 90.30 
|x - M| mlodzi : 0.50 1.50 1.50 0.50 2.50 0.50 2.50 0.50 
|x - M| srednie : 0.14 4.14 3.86 1.14 1.86 3.14 2.86 
|x - M| starsi : 5.40 11.60 12.40 6.60 0.40 
Średnie odchylenia bezwzględne od średniej: 1.25 2.45 7.28 
Levene (wokół średniej) = ANOVA na |x - M_j|: F( 2 , 17 ) = 8.72 ; p = .002 
Levene's Test for Homogeneity of Variance (center = mean)
      Df F value   Pr(>F)   
group  2  8.7231 0.002472 **
      17                    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Brown–Forsythe (wokół mediany): F = 7.98 ; p = .004 
Levene's Test for Homogeneity of Variance (center = median)
      Df F value   Pr(>F)   
group  2   7.979 0.003599 **
      17                    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Stosunek największej do najmniejszej wariancji = 35.12 

Zadanie 5
wagi w_j = n_j / s_j^2: 3.111 0.766 0.055 ; ważona średnia = 31.34 
licznik = suma w_j (M_j - Mw)^2 / (k - 1) = 5.994 ; suma (1 - w_j/W)^2 / (n_j - 1) = 0.357 
mianownik = 1 + 2 (k - 2) / (k^2 - 1) * lambda = 1.089 
F Welcha = 5.50 ; df1 = 2 ; df2 = (k^2 - 1) / (3 * lambda) = 7.46 ; p = .034 

	One-way analysis of means (not assuming equal variances)

data:  czas and grupa
F = 5.5024, num df = 2.000, denom df = 7.463, p-value = 0.03401

Klasyczne F (równe wariancje): F( 2 , 17 ) = 4.99 ; p = .020 

Zadania 6–10: ANOVA 2 × 2, miary efektu, pomiary powtarzane, kontrasty i F = t²

Dane wejściowe: liczby z treści zadań 6–10 (i zadań 1–2) wpisane w kod; tylko funkcje bazowego R (lm, anova, aov z Error(), mauchly.test, t.test, oneway.test).

Co odczytać: sumy kwadratów i efekty proste ze wzorów obok tabel z anova(), tabelę η², cząstkowego η² i ω², podział zmienności w pomiarach powtarzanych, test Mauchly’ego i ε Greenhouse’a–Geissera, wartości kontrastów obok współczynników modelu z kontrastami oraz równość t² = F.

R
# B387 – zadania 6–10: ANOVA dwuczynnikowa 2 × 2 z interakcją i efektami prostymi, eta² / cząstkowe eta² / omega²,
# ANOVA z powtarzanymi pomiarami (sferyczność), kontrast planowany, ANOVA a test t (F = t²)
# Dane wpisane na sztywno – te same co w treści zadań. Tylko funkcje bazowego R (stats).
z2 <- function(x) formatC(x, format = "f", digits = 2)
z3 <- function(x) formatC(x, format = "f", digits = 3)
bz <- function(x, d = 3) sub("^(-?)0\\.", "\\1.", formatC(x, format = "f", digits = d))
pp <- function(p) if (p < .001) "< .001" else paste("=", bz(p))

# Zadanie 6. Egzamin praktyczny (0–50 pkt): forma szkolenia (wykład / symulacja) × doświadczenie (studenci / pielęgniarki), n = 4
d6 <- data.frame(
  dosw  = factor(rep(c("studenci", "pielegniarki"), each = 8), levels = c("studenci", "pielegniarki")),
  forma = factor(rep(rep(c("wyklad", "symulacja"), each = 4), 2), levels = c("wyklad", "symulacja")),
  wynik = c(27, 31, 26, 30,  37, 41, 38, 38,   36, 40, 37, 37,  38, 42, 39, 39))
n6 <- 4
M_kom <- tapply(d6$wynik, list(d6$dosw, d6$forma), mean)
M_A <- rowMeans(M_kom); M_B <- colMeans(M_kom); M <- mean(d6$wynik)
cat("Zadanie 6\nŚrednie w komórkach:\n"); print(M_kom)
cat("Średnie brzegowe – doświadczenie:", z2(M_A), "; forma:", z2(M_B), "; ogólna =", z2(M), "\n")
SS_A  <- 2 * n6 * sum((M_A - M)^2)
SS_B  <- 2 * n6 * sum((M_B - M)^2)
SS_kom <- n6 * sum((M_kom - M)^2)
SS_AB <- SS_kom - SS_A - SS_B
SS_W  <- sum((d6$wynik - ave(d6$wynik, d6$dosw, d6$forma))^2)
SS_T  <- sum((d6$wynik - M)^2)
df_W <- 16 - 4; MS_W <- SS_W / df_W
cat("SS_dosw =", z2(SS_A), "; SS_forma =", z2(SS_B), "; SS_komorek =", z2(SS_kom), "; SS_interakcja =", z2(SS_AB), "\n")
cat("SS_wewn =", z2(SS_W), "; SS_ogółem =", z2(SS_T), "; MS_wewn =", z3(MS_W), "\n")
for (ef in c("dosw", "forma", "interakcja")) {
  ss <- c(dosw = SS_A, forma = SS_B, interakcja = SS_AB)[[ef]]
  cat("F(1, 12)", ef, "=", z2(ss / MS_W), "; p", pp(pf(ss / MS_W, 1, df_W, lower.tail = FALSE)), "\n")
}
cat("Kontrast interakcji (różnica różnic) =", z2((M_kom[1, 2] - M_kom[1, 1]) - (M_kom[2, 2] - M_kom[2, 1])), "\n")
print(anova(lm(wynik ~ dosw * forma, data = d6)))
# Efekty proste: efekt formy osobno u studentów i u pielęgniarek (wspólny MS_wewn, df = 12)
for (g in levels(d6$dosw)) {
  ss <- n6 * sum((M_kom[g, ] - mean(M_kom[g, ]))^2)
  cat("Efekt prosty formy –", g, ": różnica =", z2(M_kom[g, 2] - M_kom[g, 1]), "; SS =", z2(ss), "; F(1, 12) =", z2(ss / MS_W),
      "; p", pp(pf(ss / MS_W, 1, df_W, lower.tail = FALSE)), "\n")
}
print(anova(lm(wynik ~ dosw / forma, data = d6)))   # kontrola: forma zagnieżdżona w doświadczeniu = dwa efekty proste
cat("\n")

# Zadanie 7. eta², cząstkowe eta² i omega² dla zadania 6 oraz omega² dla zadania 1
cat("Zadanie 7\n")
ss_ef <- c(dosw = SS_A, forma = SS_B, interakcja = SS_AB)
tab7 <- data.frame(efekt = names(ss_ef), SS = round(ss_ef, 2),
                   eta2 = round(ss_ef / SS_T, 3),
                   eta2_czastkowe = round(ss_ef / (ss_ef + SS_W), 3),
                   omega2 = round((ss_ef - 1 * MS_W) / (SS_T + MS_W), 3),
                   omega2_czastkowe = round((ss_ef - 1 * MS_W) / (ss_ef + (16 - 1) * MS_W), 3))
print(tab7, row.names = FALSE)
cat("Suma eta^2 =", z3(sum(ss_ef / SS_T)), "; suma cząstkowych eta^2 =", z3(sum(ss_ef / (ss_ef + SS_W))), "\n")
# zadanie 1: te same dane co w pierwszym przepisie (k = 3, N = 18)
w1 <- c(9, 11, 8, 12, 10,  14, 12, 15, 13, 16, 11, 17,  12, 13, 11, 14, 12, 10)
g1 <- factor(rep(c("ulotka", "rozmowa", "zajecia"), c(5, 7, 6)))
a1 <- anova(lm(w1 ~ g1)); SSB1 <- a1$`Sum Sq`[1]; SST1 <- sum(a1$`Sum Sq`); MSW1 <- a1$`Mean Sq`[2]
cat("Zadanie 1: SSB =", z2(SSB1), "; SST =", z2(SST1), "; MSW =", z2(MSW1), "\n")
cat("Zadanie 1: eta^2 =", bz(SSB1 / SST1), "; omega^2 = (SSB - (k - 1) MSW) / (SST + MSW) =", bz((SSB1 - 2 * MSW1) / (SST1 + MSW1)), "\n\n")

# Zadanie 8. Zakres zgięcia kolana (stopnie) u 6 pacjentów: przed, po 4 i po 8 tygodniach rehabilitacji
rom <- matrix(c(70, 85, 95,
                65, 78, 90,
                80, 92, 98,
                60, 75, 88,
                75, 84, 96,
                68, 82, 89), ncol = 3, byrow = TRUE, dimnames = list(paste0("P", 1:6), c("przed", "t4", "t8")))
n8 <- nrow(rom); k8 <- ncol(rom); M8 <- mean(rom)
cat("Zadanie 8\n")
cat("Średnie pomiarów:", z2(colMeans(rom)), "; średnie osób:", z2(rowMeans(rom)), "; średnia ogólna =", z2(M8), "\n")
SS_czas <- n8 * sum((colMeans(rom) - M8)^2)
SS_osob <- k8 * sum((rowMeans(rom) - M8)^2)
SS_tot  <- sum((rom - M8)^2)
SS_bl   <- SS_tot - SS_czas - SS_osob
df_c <- k8 - 1; df_b <- (k8 - 1) * (n8 - 1)
F8 <- (SS_czas / df_c) / (SS_bl / df_b)
cat("SS_ogółem =", z2(SS_tot), "; SS_czas =", z2(SS_czas), "; SS_osoby =", z2(SS_osob), "; SS_błąd =", z2(SS_bl), "\n")
cat("MS_czas =", z2(SS_czas / df_c), "; MS_błąd =", z3(SS_bl / df_b), "; F(", df_c, ",", df_b, ") =", z2(F8),
    "; p", pp(pf(F8, df_c, df_b, lower.tail = FALSE)), "\n")
cat("Cząstkowe eta^2 = SS_czas / (SS_czas + SS_błąd) =", bz(SS_czas / (SS_czas + SS_bl)), "\n")
dl8 <- data.frame(id = factor(rep(rownames(rom), k8)), czas = factor(rep(colnames(rom), each = n8), levels = colnames(rom)),
                  rom = as.vector(rom))
print(summary(aov(rom ~ czas + Error(id / czas), data = dl8)))
# Błąd: ANOVA dla grup niezależnych na tych samych danych (SS osób trafia do błędu)
print(summary(aov(rom ~ czas, data = dl8)))
# Sferyczność: wariancje różnic, test Mauchly’ego i poprawka Greenhouse’a–Geissera
roz <- cbind(`t4-przed` = rom[, 2] - rom[, 1], `t8-przed` = rom[, 3] - rom[, 1], `t8-t4` = rom[, 3] - rom[, 2])
cat("Wariancje różnic:", z2(apply(roz, 2, var)), "\n")
fit8 <- lm(rom ~ 1)
print(mauchly.test(fit8, X = ~1))
Cmat <- contr.poly(k8)                                   # kontrasty ortonormalne
S <- t(Cmat) %*% cov(rom) %*% Cmat
eps <- sum(diag(S))^2 / ((k8 - 1) * sum(diag(S %*% S)))
cat("epsilon G-G =", z3(eps), "; df po poprawce:", z2(eps * df_c), ",", z2(eps * df_b),
    "; p", pp(pf(F8, eps * df_c, eps * df_b, lower.tail = FALSE)), "\n")
print(anova(fit8, X = ~1, test = "Spherical"))
cat("\n")

# Zadanie 9. Kontrast planowany dla danych z zadania 2 (kontrolna vs trzy szkolenia; e-learning vs dwa stacjonarne)
umowy <- list(kontrolna = c(20, 24, 22, 18, 25, 21, 23, 23),
              elearning = c(23, 26, 24, 21, 27, 25, 22, 24),
              warsztat  = c(27, 25, 29, 24, 28, 26, 30, 27),
              coaching  = c(28, 33, 27, 30, 25, 32, 29, 28))
d9 <- data.frame(umowy = unlist(umowy), grupa = factor(rep(names(umowy), each = 8), levels = names(umowy)))
M9 <- sapply(umowy, mean); MSW9 <- 5; n9 <- 8; df9 <- 28
cat("Zadanie 9\n")
for (c9 in list(c(3, -1, -1, -1), c(0, -2, 1, 1), c(0, 0, -1, 1))) {
  L <- sum(c9 * M9); se <- sqrt(MSW9 * sum(c9^2) / n9); t9 <- L / se
  cat("wagi", paste(c9, collapse = ", "), ": L =", z2(L), "; SE = sqrt(MSW * suma c^2 / n) =", z3(se), "; t(28) =", z2(t9),
      "; p", pp(2 * pt(-abs(t9), df9)), "; F = t^2 =", z2(t9^2), "; SS_kontrastu =", z2(L^2 / (sum(c9^2) / n9)), "\n")
}
contrasts(d9$grupa) <- cbind(k_vs_szkolenia = c(3, -1, -1, -1), e_vs_stacjonarne = c(0, -2, 1, 1), warsztat_vs_coaching = c(0, 0, -1, 1))
print(round(summary(lm(umowy ~ grupa, data = d9))$coefficients, 4))
cat("Kontrola: SS kontrastów ortogonalnych sumują się do SSB:",
    z2(sum(sapply(list(c(3, -1, -1, -1), c(0, -2, 1, 1), c(0, 0, -1, 1)), function(c9) sum(c9 * M9)^2 / (sum(c9^2) / n9)))), "\n\n")

# Zadanie 10. Dwie grupy: liczba błędów w dyktandzie w dwóch klasach (po 6 uczniów) – ANOVA a test t
klasaA <- c(4, 6, 3, 5, 7, 5)
klasaB <- c(7, 9, 6, 8, 10, 6)
d10 <- data.frame(bledy = c(klasaA, klasaB), klasa = factor(rep(c("A", "B"), each = 6)))
cat("Zadanie 10\n")
cat("Średnie:", z2(tapply(d10$bledy, d10$klasa, mean)), "; SD:", z2(tapply(d10$bledy, d10$klasa, sd)),
    "; wariancje:", z3(tapply(d10$bledy, d10$klasa, var)), "\n")
sp2 <- (5 * var(klasaA) + 5 * var(klasaB)) / 10
t10 <- (mean(klasaB) - mean(klasaA)) / sqrt(sp2 * (1 / 6 + 1 / 6))
cat("Wariancja łączna =", z3(sp2), "; t(10) =", z3(t10), "; t^2 =", z3(t10^2), "\n")
tt <- t.test(bledy ~ klasa, data = d10, var.equal = TRUE)
a10 <- anova(lm(bledy ~ klasa, data = d10))
cat("t.test: t =", z3(tt$statistic), "; p", pp(tt$p.value), "; p (5 miejsc) =", bz(tt$p.value, 5), "\n")
cat("ANOVA: F(1, 10) =", z3(a10$`F value`[1]), "; p", pp(a10$`Pr(>F)`[1]), "; p (5 miejsc) =", bz(a10$`Pr(>F)`[1], 5),
    "; MSW =", z3(a10$`Mean Sq`[2]), "(= wariancja łączna)\n")
tw <- t.test(bledy ~ klasa, data = d10)
ow <- oneway.test(bledy ~ klasa, data = d10)
cat("Welch: t^2 =", z3(tw$statistic^2), "; F Welcha =", z3(ow$statistic), "; df =", z2(tw$parameter), "i", z2(ow$parameter[2]), "\n")
cat("Jednostronny t (B > A): p", pp(t.test(klasaB, klasaA, var.equal = TRUE, alternative = "greater")$p.value), "\n")
Wynik w R
Zadanie 6
Średnie w komórkach:
             wyklad symulacja
studenci       28.5      38.5
pielegniarki   37.5      39.5
Średnie brzegowe – doświadczenie: 33.50 38.50 ; forma: 33.00 39.00 ; ogólna = 36.00 
SS_dosw = 100.00 ; SS_forma = 144.00 ; SS_komorek = 308.00 ; SS_interakcja = 64.00 
SS_wewn = 44.00 ; SS_ogółem = 352.00 ; MS_wewn = 3.667 
F(1, 12) dosw = 27.27 ; p < .001 
F(1, 12) forma = 39.27 ; p < .001 
F(1, 12) interakcja = 17.45 ; p = .001 
Kontrast interakcji (różnica różnic) = 8.00 
Analysis of Variance Table

Response: wynik
           Df Sum Sq Mean Sq F value    Pr(>F)    
dosw        1    100 100.000  27.273 0.0002139 ***
forma       1    144 144.000  39.273 4.149e-05 ***
dosw:forma  1     64  64.000  17.454 0.0012814 ** 
Residuals  12     44   3.667                      
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Efekt prosty formy – studenci : różnica = 10.00 ; SS = 200.00 ; F(1, 12) = 54.55 ; p < .001 
Efekt prosty formy – pielegniarki : różnica = 2.00 ; SS = 8.00 ; F(1, 12) = 2.18 ; p = .165 
Analysis of Variance Table

Response: wynik
           Df Sum Sq Mean Sq F value    Pr(>F)    
dosw        1    100 100.000  27.273 0.0002139 ***
dosw:forma  2    208 104.000  28.364 2.833e-05 ***
Residuals  12     44   3.667                      
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Zadanie 7
      efekt  SS  eta2 eta2_czastkowe omega2 omega2_czastkowe
       dosw 100 0.284          0.694  0.271            0.622
      forma 144 0.409          0.766  0.395            0.705
 interakcja  64 0.182          0.593  0.170            0.507
Suma eta^2 = 0.875 ; suma cząstkowych eta^2 = 2.053 
Zadanie 1: SSB = 47.11 ; SST = 95.11 ; MSW = 3.20 
Zadanie 1: eta^2 = .495 ; omega^2 = (SSB - (k - 1) MSW) / (SST + MSW) = .414 

Zadanie 8
Średnie pomiarów: 69.67 82.67 92.67 ; średnie osób: 83.33 77.67 90.00 74.33 85.00 79.67 ; średnia ogólna = 81.67 
SS_ogółem = 2112.00 ; SS_czas = 1596.00 ; SS_osoby = 471.33 ; SS_błąd = 44.67 
MS_czas = 798.00 ; MS_błąd = 4.467 ; F( 2 , 10 ) = 178.66 ; p < .001 
Cząstkowe eta^2 = SS_czas / (SS_czas + SS_błąd) = .973 

Error: id
          Df Sum Sq Mean Sq F value Pr(>F)
Residuals  5  471.3   94.27               

Error: id:czas
          Df Sum Sq Mean Sq F value  Pr(>F)    
czas       2 1596.0   798.0   178.7 1.5e-08 ***
Residuals 10   44.7     4.5                    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
            Df Sum Sq Mean Sq F value   Pr(>F)    
czas         2   1596   798.0    23.2 2.57e-05 ***
Residuals   15    516    34.4                     
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Wariancje różnic: 5.20 13.20 8.40 

	Mauchly's test of sphericity
	Contrasts orthogonal to
	~1


data:  SSD matrix from lm(formula = rom ~ 1)
W = 0.72912, p-value = 0.5316

epsilon G-G = 0.787 ; df po poprawce: 1.57 , 7.87 ; p < .001 
Analysis of Variance Table


Contrasts orthogonal to
~1

Greenhouse-Geisser epsilon: 0.7869
Huynh-Feldt epsilon:        1.0860

            Df      F num Df den Df     Pr(>F)     G-G Pr     H-F Pr
(Intercept)  1 178.66      2     10 1.4956e-08 4.3382e-07 1.4956e-08
Residuals    5                                                      

Zadanie 9
wagi 3, -1, -1, -1 : L = -14.00 ; SE = sqrt(MSW * suma c^2 / n) = 2.739 ; t(28) = -5.11 ; p < .001 ; F = t^2 = 26.13 ; SS_kontrastu = 130.67 
wagi 0, -2, 1, 1 : L = 8.00 ; SE = sqrt(MSW * suma c^2 / n) = 1.936 ; t(28) = 4.13 ; p < .001 ; F = t^2 = 17.07 ; SS_kontrastu = 85.33 
wagi 0, 0, -1, 1 : L = 2.00 ; SE = sqrt(MSW * suma c^2 / n) = 1.118 ; t(28) = 1.79 ; p = .084 ; F = t^2 = 3.20 ; SS_kontrastu = 16.00 
                          Estimate Std. Error t value Pr(>|t|)
(Intercept)                25.5000     0.3953 64.5105   0.0000
grupak_vs_szkolenia        -1.1667     0.2282 -5.1121   0.0000
grupae_vs_stacjonarne       1.3333     0.3227  4.1312   0.0003
grupawarsztat_vs_coaching   1.0000     0.5590  1.7889   0.0845
Kontrola: SS kontrastów ortogonalnych sumują się do SSB: 232.00 

Zadanie 10
Średnie: 5.00 7.67 ; SD: 1.41 1.63 ; wariancje: 2.000 2.667 
Wariancja łączna = 2.333 ; t(10) = 3.024 ; t^2 = 9.143 
t.test: t = -3.024 ; p = .013 ; p (5 miejsc) = .01281 
ANOVA: F(1, 10) = 9.143 ; p = .013 ; p (5 miejsc) = .01281 ; MSW = 2.333 (= wariancja łączna)
Welch: t^2 = 9.143 ; F Welcha = 9.143 ; df = 9.80 i 9.80 
Jednostronny t (B > A): p = .006 

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje pakietów base i stats oraz funkcja leveneTest z pakietu car); rysunki przygotowano w pakietach ggplot2, svglite i magick. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  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. 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/
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  4. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An ‘SVG’ graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite
  5. magick (wersja 2.9.1): Ooms, J. (2026). magick: Advanced graphics and image-processing in R [R package]. https://doi.org/10.32614/CRAN.package.magick

Najczęstsze pytania

Jak uzupełnić tabelę ANOVA, gdy brakuje kilku pól?

Zacznij od stopni swobody: k − 1, N − k i N − 1. Potem wykorzystaj to, że sumy kwadratów się sumują (SST = SSB + SSW), a MS = SS / df i F = MSB / MSW. W zadaniu 2 z SSB = 232, SST = 372 i MSW = 5 wychodzi F(3, 28) = 15.47. Średnie kwadraty nigdy się nie sumują.

Czy przy nierównych liczebnościach grup można liczyć ANOVA tak samo jak przy równych?

Tak, ale każdą sumę grupy dziel przez jej własne n: SSB = Σ(Tj²/nj) − T²/N, a średnią ogólną licz z wszystkich wyników, nie jako średnią średnich. Przy nierównych grupach i nierównych wariancjach klasyczne F bywa zbyt liberalne – wtedy wybierz ANOVA Welcha (zadania 4–5).

Który test post hoc wybrać na kolokwium po istotnej ANOVA?

Przy równych wariancjach i porównaniu wszystkich par – test Tukeya HSD (zadanie 3); przy nierównych wariancjach – Gamesa–Howella. Jeśli przed badaniem postawiono jedną lub dwie konkretne hipotezy, lepsze są kontrasty planowane (zadanie 9), bo mają większą moc niż porównanie wszystkich par.

Czym różni się eta kwadrat od cząstkowego eta kwadrat w zadaniach z ANOVA dwuczynnikowej?

η² dzieli sumę kwadratów efektu przez całkowitą sumę kwadratów, więc η² wszystkich efektów sumują się do R² modelu. Cząstkowe η² dzieli ją tylko przez sumę efektu i błędu, dlatego jest większe i może sumować się powyżej 1. W zadaniu 7 dla interakcji η² = .182, a cząstkowe η² = .593.

Po co w ANOVA z powtarzanymi pomiarami liczy się sumę kwadratów osób?

Bo różnice poziomu między osobami są stałe we wszystkich pomiarach i nie są błędem losowym. Po ich odjęciu błąd maleje: w zadaniu 8 SS osób = 471.33, błąd = 44.67 i F(2, 10) = 178.66. Gdyby policzyć ANOVA jak dla grup niezależnych, F spadłoby do 23.20.

Powiązane hasła

Przeczytaj też

Masz własne dane do pracy i nie wiesz, który test wybrać?

Pomożemy dobrać analizę do hipotez, sprawdzimy obliczenia w R lub SPSS i wyjaśnimy wyniki tak, żebyś umiał(a) samodzielnie je opisać i obronić.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Brown, M. B., & Forsythe, A. B. (1974). Robust tests for the equality of variances. Journal of the American Statistical Association, 69(346), 364–367. https://doi.org/10.1080/01621459.1974.10482955
  2. 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
  3. King, B. M., & Minium, E. W. (2009). Statystyka dla psychologów i pedagogów. Wydawnictwo Naukowe PWN.
  4. Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, Article 863. https://doi.org/10.3389/fpsyg.2013.00863 ● Otwarty dostęp
  5. Maxwell, S. E., Delaney, H. D., & Kelley, K. (2018). Designing experiments and analyzing data: A model comparison perspective (3rd ed.). Routledge. https://doi.org/10.4324/9781315642956
  6. 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
  7. Welch, B. L. (1951). On the comparison of several mean values: An alternative approach. Biometrika, 38(3–4), 330–336. https://doi.org/10.1093/biomet/38.3-4.330

Cytowania BibTeX

@article{brown1974robust, author={Brown, Morton B. and Forsythe, Alan B.}, title={{Robust tests for the equality of variances}}, journal={Journal of the American Statistical Association}, year={1974}, volume={69}, number={346}, pages={364--367}, doi={10.1080/01621459.1974.10482955}}
@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}}
@book{king2009statystyka, author={King, Bruce M. and Minium, Edward W.}, title={{Statystyka dla psychologów i pedagogów}}, year={2009}, publisher={Wydawnictwo Naukowe PWN}}
@article{lakens2013calculating, author={Lakens, Daniël}, title={{Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs}}, journal={Frontiers in Psychology}, year={2013}, volume={4}, eid={863}, doi={10.3389/fpsyg.2013.00863}}
@book{maxwell2018designing, author={Maxwell, Scott E. and Delaney, Harold D. and Kelley, Ken}, title={{Designing experiments and analyzing data: A model comparison perspective}}, year={2018}, edition={3rd}, publisher={Routledge}, doi={10.4324/9781315642956}}
@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}}
@article{welch1951comparison, author={Welch, B. L.}, title={{On the comparison of several mean values: An alternative approach}}, journal={Biometrika}, year={1951}, volume={38}, number={3–4}, pages={330--336}, doi={10.1093/biomet/38.3-4.330}}
R