Zanim sięgniesz po tabelę
Tabela działa tylko wtedy, gdy hipoteza jest sformułowana precyzyjnie. Zdanie „media społecznościowe wpływają na studentów” nie wskazuje ani zmiennej zależnej, ani porównywanych grup, więc nie da się do niego przypisać testu. Jeśli trudno wskazać zmienną zależną, problem leży zwykle wyżej, na poziomie problemu badawczego. Pomocne bywa zestawienie przykładów problemów badawczych z różnych kierunków, w którym widać, jak ogólny temat zamienia się w pytanie możliwe do zbadania. Sam zapis hipotez kierunkowych i niekierunkowych omawia tekst o pytaniach badawczych i hipotezach.
Ogólny schemat wyboru testu, planowanie mocy i sprawdzanie założeń opisuje przewodnik po testach statystycznych. Tutaj zostaje tylko część praktyczna: z jakiej hipotezy jaki test i jak zapisać wynik.
Tabela: typ hipotezy → test
Czytaj tabelę wierszami. Najpierw ustal typ hipotezy, potem sprawdź skalę zmiennej zależnej i układ. W ostatniej kolumnie wiersze z przykładami z tej strony mają prawdziwe liczby, pozostałe pokazują sam wzór zapisu.
| Typ hipotezy | Zmienna zależna / układ | Test parametryczny | Alternatywa | Miara efektu | Przykład zapisu |
|---|---|---|---|---|---|
| Różnica między 2 grupami niezależnymi | ilościowa; różne osoby w grupach | test t Welcha | test U Manna-Whitneya | d Cohena (lub g Hedgesa) | t(131.40) = 2.06, p = .041, d = 0.35 (przykład 1) |
| Różnica między 2 pomiarami | ilościowa; te same osoby lub dopasowane pary | test t dla prób zależnych | test Wilcoxona (rangowanych znaków) | dz lub dav | t(df) = …, p = …, dz = … |
| Różnica między 3+ grupami niezależnymi | ilościowa; różne osoby | jednoczynnikowa ANOVA (wersja Welcha) + porównania post hoc | test Kruskala-Wallisa + test Dunna | η² lub ω² | F(df1, df2) = …, p = …, η² = … |
| Różnica między 3+ pomiarami | ilościowa; te same osoby | ANOVA z powtarzanymi pomiarami (z poprawką Greenhouse’a-Geissera) | test Friedmana | ηp² lub ηG² | F(df1, df2) = …, p = …, ηp² = … |
| Związek 2 zmiennych ilościowych | dwie zmienne ilościowe; jedna próba | korelacja r Pearsona | korelacja Spearmana (lub tau Kendalla) | samo r z 95% CI | r(df) = …, p = …, 95% CI [a, b] |
| Związek 2 zmiennych kategorialnych | dwie zmienne nominalne; różne osoby | test chi-kwadrat niezależności | dokładny test Fishera (małe liczebności oczekiwane) | V Craméra (φ dla tabeli 2 × 2) | χ²(4, N = 300) = 14.13, p = .007, V = .15 (przykład 2) |
| Predykcja: kilka predyktorów, wynik ilościowy | ilościowa; predyktory dowolne | regresja liniowa (test F modelu, testy t dla b) | błędy odporne lub bootstrap | R², b i β z 95% CI | F(df1, df2) = …, R² = …; b = …, 95% CI [a, b] |
| Predykcja: kilka predyktorów, wynik tak/nie | dwukategorialna; predyktory dowolne | regresja logistyczna (test ilorazu wiarygodności, testy Walda) | regresja Firtha przy rzadkich zdarzeniach | iloraz szans (OR) z 95% CI | OR = 1.15, 95% CI [1.10, 1.22], p < .001 (przykład 4) |
| Moderacja: związek X z Y zależy od M | ilościowa; X i M ilościowe lub kategorialne | regresja z interakcją X × M (ANOVA dwuczynnikowa, gdy oba czynniki są grupami) | przedziały bootstrapowe | ΔR² i efekty proste | b = −0.045, 95% CI [−0.064, −0.025], ΔR² = .078 (przykład 3) |
| Zgodność ze znaną wartością | ilościowa; jedna próba i norma lub punkt skali | test t dla jednej próby | test Wilcoxona dla jednej próby | d = (M − wartość) / SD | t(df) = …, p = …, d = … |
Trzy uwagi do tabeli. Po pierwsze, test t Welcha jest tu domyślny, a nie „zapasowy”. Przy równych wariancjach daje praktycznie ten sam wynik co klasyczny test Studenta, a przy nierównych wariancjach i nierównych grupach lepiej kontroluje błąd I rodzaju (Delacre i in., 2017). Ma to znaczenie zwłaszcza wtedy, gdy grupy różnią się liczebnością, o czym piszemy we wpisie o nierównych grupach w analizie. Pełny opis procedury z obu wersjami jest w poradniku test t Studenta krok po kroku.
Po drugie, kolumna „Alternatywa” nie jest automatyczną odpowiedzią na nieistotny test Shapiro-Wilka. Testy rangowe odpowiadają na nieco inne pytanie niż porównanie średnich. Przy kilkudziesięciu osobach w grupie test t radzi sobie z umiarkowaną skośnością, a przy dużych próbach zamiana na test rangowy może wręcz utrudnić interpretację (Fagerland, 2012). Kiedy rozkład naprawdę jest problemem, wyjaśnia wpis test t a rozkład nienormalny.
Po trzecie, wiersze „predykcja” i „moderacja” to modele, a nie pojedyncze testy. Gdy w hipotezie pojawia się kilka zmiennych naraz albo zmienne kontrolne, prosty test dwóch grup przestaje wystarczać. Szerzej o założeniach poszczególnych procedur piszą Bedyńska i Cypryańska (2012) oraz Field (2018).
Cztery przykłady policzone w R
Każdy przykład ma dane symulowane z ustalonym ziarnem (set.seed()), więc po uruchomieniu kodu otrzymasz identyczny wynik. Pod kodem jest wydruk z R, a pod nim zdanie do skopiowania. Liczby w zdaniach pochodzą wprost z wydruku.
Przykład 1. Dwie grupy niezależne: test t Welcha
Hipoteza: pracownicy zdalni oceniają satysfakcję z pracy wyżej niż pracownicy stacjonarni. Satysfakcja to średnia z 10 pozycji skali od 1 do 5, czyli wynik traktowany jako ilościowy. Grupy tworzą różne osoby i mają nierówną liczebność (58 i 84 osoby). Wiersz tabeli: różnica między dwiema grupami niezależnymi, test t Welcha, miara efektu d Cohena.
Pracownicy zdalni uzyskali M = 3.58 (SD = 0.79), stacjonarni M = 3.29 (SD = 0.89). Różnica 0.29 punktu jest istotna, ale przedział ufności sięga od 0.01 do 0.58, a d = 0.35 ma przedział [0.01, 0.68]. Dane są więc zgodne zarówno z efektem znikomym, jak i średnim. Hipotezę sformułowano kierunkowo, a mimo to raportujemy test dwustronny. Dlaczego to bezpieczniejszy wybór, wyjaśnia wpis test jednostronny czy dwustronny.
Test t Welcha i d Cohena
R
# Przykład 1: dwie grupy niezależne, wynik ilościowy -> test t Welcha + d Cohena
set.seed(2810)
dane <- data.frame(
tryb = factor(rep(c("zdalny", "stacjonarny"), times = c(58, 84)),
levels = c("zdalny", "stacjonarny")),
satysfakcja = round(c(rnorm(58, 3.65, 0.70), rnorm(84, 3.30, 0.80)), 2))
dane$satysfakcja <- pmin(5, pmax(1, dane$satysfakcja))
sapply(split(dane$satysfakcja, dane$tryb),
function(x) round(c(n = length(x), M = mean(x), SD = sd(x)), 2))
t.test(satysfakcja ~ tryb, data = dane) # domyślnie wersja Welcha
effectsize::cohens_d(satysfakcja ~ tryb, data = dane, pooled_sd = FALSE)Wynik w R
zdalny stacjonarny
n 58.00 84.00
M 3.58 3.29
SD 0.79 0.89
Welch Two Sample t-test
data: satysfakcja by tryb
t = 2.0596, df = 131.4, p-value = 0.04141
alternative hypothesis: true difference in means between group zdalny and group stacjonarny is not equal to 0
95 percent confidence interval:
0.01159853 0.57500245
sample estimates:
mean in group zdalny mean in group stacjonarny
3.582586 3.289286
Cohen's d | 95% CI
------------------------
0.35 | [0.01, 0.68]
- Estimated using un-pooled SD.Przykład 2. Dwie zmienne kategorialne: chi-kwadrat
Hipoteza: wybór formy dostawy (kurier, paczkomat, odbiór osobisty) zależy od wielkości miejscowości zamieszkania. Obie zmienne są nominalne, a każda z 300 osób trafia do jednej komórki tabeli 3 × 3. Wiersz tabeli: związek dwóch zmiennych kategorialnych, test chi-kwadrat niezależności, miara efektu V Craméra.
Na wsi kurier był najczęstszym wyborem (40.4% odpowiedzi), a w miastach powyżej 100 tys. mieszkańców dominował paczkomat (57.9%). Najmniejsza liczebność oczekiwana wyniosła 16.8, więc warunek stosowania testu jest spełniony i test Fishera nie jest potrzebny. Związek jest istotny, ale słaby: V = .15. Przy tabeli większej niż 2 × 2 sama istotność nie mówi, które komórki odpowiadają za wynik. Do tego służą reszty standaryzowane, opisane w poradniku test chi-kwadrat krok po kroku.
Test chi-kwadrat niezależności i V Craméra
R
# Przykład 2: dwie zmienne nominalne -> test chi-kwadrat niezależności + V Craméra
set.seed(2811)
miejsce <- sample(c("wieś", "miasto do 100 tys.", "miasto pow. 100 tys."), 300,
replace = TRUE, prob = c(.35, .35, .30))
p_dost <- list("wieś" = c(.45, .30, .25),
"miasto do 100 tys." = c(.35, .45, .20),
"miasto pow. 100 tys." = c(.25, .60, .15))
dostawa <- sapply(miejsce, function(m)
sample(c("kurier", "paczkomat", "odbiór osobisty"), 1, prob = p_dost[[m]]))
tab <- table(miejscowosc = factor(miejsce, levels = names(p_dost)),
dostawa = factor(dostawa, levels = c("kurier", "paczkomat", "odbiór osobisty")))
tab
round(100 * prop.table(tab, 1), 1) # odsetki w wierszach
test <- chisq.test(tab)
test
round(test$expected, 1) # liczebności oczekiwane (wszystkie > 5?)
V <- sqrt(unname(test$statistic) / (sum(tab) * (min(dim(tab)) - 1)))
round(V, 3)Wynik w R
dostawa
miejscowosc kurier paczkomat odbiór osobisty
wieś 46 37 31
miasto do 100 tys. 32 42 17
miasto pow. 100 tys. 24 55 16
dostawa
miejscowosc kurier paczkomat odbiór osobisty
wieś 40.4 32.5 27.2
miasto do 100 tys. 35.2 46.2 18.7
miasto pow. 100 tys. 25.3 57.9 16.8
Pearson's Chi-squared test
data: tab
X-squared = 14.127, df = 4, p-value = 0.006902
dostawa
miejscowosc kurier paczkomat odbiór osobisty
wieś 38.8 50.9 24.3
miasto do 100 tys. 30.9 40.6 19.4
miasto pow. 100 tys. 32.3 42.4 20.3
[1] 0.153Przykład 3. Moderacja: regresja z interakcją
Hipoteza: związek stresu zawodowego z wypaleniem jest słabszy u osób z wyższym wsparciem społecznym. Słowo „słabszy u osób z” oznacza moderację, czyli hipotezę o interakcji. Nie sprawdza się jej dwiema osobnymi korelacjami w podgrupach, tylko jednym modelem, w którym występuje iloczyn stresu i wsparcia. Wiersz tabeli: moderacja, regresja z interakcją, miary efektu ΔR² i efekty proste.
Oba predyktory wycentrowano, więc współczynniki główne opisują związek przy przeciętnym poziomie drugiej zmiennej. Interakcja jest ujemna i istotna, a dodanie jej do modelu zwiększa R² o .078. Efekty proste pokazują, co to znaczy: przy niskim wsparciu (−1 SD) każdy punkt stresu wiąże się ze wzrostem wypalenia o 0.880 punktu, a przy wysokim wsparciu (+1 SD) już tylko o 0.195 punktu. Wybór punktów ±1 SD, wykres interakcji i przedział Johnsona-Neymana opisuje poradnik analiza moderacji krok po kroku.
Regresja z interakcją i efekty proste
R
# Przykład 3: moderacja -> regresja liniowa z interakcją (predyktory wycentrowane)
set.seed(2812)
n <- 200
stres <- rnorm(n, 25, 6)
wsparcie <- rnorm(n, 40, 8)
s_c <- stres - mean(stres); w_c <- wsparcie - mean(wsparcie)
wypalenie <- 30 + 0.60 * s_c - 0.20 * w_c - 0.035 * s_c * w_c + rnorm(n, 0, 6)
dane <- data.frame(wypalenie, s_c, w_c)
m0 <- lm(wypalenie ~ s_c + w_c, data = dane)
m1 <- lm(wypalenie ~ s_c * w_c, data = dane)
summary(m1)
round(confint(m1), 3)
anova(m0, m1) # test przyrostu R²
round(c(R2_bez = summary(m0)$r.squared, R2_z = summary(m1)$r.squared,
delta_R2 = summary(m1)$r.squared - summary(m0)$r.squared), 3)
# Efekty proste: nachylenie stresu przy niskim (-1 SD) i wysokim (+1 SD) wsparciu
sd_w <- sd(dane$w_c)
for (poziom in c(-1, 1)) {
dane$w_p <- dane$w_c - poziom * sd_w
m <- lm(wypalenie ~ s_c * w_p, data = dane)
cat("\nWsparcie", ifelse(poziom < 0, "-1 SD", "+1 SD"), "\n")
wsp <- summary(m)$coefficients["s_c", ]
print(round(c(b = wsp[[1]], SE = wsp[[2]], t = wsp[[3]], confint(m)["s_c", ]), 3))
cat("p =", format.pval(wsp[[4]], digits = 3, eps = .001), "\n")
}Wynik w R
Call:
lm(formula = wypalenie ~ s_c * w_c, data = dane)
Residuals:
Min 1Q Median 3Q Max
-14.1476 -4.4248 0.1352 3.1992 15.2192
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 29.731325 0.412854 72.014 < 2e-16 ***
s_c 0.537761 0.072711 7.396 4.00e-12 ***
w_c -0.171325 0.053951 -3.176 0.00174 **
s_c:w_c -0.044630 0.009727 -4.588 7.97e-06 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 5.839 on 196 degrees of freedom
Multiple R-squared: 0.2701, Adjusted R-squared: 0.2589
F-statistic: 24.17 on 3 and 196 DF, p-value: 2.355e-13
2.5 % 97.5 %
(Intercept) 28.917 30.546
s_c 0.394 0.681
w_c -0.278 -0.065
s_c:w_c -0.064 -0.025
Analysis of Variance Table
Model 1: wypalenie ~ s_c + w_c
Model 2: wypalenie ~ s_c * w_c
Res.Df RSS Df Sum of Sq F Pr(>F)
1 197 7399.1
2 196 6681.5 1 717.66 21.052 7.965e-06 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
R2_bez R2_z delta_R2
0.192 0.270 0.078
Wsparcie -1 SD
b SE t 2.5 % 97.5 %
0.880 0.118 7.482 0.648 1.112
p = <0.001
Wsparcie +1 SD
b SE t 2.5 % 97.5 %
0.195 0.089 2.201 0.020 0.370
p = 0.0289 Przykład 4. Wynik tak/nie i kilka predyktorów: regresja logistyczna
Hipoteza: szansa zdania egzaminu rośnie wraz z liczbą godzin nauki, niezależnie od obecności na ćwiczeniach. Zmienna zależna ma dwie kategorie (zdał, nie zdał), a predyktory są dwa: jeden ilościowy, drugi zero-jedynkowy. Test chi-kwadrat tu nie wystarczy, bo nie uwzględni obu predyktorów naraz. Wiersz tabeli: predykcja z wynikiem tak/nie, regresja logistyczna, miara efektu iloraz szans.
Model jako całość jest istotny. Każda dodatkowa godzina nauki zwiększa szansę zdania średnio 1.15 raza (o około 15%) przy stałej obecności na ćwiczeniach. Obecność na ćwiczeniach wiąże się z ilorazem szans 1.61, ale przedział [0.91, 2.88] obejmuje 1, więc dane nie pozwalają rozstrzygnąć, czy ten efekt istnieje. Interpretację OR i założenia modelu omawia tekst o regresji logistycznej.
Regresja logistyczna i ilorazy szans
R
# Przykład 4: wynik dwukategorialny, kilka predyktorów -> regresja logistyczna
set.seed(2813)
n <- 240
godziny <- round(runif(n, 0, 20))
cwiczenia <- rbinom(n, 1, .6)
logit <- -2.0 + 0.15 * godziny + 0.70 * cwiczenia
zdal <- rbinom(n, 1, plogis(logit))
dane <- data.frame(zdal, godziny, cwiczenia)
table(zdal = dane$zdal)
m <- glm(zdal ~ godziny + cwiczenia, family = binomial, data = dane)
summary(m)
# test całego modelu: różnica dewiancji względem modelu bez predyktorów
chi2 <- m$null.deviance - m$deviance
df_m <- m$df.null - m$df.residual
cat("chi2 =", round(chi2, 2), " df =", df_m, " p =",
format.pval(pchisq(chi2, df_m, lower.tail = FALSE), digits = 3, eps = .001), "\n")
# ilorazy szans z 95% CI (przedziały profilowe)
round(cbind(OR = exp(coef(m)), suppressMessages(exp(confint(m)))), 2)Wynik w R
zdal
0 1
120 120
Call:
glm(formula = zdal ~ godziny + cwiczenia, family = binomial,
data = dane)
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.69606 0.35627 -4.761 1.93e-06 ***
godziny 0.14336 0.02623 5.465 4.62e-08 ***
cwiczenia 0.47875 0.29257 1.636 0.102
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 332.71 on 239 degrees of freedom
Residual deviance: 296.27 on 237 degrees of freedom
AIC: 302.27
Number of Fisher Scoring iterations: 4
chi2 = 36.44 df = 2 p = <0.001
OR 2.5 % 97.5 %
(Intercept) 0.18 0.09 0.36
godziny 1.15 1.10 1.22
cwiczenia 1.61 0.91 2.88Bibliografia oprogramowania
Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje t.test(), chisq.test(), lm() i glm() z pakietu stats); d Cohena z przedziałem ufności policzono w pakiecie effectsize. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- 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/
- effectsize (wersja 1.0.2): Ben-Shachar, M. S., Lüdecke, D., & Makowski, D. (2020). effectsize: Estimation of effect size indices and standardized parameters. Journal of Open Source Software, 5(56), 2815. https://doi.org/10.21105/joss.02815
Najczęstsze błędy w doborze testu
- Pojedyncze pytanie Likerta potraktowane jak skala ilościowa. Jedna pozycja z pięcioma odpowiedziami to zmienna porządkowa (Stevens, 1946), więc do porównań pasują testy rangowe. Suma lub średnia kilku rzetelnych pozycji to już inny przypadek, jak w przykładzie 1.
- Pomiary zależne liczone jak niezależne. Ankieta „przed i po” bez identyfikatora respondenta uniemożliwia test dla prób zależnych. Test dla grup niezależnych na takich danych ma zawyżony błąd standardowy i daje zbyt dużą wartość p.
- Seria testów t zamiast jednej analizy. Trzy grupy porównane trzema testami t bez korekty zwiększają ryzyko fałszywie pozytywnego wyniku. Najpierw ANOVA lub test Kruskala-Wallisa, potem porównania z korektą.
- Moderacja sprawdzana przez porównanie istotności. Korelacja istotna u kobiet i nieistotna u mężczyzn nie dowodzi, że związek różni się między płciami. O moderacji świadczy dopiero istotna interakcja w jednym modelu, jak w przykładzie 3.
- Chi-kwadrat tam, gdzie potrzebny jest model. Gdy wynik jest dwukategorialny, a predyktorów jest kilka albo któryś jest ilościowy, właściwa jest regresja logistyczna, a nie seria tabel krzyżowych.
- Raport z samą wartością p. Bez kierunku, miary efektu i przedziału ufności czytelnik nie oceni znaczenia wyniku (Wasserstein i Lazar, 2016). Dokładne p dla podanej statystyki sprawdzisz w kalkulatorze wartości p, a d, r i OR przeliczysz w konwerterze wielkości efektu. Ocenę siły korelacji na konkretnym przykładzie pokazuje wpis czy korelacja .30 to dużo.
Test dobiera się przed zebraniem danych, razem z planowaną liczebnością próby. Ile osób potrzeba do wykrycia zakładanego efektu, policzysz w kalkulatorze liczebności próby.
Najczęstsze pytania
Jaki test wybrać, gdy hipoteza mówi o „wpływie”, a badanie jest ankietowe?
Słowo wpływ nie zmienia testu. Jeśli wszystkie zmienne zmierzono jednorazowo w ankiecie, sprawdzasz związek: korelacją, gdy zmienne są dwie, albo regresją, gdy predyktorów jest kilka. Test pozostaje ten sam, ale wynik opisujesz jako związek, bo badanie korelacyjne nie pozwala na wnioski przyczynowe. Najlepiej od razu sformułować hipotezę jako „wiąże się z”.
Czy moderację można sprawdzić, dzieląc próbę medianą na dwie grupy i licząc korelacje osobno?
Nie jest to dobry sposób. Podział ilościowego moderatora na „niskie” i „wysokie” wyniki traci informację i moc, a różnica istotności dwóch korelacji nie jest testem różnicy między nimi. Moderację sprawdza się jednym modelem regresji z iloczynem predyktora i moderatora, a potem opisuje efekty proste, np. przy −1 SD i +1 SD moderatora.
Jakim testem porównać średni wynik mojej grupy z normą podaną w literaturze?
Gdy wartość odniesienia jest znana z góry (norma, punkt środkowy skali, wynik z dużego badania), stosuje się test t dla jednej próby. Miarą efektu jest różnica między średnią a wartością odniesienia podzielona przez odchylenie standardowe próby. Przy małej próbie i silnie skośnym rozkładzie alternatywą jest test Wilcoxona dla jednej próby.
Czy wynik typu zdał/nie zdał z kilkoma predyktorami można analizować testem chi-kwadrat?
Tylko wtedy, gdy predyktor jest jeden i jest kategorialny. Przy kilku predyktorach albo predyktorze ilościowym, takim jak liczba godzin nauki, potrzebna jest regresja logistyczna. Pozwala ona ocenić każdy predyktor przy kontroli pozostałych i podać iloraz szans z 95% CI, np. OR = 1.15, 95% CI [1.10, 1.22] dla jednej godziny nauki w przykładzie z tej strony.
Przeczytaj też
Testy statystyczne – przewodnik po wyborze
Schemat wyboru testu i osiem etapów od hipotezy do zapisu APA: test t, ANOVA, testy nieparametryczne, chi-kwadrat, korelacje, regresja i poprawki.
Czytaj →PoradnikTest t Studenta krok po kroku
Test dla prób niezależnych, zależnych i jednej próby: założenia, wersja Welcha, wielkość efektu i opis wyniku w stylu APA.
Czytaj →PoradnikAnaliza moderacji krok po kroku
Regresja z interakcją, centrowanie, efekty proste, wykres interakcji i opis wyników moderacji.
Czytaj →PoradnikHipotezy H0 i H1 – jak je zapisać?
Od hipotezy badawczej do H0 i H1: parametr populacji, zapis jedno- i dwustronny, tabela dla popularnych analiz i pułapka testu Manna–Whitneya.
Czytaj →PoradnikKreator: jaki test statystyczny wybrać?
Kilka pytań o hipotezę, zmienną i układ badania, a w wyniku test główny, alternatywa, miara efektu i linki do poradnika oraz kalkulatora.
Czytaj →PoradnikModel konceptualny badania
Czym różni się od ramy teoretycznej, jak opisać konstrukty i ich pomiar i jaki test przypisać każdej strzałce – na trzech schematach: prostym, z mediatorem i z moderatorem.
Czytaj →PoradnikZadania ze statystyki na psychologii
Dziesięć zadań jak na kolokwium: opisowe, steny i centyle, przedział ufności, testy t, korelacja, χ², ANOVA i regresja – z rozwiązaniami krok po kroku.
Czytaj →PoradnikPytania ze statystyki na obronę magisterską
Pytania promotora i recenzenta ułożone według analizy – od testu t i chi-kwadrat po regresję, ANOVA i alfę Cronbacha – z krótkimi odpowiedziami na liczbach.
Czytaj →PoradnikPytania na egzamin ze statystyki
66 krótkich pytań z odpowiedziami w 9 działach – od skal pomiarowych i SD po wartość p, moc, wybór testu, regresję i pytania „wyjaśnij różnicę”.
Czytaj →PoradnikRecenzja pracy magisterskiej: część badawcza
Co recenzent sprawdza w części empirycznej: tabela kryteriów, 12 przykładowych uwag z odpowiedziami na obronę i lista kontrolna przed złożeniem pracy.
Czytaj →PoradnikTesty nieparametryczne – zadania
Dziesięć zadań jak na kolokwium: Mann–Whitney, test znaków, Wilcoxon, Kruskal–Wallis z Dunnem, Friedman i Spearman – z rangami i rozwiązaniami krok po kroku.
Czytaj →PoradnikZadania ze statystyki z rozwiązaniami
Wszystkie zbiory zadań w jednym miejscu: tabela działów, poziomów i kierunków, dziewięć przykładowych zadań, ściąga wyboru testu i najczęstsze błędy.
Czytaj →PoradnikChi-kwadrat i tabele krzyżowe – zadania z rozwiązaniami
Dziesięć zadań z testu χ²: zgodność, tabele krzyżowe, reszty skorygowane, φ i V, Yates, małe liczności, test trendu i paradoks Simpsona – krok po kroku.
Czytaj →PoradnikMetodologia badań – zadania z rozwiązaniami
Dziesięć zadań: zmienne i skale, schemat badania, zagrożenia trafności, regresja do średniej, hipotezy, operacjonalizacja, dobór próby, mediator i moderator.
Czytaj →PoradnikANOVA krok po kroku
Jednoczynnikowa i dwuczynnikowa ANOVA na przykładach: założenia, test Welcha, post hoc, η² i ω², efekty proste, typy sum kwadratów i opis APA.
Czytaj →PoradnikJak sprawdzić normalność rozkładu
Co ma być normalne, wykres Q-Q reszt, skośność i kurtoza, granice testu Shapiro-Wilka i sześć strategii na brak normalności – z kodem R, SPSS i opisem APA.
Czytaj →PoradnikStatystyka dla studenta
Po co statystyka na studiach, jak się jej uczyć w siedmiu etapach, które analizy są w pracach dyplomowych i gdzie szukać pomocy – z symulacją w R.
Czytaj →PoradnikStatystyka w pracy z pedagogiki
Ankiety wśród nauczycieli i rodziców: skala Likerta, chi-kwadrat i test Fishera, testy rangowe z korektą Holma, procenty w tabelach i uczniowie w klasach.
Czytaj →Potrzebujesz pomocy w doborze testów i analizie danych?
Pomagam dopasować testy do hipotez, przygotować plan analizy, przeprowadzić obliczenia i opisać wyniki zgodnie z wymaganiami pracy dyplomowej lub publikacji.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Bedyńska, S., & Cypryańska, M. (Red.). (2012). Statystyczny drogowskaz 1. Praktyczne wprowadzenie do wnioskowania statystycznego. Wydawnictwo Akademickie Sedno.
- Delacre, M., Lakens, D., & Leys, C. (2017). Why psychologists should by default use Welch’s t-test instead of Student’s t-test. International Review of Social Psychology, 30(1), 92–101. https://doi.org/10.5334/irsp.82
- Fagerland, M. W. (2012). t-tests, non-parametric tests, and large studies—a paradox of statistical practice? BMC Medical Research Methodology, 12, 78. https://doi.org/10.1186/1471-2288-12-78
- Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE.
- Stevens, S. S. (1946). On the theory of scales of measurement. Science, 103(2684), 677–680. https://doi.org/10.1126/science.103.2684.677
- Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108
Cytowania BibTeX
@book{bedynska2012drogowskaz, editor={Bedy{\'n}ska, Sylwia and Cypry{\'a}nska, Monika}, title={Statystyczny drogowskaz 1. Praktyczne wprowadzenie do wnioskowania statystycznego}, publisher={Wydawnictwo Akademickie Sedno}, year={2012}}@article{delacre2017welch, author={Delacre, Marie and Lakens, Dani{\"e}l 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{fagerland2012ttests, author={Fagerland, Morten W.}, title={t-tests, non-parametric tests, and large studies---a paradox of statistical practice?}, journal={BMC Medical Research Methodology}, year={2012}, volume={12}, pages={78}, doi={10.1186/1471-2288-12-78}}@book{field2018discovering, author={Field, Andy}, title={Discovering Statistics Using IBM SPSS Statistics}, edition={5}, publisher={SAGE}, year={2018}}@article{stevens1946scales, author={Stevens, S. S.}, title={On the theory of scales of measurement}, journal={Science}, year={1946}, volume={103}, number={2684}, pages={677--680}, doi={10.1126/science.103.2684.677}}@article{wasserstein2016asa, author={Wasserstein, Ronald L. and Lazar, Nicole A.}, title={The ASA statement on p-values: Context, process, and purpose}, journal={The American Statistician}, year={2016}, volume={70}, number={2}, pages={129--133}, doi={10.1080/00031305.2016.1154108}}