Statystyka · Prace dyplomowe

Jaki test statystyczny do jakiej hipotezy? Tabela doboru z przykładami w R

Jedna tabela: typ hipotezy, zmienna zależna i układ badania, test parametryczny, alternatywa, miara efektu i wzór zapisu wyniku. Do tego cztery policzone przykłady z kodem R, wynikiem i gotowym zdaniem w stylu APA.

Strona główna / Blog / Jaki test do jakiej hipotezy
W skrócie: Test wynika z typu hipotezy (różnica, związek, predykcja, moderacja, zgodność z wartością), ze skali zmiennej zależnej i z tego, czy pomiary są niezależne. Dwie grupy różnych osób z wynikiem ilościowym to test t Welcha, dwie zmienne kategorialne to chi-kwadrat, wynik tak/nie z kilkoma predyktorami to regresja logistyczna, a hipoteza „zależy od” to regresja z interakcją. Do każdego testu podaj miarę efektu z 95% CI, a nie samą wartość p.

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.

Dobór testu statystycznego do typu hipotezy: zmienna zależna i układ, test parametryczny, alternatywa, miara efektu i przykład zapisu
Typ hipotezyZmienna zależna / układTest parametrycznyAlternatywaMiara efektuPrzykład zapisu
Różnica między 2 grupami niezależnymiilościowa; różne osoby w grupachtest t Welchatest U Manna-Whitneyad Cohena (lub g Hedgesa)t(131.40) = 2.06, p = .041, d = 0.35 (przykład 1)
Różnica między 2 pomiaramiilościowa; te same osoby lub dopasowane parytest t dla prób zależnychtest Wilcoxona (rangowanych znaków)dz lub davt(df) = …, p = …, dz = …
Różnica między 3+ grupami niezależnymiilościowa; różne osobyjednoczynnikowa ANOVA (wersja Welcha) + porównania post hoctest Kruskala-Wallisa + test Dunnaη² lub ω²F(df1, df2) = …, p = …, η² = …
Różnica między 3+ pomiaramiilościowa; te same osobyANOVA z powtarzanymi pomiarami (z poprawką Greenhouse’a-Geissera)test Friedmanaηp² lub ηG²F(df1, df2) = …, p = …, ηp² = …
Związek 2 zmiennych ilościowychdwie zmienne ilościowe; jedna próbakorelacja r Pearsonakorelacja Spearmana (lub tau Kendalla)samo r z 95% CIr(df) = …, p = …, 95% CI [a, b]
Związek 2 zmiennych kategorialnychdwie zmienne nominalne; różne osobytest chi-kwadrat niezależnościdokładny 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 ilościowyilościowa; predyktory dowolneregresja liniowa (test F modelu, testy t dla b)błędy odporne lub bootstrapR², b i β z 95% CIF(df1, df2) = …, R² = …; b = …, 95% CI [a, b]
Predykcja: kilka predyktorów, wynik tak/niedwukategorialna; predyktory dowolneregresja logistyczna (test ilorazu wiarygodności, testy Walda)regresja Firtha przy rzadkich zdarzeniachiloraz szans (OR) z 95% CIOR = 1.15, 95% CI [1.10, 1.22], p < .001 (przykład 4)
Moderacja: związek X z Y zależy od Milościowa; X i M ilościowe lub kategorialneregresja z interakcją X × M (ANOVA dwuczynnikowa, gdy oba czynniki są grupami)przedziały bootstrapoweΔR² i efekty prosteb = −0.045, 95% CI [−0.064, −0.025], ΔR² = .078 (przykład 3)
Zgodność ze znaną wartościąilościowa; jedna próba i norma lub punkt skalitest t dla jednej próbytest Wilcoxona dla jednej próbyd = (M − wartość) / SDt(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

Dane wejściowe: 142 osoby pracujące: tryb pracy (zdalny, stacjonarny) i satysfakcja z pracy (1–5) (dane symulowane, set.seed(2810)).

Co odczytać: liczebności, średnie i SD w grupach; t, df i p-value z testu Welcha; 95% CI różnicy średnich; d Cohena z 95% CI.

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.
Pracownicy zdalni (M = 3.58, SD = 0.79) oceniali satysfakcję z pracy wyżej niż pracownicy stacjonarni (M = 3.29, SD = 0.89), t(131.40) = 2.06, p = .041, różnica = 0.29, 95% CI [0.01, 0.58], d = 0.35, 95% CI [0.01, 0.68]. Efekt był mały, a jego wielkość oszacowano mało precyzyjnie.

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

Dane wejściowe: 300 osób: wielkość miejscowości (3 kategorie) i forma dostawy (3 kategorie) (dane symulowane, set.seed(2811)).

Co odczytać: tabelę liczebności, odsetki w wierszach, X-squared, df i p-value, liczebności oczekiwane (wszystkie powyżej 5) oraz 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] 0.153
Forma dostawy była związana z wielkością miejscowości zamieszkania, χ²(4, N = 300) = 14.13, p = .007, V = .15. Mieszkańcy wsi najczęściej wybierali dostawę kurierską (40.4%), a mieszkańcy miast powyżej 100 tys. mieszkańców paczkomat (57.9%). Siła związku była niewielka.

Przykład 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

Dane wejściowe: 200 osób pracujących: stres zawodowy, wsparcie społeczne i wypalenie (wyniki skal; predyktory wycentrowane) (dane symulowane, set.seed(2812)).

Co odczytać: współczynnik interakcji s_c:w_c z błędem standardowym, t i p; jego 95% CI; test przyrostu R² (anova(m0, m1)); nachylenia stresu przy −1 SD i +1 SD wsparcia.

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 
Wsparcie społeczne moderowało związek stresu zawodowego z wypaleniem, b = −0.045, SE = 0.010, t(196) = −4.59, p < .001, 95% CI [−0.064, −0.025]. Dodanie interakcji zwiększyło odsetek wyjaśnionej wariancji o ΔR² = .078, F(1, 196) = 21.05, p < .001 (R² pełnego modelu = .27). Przy niskim wsparciu (−1 SD) stres silnie wiązał się z wypaleniem, b = 0.880, 95% CI [0.648, 1.112], t(196) = 7.48, p < .001, a przy wysokim wsparciu (+1 SD) związek był słaby, b = 0.195, 95% CI [0.020, 0.370], t(196) = 2.20, p = .029.

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

Dane wejściowe: 240 osób studiujących: liczba godzin nauki (0–20), obecność na ćwiczeniach (0/1) i zdanie egzaminu (0/1) (dane symulowane, set.seed(2813)).

Co odczytać: liczbę osób, które zdały; współczynniki Estimate, z value i Pr(>|z|); test całego modelu (różnica dewiancji); ilorazy szans z 95% CI.

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   2.88
Model regresji logistycznej z liczbą godzin nauki i obecnością na ćwiczeniach jako predyktorami był istotny, χ²(2, N = 240) = 36.44, p < .001. Każda dodatkowa godzina nauki zwiększała szansę zdania egzaminu, OR = 1.15, 95% CI [1.10, 1.22], z = 5.47, p < .001. Związek obecności na ćwiczeniach ze zdaniem egzaminu nie był istotny, OR = 1.61, 95% CI [0.91, 2.88], z = 1.64, p = .102.

Bibliografia 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()).

  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. 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

  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. 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.
  6. 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

Poradnik

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 →
Poradnik

Test 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 →
Poradnik

Analiza moderacji krok po kroku

Regresja z interakcją, centrowanie, efekty proste, wykres interakcji i opis wyników moderacji.

Czytaj →
Poradnik

Hipotezy 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 →
Poradnik

Kreator: 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 →
Poradnik

Model 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 →
Poradnik

Zadania 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 →
Poradnik

Pytania 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 →
Poradnik

Pytania 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 →
Poradnik

Recenzja 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 →
Poradnik

Testy 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 →
Poradnik

Zadania 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 →
Poradnik

Chi-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 →
Poradnik

Metodologia badań – zadania z rozwiązaniami

Dziesięć zadań: zmienne i skale, schemat badania, zagrożenia trafności, regresja do średniej, hipotezy, operacjonalizacja, dobór próby, mediator i moderator.

Czytaj →
Poradnik

ANOVA 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 →
Poradnik

Jak 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 →
Poradnik

Statystyka 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 →
Poradnik

Statystyka 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 studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Bedyńska, S., & Cypryańska, M. (Red.). (2012). Statystyczny drogowskaz 1. Praktyczne wprowadzenie do wnioskowania statystycznego. Wydawnictwo Akademickie Sedno.
  2. 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
  3. 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
  4. Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE.
  5. 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
  6. 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}}
R