Generator opisu wyników w stylu APA: p, wielkość efektu i gotowe zdanie

Autor: Konrad Hryniewicz · Opublikowano: 28 października 2026

Generator opisu wyników APA

Jak używać generatora

Generator robi trzy rzeczy, które przy pisaniu rozdziału wyników zabierają najwięcej czasu i rodzą najwięcej błędów. Liczy dokładne p z rozkładu statystyki, wyznacza wielkość efektu, jeśli da się ją odtworzyć z podanych liczb, i składa zdanie według reguł zapisu APA 7. Nie zgaduje i nie dopisuje treści: każde słowo zdania wynika z wpisanych liczb i z tego, czy p jest mniejsze od α.

1. Wybierz test. Jeśli nie wiesz, który test pasuje do Twojego pytania, zacznij od kreatora doboru testu.
2. Przepisz statystykę i stopnie swobody. Wpisuj liczby z wydruku z możliwie wieloma miejscami po kropce. Dla testu t możesz zamiast statystyki podać średnie, odchylenia standardowe i liczebności – generator sam policzy t, a w wariancie Welcha także ułamkowe stopnie swobody.
3. Dodaj liczebności. Są potrzebne do wielkości efektu: d z t, V z χ², r z z i ε² z H.
4. Opcjonalnie wpisz p, które masz w tekście. Generator porówna je z przeliczonym i powie, czy się zgadzają.
5. Skopiuj zdanie. „Kopiuj z kursywą” zachowuje kursywę symboli po wklejeniu do edytora tekstu, a „Kopiuj tekst” daje zwykły tekst.

Nazwy grup i pomiarów wpisz tak, żeby pasowały do zwrotu „w grupie …” albo „w pomiarze …”, np. „kontrolnej” czy „po treningu”. Generator nie odmienia słów, tylko wstawia je w zdanie.

Wzory

Wartość p to pole w ogonie rozkładu statystyki przy prawdziwej hipotezie zerowej. Dla t, z i r generator liczy p dwustronnie, a dla F, χ² i H z prawego ogona. Funkcje rozkładów są te same co w kalkulatorze wartości p, gdzie policzysz też p jednostronne i wartości krytyczne. Korelację generator zamienia na t = r√(N − 2) / √(1 − r²) z df = N − 2.

Wielkości efektu dla testów t i ANOVA pochodzą z przewodnika Lakensa (2013). d Cohena to różnica średnich podzielona przez łączne odchylenie standardowe; gdy masz tylko t i liczebności, wynika wprost z t:

Druga postać dotyczy testu Studenta. W teście Welcha t ma inny mianownik, więc d liczy się tylko ze średnich i SD. Dla prób zależnych wielkość efektu d_z to średnia różnic podzielona przez SD różnic, co daje d_z = t / √n. Cząstkowe eta kwadrat liczy się z F i stopni swobody:

W jednoczynnikowej ANOVA η²_p równa się zwykłemu η² (Lakens, 2013). V Craméra (Cramér, 1946) zamienia χ² na miarę od 0 do 1: V = √[χ² / (N × (min(w, k) − 1))], gdzie w i k to liczba wierszy i kolumn tabeli.

Dla testów rangowych generator stosuje miary opisane w przeglądzie Fiel Peres (2026). W teście Manna–Whitneya i Wilcoxona to r = z / √N, gdzie N to łączna liczebność dwóch grup albo liczba par. Gdy nie podasz z, generator policzy je z U lub T bez poprawki na ciągłość i rangi wiązane:

Dla testu Kruskala–Wallisa generator liczy porządkowe epsilon kwadrat. Nie myl go z ε² z ANOVA (Fiel Peres, 2026):

W regresji t = b / SE, a przedział ufności to b ± t_kryt × SE z df reszt. Wariant Welcha liczy df wzorem Welcha–Satterthwaite’a, który zwykle daje wartość ułamkową.

Przykład liczbowy

Studentka sprawdza, czy ośmiotygodniowy trening uważności obniża stres. Ma trzy grupy po 40 osób: trening uważności, trening relaksacyjny i grupę kontrolną (dane symulowane). Skala stresu ma zakres 0–40. Średnie wynoszą 19.65 (SD = 4.62), 23.12 (SD = 6.87) i 22.75 (SD = 6.41). Wszystkie liczby pochodzą z kodu R w następnej sekcji. Wartości z wiersza testu t są wpisane domyślnie w generator.

Dla danych domyślnych generator zwraca pełne zdanie: „Wyniki w grupie z treningiem uważności (M = 19.65, SD = 4.62) były istotnie niższe niż w grupie kontrolnej (M = 22.75, SD = 6.41), t(78) = −2.48, p = .015, d = −0.55”. Znak minus przy t, d i r mówi tylko, że pierwsza grupa ma niższe wyniki. Kolejność grup ustalasz sam.

Zwróć uwagę na test dla prób zależnych. Z surowych danych R podaje t = 1.4974 i p = .1451, a generator z zaokrąglonego t = 1.50 daje p = .144. Obie wartości są poprawne. Przy t między 1.495 a 1.505 p mieści się w przedziale od .1431 do .1457. Dlatego wpisuj statystykę z jak największą liczbą miejsc po kropce.

# K19 – przykład do generatora opisu wyników APA (dane symulowane)
set.seed(1969)
n <- 40
uwaznosc   <- round(pmin(pmax(rnorm(n, 20.0, 5.0), 0), 40))   # skala stresu 0–40
kontrolna  <- round(pmin(pmax(rnorm(n, 23.5, 6.5), 0), 40))
relaksacja <- round(pmin(pmax(rnorm(n, 21.5, 7.5), 0), 40))

# statystyki opisowe
opis <- function(x) c(M = mean(x), SD = sd(x), n = length(x))
round(rbind(uwaznosc = opis(uwaznosc), kontrolna = opis(kontrolna), relaksacja = opis(relaksacja)), 2)

# (1) test t Studenta i Welcha: uważność a kontrolna
ts <- t.test(uwaznosc, kontrolna, var.equal = TRUE)
tw <- t.test(uwaznosc, kontrolna)
sp <- sqrt(((n - 1) * var(uwaznosc) + (n - 1) * var(kontrolna)) / (2 * n - 2))
d  <- (mean(uwaznosc) - mean(kontrolna)) / sp
c(t = unname(ts$statistic), df = unname(ts$parameter), p = ts$p.value, d = d,
  d_z_t = unname(ts$statistic) * sqrt(1 / n + 1 / n))
c(t_Welch = unname(tw$statistic), df_Welch = unname(tw$parameter), p_Welch = tw$p.value)

# (2) test U Manna–Whitneya na tych samych danych (z z poprawką na rangi wiązane)
mw <- wilcox.test(uwaznosc, kontrolna, exact = FALSE, correct = FALSE)
z_mw <- unname(sign(mw$statistic - n * n / 2)) * abs(qnorm(mw$p.value / 2))
c(U = unname(mw$statistic), z = z_mw, p = mw$p.value, r = z_mw / sqrt(2 * n))

# (3) jednoczynnikowa ANOVA i test Kruskala–Wallisa: trzy grupy
dane <- data.frame(stres = c(uwaznosc, kontrolna, relaksacja),
                   grupa = factor(rep(c("uwaznosc", "kontrolna", "relaksacja"), each = n)))
tab <- summary(aov(stres ~ grupa, data = dane))[[1]]
F <- tab[1, "F value"]; df1 <- tab[1, "Df"]; df2 <- tab[2, "Df"]
c(F = F, df1 = df1, df2 = df2, p = tab[1, "Pr(>F)"], eta2p = F * df1 / (F * df1 + df2))
kw <- kruskal.test(stres ~ grupa, data = dane)
c(H = unname(kw$statistic), df = unname(kw$parameter), p = kw$p.value,
  eps2 = unname(kw$statistic) / (nrow(dane) - 1))

# (4) kontrola spójności: zakres p dla t(78) zaokrąglonego do dwóch miejsc
t2 <- round(abs(unname(ts$statistic)), 2)
c(t = t2, p = 2 * pt(-t2, 78), p_min = 2 * pt(-(t2 + 0.005), 78), p_max = 2 * pt(-(t2 - 0.005), 78))

# (5) to, co liczy generator z wartości wpisanych domyślnie (zaokrąglonych jak w raporcie)
m1 <- 19.65; s1 <- 4.62; m2 <- 22.75; s2 <- 6.41
sp_r <- sqrt(((n - 1) * s1^2 + (n - 1) * s2^2) / (2 * n - 2))
c(p_z_t = 2 * pt(-2.48, 78), d_z_opisowych = (m1 - m2) / sp_r)

# (6) dane przykładowe dla pozostałych testów w generatorze (ten sam scenariusz, dane symulowane)
# t dla prób zależnych i test Wilcoxona: stres przed i po treningu (30 osób)
przed <- round(pmin(pmax(rnorm(30, 23, 5), 0), 40))
po    <- round(pmin(pmax(przed - rnorm(30, 2, 4), 0), 40))
tz <- t.test(przed, po, paired = TRUE)
c(M_przed = mean(przed), SD_przed = sd(przed), M_po = mean(po), SD_po = sd(po),
  t = unname(tz$statistic), df = unname(tz$parameter), p = tz$p.value, d_z = unname(tz$statistic) / sqrt(30))
wx <- wilcox.test(przed, po, paired = TRUE, exact = FALSE, correct = FALSE)
n_wx <- sum(przed != po)
z_wx <- unname(sign(wx$statistic - n_wx * (n_wx + 1) / 4)) * abs(qnorm(wx$p.value / 2))
c(T = unname(wx$statistic), n_bez_zer = n_wx, z = z_wx, p = wx$p.value, r = z_wx / sqrt(n_wx))
# chi-kwadrat: rezygnacja z treningu (tak/nie) w dwóch formach treningu (120 osób)
forma <- rep(c("online", "stacjonarnie"), each = 60)
rezygnacja <- rbinom(120, 1, ifelse(forma == "online", 0.35, 0.15))
tab2 <- table(forma, rezygnacja); tab2
ch <- chisq.test(tab2, correct = FALSE)
c(chi2 = unname(ch$statistic), df = unname(ch$parameter), p = ch$p.value,
  V = sqrt(unname(ch$statistic) / (120 * (min(dim(tab2)) - 1))))
# korelacja i regresja: wsparcie społeczne a stres (60 osób)
wsparcie <- rnorm(60, 50, 10)
stres60  <- 30 - 0.15 * wsparcie + rnorm(60, 0, 5)
ct <- cor.test(wsparcie, stres60)
c(r = unname(ct$estimate), df = unname(ct$parameter), t = unname(ct$statistic), p = ct$p.value)
reg <- summary(lm(stres60 ~ wsparcie))$coefficients
ci  <- confint(lm(stres60 ~ wsparcie))
c(b = reg[2, 1], SE = reg[2, 2], t = reg[2, 3], p = reg[2, 4], CI_dolna = ci[2, 1], CI_gorna = ci[2, 2])

# (7) co pokaże generator dla zaokrąglonych wartości domyślnych pozostałych testów
t_r <- -0.23 * sqrt(58) / sqrt(1 - 0.23^2); t_b <- -0.0995 / 0.0549
round(c(p_tzal = 2 * pt(-1.50, 29), dz = 1.50 / sqrt(30),
        p_tzal_min = 2 * pt(-1.505, 29), p_tzal_max = 2 * pt(-1.495, 29),
        p_wilc = 2 * pnorm(-1.54), r_wilc = 1.54 / sqrt(25),
        p_mw = 2 * pnorm(-2.51), r_mw = -2.51 / sqrt(80),
        p_F = pf(3.98, 2, 117, lower.tail = FALSE), eta2p = 3.98 * 2 / (3.98 * 2 + 117),
        p_H = pchisq(7.46, 2, lower.tail = FALSE), eps2 = 7.46 / 119,
        p_chi2 = pchisq(4.44, 1, lower.tail = FALSE), V = sqrt(4.44 / 120),
        p_r = 2 * pt(-abs(t_r), 58), t_b = t_b, p_b = 2 * pt(-abs(t_b), 58),
        CI_dolna = -0.0995 - qt(0.975, 58) * 0.0549, CI_gorna = -0.0995 + qt(0.975, 58) * 0.0549), 4)

               M   SD  n
uwaznosc   19.65 4.62 40
kontrolna  22.75 6.41 40
relaksacja 23.12 6.87 40
          t          df           p           d       d_z_t 
-2.48045797 78.00000000  0.01527508 -0.55464726 -0.55464726 
    t_Welch    df_Welch     p_Welch 
-2.48045797 70.91110830  0.01549686 
           U            z            p            r 
539.50000000  -2.51053478   0.01205484  -0.28068632 
           F          df1          df2            p        eta2p 
  3.98049439   2.00000000 117.00000000   0.02126020   0.06370779 
         H         df          p       eps2 
7.46200495 2.00000000 0.02396880 0.06270592 
         t          p      p_min      p_max 
2.48000000 0.01529324 0.01509599 0.01549280 
        p_z_t d_z_opisowych 
   0.01529324   -0.55484456 
   M_przed   SD_przed       M_po      SD_po          t         df          p 
22.8333333  4.9346301 21.8333333  6.8030588  1.4974205 29.0000000  0.1450901 
       d_z 
 0.2733903 
          T   n_bez_zer           z           p           r 
219.5000000  25.0000000   1.5415966   0.1231717   0.3083193 
              rezygnacja
forma           0  1
  online       40 20
  stacjonarnie 50 10
      chi2         df          p          V 
4.44444444 1.00000000 0.03501498 0.19245009 
          r          df           t           p 
-0.23146876 58.00000000 -1.81202390  0.07516016 
          b          SE           t           p    CI_dolna    CI_gorna 
-0.09954242  0.05493439 -1.81202390  0.07516016 -0.20950554  0.01042070 
    p_tzal         dz p_tzal_min p_tzal_max     p_wilc     r_wilc       p_mw 
    0.1444     0.2739     0.1431     0.1457     0.1236     0.3080     0.0121 
      r_mw        p_F      eta2p        p_H       eps2     p_chi2          V 
   -0.2806     0.0213     0.0637     0.0240     0.0627     0.0351     0.1924 
       p_r        t_b        p_b   CI_dolna   CI_gorna 
    0.0771    -1.8124     0.0751    -0.2094     0.0104 

Kontrola spójności p

Nuijten i in. (2016) sprawdzili programem statcheck ponad 250 tysięcy wartości p z artykułów psychologicznych. W połowie artykułów co najmniej jedno p nie zgadzało się ze statystyką testu i stopniami swobody. W co ósmym artykule niezgodność była tak duża, że mogła zmienić wniosek. Generator stosuje tę samą logikę do jednego wyniku. Pomaga wyłapać literówkę, zanim zrobi to promotor albo recenzent.

Generator nie porównuje dwóch liczb wprost. Najpierw liczy, jakie p mogło dać zaokrąglenie statystyki: t = −2.48 to każda wartość od −2.485 do −2.475, czyli p od .0151 do .0155 przy df = 78. Potem sprawdza, czy podane p (też po zaokrągleniu) mieści się w tym zakresie. Wynik ma trzy stopnie:

• zgodne – podane p da się otrzymać z tej statystyki, np. p = .015 albo p < .05;
• niezgodne – liczby się nie zgadzają, ale wniosek przy α zostaje ten sam, np. p = .03 albo p < .001 przy t(78) = −2.48;
• rażąco niezgodne – podane p zmienia wniosek, np. p > .05 przy tym samym t.

Najczęstsze przyczyny niezgodności to p przepisane z innego wiersza wydruku, df z innej analizy i test jednostronny, którego nie zaznaczono w tekście. Jeśli wynik zawsze wychodzi o połowę mniejszy, sprawdź właśnie ten ostatni powód.

Jak czytać wynik i uzupełnić zdanie

Zdanie z generatora to minimum, a nie cały opis. Mówi, czy wynik jest istotny i jak duży jest efekt. Co to znaczy dla hipotezy, musisz dopisać sam. Jak rozumieć samo p i czego z niego nie wnioskować, wyjaśnia wpis o interpretacji wartości p.

• Wielkość efektu raportuj zawsze. Fritz i in. (2012) pokazali, że w artykułach z czołowego czasopisma psychologicznego wielkość efektu podano dla mniej niż połowy analiz. Słowne etykiety „mały” czy „duży” traktuj ostrożnie – przegląd progów znajdziesz we wpisie o interpretacji wielkości efektu.
• Wynik nieistotny opisz tym samym wzorem. Generator pisze wtedy „nie różniły się istotnie statystycznie”, a nie „nie różnią się”. Brak istotności nie dowodzi braku różnicy. Więcej wzorów zdań daje wpis o tym, jak opisać wynik nieistotny.
• Kierunek efektu w testach rangowych. Znak z i r zależy od tego, którą grupę program uznał za pierwszą. Dlatego obok wyniku testu U Manna–Whitneya czy Wilcoxona podaj mediany grup, żeby czytelnik wiedział, gdzie wyniki są wyższe.
• Test Welcha jako wybór domyślny. Delacre i in. (2017) zalecają test Welcha zamiast testu Studenta, bo lepiej kontroluje błąd I rodzaju przy nierównych wariancjach. Gdy opisujesz test Welcha, podaj ułamkowe df z dwoma miejscami po kropce.
• ANOVA istotna to dopiero początek. Ogólny wynik F albo H mówi, że gdzieś są różnice. Gdzie – pokazują porównania post hoc, które opisujesz osobnymi zdaniami, także po teście Kruskala–Wallisa.

Jeśli chcesz przeliczyć otrzymane d na r albo iloraz szans, użyj konwertera wielkości efektu. Dla tabel 2 × 2 z małymi liczebnościami lepszy będzie kalkulator tabeli 2×2 z testem Fishera.

Ograniczenia

• Generator formatuje wynik, a nie sprawdza analizy. Nie wie, czy test pasował do danych ani czy spełniono założenia. Poprawne zdanie o złym teście nadal opisuje zły test.
• Tylko testy dwustronne dla t, z i r. Wynik testu jednostronnego policzysz w kalkulatorze wartości p, a w zdaniu napisz, że test był jednostronny.
• η²_p z F ma sens dla czynników manipulowanych. Przy kowariantach i czynnikach mierzonych wzór daje inną wielkość niż program (Lakens, 2013). Wtedy przepisz η²_p z wydruku.
• z liczone z U lub T pomija poprawkę na rangi wiązane, więc przy wielu jednakowych wynikach (np. skala 1–5) różni się od z z programu. W przykładzie podano z z R właśnie z tego powodu.
• Regresja bez standaryzacji. Do β i sr² potrzebne są odchylenia standardowe zmiennych. Generator podaje tylko b, SE, t, p i przedział ufności.
• Zaokrąglone dane wejściowe. d ze średnich zaokrąglonych do dwóch miejsc może różnić się od wydruku na ostatnim miejscu. Rozstrzyga wydruk z pełnych danych.

Zasady zapisu APA w generatorze

Zdania stosują reguły podręcznika APA (American Psychological Association, 2020) i przewodnika APA Style po liczbach i statystykach (American Psychological Association, 2024), w konwencji przyjętej w tym serwisie:

• symbole łacińskie kursywą (t, F, p, d, r, M, SD, N), greckie bez kursywy (χ², η², ε²);
• stopnie swobody w nawiasie po symbolu: t(78), F(2, 117), a dla χ² także N: χ²(1, N = 120);
• p dokładnie do trzech miejsc, poniżej .001 – „p < .001”; jeśli zaokrąglenie dałoby p = .050 przy wyniku istotnym, generator dodaje czwarte miejsce (p = .0496);
• bez zera wiodącego dla wielkości, które nie przekraczają 1 (p, r, η², V, ε²), z zerem dla t, F, d, b i SE;
• przedział ufności z poziomem: 95% CI [−0.21, 0.01].

W pracy dyplomowej pojedyncze zdania łączysz w akapit, a więcej wyników zbierasz w tabeli. Wzory znajdziesz w hasłach o tabeli testu t, tabeli ANOVA, tabeli korelacji i tabeli regresji. Przykładowy akapit z danymi z tej strony:

Gotowe wzory zdań dla innych analiz zebraliśmy we wpisie jak opisać wyniki w stylu APA, a cały rozdział krok po kroku pokazuje przykładowy rozdział wyników. Typowe uwagi promotorów do zapisu statystyk omawia wpis o poprawkach w rozdziale wyników, a miejsce tego etapu w całej pracy – przewodnik po statystyce w pracy dyplomowej.

Najczęstsze pytania

Jak zapisać wynik testu t po polsku w stylu APA?

Podaj średnie i odchylenia standardowe grup, a potem statystykę: t(df) = wartość, p = wartość, d = wartość. Przykład: „Wyniki w grupie z treningiem uważności (M = 19.65, SD = 4.62) były istotnie niższe niż w grupie kontrolnej (M = 22.75, SD = 6.41), t(78) = −2.48, p = .015, d = −0.55”. Symbole łacińskie zapisz kursywą, a p bez zera przed kropką.

Dlaczego p z generatora różni się od p z SPSS na trzecim miejscu?

Bo wpisujesz statystykę zaokrągloną, a program liczy z pełnych danych. Przy t = 1.50 i df = 29 p wynosi .144, a z niezaokrąglonego t = 1.4974 – .145. Obie wartości są poprawne. Do pracy przepisz p z wydruku, a generatora użyj do zdania i kontroli.

Co oznacza „rażąco niezgodne” w kontroli wartości p?

Podane p nie da się otrzymać z wpisanej statystyki i df nawet po uwzględnieniu zaokrągleń, a do tego zmienia wniosek przy α, np. p > .05 przy t(78) = −2.48. Taki błąd znaleziono w co ósmym artykule przeanalizowanym przez Nuijten i in. (2016). Wróć do wydruku i sprawdź, czy przepisujesz właściwy wiersz.

Jak policzyć d Cohena, gdy w pracy jest tylko t i liczebności grup?

W teście t Studenta dla prób niezależnych d = t × √(1/n₁ + 1/n₂), a dla prób zależnych d_z = t / √n (Lakens, 2013). Przy t(78) = −2.48 i grupach po 40 osób d = −0.55. W teście Welcha ten wzór nie działa – potrzebne są średnie i SD.

Jaką wielkość efektu podać przy teście Kruskala–Wallisa?

Najprościej porządkowe epsilon kwadrat: ε² = H / (N − 1), opisane w przeglądzie Fiel Peres (2026). Dla H(2) = 7.46 i N = 120 wychodzi ε² = .06. Nie myl go z ε² liczonym z F w ANOVA – to inna miara.

Powiązane hasła

Przeczytaj też

@book{apa2020publication, author={{American Psychological Association}}, title={{Publication manual of the American Psychological Association}}, year={2020}, edition={7th ed.}, publisher={American Psychological Association}, doi={10.1037/0000165-000}}

@misc{apa2024numbers, author={{American Psychological Association}}, title={{APA Style numbers and statistics guide}}, howpublished={APA Style}, year={2024}, publisher={American Psychological Association}, url={https://apastyle.apa.org/instructional-aids/numbers-statistics-guide.pdf}}

@book{cramer1946mathematical, author={Cramér, Harald}, title={{Mathematical methods of statistics}}, year={1946}, publisher={Princeton University Press}, doi={10.1515/9781400883868}}

@article{delacre2017why, author={Delacre, Marie and Lakens, Daniël and Leys, Christophe}, title={{Why psychologists should by default use Welch's t-test instead of Student's t-test}}, journal={International Review of Social Psychology}, year={2017}, volume={30}, number={1}, pages={92--101}, doi={10.5334/irsp.82}}

@article{peres2026effect, author={Fiel Peres, Fernanda}, title={{Effect sizes for nonparametric tests}}, journal={Biochemia Medica}, year={2026}, volume={36}, number={1}, pages={5--16}, doi={10.11613/bm.2026.010101}}

@article{fritz2012effect, author={Fritz, Catherine O. and Morris, Peter E. and Richler, Jennifer J.}, title={{Effect size estimates: Current use, calculations, and interpretation}}, journal={Journal of Experimental Psychology: General}, year={2012}, volume={141}, number={1}, pages={2--18}, doi={10.1037/a0024338}}

@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}}

@article{nuijten2016prevalence, author={Nuijten, Michèle B. and Hartgerink, Chris H. J. and van Assen, Marcel A. L. M. and Epskamp, Sacha and Wicherts, Jelte M.}, title={{The prevalence of statistical reporting errors in psychology (1985–2013)}}, journal={Behavior Research Methods}, year={2016}, volume={48}, number={4}, pages={1205--1226}, doi={10.3758/s13428-015-0664-2}}