W skrócie: Test wybierasz według celu (różnica, związek, model, zgodność), rodzaju zmiennej zależnej, liczby grup i tego, czy porównujesz różne osoby, czy te same. Dla dwóch grup niezależnych z wynikiem ilościowym domyślnym wyborem jest test t Welcha, dla trzech i więcej – ANOVA Welcha. Test rangowy wybieraj przy zmiennej porządkowej albo małej, wyraźnie skośnej próbie, a nie odruchowo po teście Shapiro–Wilka. Kreator podpowiada punkt wyjścia, ale ścieżkę ustal przed analizą danych.
Kreator doboru testu
Kilka pytań zamiast przeszukiwania tabel
Odpowiadaj na pytania o hipotezę, zmienną zależną i układ badania. Każda ścieżka ma od dwóch do pięciu kroków, a przyciskiem „Wstecz” możesz zmienić ostatnią odpowiedź. Kreator działa w Twojej przeglądarce: odpowiedzi nie są nigdzie wysyłane ani zapisywane.
Kreator wymaga włączonej obsługi JavaScriptu. Całe drzewo decyzji znajdziesz w tabeli poniżej.
Uzasadnienie wyboru do pracy
Uzasadnienie pojawi się tutaj po wybraniu testu.
Jak używać kreatora
Zapisz hipotezę jednym zdaniem i wskaż w niej zmienną zależną. Kreator pyta o to samo, o co zapyta promotor:
- Cel. Czy hipoteza mówi o różnicy, o związku dwóch zmiennych, o wpływie kilku zmiennych naraz (model), czy o zgodności ocen? Hipoteza „X zależy od M” albo „X działa przez M” to już model, a nie pojedynczy test.
- Rodzaj zmiennej zależnej. Ilościowa, porządkowa, dwukategorialna albo nominalna. Suma kilkunastu pozycji skali zwykle jest ilościowa, a pojedyncze pytanie – porządkowe. Wątpliwości rozstrzyga wpis czy skala Likerta jest ilościowa.
- Liczba grup lub pomiarów. Jedna grupa porównywana z normą, dwie albo trzy i więcej.
- Układ badania. Różne osoby w grupach, te same osoby w kilku pomiarach albo jedno i drugie naraz (np. grupa eksperymentalna i kontrolna mierzone przed i po). Różnicę wyjaśnia hasło schemat międzyobiektowy i wewnątrzobiektowy.
- Założenia. Na końcu kreator pyta o to, co zmienia wybór: kształt rozkładu przy małej próbie, liczebności oczekiwane w tabeli, kształt związku na wykresie rozrzutu, braki pomiarów.
Wynik to karta z testem głównym, alternatywą, miarą wielkości efektu, przestrogą i linkami do poradnika, hasła oraz kalkulatora. Pod kartą pojawia się zdanie z uzasadnieniem wyboru zbudowane z Twoich odpowiedzi. Dopasuj je do swojego badania.
Kreator uzupełnia tabelę jak dobrać test statystyczny do hipotezy z przykładami w R oraz przewodnik po testach statystycznych, który prowadzi od hipotezy przez moc i założenia po opis wyników.
Na czym opierają się odpowiedzi
Drzewo opiera się na prostym schemacie: test zależy od rodzaju pytania badawczego, rodzaju danych oraz liczby grup i tego, czy są niezależne. Wybiera się go na etapie planowania, a nie po zebraniu danych (Nayak i Hazra, 2011). Cztery decyzje wymagają komentarza.
- Welch jako wybór domyślny. Dla dwóch grup niezależnych kreator proponuje test t Welcha, a dla trzech i więcej – ANOVA Welcha. Wersje Welcha lepiej kontrolują błąd I rodzaju przy nierównych wariancjach i niewiele tracą, gdy wariancje są równe. Wybór testu po wstępnym teście równości wariancji często zawodzi (Delacre i in., 2017, 2019). Porównania par po ANOVA omawia wpis testy post hoc – który wybrać.
- Test rangowy nie jest automatyczną odpowiedzią na brak normalności. Kreator kieruje do testu rangowego dopiero wtedy, gdy próba jest mała, a rozkład wyraźnie skośny, albo gdy zmienna jest porządkowa. Przy dużych próbach i skośnych rozkładach test Manna–Whitneya może dawać istotne wyniki nawet przy równych średnich i medianach (Fagerland, 2012). Więcej o tym w tekstach test t a rozkład nienormalny i jak sprawdzić normalność rozkładu.
- Chi-kwadrat albo Fisher według liczebności oczekiwanych. Test chi-kwadrat opiera się na przybliżeniu dla dużych prób. Gdy więcej niż 20% komórek ma liczebność oczekiwaną poniżej 5 albo któraś jest mniejsza od 1, kreator proponuje test dokładny Fishera (Kim, 2017). Liczebności oczekiwane i test policzysz w kalkulatorze tabeli 2×2 i r×c, a granicę między testami omawia wpis chi-kwadrat czy test Fishera.
- Zgodność to nie korelacja. Zgodności dwóch metod ani sędziów nie wykazuje się korelacją ani brakiem istotnej różnicy średnich (Nayak i Hazra, 2011). Dlatego gałąź „zgodność” prowadzi do kappy, ICC, alfy Krippendorffa albo metody Blanda–Altmana. Wybór między nimi zależy od rodzaju ocen, liczby oceniających i braków danych (Hallgren, 2012). Szczegóły są we wpisie o zgodności sędziów, a kappę policzysz w kalkulatorze kappy i testu McNemara.
Całe drzewo decyzji w tabeli
Poniżej są wszystkie ścieżki kreatora, pogrupowane według celu analizy. W pierwszej kolumnie są Twoje odpowiedzi w skrócie. „Mała, skośna próba” oznacza kilkanaście osób w grupie i wyraźne odchylenie od rozkładu normalnego. „Grupy × pomiary” oznacza układ mieszany: różne grupy osób mierzone kilkakrotnie.
Różnica – zmienna zależna ilościowa
| Twoja sytuacja | Test główny | Alternatywa | Wielkość efektu |
|---|---|---|---|
| jedna grupa a norma, rozkład bliski normalnemu | Test t dla jednej próby | test Wilcoxona dla jednej próby | d = (M − wartość odniesienia) / SD z 95% CI |
| jedna grupa a norma, mała, skośna próba | Test Wilcoxona dla jednej próby | test t dla jednej próby (duża próba) | korelacja rangowo-dwuseryjna albo r = Z/√N |
| dwie grupy/pomiary, różne osoby, rozkład bliski normalnemu | Test t Welcha | test U Manna–Whitneya | d Cohena lub g Hedgesa z 95% CI |
| dwie grupy/pomiary, różne osoby, mała, skośna próba | Test U Manna–Whitneya | test t Welcha (przy dużych grupach) | korelacja rangowo-dwuseryjna albo r = Z/√N |
| dwie grupy/pomiary, te same osoby, rozkład bliski normalnemu | Test t dla prób zależnych | test Wilcoxona dla par | d_z lub d_av z 95% CI |
| dwie grupy/pomiary, te same osoby, mała, skośna próba | Test Wilcoxona dla par (rangowanych znaków) | test t dla prób zależnych | korelacja rangowo-dwuseryjna albo r = Z/√N |
| grupy × pomiary, pomiar przed i po | ANCOVA: wynik po z kontrolą wyniku przed | ANOVA mieszana grupa × pomiar | skorygowana różnica średnich z 95% CI, η²p |
| grupy × pomiary, 3+ pomiary, komplet danych | ANOVA mieszana (grupa × pomiar) | liniowy model mieszany | η²p lub η²G dla interakcji i efekty proste |
| grupy × pomiary, braki pomiarów | Liniowy model mieszany (efekt losowy osoby) | ANOVA mieszana (tylko osoby z kompletem) | różnice średnich z modelu z 95% CI |
| grupy × pomiary, mała, skośna próba | ANOVA na rangach wyrównanych (aligned rank transform, ART) | model mieszany (wynik ilościowy) albo porządkowy (wynik porządkowy) | η²p z modelu ART |
| trzy i więcej, różne osoby, rozkład bliski normalnemu | Jednoczynnikowa ANOVA Welcha i post hoc Gamesa–Howella | test Kruskala–Wallisa z testem Dunna | η² lub ω² z 95% CI |
| trzy i więcej, różne osoby, mała, skośna próba | Test Kruskala–Wallisa i test Dunna z korektą Holma | ANOVA Welcha | ε² z 95% CI |
| trzy i więcej, te same osoby, rozkład bliski normalnemu | ANOVA z powtarzanymi pomiarami z poprawką Greenhouse’a–Geissera | test Friedmana | η²p lub η²G |
| trzy i więcej, te same osoby, mała, skośna próba | Test Friedmana | ANOVA z powtarzanymi pomiarami | W Kendalla |
Różnica – zmienna zależna porządkowa
| Twoja sytuacja | Test główny | Alternatywa | Wielkość efektu |
|---|---|---|---|
| jedna grupa a norma | Test Wilcoxona dla jednej próby | test t dla jednej próby (duża próba) | korelacja rangowo-dwuseryjna albo r = Z/√N |
| dwie grupy/pomiary, różne osoby | Test U Manna–Whitneya | test t Welcha (przy dużych grupach) | korelacja rangowo-dwuseryjna albo r = Z/√N |
| dwie grupy/pomiary, te same osoby | Test Wilcoxona dla par (rangowanych znaków) | test t dla prób zależnych | korelacja rangowo-dwuseryjna albo r = Z/√N |
| grupy × pomiary | ANOVA na rangach wyrównanych (aligned rank transform, ART) | model mieszany (wynik ilościowy) albo porządkowy (wynik porządkowy) | η²p z modelu ART |
| trzy i więcej, różne osoby | Test Kruskala–Wallisa i test Dunna z korektą Holma | ANOVA Welcha | ε² z 95% CI |
| trzy i więcej, te same osoby | Test Friedmana | ANOVA z powtarzanymi pomiarami | W Kendalla |
Różnica – zmienna zależna tak/nie
| Twoja sytuacja | Test główny | Alternatywa | Wielkość efektu |
|---|---|---|---|
| jedna grupa a norma | Test dwumianowy (dokładny) dla jednej proporcji | test chi-kwadrat zgodności (przy dużej próbie) | odsetek z 95% CI Wilsona |
| dwie grupy/pomiary, różne osoby, duże liczebności oczekiwane | Test chi-kwadrat dla tabeli 2 × 2 (test dla dwóch proporcji) | test dokładny Fishera | różnica odsetków, OR lub RR z 95% CI, φ |
| dwie lub więcej grup, różne osoby, małe liczebności oczekiwane | Test dokładny Fishera | test chi-kwadrat (gdy liczebności oczekiwane wystarczą) | OR z 95% CI (tabela 2 × 2) albo V Craméra |
| dwie grupy/pomiary, te same osoby | Test McNemara | dokładny test McNemara (mało par niezgodnych) | różnica odsetków zależnych z 95% CI |
| grupy × pomiary | Wielopoziomowa regresja logistyczna (GLMM) | regresja logistyczna z błędami odpornymi na zgrupowanie | OR z 95% CI |
| trzy i więcej, różne osoby, duże liczebności oczekiwane | Test chi-kwadrat niezależności | test dokładny Fishera (Fishera–Freemana–Haltona) | V Craméra i skorygowane reszty |
| trzy i więcej, te same osoby | Test Q Cochrana | wielopoziomowa regresja logistyczna | odsetki w pomiarach i ich różnice z 95% CI |
Różnica – trzy lub więcej kategorii bez porządku
| Twoja sytuacja | Test główny | Alternatywa | Wielkość efektu |
|---|---|---|---|
| jedna grupa a norma | Test chi-kwadrat zgodności | test dokładny albo p z symulacji Monte Carlo | w Cohena i odsetki kategorii |
| dwie lub więcej grup, różne osoby, duże liczebności oczekiwane | Test chi-kwadrat niezależności | test dokładny Fishera (Fishera–Freemana–Haltona) | V Craméra i skorygowane reszty |
| dwie lub więcej grup, różne osoby, małe liczebności oczekiwane | Test dokładny Fishera | test chi-kwadrat (gdy liczebności oczekiwane wystarczą) | OR z 95% CI (tabela 2 × 2) albo V Craméra |
| dwie grupy/pomiary, te same osoby | Test symetrii Bowkera | test McNemara dla każdej kategorii z korektą Holma | odsetki zmian między kategoriami (tabela przejść) |
| grupy × pomiary | Uogólniony model mieszany dla wyniku nominalnego | osobne modele logistyczne GLMM dla kategorii | OR względem kategorii odniesienia z 95% CI |
| trzy i więcej, te same osoby | Uogólniony model mieszany dla wyniku nominalnego | osobne modele logistyczne GLMM dla kategorii | OR względem kategorii odniesienia z 95% CI |
Związek dwóch zmiennych
| Twoja sytuacja | Test główny | Alternatywa | Wielkość efektu |
|---|---|---|---|
| obie ilościowe, związek liniowy | Korelacja r Pearsona | korelacja rho Spearmana | samo r z 95% CI (transformacja Fishera) |
| obie ilościowe, związek monotoniczny lub wartości skrajne | Korelacja rho Spearmana | tau Kendalla | ρ z 95% CI |
| obie ilościowe, kontrola trzeciej zmiennej | Korelacja cząstkowa | regresja wieloraka z kontrolowaną zmienną | r cząstkowe z 95% CI |
| co najmniej jedna porządkowa, niewiele rang wiązanych | Korelacja rho Spearmana | tau Kendalla | ρ z 95% CI |
| co najmniej jedna porządkowa, mała próba lub wiele rang wiązanych | Korelacja tau Kendalla (tau-b) | rho Spearmana | τ z 95% CI |
| obie kategorialne, duże liczebności oczekiwane | Test chi-kwadrat niezależności | test dokładny Fishera (Fishera–Freemana–Haltona) | V Craméra i skorygowane reszty |
| obie kategorialne, małe liczebności oczekiwane | Test dokładny Fishera | test chi-kwadrat (gdy liczebności oczekiwane wystarczą) | OR z 95% CI (tabela 2 × 2) albo V Craméra |
| tak/nie i ilościowa | Korelacja punktowo-dwuseryjna | korelacja rangowo-dwuseryjna (test U Manna–Whitneya) | r z 95% CI, po przeliczeniu także d Cohena |
Model z kilkoma predyktorami
| Twoja sytuacja | Test główny | Alternatywa | Wielkość efektu |
|---|---|---|---|
| ilościowa, kilka predyktorów | Regresja liniowa wieloraka | błędy standardowe odporne (np. HC3) albo bootstrap | R² i b (β) z 95% CI |
| ilościowa, moderacja | Regresja z interakcją X × M (moderacja) | ANOVA dwuczynnikowa, gdy X i M są grupami | ΔR² i efekty proste z 95% CI |
| ilościowa, mediacja | Analiza mediacji z przedziałem bootstrapowym efektu pośredniego | przedział Monte Carlo dla efektu pośredniego | efekt pośredni ab z 95% CI |
| ilościowa, dane zgrupowane | Model wielopoziomowy (liniowy model mieszany) | regresja z błędami odpornymi na zgrupowanie | b z 95% CI, ICC |
| tak/nie, obie kategorie częste | Regresja logistyczna | regresja Firtha przy rzadkich zdarzeniach | OR z 95% CI |
| tak/nie, rzadkie zdarzenie | Regresja logistyczna Firtha | zwykła regresja logistyczna (dużo zdarzeń) | OR z 95% CI |
| tak/nie, dane zgrupowane | Wielopoziomowa regresja logistyczna (GLMM) | regresja logistyczna z błędami odpornymi na zgrupowanie | OR z 95% CI |
| porządkowa | Regresja porządkowa (model proporcjonalnych szans) | model częściowo proporcjonalnych szans | skumulowane OR z 95% CI |
| 3+ kategorie bez porządku | Wielomianowa regresja logistyczna | osobne regresje logistyczne względem kategorii odniesienia | OR względem kategorii odniesienia z 95% CI |
| liczba zdarzeń, wariancja ≈ średnia | Regresja Poissona | regresja ujemna dwumianowa | IRR (iloraz częstości) z 95% CI |
| liczba zdarzeń, nadmierna dyspersja | Regresja ujemna dwumianowa | model z nadmiarem zer | IRR z 95% CI |
Zgodność ocen
| Twoja sytuacja | Test główny | Alternatywa | Wielkość efektu |
|---|---|---|---|
| oceny nominalne, 2 oceniających | Kappa Cohena | alfa Krippendorffa | κ z 95% CI i procent zgodności |
| oceny nominalne, 3+ oceniających | Kappa Fleissa | alfa Krippendorffa | κ z 95% CI |
| oceny nominalne, braki ocen | Alfa Krippendorffa | kappa Fleissa lub ICC przy komplecie ocen | α z przedziałem bootstrapowym |
| oceny porządkowe, 2 oceniających | Kappa ważona (wagi liniowe lub kwadratowe) | ICC, gdy kategorii jest wiele | κ_w z 95% CI (podaj rodzaj wag) |
| oceny porządkowe, 3+ oceniających | Alfa Krippendorffa | kappa Fleissa lub ICC przy komplecie ocen | α z przedziałem bootstrapowym |
| oceny porządkowe, braki ocen | Alfa Krippendorffa | kappa Fleissa lub ICC przy komplecie ocen | α z przedziałem bootstrapowym |
| oceny ilościowe, sędziowie lub test–retest | Współczynnik korelacji wewnątrzklasowej (ICC) | metoda Blanda–Altmana (dwa pomiary) | ICC z 95% CI (podaj model i typ) |
| oceny ilościowe, dwie metody pomiaru | Metoda Blanda–Altmana (granice zgodności) | ICC zgodności absolutnej | średnia różnica i 95% granice zgodności |
| oceny ilościowe, braki ocen | Alfa Krippendorffa | kappa Fleissa lub ICC przy komplecie ocen | α z przedziałem bootstrapowym |
Czego kreator nie zrobi za Ciebie
Kreator porządkuje typowe sytuacje z prac dyplomowych, ale nie zna Twojego badania. Nie zastąpi myślenia o planie i założeniach.
- Nie sprawdzi niezależności obserwacji. Uczniowie z jednej klasy, pacjenci jednego lekarza czy kilka odpowiedzi tej samej osoby to dane zgrupowane. Jeśli zaznaczysz „różne osoby”, a dane są zgrupowane, każdy proponowany test zaniży błędy standardowe. Wtedy potrzebny jest model wielopoziomowy.
- Nie oceni rozkładu. Na pytanie o normalność odpowiedz po obejrzeniu wykresu Q-Q, a nie tylko wyniku testu Shapiro–Wilka.
- Nie policzy mocy. Test dobrany poprawnie, ale na zbyt małej próbie, nie odróżni braku efektu od braku danych. Liczebność zaplanujesz w kalkulatorze liczebności próby (test t, korelacja) i w kalkulatorze mocy dla ANOVA, chi-kwadrat i regresji.
- Odpowiada na jedną hipotezę naraz. Gdy hipotez albo porównań jest wiele, dochodzi problem kontroli błędu I rodzaju. Opisuje go wpis o poprawkach na wielokrotne porównania.
- Nie obejmuje wszystkich metod. W drzewie nie ma analizy przeżycia, testów równoważności, MANOVA, analizy czynnikowej, modeli równań strukturalnych ani rzetelności skali (alfa, omega). Jeśli Twój plan nie pasuje do żadnej ścieżki, potrzebujesz modelu dobranego indywidualnie.
- Nie wybiera po fakcie. Jeśli przejdziesz kreator kilka razy z różnymi odpowiedziami i zostawisz test z najmniejszym p, wynik traci wiarygodność. Ustal ścieżkę przed otwarciem danych i zapisz ją w planie analiz.
Każdy test z kreatora raportuj z miarą wielkości efektu i 95% przedziałem ufności. Jak czytać te miary bez sztywnych progów, wyjaśnia wpis wielkość efektu – interpretacja.
Jak uzasadnić wybór testu w pracy
W rozdziale metodologicznym dla każdej hipotezy wystarczy jedno lub dwa zdania. Podaj rodzaj zmiennej zależnej, układ badania, wybrany test i powód wyboru wersji testu. Dodaj miarę wielkości efektu i sposób sprawdzenia założeń. Przykład dla hipotezy o różnicy między dwiema grupami:
Różnicę w poziomie stresu egzaminacyjnego między studentami studiów stacjonarnych i niestacjonarnych sprawdzono testem t Welcha, ponieważ zmienna zależna jest ilościowa (suma 10 pozycji skali), grupy tworzą różne osoby, a test Welcha nie wymaga równości wariancji. Normalność rozkładu w grupach oceniono na wykresach Q-Q. Jako miarę wielkości efektu podano d Cohena z 95% przedziałem ufności.
Gdy masz już wynik testu, gotowe zdanie z wartością statystyki, p i wielkością efektu przygotujesz w generatorze opisu wyników APA. Jeśli plan analizy jest bardziej złożony niż ścieżki kreatora, możemy go sprawdzić razem w ramach analizy statystycznej dla studentów.
Najczęstsze pytania
Jaki test statystyczny wybrać, gdy mam pomiar przed i po w grupie eksperymentalnej i kontrolnej?
Przy dwóch pomiarach i losowym przydziale do grup najczęściej wybiera się ANCOVA: wynik po porównuje się między grupami z kontrolą wyniku przed. Przy trzech i więcej pomiarach z kompletem danych sprawdza się ANOVA mieszana grupa × pomiar, a gdy części pomiarów brakuje – liniowy model mieszany. Szczegóły są we wpisie o ANCOVA w badaniu przed i po.
Czy istotny test Shapiro–Wilka oznacza, że muszę wybrać test nieparametryczny?
Nie. Przy kilkudziesięciu osobach w grupie test t i ANOVA dobrze radzą sobie z umiarkowaną skośnością, a test Shapiro–Wilka przy dużych próbach wykrywa odchylenia bez znaczenia praktycznego. Test rangowy ma sens przy zmiennej porządkowej albo małej próbie z wyraźnie skośnym rozkładem. Kształt rozkładu oceniaj przede wszystkim na wykresie Q-Q.
Jakim testem porównać odpowiedzi na jedno pytanie ze skalą Likerta w dwóch grupach?
Pojedyncza pozycja skali Likerta jest porządkowa, więc dla dwóch grup różnych osób kreator wskazuje test U Manna–Whitneya z korelacją rangowo-dwuseryjną jako miarą efektu. Dla tych samych osób w dwóch pomiarach właściwy jest test Wilcoxona dla par. Gdy chcesz uwzględnić kilka predyktorów naraz, użyj regresji porządkowej.
Co zrobić, gdy mój plan badania nie pasuje do żadnej ścieżki kreatora?
Kreator obejmuje typowe układy z prac dyplomowych. Analiza przeżycia, testy równoważności, MANOVA, modele równań strukturalnych czy złożone dane zagnieżdżone wymagają modelu dobranego do badania. Zacznij od przewodnika po testach statystycznych, a plan analizy omów z promotorem lub statystykiem przed zebraniem danych.
Czy jeden kreator wystarczy do wyboru testów dla wszystkich hipotez w pracy?
Tak, ale przejdź go osobno dla każdej hipotezy, bo hipotezy mogą mieć różne zmienne zależne i układy. Wybrane testy zapisz w planie analiz przed otwarciem danych. Gdy testów jest kilka i wyciągasz z nich jeden wniosek, zaplanuj też poprawkę na wielokrotne porównania.
Powiązane hasła
Przeczytaj też
Poradnik
Jaki test statystyczny do jakiej hipotezy?
Tabela doboru: typ hipotezy, test, alternatywa nieparametryczna i miara efektu. Cztery przykłady w R z gotowym zapisem APA.
Czytaj →PoradnikTesty 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 →PoradnikTesty nieparametryczne krok po kroku
Kiedy test rangowy ma sens, Mann–Whitney, Wilcoxon, Kruskal–Wallis z testem Dunna i Friedman na jednym badaniu – z wielkością efektu i opisem APA.
Czytaj →Nie wiesz, który test pasuje do Twojego planu badania?
Sprawdzimy plan analizy dla każdej hipotezy, wykonamy obliczenia i wyjaśnimy wybór testu tak, żebyś umiał(a) go uzasadnić na seminarium i obronie.
Oferta dla studentówWyceń analizęBibliografia i dalsza literatura naukowa (APA 7)
- 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 ● Otwarty dostęp
- Delacre, M., Leys, C., Mora, Y. L., & Lakens, D. (2019). Taking parametric assumptions seriously: Arguments for the use of Welch's F-test instead of the classical F-test in one-way ANOVA. International Review of Social Psychology, 32(1), Article 13. https://doi.org/10.5334/irsp.198 ● Otwarty dostęp
- Fagerland, M. W. (2012). t-tests, non-parametric tests, and large studies—a paradox of statistical practice? BMC Medical Research Methodology, 12(1), Article 78. https://doi.org/10.1186/1471-2288-12-78 ● Otwarty dostęp
- Hallgren, K. A. (2012). Computing inter-rater reliability for observational data: An overview and tutorial. Tutorials in Quantitative Methods for Psychology, 8(1), 23–34. https://doi.org/10.20982/tqmp.08.1.p023 ● Otwarty dostęp
- 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
- Nayak, B. K., & Hazra, A. (2011). How to choose the right statistical test? Indian Journal of Ophthalmology, 59(2), 85–86. https://doi.org/10.4103/0301-4738.77005 ● Otwarty dostęp
Cytowania BibTeX
@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{delacre2019taking, author={Delacre, Marie and Leys, Christophe and Mora, Youri L. and Lakens, Daniël}, title={{Taking parametric assumptions seriously: Arguments for the use of Welch's F-test instead of the classical F-test in one-way ANOVA}}, journal={International Review of Social Psychology}, year={2019}, volume={32}, number={1}, eid={13}, doi={10.5334/irsp.198}}@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}, number={1}, eid={78}, doi={10.1186/1471-2288-12-78}}@article{hallgren2012computing, author={Hallgren, Kevin A.}, title={{Computing inter-rater reliability for observational data: An overview and tutorial}}, journal={Tutorials in Quantitative Methods for Psychology}, year={2012}, volume={8}, number={1}, pages={23--34}, doi={10.20982/tqmp.08.1.p023}}@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}}@article{nayak2011how, author={Nayak, Barun K. and Hazra, Avijit}, title={{How to choose the right statistical test?}}, journal={Indian Journal of Ophthalmology}, year={2011}, volume={59}, number={2}, pages={85--86}, doi={10.4103/0301-4738.77005}}