Prace dyplomowe · jamovi

Korelacja i regresja liniowa w jamovi krok po kroku

Od Correlation Matrix z Pearsonem, Spearmanem i przedziałami ufności do Linear Regression z dwoma blokami predyktorów: które opcje zaznaczyć w Model Builder, Model Fit, Model Coefficients i Assumption Checks, jak czytać ΔR², β, VIF i odległość Cooka oraz jak zapisać wynik w stylu APA. Z plikami CSV i .sav do ćwiczeń.

Strona główna / Blog / Korelacja i regresja w jamovi
W skrócie: Korelacje policzysz w jamovi przez Analyses → Regression → Correlation Matrix, a regresję liniową przez Analyses → Regression → Linear Regression. W Linear Regression predyktory kontrolne wstaw do Block 1, a predyktory z hipotez do Block 2 (przycisk Add New Block); ΔR² z testem F pokaże tabela Model Comparisons. Zaznacz też Adjusted R² i F test (Model Fit), Confidence interval i Standardized estimate (Model Coefficients) oraz Collinearity statistics, Q-Q plot of residuals, Residual plots i Cook's distance (Assumption Checks).

Korelacja czy regresja: na jakie pytanie odpowiadasz

Korelacja mówi, jak silnie wiążą się dwie zmienne. Regresja liniowa przewiduje jedną zmienną ilościową z kilku predyktorów naraz i pokazuje, ile każdy z nich wnosi przy kontroli pozostałych. W pracy zwykle robisz obie analizy: najpierw macierz korelacji, potem model regresji.

Ten wpis pokazuje, co kliknąć w jamovi. Instalację, interfejs i pierwszą prostą korelację opisuje jamovi krok po kroku – tu idziemy dalej: Spearman obok Pearsona, przedziały ufności, regresja w blokach i diagnostyka. Odpowiedniki w SPSS to korelacja i regresja w SPSS oraz regresja hierarchiczna w SPSS. Obie analizy są w menu Regression (The jamovi project, b.d.-a, b.d.-b). Nazwy opcji podajemy po angielsku, jak w dokumentacji i w definicjach analiz pakietu jmv, który jamovi uruchamia (Selker i in., 2025). Polskie odpowiedniki w nawiasach pochodzą z pliku tłumaczeń tego pakietu; w Twojej wersji programu mogą brzmieć inaczej.

Przykład. 172 osoby studiujące (dane symulowane) podały płeć, wiek i liczbę godzin pracy zarobkowej w tygodniu (praca; 69 osób nie pracowało). Wypełniły skalę prokrastynacji akademickiej (średnia 1–5), skalę wsparcia społecznego (średnia 1–7) i skalę wypalenia akademickiego (średnia 1–5) – to zmienna zależna. Dwie osoby nie wypełniły skali prokrastynacji, a trzy – skali wsparcia. Dane pobierzesz jako plik CSV albo plik .sav z etykietami zmiennych i wartości. jamovi otworzy oba.

Przygotowanie danych w jamovi

Po otwarciu pliku sprawdź typ każdej kolumny (dwuklik na nagłówku). wiek, praca, prokrastynacja, wsparcie i wypalenie ustaw jako Continuous, plec jako Nominal, a id jako ID. W Linear Regression zmienna nominalna trafi do pola Factors, gdzie jamovi sam utworzy dla niej zmienne zero-jedynkowe. Wyniki skal policz wcześniej (zob. przygotowanie danych i statystyki opisowe w jamovi).

Zmienna praca jest skośna (mediana 6.5 godziny, średnia 9.61), więc obok Pearsona policzymy też Spearmana.

Krok 1. Analyses → Regression → Correlation Matrix (Macierz korelacji)

  1. Przeciągnij praca, prokrastynacja, wsparcie i wypalenie do pola zmiennych.
  2. W części Correlation Coefficients zostaw Pearson i dodaj Spearman. Trzecia możliwość to Kendall's tau-b.
  3. W Additional Options zostaw Report significance i zaznacz Flag significant correlations, N oraz Confidence intervals (domyślnie 95%).
  4. Hypothesis zostaw na Correlated (test dwustronny).
  5. W części Plot zaznacz Correlation matrix – dostaniesz macierz wykresów rozrzutu (Selker i in., 2025).

Tabela 1. Correlation Matrix. Liczby policzone pakietem jmv (silnik analiz jamovi); układ tabeli jak w jamovi.

Tabela Correlation Matrix w układzie jamovi: Pearson z przedziałami ufności i Spearman dla pracy, prokrastynacji, wsparcia i wypalenia
pracaprokrastynacjawsparciewypalenie
pracaPearson's r—
df—
p−value—
95% CI Upper—
95% CI Lower—
Spearman's rho—
df—
p−value—
N—
prokrastynacjaPearson's r−0.041—
df168—
p−value0.597—
95% CI Upper0.110—
95% CI Lower−0.190—
Spearman's rho−0.037—
df168—
p−value0.630—
N170—
wsparciePearson's r−0.1100.065—
df167165—
p−value0.1530.403—
95% CI Upper0.0410.215—
95% CI Lower−0.257−0.088—
Spearman's rho−0.0870.069—
df167165—
p−value0.2590.376—
N169167—
wypaleniePearson's r0.298 ***0.374 ***−0.351 ***—
df170168167—
p−value< .001< .001< .001—
95% CI Upper0.4280.496−0.211—
95% CI Lower0.1550.237−0.477—
Spearman's rho0.266 ***0.327 ***−0.339 ***—
df170168167—
p−value< .001< .001< .001—
N172170169—

Note. * p < .05, ** p < .01, *** p < .001

jamovi pokazuje współczynniki tylko pod przekątną, a gwiazdki oznaczają p < .05, .01 i .001 (The jamovi project, b.d.-b). Wypalenie rosło z pracą (r = .30) i prokrastynacją (r = .37), a malało ze wsparciem (r = −.35). Predyktory prawie nie korelowały ze sobą (od −.11 do .07).

Trzy rzeczy, które łatwo przeoczyć. Po pierwsze, wiersz N: braki są usuwane parami, więc korelacja pracy z wypaleniem opiera się na 172 osobach, a prokrastynacji ze wsparciem na 167. Po drugie, przedział ufności jamovi podaje tylko dla Pearsona. Dla rho Spearmana dostajesz współczynnik, df i p, ale bez przedziału. Po trzecie, przy skośnej pracy Spearman dał prawie to samo co Pearson (.27 wobec .30). Pearson mierzy tylko związek liniowy i jest wrażliwy na obserwacje odstające (Schober i in., 2018). Kiedy wybrać którą miarę, wyjaśnia wpis korelacja Pearsona i Spearmana krok po kroku.

Trzy wykresy rozrzutu wypalenia akademickiego: po lewej względem godzin pracy zarobkowej z pionowym słupkiem 69 osób bez pracy przy zerze i rosnącą linią, w środku względem prokrastynacji z wyraźnie rosnącą linią, po prawej względem wsparcia społecznego z linią opadającą
Rysunek 1. Wypalenie akademickie a praca zarobkowa (A), prokrastynacja (B) i wsparcie społeczne (C). Niebieska linia to prosta regresji z 95% przedziałem ufności, czerwona przerywana – wygładzenie loess. Podobną macierz wykresów daje opcja Plot → Correlation matrix. Wykres narysowano w R, to nie jest zrzut ekranu z jamovi. Obliczenia: R (dane symulowane).

W tym samym menu jest też Partial Correlation (Korelacja cząstkowa) z polem Control Variables. Policzysz w nim korelację cząstkową albo semicząstkową.

Krok 2. Okno Analyses → Regression → Linear Regression (Regresja liniowa)

Pytanie: czy prokrastynacja i wsparcie wyjaśniają wypalenie ponad płeć, wiek i pracę? To regresja hierarchiczna. Teorię omawia regresja hierarchiczna krok po kroku.

  1. Zmienne. wypalenie przenieś do Dependent Variable, a wiek, praca, prokrastynacja i wsparcie do Covariates (Współzmienne). plec przenieś do Factors (Czynniki) – to pole na predyktory kategorialne (The jamovi project, b.d.-a).
  2. Model Builder (Kreator modelu). Na początku wszystkie predyktory są w Block 1. Zostaw tam płeć, wiek i pracę, kliknij Add New Block (Dodaj nowy blok) i przeciągnij prokrastynację i wsparcie do Block 2.
  3. Reference Levels. Sprawdź, który poziom płci jest poziomem odniesienia. Tu ustawiamy kobieta, więc współczynnik pokaże różnicę „mężczyzna – kobieta”.
  4. Assumption Checks (Weryfikacja założeń). Zaznacz Collinearity statistics, Normality test, Q-Q plot of residuals i Residual plots, a w Data Summary – Cook's distance. Autocorrelation test (Durbin–Watson) zaznacz tylko wtedy, gdy wiersze mają porządek w czasie.
  5. Model Fit. Do zaznaczonych domyślnie R i R² dodaj Adjusted R² oraz F test w części Overall Model Test.
  6. Model Coefficients. Zaznacz Confidence interval przy Estimate oraz Standardized estimate z jego Confidence interval. ANOVA test (Omnibus Test) przydaje się przy czynnikach o więcej niż dwóch poziomach (Selker i in., 2025).

Okno nie ma metody krokowej (stepwise) – bloki ustalasz sam(a).

Krok 3. Tabele regresji: co przepisać

Pod tabelą Model Fit Measures jamovi dopisuje: „Models estimated using sample size of N=167”. Program usuwa wiersze z brakiem w którejkolwiek zmiennej z obu bloków. Dzięki temu oba modele liczy na tych samych 167 osobach.

Tabela 2. Model Fit Measures i Model Comparisons. Liczby policzone pakietem jmv (silnik analiz jamovi); układ tabel jak w jamovi.

Tabela Model Fit Measures w układzie jamovi
ModelRR²Adjusted R²Fdf1df2p
10.3330.1110.0946.773163< .001
20.6140.3770.35819.495161< .001

Note. Models estimated using sample size of N=167

Tabela Model Comparisons w układzie jamovi
ComparisonΔR²Fdf1df2p
ModelModel
1−20.26634.412161< .001

Model Fit Measures. Płeć, wiek i praca wyjaśniały 11% wariancji wypalenia, F(3, 163) = 6.77, p < .001. Po dodaniu drugiego bloku R² wzrosło do .38 (skorygowane .36), F(5, 161) = 19.49, p < .001. Model Comparisons (Porównania modeli) to odpowiedź na pytanie badawcze. Prokrastynacja i wsparcie dodały ΔR² = .27, F(2, 161) = 34.41, p < .001 (rysunek 2). jamovi nie pokazuje błędu standardowego oszacowania ani całkowitej sumy kwadratów, które znasz z SPSS (The jamovi project, b.d.-b).

Wykres słupkowy: model 1 z płcią, wiekiem i pracą wyjaśnia R kwadrat .11; w modelu 2 do szarej części dochodzi niebieska część bloku 2 z prokrastynacją i wsparciem, ΔR kwadrat .27, razem .38
Rysunek 2. Odsetek wariancji wypalenia wyjaśniony przez model 1 (blok 1) i model 2 (bloki 1 i 2). Niebieska część to ΔR² z tabeli Model Comparisons. Obliczenia: R (dane symulowane).

jamovi tworzy osobną tabelę współczynników dla każdego modelu. Do opisu hipotez bierz tabelę modelu końcowego.

Tabela 3. Model Coefficients – wypalenie, model 2. Liczby policzone pakietem jmv (silnik analiz jamovi); układ tabeli jak w jamovi.

Tabela Model Coefficients modelu 2 w układzie jamovi z przedziałami ufności dla współczynników i współczynników standaryzowanych
PredictorEstimateSE95% Confidence IntervaltpStand. Estimate95% Confidence Interval
LowerUpperLowerUpper
Intercept ᵃ2.8050.5021.8133.7975.582< .001
plec:
mężczyzna – kobieta−0.2010.083−0.364−0.037−2.4280.016−0.314−0.569−0.059
wiek−0.0180.019−0.0560.019−0.9680.335−0.061−0.1840.063
praca0.0140.0040.0070.0223.961< .0010.2500.1260.375
prokrastynacja0.3430.0530.2380.4486.429< .0010.4020.2790.526
wsparcie−0.2330.041−0.314−0.151−5.643< .001−0.355−0.479−0.231

ᵃ Represents reference level

Estimate to b w jednostkach zmiennych. Punkt prokrastynacji więcej to wypalenie wyższe średnio o 0.34 punktu przy pozostałych predyktorach bez zmian. Stand. Estimate to β (zob. współczynniki standaryzowane czy niestandaryzowane). Najsilniejszym predyktorem była prokrastynacja (β = .40), potem wsparcie (β = −.35) i praca (β = .25). Przy β jamovi może od razu podać przedział ufności.

Uwaga na płeć. jmv przed policzeniem β standaryzuje tylko zmienne liczbowe, a czynników nie (Selker i in., 2025). Wartość −0.314 to więc różnica mężczyźni – kobiety w odchyleniach standardowych wypalenia, a nie klasyczne β. W modelu 1 płeć nie była istotna (b = −0.16, p = .095), a w modelu 2 jest (b = −0.20, p = .016). Dlatego w pracy podaj, z którego modelu pochodzą współczynniki.

Krok 4. Assumption Checks: współliniowość, reszty, obserwacje wpływowe

Tabela 4. Collinearity Statistics, Normality Test, Durbin–Watson i Cook's Distance dla modelu 2. Liczby policzone pakietem jmv (silnik analiz jamovi); układ tabel jak w jamovi.

Tabela Collinearity Statistics modelu 2 w układzie jamovi
VIFTolerance
plec1.0150.985
wiek1.0130.988
praca1.0330.968
prokrastynacja1.0120.988
wsparcie1.0210.979
Tabela Normality Test (Shapiro-Wilk) dla reszt modelu 2
Statisticp
0.9960.956
Tabela Durbin–Watson Test for Autocorrelation modelu 2
AutocorrelationDW Statisticp
−0.0091.9930.888
Tabela Cook's Distance (Data Summary) modelu 2
MeanMedianSDMinMax
0.0070.0020.0110.0000.083

Collinearity Statistics. VIF od 1.01 do 1.03 oznacza, że predyktory prawie się nie pokrywają. Progów typu „VIF powyżej 10” nie stosuj mechanicznie. Wariancja współczynnika zależy też od liczebności próby i R² modelu (O’Brien, 2007). Co robić przy wysokim VIF, opisuje wpis wysoki VIF – co zrobić.

Reszty. Założenia regresji dotyczą reszt, a nie rozkładów samych zmiennych (Williams i in., 2013). Test Shapiro–Wilka dla reszt był nieistotny (W = 0.996, p = .956). Ważniejsze są wykresy: Q-Q plot of residuals oraz Residual plots, czyli reszty względem wartości dopasowanych (Fitted), zmiennej zależnej i każdego predyktora ilościowego (rysunek 3).

Dwa wykresy reszt modelu 2: po lewej wykres Q-Q, w którym punkty leżą wzdłuż przekątnej; po prawej reszty względem wartości dopasowanych tworzą poziomą chmurę wokół zera bez lejka i bez łuku
Rysunek 3. Reszty modelu 2: A – wykres Q-Q reszt standaryzowanych (podobny daje opcja Q-Q plot of residuals); B – reszty względem wartości dopasowanych (pierwszy z wykresów opcji Residual plots). Wykresy narysowano w R, to nie są zrzuty ekranu z jamovi. Obliczenia: R (dane symulowane).

Punkty na wykresie Q-Q leżą przy przekątnej. Chmura reszt nie tworzy łuku (nieliniowość) ani lejka (niestała wariancja). Więcej o tym, kiedy normalność reszt ma znaczenie, w poradniku normalność reszt czy zmiennych.

Cook's distance. jamovi podaje tylko podsumowanie odległości Cooka, czyli miary wpływu jednej obserwacji na współczynniki (Cook, 1977). Maksimum wyniosło .083, więc żadna osoba nie dominuje nad wynikiem. Żeby zobaczyć, kto ma największą wartość, użyj sekcji Save (Zapisz). Opcje Predicted values, Residuals i Cook's distance dopisują nowe kolumny do arkusza (Selker i in., 2025).

Durbin–Watson. Test Durbina–Watsona ma sens tylko wtedy, gdy kolejność wierszy coś znaczy, np. kolejne dni pomiaru; w ankiecie go pomiń. jmv liczy jego p funkcją durbinWatsonTest z pakietu car metodą bootstrapu, więc p może się nieco różnić przy każdym przeliczeniu.

Zapis wyników w stylu APA

Wzory zawierają liczby z przykładu. Korelację zapisuj z df z tabeli, a regresję hierarchiczną z R² obu modeli, ΔR² z testem F i współczynnikami modelu końcowego. Zdania do innych analiz złożysz w generatorze opisu wyników APA.

Wypalenie akademickie korelowało dodatnio z liczbą godzin pracy zarobkowej, r(170) = .30, 95% CI [.16, .43], p < .001, i z prokrastynacją, r(168) = .37, 95% CI [.24, .50], p < .001, a ujemnie ze wsparciem społecznym, r(167) = −.35, 95% CI [−.48, −.21], p < .001. Korelacja Spearmana dla skośnej pracy zarobkowej dała zbliżony wynik, rs(170) = .27, p < .001.
Przeprowadzono hierarchiczną regresję liniową wypalenia akademickiego (N = 167). W pierwszym kroku wprowadzono płeć, wiek i liczbę godzin pracy zarobkowej, R² = .11, F(3, 163) = 6.77, p < .001. Dodanie w drugim kroku prokrastynacji i wsparcia społecznego istotnie zwiększyło odsetek wyjaśnionej wariancji, ΔR² = .27, F(2, 161) = 34.41, p < .001. Model końcowy wyjaśniał 38% wariancji wypalenia, R² = .38, skorygowane R² = .36, F(5, 161) = 19.49, p < .001. Wyższe wypalenie przewidywały: silniejsza prokrastynacja, b = 0.34, 95% CI [0.24, 0.45], β = .40, p < .001, słabsze wsparcie, b = −0.23, 95% CI [−0.31, −0.15], β = −.35, p < .001, i dłuższa praca zarobkowa, b = 0.01, 95% CI [0.01, 0.02], β = .25, p < .001. Mężczyźni mieli niższe wypalenie niż kobiety, b = −0.20, 95% CI [−0.36, −0.04], p = .016, a wiek nie był istotny, p = .335. Wartości VIF nie przekraczały 1.03, a wykresy reszt nie wskazywały na nieliniowość ani niestałą wariancję.

Przy pracy b = 0.01 wygląda na zero, bo jednostką jest godzina; 10 godzin to około 0.14 punktu wypalenia. Jeśli nie wiesz, czy Twoje pytanie wymaga korelacji, regresji czy innego testu, sprawdź kreator doboru testu.

Przykład reprodukowalny

To samo w R (pakiet jmv)

Pakiet jmv zawiera analizy jamovi, więc funkcje corrMatrix() i linReg() dają te same tabele co okna Correlation Matrix i Linear Regression; argumenty funkcji odpowiadają opcjom w oknie (Selker i in., 2025). Samego jamovi tu nie uruchamialiśmy – liczby w tabelach 1–4 pochodzą z tego kodu. W R wynik jest drukowany z pełną precyzją, a jamovi zaokrągla go do trzech miejsc. Uruchom przepisy po kolei z folderu, w którym zapiszesz pliki danych. Przepis 1 tworzy plik CSV i plik .sav (pakiet haven).

1. Dane: CSV i plik .sav z etykietami

Dane wejściowe: 172 osoby studiujące (dane symulowane, set.seed(4091)): płeć, wiek, praca zarobkowa, prokrastynacja, wsparcie i wypalenie; braki w prokrastynacji (2) i wsparciu (3).

Co odczytać: liczebności płci, podsumowanie zmiennych, liczbę osób bez pracy i z kompletem danych.

R
# B409 – dane przykładowe: wypalenie akademickie a praca zarobkowa, prokrastynacja i wsparcie (dane symulowane)
# 172 osoby studiujące; plik CSV (do otwarcia w jamovi) i plik SPSS .sav z etykietami (jamovi też go otworzy)
suppressPackageStartupMessages(library(haven))
set.seed(4091)
n <- 172
plec  <- sample(c("kobieta", "mężczyzna"), n, replace = TRUE, prob = c(.62, .38))
wiek  <- pmin(19 + round(rgamma(n, shape = 1.6, rate = 0.55)), 32)                  # lata
praca <- ifelse(runif(n) < .45, 0, pmin(round(rgamma(n, shape = 2.2, rate = 0.12)), 40))  # godziny pracy tygodniowo
prokrastynacja <- round(pmin(pmax(rnorm(n, 3.0, 0.75), 1), 5), 1)                  # średnia z 10 pozycji (1–5)
wsparcie <- round(pmin(pmax(rnorm(n, 5.1, 1.05), 1), 7), 1)                         # średnia z 12 pozycji (1–7)
wypalenie <- 2.15 + 0.014 * praca + 0.36 * prokrastynacja - 0.21 * wsparcie +
  0.14 * (plec == "kobieta") - 0.012 * (wiek - 22) + rnorm(n, 0, 0.52)
wypalenie <- round(pmin(pmax(wypalenie, 1), 5), 1)                                  # średnia z 15 pozycji (1–5)
wsparcie[sample(n, 3)] <- NA                                                        # braki: nie wypełniono skali
prokrastynacja[sample(n, 2)] <- NA
dane <- data.frame(id = 1:n, plec, wiek, praca, prokrastynacja, wsparcie, wypalenie)
write.csv(dane, "../korelacja-regresja-jamovi-dane.csv", row.names = FALSE, na = "", fileEncoding = "UTF-8")

sav <- dane
sav$plec <- labelled(ifelse(dane$plec == "kobieta", 1, 2), c("kobieta" = 1, "mężczyzna" = 2), label = "Płeć")
attr(sav$id, "label")             <- "Numer osoby"
attr(sav$wiek, "label")           <- "Wiek (lata)"
attr(sav$praca, "label")          <- "Praca zarobkowa – godziny tygodniowo"
attr(sav$prokrastynacja, "label") <- "Prokrastynacja akademicka (średnia 1–5)"
attr(sav$wsparcie, "label")       <- "Wsparcie społeczne (średnia 1–7)"
attr(sav$wypalenie, "label")      <- "Wypalenie akademickie (średnia 1–5)"
write_sav(sav, "../korelacja-regresja-jamovi-dane.sav")

table(plec = dane$plec)
summary(dane[, -(1:2)])
c(osoby_bez_pracy = sum(dane$praca == 0), komplet_danych = sum(complete.cases(dane)))
Wynik w R
plec
  kobieta mężczyzna 
      107        65 
      wiek           praca       prokrastynacja     wsparcie       wypalenie    
 Min.   :19.00   Min.   : 0.00   Min.   :1.000   Min.   :2.900   Min.   :1.000  
 1st Qu.:20.00   1st Qu.: 0.00   1st Qu.:2.625   1st Qu.:4.300   1st Qu.:2.000  
 Median :21.00   Median : 6.50   Median :3.200   Median :5.100   Median :2.300  
 Mean   :21.96   Mean   : 9.61   Mean   :3.205   Mean   :5.017   Mean   :2.394  
 3rd Qu.:23.00   3rd Qu.:16.00   3rd Qu.:3.700   3rd Qu.:5.700   3rd Qu.:2.825  
 Max.   :28.00   Max.   :40.00   Max.   :5.000   Max.   :7.000   Max.   :4.200  
                                 NA's   :2       NA's   :3                      
osoby_bez_pracy  komplet_danych 
             69             167 

2. Correlation Matrix: Pearson z CI i Spearman

Dane wejściowe: plik CSV z przepisu 1.

Co odczytać: dla każdej pary r Pearsona, df, p, granice 95% CI, rho Spearmana z p i N.

R
# Regression → Correlation Matrix w R (pakiet jmv – te same funkcje, których używa jamovi)
library(jmv)
dane <- read.csv("../korelacja-regresja-jamovi-dane.csv", encoding = "UTF-8")
corrMatrix(data = dane, vars = c("praca", "prokrastynacja", "wsparcie", "wypalenie"),
           pearson = TRUE, spearman = TRUE, sig = TRUE, flag = TRUE, n = TRUE, ci = TRUE)
Wynik w R

 CORRELATION MATRIX

 Correlation Matrix                                                                              
 ─────────────────────────────────────────────────────────────────────────────────────────────── 
                                       praca         prokrastynacja    wsparcie      wypalenie   
 ─────────────────────────────────────────────────────────────────────────────────────────────── 
   praca             Pearson's r                —                                                
                     df                         —                                                
                     p-value                    —                                                
                     95% CI Upper               —                                                
                     95% CI Lower               —                                                
                     Spearman's rho             —                                                
                     df                         —                                                
                     p-value                    —                                                
                     N                          —                                                
                                                                                                 
   prokrastynacja    Pearson's r       -0.0408363                 —                              
                     df                       168                 —                              
                     p-value            0.5969914                 —                              
                     95% CI Upper       0.1103563                 —                              
                     95% CI Lower      -0.1901816                 —                              
                     Spearman's rho    -0.0372510                 —                              
                     df                       168                 —                              
                     p-value            0.6296084                 —                              
                     N                        170                 —                              
                                                                                                 
   wsparcie          Pearson's r       -0.1104430         0.0651704             —                
                     df                       167               165             —                
                     p-value            0.1528663         0.4027322             —                
                     95% CI Upper       0.0412040         0.2149071             —                
                     95% CI Lower      -0.2571163        -0.0875598             —                
                     Spearman's rho    -0.0872890         0.0689523             —                
                     df                       167               165             —                
                     p-value            0.2591126         0.3759292             —                
                     N                        169               167             —                
                                                                                                 
   wypalenie         Pearson's r        0.2977500         0.3737908    -0.3510474            —   
                     df                       170               168           167            —   
                     p-value            0.0000728         0.0000005     0.0000029            —   
                     95% CI Upper       0.4283020         0.4963784    -0.2112842            —   
                     95% CI Lower       0.1550224         0.2365871    -0.4767428            —   
                     Spearman's rho     0.2657667         0.3269697    -0.3392229            —   
                     df                       170               168           167            —   
                     p-value            0.0004256         0.0000135     0.0000064            —   
                     N                        172               170           169            —   
 ─────────────────────────────────────────────────────────────────────────────────────────────── 
   Note. * p < .05, ** p < .01, *** p < .001

3. Linear Regression: dwa bloki, β, VIF, Cook, Durbin–Watson

Dane wejściowe: plik CSV z przepisu 1; poziom odniesienia płci: kobieta.

Co odczytać: Model Fit Measures, Model Comparisons (ΔR²), Model Coefficients dla obu modeli, Cook’s Distance, Durbin–Watson, Collinearity Statistics i Shapiro–Wilk dla reszt.

R
# Regression → Linear Regression w R (pakiet jmv): dwa bloki, czyli regresja hierarchiczna
library(jmv)
dane <- read.csv("../korelacja-regresja-jamovi-dane.csv", encoding = "UTF-8")
dane$plec <- factor(dane$plec, levels = c("kobieta", "mężczyzna"))
set.seed(4093)  # p testu Durbina–Watsona pochodzi z bootstrapu (car::durbinWatsonTest)
linReg(data = dane, dep = "wypalenie", covs = c("wiek", "praca", "prokrastynacja", "wsparcie"),
       factors = "plec",
       blocks = list(list("plec", "wiek", "praca"),
                     list("prokrastynacja", "wsparcie")),
       refLevels = list(list(var = "plec", ref = "kobieta")),
       r2Adj = TRUE, modelTest = TRUE, ci = TRUE, stdEst = TRUE, ciStdEst = TRUE,
       norm = TRUE, qqPlot = FALSE, resPlots = FALSE, durbin = TRUE, collin = TRUE, cooks = TRUE)
Wynik w R

 LINEAR REGRESSION

 Model Fit Measures                                                                          
 ─────────────────────────────────────────────────────────────────────────────────────────── 
   Model    R            R²           Adjusted R²    F            df1    df2    p            
 ─────────────────────────────────────────────────────────────────────────────────────────── 
       1    0.3328975    0.1108207     0.09445549     6.771706      3    163     0.0002482   
       2    0.6140523    0.3770603     0.35771431    19.490393      5    161    < .0000001   
 ─────────────────────────────────────────────────────────────────────────────────────────── 
   Note. Models estimated using sample size of N=167


 Model Comparisons                                                            
 ──────────────────────────────────────────────────────────────────────────── 
   Model         Model    ΔR²          F           df1    df2    p            
 ──────────────────────────────────────────────────────────────────────────── 
       1    -        2    0.2662395    34.40506      2    161    < .0000001   
 ──────────────────────────────────────────────────────────────────────────── 


 MODEL SPECIFIC RESULTS

 MODEL 1

 Model Coefficients - wypalenie                                                                                                                                  
 ─────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   Predictor                Estimate       SE             Lower           Upper         t            p             Stand. Estimate    Lower         Upper        
 ─────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   Intercept           ᵃ     2.98906060    0.499983007     2.001781849    3.97633936     5.978324    < .0000001                                                  
   plec:                                                                                                                                                         
   mężczyzna – kobieta      -0.16468862    0.097944545    -0.358092327    0.02871509    -1.681448     0.0945910         -0.2577177    -0.5603710    0.04493563   
   wiek                     -0.03079062    0.022342648    -0.074908957    0.01332773    -1.378109     0.1700583         -0.1020755    -0.2483343    0.04418339   
   praca                     0.01562897    0.004303091     0.007131975    0.02412596     3.632032     0.0003763          0.2705051     0.1234398    0.41757051   
 ─────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   ᵃ Represents reference level


 DATA SUMMARY

 Cook's Distance                                                          
 ──────────────────────────────────────────────────────────────────────── 
   Mean           Median         SD            Min            Max         
 ──────────────────────────────────────────────────────────────────────── 
   0.006641780    0.001856383    0.01384060    1.347104e-6    0.1293114   
 ──────────────────────────────────────────────────────────────────────── 


 ASSUMPTION CHECKS

 Durbin–Watson Test for Autocorrelation           
 ──────────────────────────────────────────────── 
   Autocorrelation    DW Statistic    p           
 ──────────────────────────────────────────────── 
       0.004038264        1.972633    0.8740000   
 ──────────────────────────────────────────────── 


 Collinearity Statistics            
 ────────────────────────────────── 
            VIF         Tolerance   
 ────────────────────────────────── 
   plec     1.011292    0.9888343   
   wiek     1.005712    0.9943207   
   praca    1.016834    0.9834447   
 ────────────────────────────────── 


 Normality Test (Shapiro-Wilk) 
 ───────────────────────────── 
   Statistic    p           
 ───────────────────────────── 
   0.9907657    0.3541517   
 ───────────────────────────── 


 MODEL 2

 Model Coefficients - wypalenie                                                                                                                                     
 ────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   Predictor                Estimate       SE             Lower           Upper          t             p             Stand. Estimate    Lower         Upper         
 ────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   Intercept           ᵃ     2.80495045    0.502462910     1.812682629     3.79721827     5.5824030    < .0000001                                                   
   plec:                                                                                                                                                            
   mężczyzna – kobieta      -0.20059688    0.082634963    -0.363785071    -0.03740869    -2.4275061     0.0163056        -0.31390974    -0.5692794    -0.05854005   
   wiek                     -0.01826779    0.018880775    -0.055553697     0.01901812    -0.9675338     0.3347284        -0.06056043    -0.1841687     0.06304789   
   praca                     0.01446713    0.003651938     0.007255249     0.02167900     3.9614929     0.0001116         0.25039610     0.1255734     0.37521881   
   prokrastynacja            0.34295064    0.053344939     0.237604622     0.44829666     6.4289255    < .0000001         0.40231000     0.2787302     0.52588976   
   wsparcie                 -0.23274631    0.041247529    -0.314202267    -0.15129036    -5.6426728    < .0000001        -0.35473262    -0.4788810    -0.23058421   
 ────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   ᵃ Represents reference level


 DATA SUMMARY

 Cook's Distance                                                           
 ───────────────────────────────────────────────────────────────────────── 
   Mean           Median         SD            Min            Max          
 ───────────────────────────────────────────────────────────────────────── 
   0.006576534    0.001916262    0.01122053    3.567571e-6    0.08255789   
 ───────────────────────────────────────────────────────────────────────── 


 ASSUMPTION CHECKS

 Durbin–Watson Test for Autocorrelation           
 ──────────────────────────────────────────────── 
   Autocorrelation    DW Statistic    p           
 ──────────────────────────────────────────────── 
      -0.008974639        1.993004    0.8880000   
 ──────────────────────────────────────────────── 


 Collinearity Statistics                     
 ─────────────────────────────────────────── 
                     VIF         Tolerance   
 ─────────────────────────────────────────── 
   plec              1.014905    0.9853144   
   wiek              1.012571    0.9875852   
   praca             1.032565    0.9684624   
   prokrastynacja    1.012103    0.9880417   
   wsparcie          1.021439    0.9790112   
 ─────────────────────────────────────────── 


 Normality Test (Shapiro-Wilk) 
 ───────────────────────────── 
   Statistic    p           
 ───────────────────────────── 
   0.9962934    0.9560734   
 ───────────────────────────── 

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 z pakietem jmv, który do VIF i testu Durbina–Watsona wywołuje pakiet car. Rysunki przygotowano w pakietach ggplot2, patchwork i svglite. W pracy podaj wersję jamovi, której używałeś(-aś).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. jmv (wersja 2.7.7): Selker, R., Love, J., & Dropmann, D. (2025). jmv: The 'jamovi' analyses [R package]. https://doi.org/10.32614/CRAN.package.jmv
  3. car (wersja 3.1.5): Fox, J., & Weisberg, S. (2019). An R companion to applied regression (3rd ed.). SAGE. https://www.john-fox.ca/Companion/
  4. haven (wersja 2.5.5): Wickham, H., Miller, E., & Smith, D. (2025). haven: Import and export 'SPSS', 'Stata' and 'SAS' files (R package version 2.5.5) [Computer software]. https://CRAN.R-project.org/package=haven
  5. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  6. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots (R package version 1.3.2) [Computer software]. https://doi.org/10.32614/CRAN.package.patchwork
  7. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device (R package version 2.2.2) [Computer software]. https://doi.org/10.32614/CRAN.package.svglite

Najczęstsze błędy przy korelacji i regresji w jamovi

  • Zmienna nominalna zakodowana liczbami w polu Covariates. Kierunek studiów zapisany jako 1, 2, 3 w Covariates jamovi potraktuje jak liczby. Ustaw go jako Nominal i przenieś do Factors.
  • Niesprawdzony poziom odniesienia. Znak współczynnika dla czynnika zależy od Reference Levels. Napisz w pracy, względem której grupy liczona jest różnica.
  • Raportowanie R² modelu 2 zamiast ΔR², gdy hipoteza dotyczy przyrostu.
  • Przepisanie gwiazdek zamiast dokładnego p i zapis „p = .000”. W tekście podaj p < .001.
  • Sprawdzanie normalności zmiennych zamiast reszt.

Kolejne analizy z tej serii to chi-kwadrat i tabele krzyżowe w jamovi oraz regresja logistyczna w jamovi – dla wyniku tak/nie. Rachunki ręczne i odczyt wydruków przećwiczysz w zbiorze korelacja i regresja – zadania z rozwiązaniami. Jeśli chcesz, żeby ktoś sprawdził ustawienia regresji i opis wyników w Twojej pracy, skorzystaj z oferty analizy statystyczne dla studentów.

Najczęstsze pytania

Jak zrobić regresję hierarchiczną w jamovi?

W oknie Linear Regression przenieś wszystkie predyktory do pól Covariates (zmienne ilościowe) i Factors (zmienne nominalne), a potem otwórz sekcję Model Builder. Zostaw w Block 1 zmienne kontrolne, kliknij Add New Block i przeciągnij do Block 2 predyktory z hipotez. Wynik przyrostu odczytasz w tabeli Model Comparisons: ΔR², F, df1, df2 i p.

Gdzie w jamovi są współczynniki beta (β) w regresji?

W sekcji Model Coefficients zaznacz Standardized estimate, a obok niego Confidence interval, jeśli chcesz przedział dla β. W tabeli współczynników pojawi się kolumna Stand. Estimate. Dla zmiennej z pola Factors (np. płci) ta wartość to różnica grup wyrażona w odchyleniach standardowych zmiennej zależnej, bo jamovi nie standaryzuje zmiennych nominalnych.

Jak w jamovi sprawdzić VIF i odległość Cooka?

Oba wskaźniki są w sekcji Assumption Checks. Collinearity statistics daje tabelę z VIF i Tolerance dla każdego predyktora, a Cook's distance daje tabelę podsumowującą (średnia, mediana, SD, minimum i maksimum). Żeby zobaczyć, która osoba ma największą odległość Cooka, zapisz ją jako nową kolumnę w sekcji Save.

Dlaczego jamovi nie podaje przedziału ufności dla korelacji Spearmana?

W Correlation Matrix opcja Confidence intervals dotyczy tylko współczynnika Pearsona. Dla rho Spearmana tabela pokazuje współczynnik, df, p i N, ale bez granic przedziału. Jeśli promotor wymaga przedziału dla Spearmana, policz go poza jamovi, np. bootstrapem w R, i napisz w pracy, jak go uzyskano.

Czy w jamovi jest regresja krokowa (stepwise)?

Nie. Okno Linear Regression ma tylko bloki, które ustalasz sam(a) w Model Builder. To dobra wiadomość dla pracy, która sprawdza hipotezy: kolejność bloków wynika z teorii, a nie z tego, który predyktor akurat wypadł istotnie w Twojej próbie.

Powiązane hasła

Przeczytaj też

Masz regresję w jamovi i nie wiesz, co z niej przepisać?

Sprawdzimy Twój plik .omv: kolejność bloków, kodowanie zmiennych, założenia i wykresy reszt, a potem wyjaśnimy wyniki tak, żebyś umiał(a) samodzielnie je opisać i obronić.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Cook, R. D. (1977). Detection of influential observation in linear regression. Technometrics, 19(1), 15–18. https://doi.org/10.1080/00401706.1977.10489493
  2. O’Brien, R. M. (2007). A caution regarding rules of thumb for variance inflation factors. Quality & Quantity, 41(5), 673–690. https://doi.org/10.1007/s11135-006-9018-6
  3. Schober, P., Boer, C., & Schwarte, L. A. (2018). Correlation coefficients: Appropriate use and interpretation. Anesthesia & Analgesia, 126(5), 1763–1768. https://doi.org/10.1213/ANE.0000000000002864 ● Otwarty dostęp
  4. Selker, R., Love, J., & Dropmann, D. (2025). jmv: The 'jamovi' analyses (Version 2.7.7) [R package]. https://CRAN.R-project.org/package=jmv ● Otwarty dostęp: pełny tekst
  5. The jamovi project. (b.d.-a). Linear Regression. jamovi documentation. https://docs.jamovi.org/analyses/jg_42_regression-linear.html ● Otwarty dostęp
  6. The jamovi project. (b.d.-b). From SPSS to jamovi: Correlation; From SPSS to jamovi: Linear regression. jamovi documentation. https://docs.jamovi.org/spss2jamovi/s2j_linReg.html ● Otwarty dostęp
  7. Williams, M. N., Grajales, C. A. G., & Kurkiewicz, D. (2013). Assumptions of multiple regression: Correcting two misconceptions. Practical Assessment, Research, and Evaluation, 18, Article 11. https://doi.org/10.7275/55hn-wk47 ● Otwarty dostęp: pełny tekst

Cytowania BibTeX

@article{cook1977detection, author={Cook, R. Dennis}, title={{Detection of influential observation in linear regression}}, journal={Technometrics}, year={1977}, volume={19}, number={1}, pages={15--18}, doi={10.1080/00401706.1977.10489493}}
@article{obrien2007caution, author={O’Brien, Robert M.}, title={{A caution regarding rules of thumb for variance inflation factors}}, journal={Quality \& Quantity}, year={2007}, volume={41}, number={5}, pages={673--690}, doi={10.1007/s11135-006-9018-6}}
@article{schober2018correlation, author={Schober, Patrick and Boer, Christa and Schwarte, Lothar A.}, title={{Correlation coefficients: Appropriate use and interpretation}}, journal={Anesthesia \& Analgesia}, year={2018}, volume={126}, number={5}, pages={1763--1768}, doi={10.1213/ane.0000000000002864}}
@misc{selker2025jmv, author={Selker, Ravi and Love, Jonathon and Dropmann, Damian}, title={{jmv: The 'jamovi' analyses (R package version 2.7.7) [Computer software]}}, year={2025}, url={https://CRAN.R-project.org/package=jmv}}
@misc{jamovindlinreg, author={{The jamovi project}}, title={{Linear Regression}}, howpublished={jamovi documentation}, year={b.d.-a}, publisher={The jamovi project}, url={https://docs.jamovi.org/analyses/jg_42_regression-linear.html}}
@misc{jamovinds2jlinreg, author={{The jamovi project}}, title={{From SPSS to jamovi: Correlation; From SPSS to jamovi: Linear regression}}, howpublished={jamovi documentation}, year={b.d.-b}, publisher={The jamovi project}, url={https://docs.jamovi.org/spss2jamovi/s2j_linReg.html}}
@article{williams2013assumptions, author={Williams, Matt N. and Grajales, Carlos A. G. and Kurkiewicz, Dason}, title={{Assumptions of multiple regression: Correcting two misconceptions}}, journal={Practical Assessment, Research, and Evaluation}, year={2013}, volume={18}, eid={11}, doi={10.7275/55hn-wk47}}
R