Ograniczenia badania – jak je znaleźć, ocenić i opisać w pracy

Autor: Konrad Hryniewicz · Opublikowano: 27 października 2026 · Aktualizacja: 26 października 2026

Po co opisywać ograniczenia – i dlaczego „mała próba” nie wystarczy

Ograniczenia mówią czytelnikowi, na ile może ufać Twoim wnioskom. Nie chodzi o listę słabości, tylko o ocenę ich skutków. Ioannidis (2007) podkreśla, że uznanie ograniczeń wymaga zinterpretowania, jak błędy i problemy z trafnością wpłynęły na wyniki. W przejrzanych przez niego 400 artykułach z czołowych czasopism tylko 17% użyło choćby jednego słowa o ograniczeniach własnej pracy. Ter Riet i in. (2013) przejrzeli 300 publikacji biomedycznych: 27% nie wspominało o żadnym ograniczeniu, a o ograniczeniu w abstrakcie pisało tylko 5%.

Ogólne zasady pisania tej części – opis, konsekwencje, alternatywa i to, co zrobiono, by problem zmniejszyć – omawiamy w podrozdziale o ograniczeniach w poradniku o dyskusji wyników. Tam też jest tabela, która zamienia ogólniki w konkrety. Ten wpis zajmuje się etapami wcześniejszymi: jak ograniczenia znaleźć, jak ocenić, w którą stronę i jak mocno przesunęły wynik, i które z nich opisać. Krótką definicję znajdziesz w haśle ograniczenia badania.

Gdzie w pracy piszesz o ograniczeniach

Najpierw odróżnij ograniczenia od zakresu badania. Decyzja „badam tylko osoby studiujące” to zakres. Opisujesz ją w rozdziale metodologicznym z uzasadnieniem i bez przepraszania. Ograniczeniem staje się dopiero wtedy, gdy wpływa na wnioski, na przykład gdy chcesz mówić o młodych dorosłych w ogóle.

Jak wpleść zastrzeżenia w końcowe wnioski, pokazujemy we wpisie wnioski i rekomendacje w pracy.

Jak znaleźć ograniczenia: cztery pytania o trafność

Nie przepisuj ograniczeń z cudzych prac. Przejdź po kolei przez cztery rodzaje trafności. Ten podział rozwija klasyczny podręcznik Shadisha i in. (2002), a każdy rodzaj odpowiada na inne pytanie o Twoje badanie.

Przy każdej pozycji zadaj dwa pytania: czy to dotyczy mojego badania i czy zmienia któryś wniosek. Jeśli nie zmienia, pomiń. Ross i Bibler Zaidi (2019) krytykują właśnie wymienianie ograniczeń zbędnych lub nieistotnych.

Badanie przykładowe: ankieta online o perfekcjonizmie i wypaleniu

Załóżmy, że w pracy licencjackiej sprawdzasz, czy obawy perfekcjonistyczne wiążą się z wypaleniem akademickim. Ankietę online rozesłano w grupach studenckich w mediach społecznościowych. Blok pytań o perfekcjonizm (8 pozycji, skala 1–5) był pierwszy, blok o wypaleniu (6 pozycji, 1–5) – drugi. Ankietę otworzyło 196 osób, a ukończyło 159 (81.1%): 128 kobiet i 31 mężczyzn. Rzetelność w próbie wyniosła α = .82 dla perfekcjonizmu i α = .66 dla wypalenia. Główny wynik: r(157) = .35, 95% CI [.20, .48], p < .001 (dane symulowane, obliczenia w R – kod na końcu wpisu).

Wynik jest istotny, ale bez opisu ograniczeń czytelnik nie wie, czy związek jest zawyżony, czy zaniżony, ani kogo dotyczy.

Nie tylko „co”, ale też „w którą stronę i o ile”

Najsłabsze zdanie w tej części pracy brzmi: „mogło to wpłynąć na wyniki”. Czytelnik chce wiedzieć, czy dany problem raczej zawyża wynik, raczej go zaniża, czy kierunku nie da się ustalić. Wiele ograniczeń da się przy tym oszacować w kilku linijkach kodu.

Czułość: jaki efekt badanie mogło wykryć

Zamiast pisać, że próba była mała, sprawdź, jaką najmniejszą korelację test wykryłby z mocą 80%. Przy 159 osobach to r = .22. Wśród 31 mężczyzn – dopiero r = .48 (rysunek 1). Do wykrycia korelacji r = .20 potrzeba 194 osób. Jeśli więc w podgrupie mężczyzn korelacja wyszła nieistotna, nie znaczy to, że jej tam nie ma. Badanie było po prostu na nią za mało czułe. Tak liczona czułość to nie „moc post hoc” z uzyskanego efektu, tylko ocena tego, co badanie mogło wykryć. Wymaganą liczebność sprawdzisz w kalkulatorze liczebności próby.

Nierzetelny pomiar zaniża związek

Schmidt i Hunter (1996) pokazują, że obserwowana korelacja zależy od korelacji prawdziwej i od rzetelności obu miar. Wynika z tego korekta na osłabienie:

W przykładzie √(.82 × .66) = .74, więc korelacja .35 odpowiada skorygowanej .47 (rysunek 2). Kierunek tego ograniczenia jest znany: niska rzetelność skali wypalenia zaniża związek, więc uzyskany wynik jest raczej ostrożnym oszacowaniem. Korekta to jednak szacunek. Alfa bywa niedokładną miarą rzetelności, dlatego wartość skorygowaną podaj najwyżej jako informację pomocniczą, a wynikiem głównym zostaje korelacja obserwowana.

Rezygnacje: kto odpadł po drodze

Ankietę przerwało 37 osób. Ponieważ blok o perfekcjonizmie był pierwszy, da się je porównać z osobami, które ankietę ukończyły. Osoby, które przerwały, miały nieco wyższy perfekcjonizm (M = 3.19, SD = 0.62 wobec M = 3.00, SD = 0.65). Różnica była nieistotna, t(56.19) = 1.63, p = .108, d = 0.29, ale przy 37 osobach ten test ma niewielką czułość. Kierunek sugeruje, że odpadały osoby bardziej perfekcjonistyczne. Jeśli były też bardziej wypalone, w danych brakuje najwyższych wyników, a zawężony zakres może zaniżać korelację. Więcej o tym zjawisku piszemy w hasłach utrata uczestników i braki danych MCAR, MAR i MNAR.

Jedna metoda i jeden moment pomiaru

Obie zmienne zmierzono kwestionariuszem samoopisowym w jednej ankiecie. Podsakoff i in. (2003) opisują źródła błędu wspólnej metody i sposoby jego kontroli. W tym badaniu ten błąd działa w przeciwną stronę niż nierzetelność, bo może zawyżać korelację (zob. wspólna wariancja metody). Napisz o tym wprost, zamiast udawać, że oba problemy się znoszą. Do tego dochodzi schemat przekrojowy: dane z jednego punktu w czasie nie pokazują, co było pierwsze (Wang i Cheng, 2020). Perfekcjonizm może sprzyjać wypaleniu, ale wypalenie może też nasilać obawy o własne błędy.

Które ograniczenia opisać i w jakiej kolejności

Gdy masz już listę, oceń każde ograniczenie: w którą stronę przesuwa wynik i który wniosek osłabia. Uporządkuj je od najpoważniejszego. W typowej pracy dyplomowej wystarczą trzy–pięć dobrze opisanych pozycji.

Puhan i in. (2012) zachęcają do opisywania wszystkich potencjalnie ważnych ograniczeń, bo te pominięte recenzent może uznać za przeoczone. Kryterium jest więc wpływ na wnioski, a nie wygoda autora. Granice uogólniania opisz osobno, w deklaracji ograniczeń uogólnialności, którą zaproponowali Simons i in. (2017). Jej wzór znajdziesz w poradniku o dyskusji.

Wzory zdań do ograniczeń

Każdy wzór ma tę samą budowę: co się stało, w którą stronę mogło przesunąć wynik, jak bardzo i co z tego wynika.

Źle i dobrze – ton i konkret

Opis ograniczeń nie powinien ani przepraszać za badanie, ani go reklamować. Typowe pułapki i ich poprawione wersje:

Więcej o dopasowaniu języka do schematu badania przeczytasz w haśle korelacja a przyczynowość.

Ograniczenia na obronie

Pytanie o słabe strony badania pada na obronach bardzo często. Jeśli ograniczenia opisano z kierunkiem i liczbą, odpowiedź masz gotową: „Najpoważniejszy jest schemat przekrojowy, dlatego nie piszę o wpływie, tylko o związku”. Inne typowe pytania zebraliśmy we wpisie pytania na obronie z metodologii i statystyki. Jeśli nie wiesz, jak policzyć czułość badania albo porównać osoby, które przerwały ankietę, możesz skorzystać z konsultacji statystycznej dla studentów. Opis ograniczeń piszesz jednak samodzielnie – to Ty musisz go rozumieć i obronić.

# B111 – liczby do wpisu /blog/ograniczenia-badania-jak-opisac/
# Przykładowe badanie (dane symulowane): ankieta online wśród osób studiujących,
# perfekcjonizm (8 pozycji, 1–5) i wypalenie akademickie (6 pozycji, 1–5).
# Blok z perfekcjonizmem był pierwszy, więc osoby, które przerwały ankietę, mają tylko wynik perfekcjonizmu.
# Uruchomienie: LANG=en_US.UTF-8 LC_ALL=en_US.UTF-8 Rscript ograniczenia-liczby.R
library(psych)

set.seed(1111)
N0 <- 196                                   # osoby, które otworzyły ankietę
plec <- sample(c("kobieta", "mężczyzna"), N0, replace = TRUE, prob = c(.80, .20))
perf_l <- rnorm(N0)                          # perfekcjonizm (zmienna latentna)
wyp_l  <- 0.45 * perf_l + rnorm(N0, 0, sqrt(1 - 0.45^2))   # wypalenie (latentne)
pozycje <- function(lat, k, ladunek, prog = c(-1.6, -0.5, 0.5, 1.5)) {
  sapply(1:k, function(j) as.integer(cut(ladunek * lat + rnorm(length(lat), 0, sqrt(1 - ladunek^2)),
                                         c(-Inf, prog, Inf))))
}
P <- pozycje(perf_l, 8, 0.62); W <- pozycje(wyp_l, 6, 0.52)
# rezygnacja w trakcie ankiety: częściej u osób z wyższym wypaleniem
ukonczyl <- rbinom(N0, 1, plogis(1.35 - 0.75 * wyp_l)) == 1
dane <- data.frame(plec, perf = rowMeans(P), wyp = rowMeans(W), ukonczyl)

# ==== [proba] Ilu osobom udało się ukończyć ankietę ====
c(otwarli = N0, ukonczyli = sum(ukonczyl), przerwali = sum(!ukonczyl),
  proc_ukonczyli = round(100 * mean(ukonczyl), 1))
pelne <- subset(dane, ukonczyl)
table(pelne$plec)

# ==== [rzetelnosc] Alfa Cronbacha w próbie osób, które ukończyły ankietę ====
a_perf <- psych::alpha(P[ukonczyl, ])$total$raw_alpha
a_wyp  <- psych::alpha(W[ukonczyl, ])$total$raw_alpha
round(c(alfa_perf = a_perf, alfa_wyp = a_wyp), 2)

# ==== [korelacja] Związek perfekcjonizmu z wypaleniem ====
kt <- cor.test(pelne$perf, pelne$wyp)
sprintf("korelacja %.4f, 95%% CI [%.4f, %.4f], wartość p %.2g", kt$estimate, kt$conf.int[1], kt$conf.int[2], kt$p.value)
kt$parameter                                  # df

# ==== [osłabienie] Korelacja skorygowana na nierzetelność (Spearman; Schmidt i Hunter, 1996) ====
r_kor <- unname(kt$estimate) / sqrt(a_perf * a_wyp)
round(c(r_obserwowane = unname(kt$estimate), pierwiastek_rzetelnosci = sqrt(a_perf * a_wyp), r_skorygowane = r_kor), 2)

# ==== [czulosc] Najmniejsza korelacja wykrywana z mocą 80% (α = .05, dwustronnie, przybliżenie Fishera) ====
moc_r <- function(r, n, alfa = .05) {
  z <- atanh(r) * sqrt(n - 3); k <- qnorm(1 - alfa / 2)
  pnorm(z - k) + pnorm(-z - k)
}
min_r <- function(n, moc = .80) uniroot(function(r) moc_r(r, n) - moc, c(0.001, 0.99))$root
n_m <- sum(pelne$plec == "mężczyzna")
round(c(N = nrow(pelne), min_r_N = min_r(nrow(pelne)), n_mezczyzni = n_m, min_r_mezczyzni = min_r(n_m)), 2)
# ile osób potrzeba, by wykryć r = .20 z mocą 80%
ceiling(uniroot(function(n) moc_r(0.20, n) - 0.80, c(10, 2000))$root)

# ==== [rezygnacje] Czy osoby, które przerwały ankietę, różniły się perfekcjonizmem? ====
aggregate(perf ~ ukonczyl, data = dane, FUN = function(x) round(c(M = mean(x), SD = sd(x), n = length(x)), 2))
tt <- t.test(perf ~ ukonczyl, data = dane)     # Welch
round(c(t = unname(tt$statistic), df = unname(tt$parameter), p = tt$p.value), 3)
sp <- sqrt((var(dane$perf[!dane$ukonczyl]) + var(dane$perf[dane$ukonczyl])) / 2)
round((mean(dane$perf[!dane$ukonczyl]) - mean(dane$perf[dane$ukonczyl])) / sp, 2)   # d (średnia wariancja)

       otwarli      ukonczyli      przerwali proc_ukonczyli 
         196.0          159.0           37.0           81.1 

  kobieta mężczyzna 
      128        31 
alfa_perf  alfa_wyp 
     0.82      0.66 
[1] "korelacja 0.3493, 95% CI [0.2047, 0.4789], wartość p 6.4e-06"
 df 
157 
          r_obserwowane pierwiastek_rzetelnosci           r_skorygowane 
                   0.35                    0.74                    0.47 
              N         min_r_N     n_mezczyzni min_r_mezczyzni 
         159.00            0.22           31.00            0.48 
[1] 194
  ukonczyl perf.M perf.SD perf.n
1    FALSE   3.19    0.62  37.00
2     TRUE   3.00    0.65 159.00
     t     df      p 
 1.634 56.187  0.108 
[1] 0.29

Lista kontrolna

• Zakres badania (świadome decyzje) opisano w metodzie, a ograniczenia (skutki dla wniosków) – w dyskusji.
• Sprawdzono cztery rodzaje trafności: wnioski statystyczne, trafność wewnętrzną, teoretyczną i zewnętrzną.
• Przy każdym ograniczeniu jest kierunek (zawyża, zaniża, nieznany) i wniosek, którego dotyczy.
• Tam, gdzie się da, ograniczenie oszacowano liczbowo: czułość, rzetelność, porównanie osób, które przerwały i ukończyły badanie.
• Ograniczenia uporządkowano od najpoważniejszego. Nie ma pozycji, które nie zmieniają żadnego wniosku.
• Najważniejsze zastrzeżenie pojawia się też we wnioskach i w streszczeniu.
• Ton jest rzeczowy: bez przeprosin, bez „mimo ograniczeń badanie dowodzi”.

Najczęstsze pytania

Ile ograniczeń badania opisać w pracy magisterskiej?

Tyle, ile realnie zmienia wnioski – w typowej pracy empirycznej zwykle trzy–pięć. Uporządkuj je od najpoważniejszego i pomiń te, które nie wpływają na żaden wniosek. Długa lista ogólników osłabia pracę bardziej niż krótka lista konkretów.

Czym różnią się ograniczenia badania od zakresu badania?

Zakres to świadome decyzje opisane w rozdziale metodologicznym, np. zbadanie tylko osób studiujących albo jeden pomiar. Ograniczenie to skutek takiej decyzji lub problemu w realizacji dla wniosków: co przez nie wiadomo mniej pewnie i w którą stronę mógł się przesunąć wynik. Ograniczenia omawia się w dyskusji.

Czy ograniczenia badania obniżają ocenę pracy?

Rzetelnie opisane ograniczenia zwykle świadczą na korzyść autora, bo pokazują, że rozumie swoje badanie. Pracę osłabiają raczej ograniczenia pominięte, które recenzent znajdzie sam, albo przepraszający ton, który przekreśla wyniki. Każde ograniczenie zestaw z tym, co zrobiono, by je zmniejszyć.

Jak opisać ograniczenia badania ankietowego online?

Najczęściej dotyczą doboru wygodnego, rezygnacji w trakcie wypełniania, samoopisu i pomiaru w jednym momencie. Napisz, ile osób otworzyło i ukończyło ankietę, porównaj obie grupy na zmiennych z pierwszych stron i wskaż, czy rezygnacje mogły zawyżyć czy zaniżyć wyniki.

Jak napisać, że skala miała niską rzetelność?

Podaj współczynnik rzetelności w Twojej próbie i wyjaśnij skutek: nierzetelny pomiar osłabia korelacje, więc uzyskany związek jest raczej zaniżony niż zawyżony. Możesz pokazać korelację skorygowaną na osłabienie jako szacunek pomocniczy, ale wynikiem głównym zostaje korelacja obserwowana.

Powiązane hasła

Przeczytaj też

@article{ioannidis2007limitations, author={Ioannidis, John P. A.}, title={{Limitations are not properly acknowledged in the scientific literature}}, journal={Journal of Clinical Epidemiology}, year={2007}, volume={60}, number={4}, pages={324--329}, doi={10.1016/j.jclinepi.2006.09.011}}

@article{podsakoff2003common, author={Podsakoff, Philip M. and MacKenzie, Scott B. and Lee, Jeong-Yeon and Podsakoff, Nathan P.}, title={{Common method biases in behavioral research: A critical review of the literature and recommended remedies}}, journal={Journal of Applied Psychology}, year={2003}, volume={88}, number={5}, pages={879--903}, doi={10.1037/0021-9010.88.5.879}}

@article{puhan2012discussing, author={Puhan, Milo A. and Akl, Elie A. and Bryant, Dianne and Xie, Feng and Apolone, Giovanni and ter Riet, Gerben}, title={{Discussing study limitations in reports of biomedical studies – the need for more transparency}}, journal={Health and Quality of Life Outcomes}, year={2012}, volume={10}, number={1}, eid={23}, doi={10.1186/1477-7525-10-23}}

@article{ross2019limited, author={Ross, Paula T. and Bibler Zaidi, Nikki L.}, title={{Limited by our limitations}}, journal={Perspectives on Medical Education}, year={2019}, volume={8}, number={4}, pages={261--264}, doi={10.1007/s40037-019-00530-x}}

@article{schmidt1996measurement, author={Schmidt, Frank L. and Hunter, John E.}, title={{Measurement error in psychological research: Lessons from 26 research scenarios}}, journal={Psychological Methods}, year={1996}, volume={1}, number={2}, pages={199--223}, doi={10.1037/1082-989x.1.2.199}}

@book{shadish2002experimental, author={Shadish, William R. and Cook, Thomas D. and Campbell, Donald T.}, title={{Experimental and quasi-experimental designs for generalized causal inference}}, year={2002}, publisher={Houghton Mifflin}}

@article{simons2017constraints, author={Simons, Daniel J. and Shoda, Yuichi and Lindsay, D. Stephen}, title={{Constraints on generality (COG): A proposed addition to all empirical papers}}, journal={Perspectives on Psychological Science}, year={2017}, volume={12}, number={6}, pages={1123--1128}, doi={10.1177/1745691617708630}}

@article{terriet2013all, author={ter Riet, Gerben and Chesley, Paula and Gross, Alan G. and Siebeling, Lara and Muggensturm, Patrick and Heller, Nadine and Umbehr, Martin and Vollenweider, Daniela and Yu, Tsung and Akl, Elie A. and Brewster, Lizzy and Dekkers, Olaf M. and Mühlhauser, Ingrid and Richter, Bernd and Singh, Sonal and Goodman, Steven and Puhan, Milo A.}, title={{All that glitters isn't gold: A survey on acknowledgment of limitations in biomedical studies}}, journal={PLOS ONE}, year={2013}, volume={8}, number={11}, eid={e73623}, doi={10.1371/journal.pone.0073623}}

@article{wang2020cross, author={Wang, Xiaofeng and Cheng, Zhenshun}, title={{Cross-sectional studies: Strengths, weaknesses, and recommendations}}, journal={Chest}, year={2020}, volume={158}, number={1}, pages={S65--S71}, doi={10.1016/j.chest.2020.03.012}}