Prace dyplomowe · jamovi

Chi-kwadrat i tabele krzyżowe w jamovi – krok po kroku

Jak w jamovi sprawdzić związek dwóch zmiennych kategorialnych: menu Frequencies, opcje okna Independent Samples, reszty skorygowane, tabela 2 × 2 z ilorazem szans, test McNemara dla pomiarów przed i po, test zgodności i gotowe opisy APA – z plikami CSV i .sav do pobrania.

Strona główna / Blog / Chi-kwadrat w jamovi
W skrócie: W jamovi test chi-kwadrat niezależności uruchomisz przez Analyses → Frequencies → Contingency Tables → Independent Samples: grupy do Rows, wynik do Columns, w Cells zaznacz Expected counts i odsetki Row, w Statistics – Phi and Cramer's V, a w Post Hoc Tests – reszty skorygowane. Liczebności oczekiwane sprawdź sam, bo jamovi nie ostrzega o małych wartościach, a w tabeli 2 × 2 przed przepisaniem ilorazu szans sprawdź kolejność poziomów. Dla pomiarów przed i po wybierz Paired Samples (McNemar), a dla jednej zmiennej – N Outcomes.

Do czego służą analizy z menu Frequencies

Gdy obie zmienne są kategorialne, liczysz osoby w komórkach tabeli krzyżowej i sprawdzasz, czy rozkład jednej zmiennej zależy od drugiej. W jamovi wszystkie takie analizy są w menu Analyses → Frequencies (The jamovi project, b.d.-c). Wybór zależy od układu danych:

Analizy z menu Frequencies w jamovi i pytania, na które odpowiadają
Pytanie badawczePozycja w menu FrequenciesTest
Czy dwie zmienne kategorialne są powiązane (różne osoby w grupach)?Contingency Tables → Independent Samples (χ² test of association)chi-kwadrat niezależności, test Fishera
Czy odpowiedź „tak/nie” zmieniła się u tych samych osób (przed i po)?Contingency Tables → Paired Samples (McNemar test)test McNemara
Czy rozkład jednej zmiennej zgadza się z założonymi proporcjami?One Sample Proportion Tests → N Outcomes (χ² goodness of fit)chi-kwadrat zgodności

Interfejs programu omawiają wpis jamovi krok po kroku i hasło jamovi, a logikę testu – poradnik test chi-kwadrat krok po kroku. Odpowiednik w SPSS opisuje wpis chi-kwadrat w SPSS.

Ścieżki menu i nazwy opcji sprawdziliśmy w dokumentacji jamovi i w plikach definicji analiz pakietu jmv, który zawiera te same analizy co program (The jamovi project, b.d.-a, b.d.-c). Podajemy angielskie nazwy z interfejsu. W polskiej wersji językowej programu nazwy mogą się różnić.

Przykład i pliki do pobrania

Dane są symulowane. 240 osób studiujących wypełniło ankietę: kierunek (kierunek: psychologia, pedagogika, zarządzanie), tryb studiów (tryb), preferowana forma egzaminu (forma_egzaminu: test, ustny, projekt; 4 osoby nie odpowiedziały), zaliczenie statystyki w pierwszym terminie (zaliczenie: tak/nie) i dwa razy to samo pytanie „Czy umiesz samodzielnie wykonać test chi-kwadrat w programie?” – przed warsztatem z jamovi i po nim (umiem_przed, umiem_po).

Pobierz plik CSV z etykietami tekstowymi albo plik .sav z kodami liczbowymi i etykietami wartości. Jak otworzyć plik w programie, pokazuje wpis jamovi krok po kroku.

Przygotowanie danych w jamovi

  • Typ pomiaru. Każda zmienna w jamovi ma Measure type (Continuous, Ordinal, Nominal, ID) i Data type (Integer, Decimal, Text). Program nadaje je przy wczytaniu, a zmienisz je w edytorze zmiennej po dwukliku na nagłówku kolumny (The jamovi project, b.d.-b). Kierunek, tryb i odpowiedzi „tak/nie” ustaw jako Nominal. Kolumna id to ID.
  • Etykiety poziomów. W pliku .sav kody 1, 2, 3 mają już etykiety. Jeśli wpisujesz dane sam, kliknij poziom w edytorze zmiennej i wpisz nazwę, np. 1 → „psychologia” (The jamovi project, b.d.-b).
  • Kolejność poziomów. Poziom na górze listy w edytorze zmiennej będzie pierwszym wierszem lub pierwszą kolumną każdej tabeli. Przestawisz go strzałkami (The jamovi project, b.d.-b). W tabeli 2 × 2 kolejność zmienia kierunek ilorazu szans – wrócimy do tego niżej. Po otwarciu pliku CSV sprawdź ją ręcznie.
  • Braki danych. Puste komórki jamovi traktuje jako braki. Kod typu 9 = „brak odpowiedzi” trzeba wskazać w Missing values, inaczej stanie się osobną kategorią (The jamovi project, b.d.-b). Więcej o przygotowaniu pliku przeczytasz we wpisie przygotowanie danych i statystyki opisowe w jamovi.
  • Masz tylko gotową tabelę liczebności? Wpisz każdą komórkę jako wiersz: kategoria wiersza, kategoria kolumny i liczba osób. Zmienną z liczbą osób przeciągnij do pola Counts (optional) (The jamovi project, b.d.-a). Wynik jest taki sam jak dla danych surowych (sprawdzenie w części „To samo w R”).

Independent Samples krok po kroku

Hipoteza: preferowana forma egzaminu zależy od kierunku studiów.

  1. Wybierz Analyses → Frequencies → Contingency Tables → Independent Samples. Zmienną grupującą (kierunek) przeciągnij do pola Rows, a zmienną wyniku (forma_egzaminu) – do Columns. Pole Layers zostaw puste; zmienna w warstwie daje osobną tabelę dla każdej swojej kategorii (The jamovi project, b.d.-a, b.d.-c).
  2. Statistics. W części Tests domyślnie zaznaczony jest tylko χ². Możesz dodać Likelihood ratio i Fisher's exact test, a w części Nominal – Phi and Cramer's V (The jamovi project, b.d.-c).
  3. Cells. Zostaw Observed counts, dodaj Expected counts i w części Percentages zaznacz Row.
  4. Post Hoc Tests. Zaznacz Standardized residuals (adjusted Pearson). Pole Highlight values above obok wyróżnia reszty powyżej progu, domyślnie 2.0 (The jamovi project, b.d.-c).
  5. Plots (opcjonalnie). Bar Plot z osią Y w procentach (Percentages, within rows) pokaże odsetki w grupach.

Opcje z części Ordinal (Gamma, Kendall's tau-b, Mantel-Haenszel) mają sens tylko przy uporządkowanych kategoriach obu zmiennych.

Jak czytać tabele wyników

Tabele mają układ tabel jamovi, a liczby zaokrągliliśmy do trzech miejsc po przecinku. Liczby policzone pakietem jmv (silnik analiz jamovi); układ tabeli jak w jamovi. Pogrubiono to, co trafi do pracy.

Contingency Tables – liczby policzone pakietem jmv (silnik analiz jamovi); układ tabeli jak w jamovi
kierunektestustnyprojektTotal
psychologiaObserved482036104
Expected40.98323.35639.661104.000
% within row46.2%19.2%34.6%100.0%
pedagogikaObserved29251973
Expected28.76716.39427.83973.000
% within row39.7%34.2%26.0%100.0%
zarządzanieObserved1683559
Expected23.25013.25022.50059.000
% within row27.1%13.6%59.3%100.0%
TotalObserved935390236
% within row39.4%22.5%38.1%100.0%

Contingency Tables. Czytaj wiersze % within row, a nie liczebności – grupy mają różną wielkość. Projekt wybrało 59.3% osób z zarządzania i 26.0–34.6% osób z pozostałych kierunków. Egzamin ustny wybrało 34.2% osób z pedagogiki i 13.6–19.2% pozostałych. W tabeli jest 236 osób, bo 4 nie odpowiedziały na pytanie o formę egzaminu.

Wiersz Expected sprawdź sam. W kodzie jmv nie ma ostrzeżenia o małych liczebnościach oczekiwanych, jakie daje np. stopka w SPSS (The jamovi project, b.d.-c). Kim (2017) przypomina zasadę: najwyżej 20% komórek z liczebnością oczekiwaną poniżej 5 i żadna poniżej 1. Tu najmniejsza wynosi 13.25, więc warunek jest spełniony.

χ² Tests i Nominal – liczby policzone pakietem jmv (silnik analiz jamovi); układ tabeli jak w jamovi
Valuedfp
χ²20.6334< .001
Likelihood ratio19.9404< .001
Fisher's exact test< .001
N236
Phi-coefficientNaN
Cramer's V0.209

χ² Tests. Raportuj wiersz χ²: χ²(4, N = 236) = 20.63, p < .001. Iloraz wiarygodności zwykle prowadzi do tego samego wniosku i nie musisz go podawać. W kodzie jmv test Fishera jest liczony także dla tabel większych niż 2 × 2; gdy dokładne obliczenie się nie uda, program przechodzi na metodę Monte Carlo i dodaje przypis (The jamovi project, b.d.-c).

Nominal. Dla tabeli 3 × 3 jamovi pokazuje przy Phi-coefficient wartość NaN (brak liczby). To nie błąd: współczynnik phi jest określony tylko dla tabel 2 × 2. Podaj V Craméra = .21. Kim (2017) wskazuje V jako miarę efektu dla tabel większych niż 2 × 2.

Która komórka odpowiada za wynik: Post Hoc Tests

Istotny χ² nie mówi, gdzie w tabeli jest związek – to pokazują reszty, których analizę w tabelach krzyżowych opisał Haberman (1973). Z czterech rodzajów reszt w jamovi wybierz Standardized residuals (adjusted Pearson). W kodzie jmv to reszty skorygowane, takie same jak Adjusted Residual w SPSS (The jamovi project, b.d.-c). Przy niezależności mają w przybliżeniu rozkład normalny standardowy.

Post Hoc Test (Standardized residuals) – liczby policzone pakietem jmv (silnik analiz jamovi); układ tabeli jak w jamovi
kierunektestustnyprojekt
psychologia1.883−1.054−0.988
pedagogika0.0672.904−2.563
zarządzanie−2.230−1.8913.869
Wykres słupkowy odsetków preferowanej formy egzaminu w trzech kierunkach z resztami skorygowanymi: psychologia – test 46.2%, ustny 19.2%, projekt 34.6%; pedagogika – 39.7%, ustny 34.2% (reszta +2.90), projekt 26.0% (−2.56); zarządzanie – test 27.1% (−2.23), ustny 13.6%, projekt 59.3% (reszta +3.87). Pełnym kolorem zaznaczono dwie komórki z |resztą| powyżej 2.77
Rysunek 1. Odsetek osób wybierających każdą formę egzaminu w trzech kierunkach (% w wierszu) i reszty skorygowane w nawiasach. Podobny wykres słupkowy daje opcja Bar Plot z osią Y w procentach w wierszach; ten rysunek nie pochodzi z jamovi. Obliczenia: pakiet jmv i R (dane symulowane).

Próg 2.0 z pola Highlight values above wyróżni cztery komórki. Ale komórek jest dziewięć, więc rośnie ryzyko przypadkowego „trafienia”. Z korektą Bonferroniego na dziewięć komórek próg wynosi 2.77 – wpisz go w polu progu. Przekraczają go dwie komórki: osoby z zarządzania częściej wybierały projekt (3.87), a osoby z pedagogiki – egzamin ustny (2.90). Napisz w pracy, jaki próg przyjąłeś(-łaś).

Tabela 2 × 2: poprawka, test Fishera i iloraz szans

Drugie pytanie: czy tryb studiów wiąże się z zaliczeniem statystyki w pierwszym terminie? W tym samym oknie przeciągnij tryb do Rows i zaliczenie do Columns. Dla tabeli 2 × 2 w Statistics pojawia się więcej możliwości: χ² continuity correction, z test for difference in 2 proportions oraz miary z części Comparative Measures (2x2 only): Odds ratio, Relative risk i Difference in proportions z przedziałami ufności (The jamovi project, b.d.-a, b.d.-c).

Tabela 2 × 2: χ² Tests, Comparative Measures i Nominal – liczby policzone pakietem jmv (silnik analiz jamovi); układ tabeli jak w jamovi
Valuedf / 95% CIp
% zaliczenia (tak): stacjonarne / niestacjonarne73.5% / 54.8%
χ²8.8431.003
χ² continuity correction8.0291.005
z test difference in 2 proportions2.974.003
Fisher's exact test.003
Difference in 2 proportions0.186[0.063, 0.310]
Odds ratio2.281[1.318, 3.947]
Relative risk1.340[1.088, 1.650]
Phi-coefficient0.192

Zaliczyło 73.5% osób studiujących stacjonarnie i 54.8% niestacjonarnie. Test z dla dwóch proporcji to ten sam test co χ² bez poprawki: 2.974² = 8.843, p jest identyczne. Który wiersz testu podać? Campbell (2007) porównał siedem testów dla tabel 2 × 2. Najlepiej wypadł chi-kwadrat w wersji „N − 1”, gdy najmniejsza liczebność oczekiwana wynosi co najmniej 1, a test Fishera–Irwina, gdy jest mniejsza. Jamovi wersji „N − 1” nie podaje, ale łatwo ją policzyć: χ² × (N − 1)/N = 8.81, p = .003. Tu wszystkie wiersze prowadzą do tego samego wniosku. Kiedy wybrać test Fishera, omawia wpis chi-kwadrat czy test Fishera.

Iloraz szans i kolejność poziomów. Iloraz szans 2.28, 95% CI [1.32, 3.95], znaczy: szansa zaliczenia w pierwszym terminie była 2.28 raza większa w pierwszym wierszu (stacjonarne) niż w drugim. Jamovi liczy go zawsze dla pierwszej kolumny i pierwszego wiersza. Gdy w edytorze zmiennej niestacjonarne stoi na górze, ta sama tabela da OR = 0.44, 95% CI [0.25, 0.76] – czyli odwrotność. Ryzyko względne 1.34 i różnica proporcji 0.186 też porównują wiersze (opcja Compare: rows) i dotyczą pierwszej kolumny („tak”). Zanim przepiszesz OR, sprawdź, które poziomy są pierwsze. Gdy w komórce jest 0, jamovi stosuje poprawkę Haldane'a–Anscombe'a i zaznacza to w przypisie (The jamovi project, b.d.-c). Ten sam problem kodowania wraca w regresji logistycznej w jamovi.

Paired Samples: test McNemara przed i po

To samo pytanie zadano tym samym 240 osobom dwa razy, więc zwykły χ² jest tu błędem. Wybierz Analyses → Frequencies → Contingency Tables → Paired Samples. Do Rows przeciągnij umiem_przed, do Columns – umiem_po. W Percentages zaznacz Row. Okno ma też opcje χ² continuity correction i Log odds ratio exact (The jamovi project, b.d.-a, b.d.-c).

Paired Samples: Contingency Tables i McNemar Test – liczby policzone pakietem jmv (silnik analiz jamovi); układ tabeli jak w jamovi
umiem_przedtaknieTotal
takCount63770
% within row90.0%10.0%
nieCount58112170
% within row34.1%65.9%
TotalCount121119240
McNemar χ² (df = 1)40.015, p < .001
χ² continuity correction (df = 1)38.462, p < .001

Test McNemara patrzy tylko na pary niezgodne: 58 osób zmieniło odpowiedź z „nie” na „tak”, a 7 – z „tak” na „nie”. Odsetek odpowiedzi „tak” wzrósł z 29.2% (70/240) do 50.4% (121/240).

Poziomy wykres słupkowy par przed i po warsztacie: spośród 70 osób z odpowiedzią tak przed 63 odpowiedziało tak po, a 7 nie; spośród 170 osób z odpowiedzią nie przed 58 odpowiedziało tak po, a 112 nie. Pary niezgodne (58 i 7) wyróżniono pełnym kolorem; odsetek tak wzrósł z 29.2% do 50.4%
Rysunek 2. Odpowiedź po warsztacie w grupach wyznaczonych odpowiedzią przed. Test McNemara porównuje tylko pary niezgodne (pełny kolor). Obliczenia i rysunek: R (dane symulowane).

Który wiersz podać? Fagerland, Lydersen i Laake (2013) porównali wersje testu McNemara w symulacjach. Wersja z poprawką na ciągłość nie sprawdziła się w żadnym scenariuszu, a wersję asymptotyczną bez poprawki zalecają, jeśli akceptuje się niewielkie przekroczenia poziomu α. Raportuj więc wiersz χ² bez poprawki. Przy małej liczbie par niezgodnych sprawdź wersję mid-p poza jamovi – omawia ją wpis test McNemara przed i po.

N Outcomes: test chi-kwadrat zgodności

Czy struktura próby odpowiada strukturze wydziału, w której 45% studiuje psychologię, 30% pedagogikę i 25% zarządzanie (liczby przyjęte w przykładzie)? Wybierz Analyses → Frequencies → One Sample Proportion Tests → N Outcomes i przeciągnij kierunek do pola Variable. Zaznacz Expected counts, a w części Expected Proportions wpisz w kolumnie Ratio 45, 30 i 25 (The jamovi project, b.d.-a, b.d.-c). Domyślnie każda kategoria ma Ratio = 1, czyli program testuje równe proporcje.

Proportions i χ² Goodness of Fit – liczby policzone pakietem jmv (silnik analiz jamovi); układ tabeli jak w jamovi
LevelCountProportion
psychologiaObserved1050.438
Expected108.0000.450
pedagogikaObserved740.308
Expected72.0000.300
zarządzanieObserved610.254
Expected60.0000.250
χ² (df = 2)0.156, p = .925

Wynik nieistotny znaczy tylko, że nie wykryto odchylenia od struktury wydziału – nie dowodzi reprezentatywności próby.

Zapis wyników w stylu APA

Podaj odsetki w grupach, χ² z df i N, p, miarę efektu i komórki z dużymi resztami:

Preferowana forma egzaminu wiązała się z kierunkiem studiów, χ²(4, N = 236) = 20.63, p < .001, V Craméra = .21. Projekt wybierało 59.3% osób z zarządzania wobec 34.6% z psychologii i 26.0% z pedagogiki, a egzamin ustny – 34.2% osób z pedagogiki wobec 19.2% i 13.6%. Reszty skorygowane w tych komórkach (3.87 i 2.90) przekroczyły próg 2.77 przyjęty z poprawką Bonferroniego dla dziewięciu komórek. Cztery osoby bez odpowiedzi wyłączono z analizy.
Odsetek osób, które zaliczyły statystykę w pierwszym terminie, był wyższy wśród studiujących stacjonarnie (73.5%) niż niestacjonarnie (54.8%), χ²(1, N = 240) = 8.84, p = .003, φ = .19. Szansa zaliczenia w pierwszym terminie była w trybie stacjonarnym 2.28 raza większa, OR = 2.28, 95% CI [1.32, 3.95].
Odsetek osób deklarujących, że umieją samodzielnie wykonać test chi-kwadrat, wzrósł po warsztacie z 29.2% do 50.4%. Odpowiedź zmieniło 65 osób: 58 z „nie” na „tak” i 7 z „tak” na „nie”; test McNemara, χ²(1, N = 240) = 40.02, p < .001.

Gotowe zdania do innych testów przygotuje generator opisu wyników APA.

Przykład reprodukowalny

To samo w R (pakiet jmv)

Pakiet jmv zawiera analizy jamovi, więc poniższy kod daje te same liczby co okna opisane wyżej (The jamovi project, b.d.-a). Nazwy argumentów odpowiadają opcjom w oknie, np. pcRow to Row w Percentages, a resS to Standardized residuals. Samego jamovi tu nie uruchamialiśmy – liczby w tekście pochodzą z tego kodu. R drukuje więcej miejsc po przecinku niż tabele powyżej, a p zapisuje jako 0.0029426 zamiast .003.

Tabele krzyżowe, test McNemara i test zgodności funkcjami jmv

Dane wejściowe: 240 osób studiujących: kierunek (3 kategorie), tryb studiów, preferowana forma egzaminu (3 kategorie, 4 braki), zaliczenie w pierwszym terminie oraz odpowiedź „tak/nie” przed warsztatem i po nim (dane symulowane, set.seed(4080) w skrypcie b408-0-dane.R, który tworzy pliki do pobrania); pakiet jmv.

Co odczytać: % w wierszu, liczebności oczekiwane, χ², V Craméra i reszty skorygowane dla tabeli 3 × 3; χ² z poprawką i bez, test Fishera, test z, OR, RR i różnicę proporcji dla tabeli 2 × 2; odwrócony OR po zmianie kolejności poziomów; wynik z pola Counts; test McNemara; test zgodności z proporcjami 45/30/25; χ² „N − 1”.

R
# Chi-kwadrat i tabele krzyżowe w jamovi – te same analizy w R pakietem jmv (silnik analiz jamovi)
suppressPackageStartupMessages(library(jmv))
invisible(suppressMessages(loadNamespace("vcdExtra")))   # pakiet pomocniczy jmv: bez komunikatu przy ładowaniu
dane <- read.csv("chi-kwadrat-jamovi-dane.csv")
# Kolejność poziomów jak w edytorze zmiennej jamovi (pierwszy poziom = pierwszy wiersz/kolumna)
dane$kierunek <- factor(dane$kierunek, levels = c("psychologia", "pedagogika", "zarządzanie"))
dane$forma_egzaminu <- factor(dane$forma_egzaminu, levels = c("test", "ustny", "projekt"))
dane$tryb <- factor(dane$tryb, levels = c("stacjonarne", "niestacjonarne"))
for (v in c("zaliczenie", "umiem_przed", "umiem_po")) dane[[v]] <- factor(dane[[v]], levels = c("tak", "nie"))

# 1. Frequencies → Independent Samples (χ² test of association): kierunek × forma egzaminu
contTables(data = dane, rows = "kierunek", cols = "forma_egzaminu",
           chiSq = TRUE, likeRat = TRUE, fisher = TRUE, phiCra = TRUE,
           obs = TRUE, exp = TRUE, pcRow = TRUE, resS = TRUE)

# 2. Tabela 2 × 2: tryb studiów × zaliczenie w 1. terminie, miary porównawcze
contTables(data = dane, rows = "tryb", cols = "zaliczenie",
           chiSq = TRUE, chiSqCorr = TRUE, fisher = TRUE, zProp = TRUE, phiCra = TRUE,
           odds = TRUE, relRisk = TRUE, diffProp = TRUE, ci = TRUE, pcRow = TRUE)

# 3. Pułapka kolejności poziomów: odwrócone poziomy zmiennej wiersza dają odwrotność ilorazu szans
odwr <- dane
odwr$tryb <- factor(odwr$tryb, levels = c("niestacjonarne", "stacjonarne"))
contTables(data = odwr, rows = "tryb", cols = "zaliczenie", chiSq = FALSE, odds = TRUE, ci = TRUE)

# 4. Gotowa tabela liczebności: pole Counts (optional) daje te same wyniki co dane surowe
agreg <- as.data.frame(table(tryb = dane$tryb, zaliczenie = dane$zaliczenie))
agreg
z_counts <- contTables(data = agreg, rows = "tryb", cols = "zaliczenie", counts = "Freq", chiSq = TRUE)
z_counts$freqs
z_counts$chiSq

# 5. Frequencies → Paired Samples (McNemar test): przed i po warsztacie
contTablesPaired(data = dane, rows = "umiem_przed", cols = "umiem_po",
                 chiSq = TRUE, chiSqCorr = TRUE, pcRow = TRUE)

# 6. Frequencies → N Outcomes (χ² goodness of fit): struktura próby a struktura wydziału 45/30/25%
propTestN(data = dane, var = "kierunek", expected = TRUE, ratio = c(45, 30, 25))
# 7. Poza jamovi: chi-kwadrat „N − 1” dla tabeli 2 × 2 i najmniejsza liczebność oczekiwana
x2 <- chisq.test(table(dane$tryb, dane$zaliczenie), correct = FALSE)
n <- sum(x2$observed)
x2_n1 <- unname(x2$statistic) * (n - 1) / n
round(c(min_oczekiwana = min(x2$expected), chi2_N1 = x2_n1, p = pchisq(x2_n1, 1, lower.tail = FALSE)), 4)
packageVersion("jmv")
Wynik w R

 CONTINGENCY TABLES

 Contingency Tables                                                                  
 ─────────────────────────────────────────────────────────────────────────────────── 
   kierunek                       test         ustny        projekt      Total       
 ─────────────────────────────────────────────────────────────────────────────────── 
   psychologia    Observed               48           20           36          104   
                  Expected         40.98305     23.35593     39.66102    104.00000   
                  % within row     46.15385     19.23077     34.61538    100.00000   
                                                                                     
   pedagogika     Observed               29           25           19           73   
                  Expected         28.76695     16.39407     27.83898     73.00000   
                  % within row     39.72603     34.24658     26.02740    100.00000   
                                                                                     
   zarządzanie    Observed               16            8           35           59   
                  Expected         23.25000     13.25000     22.50000     59.00000   
                  % within row     27.11864     13.55932     59.32203    100.00000   
                                                                                     
   Total          Observed               93           53           90          236   
                  Expected         93.00000     53.00000     90.00000    236.00000   
                  % within row     39.40678     22.45763     38.13559    100.00000   
 ─────────────────────────────────────────────────────────────────────────────────── 


 χ² Tests                                               
 ────────────────────────────────────────────────────── 
                          Value       df    p           
 ────────────────────────────────────────────────────── 
   χ²                     20.63285     4    0.0003744   
   Likelihood ratio       19.94047     4    0.0005131   
   Fisher's exact test                      0.0005807   
   N                           236                      
 ────────────────────────────────────────────────────── 


 Nominal                          
 ──────────────────────────────── 
                      Value       
 ──────────────────────────────── 
   Phi-coefficient          NaN   
   Cramer's V         0.2090782   
 ──────────────────────────────── 


 Post Hoc Test (Standardized residuals)                    
 ───────────────────────────────────────────────────────── 
   kierunek       test           ustny        projekt      
 ───────────────────────────────────────────────────────── 
   psychologia     1.88279573    -1.054421    -0.9882536   
   pedagogika      0.06716669     2.904338    -2.5628158   
   zarządzanie    -2.23040577    -1.891260     3.8687235   
 ───────────────────────────────────────────────────────── 


 CONTINGENCY TABLES

 Contingency Tables                                                        
 ───────────────────────────────────────────────────────────────────────── 
   tryb                              tak          nie          Total       
 ───────────────────────────────────────────────────────────────────────── 
   stacjonarne       Observed              108           39          147   
                     % within row     73.46939     26.53061    100.00000   
                                                                           
   niestacjonarne    Observed               51           42           93   
                     % within row     54.83871     45.16129    100.00000   
                                                                           
   Total             Observed              159           81          240   
                     % within row     66.25000     33.75000    100.00000   
 ───────────────────────────────────────────────────────────────────────── 


 χ² Tests                                                              
 ───────────────────────────────────────────────────────────────────── 
                                         Value       df    p           
 ───────────────────────────────────────────────────────────────────── 
   χ²                                    8.842737     1    0.0029426   
   χ² continuity correction              8.029128     1    0.0046031   
   z test difference in 2 proportions    2.973674          0.0029426   
   Fisher's exact test                                     0.0033717   
   N                                          240                      
 ───────────────────────────────────────────────────────────────────── 


 Comparative Measures                                                    
 ─────────────────────────────────────────────────────────────────────── 
                                  Value        Lower         Upper       
 ─────────────────────────────────────────────────────────────────────── 
   Difference in 2 proportions    0.1863068    0.06251873    0.3100948   
   Odds ratio                      2.280543      1.317732     3.946840   
   Relative risk                   1.339736      1.087648     1.650251   
 ─────────────────────────────────────────────────────────────────────── 


 Nominal                          
 ──────────────────────────────── 
                      Value       
 ──────────────────────────────── 
   Phi-coefficient    0.1919498   
   Cramer's V         0.1919498   
 ──────────────────────────────── 


 CONTINGENCY TABLES

 Contingency Tables                        
 ───────────────────────────────────────── 
   tryb              tak    nie    Total   
 ───────────────────────────────────────── 
   niestacjonarne     51     42       93   
   stacjonarne       108     39      147   
   Total             159     81      240   
 ───────────────────────────────────────── 


 χ² Tests       
 ────────────── 
        Value   
 ────────────── 
   N      240   
 ────────────── 


 Comparative Measures                                  
 ───────────────────────────────────────────────────── 
                 Value        Lower        Upper       
 ───────────────────────────────────────────────────── 
   Odds ratio    0.4384921    0.2533673    0.7588798   
 ───────────────────────────────────────────────────── 

            tryb zaliczenie Freq
1    stacjonarne        tak  108
2 niestacjonarne        tak   51
3    stacjonarne        nie   39
4 niestacjonarne        nie   42

 Contingency Tables                        
 ───────────────────────────────────────── 
   tryb              tak    nie    Total   
 ───────────────────────────────────────── 
   stacjonarne       108     39      147   
   niestacjonarne     51     42       93   
   Total             159     81      240   
 ───────────────────────────────────────── 


 χ² Tests                              
 ───────────────────────────────────── 
         Value       df    p           
 ───────────────────────────────────── 
   χ²    8.842737     1    0.0029426   
   N          240                      
 ───────────────────────────────────── 


 PAIRED SAMPLES CONTINGENCY TABLES

 Contingency Tables                                                 
 ────────────────────────────────────────────────────────────────── 
   umiem_przed                    tak          nie          Total   
 ────────────────────────────────────────────────────────────────── 
   tak            Count                  63            7       70   
                  % within row     90.00000     10.00000            
                                                                    
   nie            Count                  58          112      170   
                  % within row     34.11765     65.88235            
                                                                    
   Total          Count                 121          119      240   
                  % within row     50.41667     49.58333            
 ────────────────────────────────────────────────────────────────── 


 McNemar Test                                                 
 ──────────────────────────────────────────────────────────── 
                               Value       df    p            
 ──────────────────────────────────────────────────────────── 
   χ²                          40.01538     1    < .0000001   
   χ² continuity correction    38.46154     1    < .0000001   
   N                                240                       
 ──────────────────────────────────────────────────────────── 


 PROPORTION TEST (N OUTCOMES)

 Proportions - kierunek                                 
 ────────────────────────────────────────────────────── 
   Level                      Count        Proportion   
 ────────────────────────────────────────────────────── 
   psychologia    Observed          105     0.4375000   
                  Expected    108.00000     0.4500000   
                                                        
   pedagogika     Observed           74     0.3083333   
                  Expected     72.00000     0.3000000   
                                                        
   zarządzanie    Observed           61     0.2541667   
                  Expected     60.00000     0.2500000   
 ────────────────────────────────────────────────────── 


 χ² Goodness of Fit               
 ──────────────────────────────── 
   χ²           df    p           
 ──────────────────────────────── 
   0.1555556     2    0.9251700   
 ──────────────────────────────── 

min_oczekiwana        chi2_N1              p 
       31.3875         8.8059         0.0030 
[1] ‘2.7.7’

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 z pakietem jmv; jmv korzysta wewnętrznie z pakietu vcd (phi, V Craméra, iloraz szans). Plik .sav zapisano pakietem haven, a rysunki przygotowano w pakiecie ggplot2. Samego jamovi nie uruchamialiśmy – w pracy podaj wersję programu, której faktycznie użyłeś(-łaś).

  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. vcd (wersja 1.4.13): Meyer, D., Zeileis, A., Hornik, K., & Friendly, M. (2024). vcd: Visualizing categorical data [R package]. https://doi.org/10.32614/CRAN.package.vcd
  4. 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
  5. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Typowe błędy

  • Odsetki w złym kierunku. Zaznaczone Column zamiast Row odpowiada na pytanie „kto wybiera projekt”, a nie „czym różnią się kierunki”.
  • Brak kontroli liczebności oczekiwanych. Jamovi nie ostrzega o małych wartościach – zaznacz Expected counts i sprawdź je sam.
  • Phi przepisane z tabeli większej niż 2 × 2 albo próba „naprawienia” wartości NaN. Dla takich tabel podaj V Craméra.
  • Iloraz szans bez sprawdzenia kolejności poziomów. Ta sama tabela daje 2.28 albo 0.44 zależnie od tego, który poziom stoi pierwszy.
  • Zwykły χ² dla pomiarów powtarzanych zamiast Paired Samples (McNemar).

Wybór testu ułatwi kreator doboru testu. Przećwiczyć liczenie i interpretację możesz na zbiorze chi-kwadrat – zadania z rozwiązaniami. Kolejne wpisy z serii o jamovi to test t w jamovi i ANOVA w jamovi.

Najczęstsze pytania

Gdzie w jamovi jest test chi-kwadrat?

W menu Analyses → Frequencies. Test niezależności dwóch zmiennych to Contingency Tables → Independent Samples, test McNemara dla tych samych osób – Contingency Tables → Paired Samples, a test zgodności jednej zmiennej z założonymi proporcjami – One Sample Proportion Tests → N Outcomes. W polskiej wersji językowej nazwy mogą się różnić.

Dlaczego jamovi pokazuje NaN przy współczynniku phi?

Bo tabela jest większa niż 2 × 2, a phi jest określone tylko dla tabel 2 × 2. To nie błąd danych. Dla tabeli 3 × 3 podaj V Craméra z tego samego wiersza tabeli Nominal.

Jak w jamovi zrobić chi-kwadrat z gotowej tabeli liczebności?

Wpisz każdą komórkę jako osobny wiersz: kategoria wiersza, kategoria kolumny i liczba osób. W oknie Independent Samples przeciągnij zmienną z liczbą osób do pola Counts (optional). Wynik będzie taki sam jak dla danych surowych.

Dlaczego iloraz szans w jamovi wyszedł mniejszy niż 1, choć grupa wypadła lepiej?

Jamovi liczy iloraz szans dla pierwszego wiersza i pierwszej kolumny tabeli. Jeśli na górze listy poziomów stoi druga grupa, dostaniesz odwrotność, np. 0.44 zamiast 2.28. Kolejność poziomów zmienisz strzałkami w edytorze zmiennej.

Które reszty z Post Hoc Tests w jamovi podać w pracy?

Standardized residuals (adjusted Pearson), czyli reszty skorygowane. Domyślny próg wyróżnienia 2.0 nie uwzględnia liczby komórek – przy dziewięciu komórkach z poprawką Bonferroniego przyjmij 2.77 i napisz w pracy, jaki próg zastosowałeś(-łaś).

Powiązane hasła

Przeczytaj też

Masz tabele krzyżowe z jamovi i nie wiesz, co z nich przepisać?

Sprawdzimy układ danych, wybór testu i kolejność poziomów, policzymy analizę i wyjaśnimy wyniki tak, żebyś umiał(a) samodzielnie je opisać i obronić.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Campbell, I. (2007). Chi-squared and Fisher–Irwin tests of two-by-two tables with small sample recommendations. Statistics in Medicine, 26(19), 3661–3675. https://doi.org/10.1002/sim.2832
  2. Fagerland, M. W., Lydersen, S., & Laake, P. (2013). The McNemar test for binary matched-pairs data: Mid-p and asymptotic are better than exact conditional. BMC Medical Research Methodology, 13(1), Article 91. https://doi.org/10.1186/1471-2288-13-91 ● Otwarty dostęp
  3. Haberman, S. J. (1973). The analysis of residuals in cross-classified tables. Biometrics, 29(1), 205–220. https://doi.org/10.2307/2529686
  4. Kim, H.-Y. (2017). Statistical notes for clinical researchers: Chi-squared test and Fisher's exact test. Restorative Dentistry & Endodontics, 42(2), 152–155. https://doi.org/10.5395/rde.2017.42.2.152 ● Otwarty dostęp
  5. The jamovi project. (b.d.-a). Contingency Tables (contTables). jamovi documentation. https://docs.jamovi.org/jmv/jmv_contTables.html ● Otwarty dostęp
  6. The jamovi project. (b.d.-b). Data Variables. jamovi documentation. https://docs.jamovi.org/data/data_1_overview_data_variables.html ● Otwarty dostęp
  7. The jamovi project. (b.d.-c). jmv: Definitions of the Frequencies analyses (0000.yaml, conttables, conttablespaired and proptestn .a.yaml and .u.yaml). GitHub repository jamovi/jmv. https://github.com/jamovi/jmv/tree/master/jamovi ● Otwarty dostęp

Cytowania BibTeX

@article{campbell2007chisquared, author={Campbell, Ian}, title={{Chi-squared and Fisher–Irwin tests of two-by-two tables with small sample recommendations}}, journal={Statistics in Medicine}, year={2007}, volume={26}, number={19}, pages={3661--3675}, doi={10.1002/sim.2832}}
@article{fagerland2013mcnemar, author={Fagerland, Morten W. and Lydersen, Stian and Laake, Petter}, title={{The McNemar test for binary matched-pairs data: Mid-p and asymptotic are better than exact conditional}}, journal={BMC Medical Research Methodology}, year={2013}, volume={13}, number={1}, eid={91}, doi={10.1186/1471-2288-13-91}}
@article{haberman1973analysis, author={Haberman, Shelby J.}, title={{The analysis of residuals in cross-classified tables}}, journal={Biometrics}, year={1973}, volume={29}, number={1}, pages={205--220}, doi={10.2307/2529686}}
@article{kim2017chi, author={Kim, Hae-Young}, title={{Statistical notes for clinical researchers: Chi-squared test and Fisher's exact test}}, journal={Restorative Dentistry \& Endodontics}, year={2017}, volume={42}, number={2}, pages={152--155}, doi={10.5395/rde.2017.42.2.152}}
@misc{jamovindjmvconttables, author={{The jamovi project}}, title={{Contingency Tables (contTables)}}, howpublished={jamovi documentation}, year={b.d.-a}, publisher={The jamovi project}, url={https://docs.jamovi.org/jmv/jmv_contTables.html}}
@misc{jamovindzmienne, author={{The jamovi project}}, title={{Data Variables}}, howpublished={jamovi documentation}, year={b.d.-b}, publisher={The jamovi project}, url={https://docs.jamovi.org/data/data_1_overview_data_variables.html}}
@misc{jamovigithubjmvfrequencies, author={{The jamovi project}}, title={{jmv: Definitions of the Frequencies analyses (0000.yaml, conttables, conttablespaired and proptestn .a.yaml and .u.yaml)}}, howpublished={GitHub repository jamovi/jmv}, year={b.d.-c}, publisher={The jamovi project}, url={https://github.com/jamovi/jmv/tree/master/jamovi}}
R