Plan analizy statystycznej i prerejestracja badania – wzór krok po kroku

Autor: Konrad Hryniewicz · Opublikowano: 16 października 2026

Po co plan analizy, skoro i tak wszystko policzysz?

Każde badanie zostawia badaczowi dziesiątki decyzji: którą miarę uznać za główną, kogo wykluczyć, co zrobić z wartościami odstającymi, czy dodać kowariantę, kiedy przestać zbierać dane. Każda z tych decyzji z osobna jest do obrony. Kłopot zaczyna się wtedy, gdy zapada po obejrzeniu danych – łatwo wtedy, często bez złej woli, wybrać wariant, który daje ładniejszy wynik. Simmons i in. (2011) pokazali w symulacjach i dwóch eksperymentach, że nieujawniona elastyczność w zbieraniu, analizie i raportowaniu danych radykalnie zwiększa odsetek wyników fałszywie pozytywnych. Wicherts i in. (2016) zebrali 34 takie stopnie swobody badacza – od niejasnej hipotezy po wybór kryteriów wnioskowania – w listę kontrolną, której można użyć także do oceny prerejestracji.

Rysunek 1 pokazuje skalę zjawiska na naszej symulacji. W każdym z 10 000 badań prawdziwego efektu nie było, więc każdy istotny wynik był błędem I rodzaju. Jedna zaplanowana analiza dała 4.9% fałszywych alarmów, czyli tyle, ile obiecuje poziom istotności α = .05. Wybór jednej z trzech miar zależnych podniósł ten odsetek do 9.7%, a cztery swobody stosowane naraz – do 30.8%.

Plan analizy statystycznej (ang. statistical analysis plan, SAP) zamyka te ścieżki, zanim pojawią się dane. Wagenmakers i in. (2012) proponują prosty podział: tylko analizy zapisane z góry zasługują na miano konfirmacyjnych i tylko dla nich zwykłe testy statystyczne zachowują swoją interpretację; pozostałe są eksploracyjne i tak trzeba je opisać. Nosek i in. (2018) ujmują to jako odróżnienie testowania przewidywań od dopasowywania wyjaśnień do znanych już wyników. Ta druga praktyka, przedstawiana jako hipoteza postawiona z góry, to HARKing, a wybieranie wariantu analizy dającego istotność – p-hacking. Plan nie zakazuje eksploracji ani zmian. Wymaga tylko, by czytelnik wiedział, które decyzje zapadły przed danymi, a które po nich.

Plan analizy, prerejestracja i registered report – czym się różnią

Te trzy pojęcia często się myli, bo dotyczą tego samego dokumentu na różnych etapach jego życia.

W badaniach klinicznych plan analizy ma długą tradycję. Gamble i in. (2017) uzgodnili w procedurze delfickiej – z udziałem statystyków, autorów wytycznych CONSORT i SPIRIT, redaktorów czasopism i regulatorów – minimalny zestaw 55 elementów, które powinien zawierać SAP badania klinicznego. W psychologii i naukach społecznych plan bywa krótszy, ale logika jest ta sama. Jeśli przygotowujesz artykuł do czasopisma medycznego, zobacz też wpis o statystyce w publikacji medycznej.

Dwanaście elementów planu analizy statystycznej

Tabela łączy elementy planu ze stopniami swobody z listy Wichertsa i in. (2016) – w nawiasach podajemy ich kody (T – hipotezy, D – projekt, C – zbieranie danych, A – analiza, R – raportowanie). Każdy element ilustrujemy jednym przykładem: fikcyjnym eksperymentem online, w którym sprawdzamy, czy 10-minutowe ćwiczenie samowspółczucia obniża lęk przed oceną w porównaniu z ćwiczeniem kontrolnym.

Hipotezy: kierunek, zmienne i test w jednym zdaniu

„Ćwiczenie wpłynie na lęk” to zła hipoteza do planu: nie mówi, w którą stronę, na jaki lęk, w porównaniu z czym ani jakim testem. Dobra hipoteza badawcza w planie ma cztery części: kierunek („niższy”), zmienną zależną z miarą („lęk przed oceną po zadaniu, średnia 6 pozycji”), porównanie („w porównaniu z ćwiczeniem kontrolnym”) i analizę („ANCOVA z lękiem wyjściowym jako kowariantą”). Kierunek hipotezy nie przesądza o stronie testu – zapisz osobno, czy testujesz dwustronnie, czy jednostronnie. Jak przejść od pytania badawczego do takiego zapisu, pokazujemy w poradniku pytania badawcze i hipotezy.

Wykluczenia, braki danych i obserwacje odstające

Te trzy elementy najczęściej rozjeżdżają się z praktyką. Claesen i in. (2021) przejrzeli 27 prerejestrowanych badań z czasopisma Psychological Science: tylko 2 nie odbiegały od planu, a odstępstwa – ujawnione i nieujawnione – dotyczyły głównie liczebności próby, kryteriów wykluczeń i analizy statystycznej. Dlatego przy wykluczeniach podawaj progi, a nie intencje. „Wykluczymy osoby nieuważne” nie wystarczy; „wykluczymy osoby, które błędnie odpowiedzą na pytanie kontrolne albo wypełnią ankietę w czasie krótszym niż 120 s” – tak. Wskaźniki nieuważnych odpowiedzi i ich progi omawiamy we wpisie o nieuważnych odpowiedziach w ankietach online.

Przy brakach danych zapisz regułę liczenia wyniku skali (np. średnia z co najmniej 5 z 6 pozycji) i próg, od którego zmienisz metodę – mechanizmy braków i imputację wielokrotną opisujemy w haśle braki danych MCAR, MAR i MNAR i w poradniku braki danych i imputacja wielokrotna w R. Obserwacje odstające to idealny przykład decyzji, którą łatwo dopasować do wyniku – na rysunku 1 sam wybór jednej z trzech reguł podniósł odsetek fałszywych alarmów do 7.7%. Regułę ustal z góry, a wariant alternatywny potraktuj jako analizę wrażliwości. Jak wybrać rozsądną regułę, piszemy w poradniku wartości odstające: jak je wykryć i co z nimi zrobić.

Założenia i plan B: reguły „jeśli…, to…”

Przewodnik OSF po rejestracjach zaleca zapisywanie decyzji warunkowych w postaci drzewa „jeśli…, to…”, np. co zrobisz, gdy założenia testu nie będą spełnione, a także przewidywanie możliwych odstępstw od planu (Center for Open Science, b.d.). Warunek musi być sprawdzalny: „jeśli stosunek wariancji reszt w grupach przekroczy 2, jako wynik główny podamy model z odpornymi błędami standardowymi HC3” – a nie „jeśli założenia będą naruszone”. Przy porównaniu dwóch grup bez kowarianty prostszym rozwiązaniem jest od razu test Welcha, który nie wymaga równości wariancji – wtedy plan B nie jest potrzebny.

Model, kontrasty i korekty

Zapisz model tak, by dało się go uruchomić: zmienna zależna, predyktory, kowarianty, interakcje, sposób kodowania grup, program i pakiet. W przykładzie hipotezę H1 testuje ANCOVA: lęk po zadaniu przewidywany przez warunek i lęk wyjściowy; interesuje nas współczynnik warunku, czyli skorygowana różnica średnich. Gdy hipotez jest kilka, określ rodziny testów i metodę korekty. W przykładzie hipoteza główna jest jedna i nie wymaga korekty, a dwie hipotezy dodatkowe (samokrytyka i nastrój) testujemy z korektą Holma – mniej konserwatywną odmianą korekty Bonferroniego.

Kryteria wnioskowania: co znaczy „potwierdzona”, a co „brak efektu”

Plan, który przewiduje tylko wynik „istotny”, nie mówi, co zrobisz z wynikiem nieistotnym. Tymczasem nieistotny wynik nie dowodzi braku efektu. Lakens i in. (2018) pokazują, jak to rozstrzygnąć testem równoważności TOST: określasz najmniejszy interesujący efekt (ang. smallest effect size of interest, SESOI) i sprawdzasz, czy możesz odrzucić efekty co najmniej tak duże. W przykładzie SESOI wynosi 0.30 punktu na skali 1–5, a reguła ma cztery wyjścia:

• H1 potwierdzona – współczynnik warunku jest ujemny, p < .05, a 90% przedział ufności nie mieści się w całości w granicach ±0.30;
• efekt istotny, ale mniejszy niż SESOI – p < .05, a 90% CI mieści się w granicach ±0.30;
• brak efektu co najmniej równego SESOI – p ≥ .05, a 90% CI mieści się w ±0.30;
• wynik niejednoznaczny – w pozostałych przypadkach (wtedy nie piszesz ani o efekcie, ani o jego braku).

Najlepszym testem takiej reguły jest kod napisany przed danymi i uruchomiony na danych symulowanych (przepis 3 w sekcji z kodem). Na danych z efektem równym SESOI reguła zwróciła „H1 potwierdzona” (b = −0.231, 95% CI [−0.399, −0.064], p = .007), a na danych bez efektu – „brak efektu co najmniej równego SESOI” (90% CI [−0.035, 0.218]). To nie są wyniki badania, tylko sprawdzenie, że plan da się wykonać. Co robić, gdy w prawdziwym badaniu hipoteza się nie potwierdzi, opisujemy we wpisie hipoteza się nie potwierdziła.

Liczebność próby: SESOI, moc i rezerwa na wykluczenia

Lakens (2022) opisuje sześć sposobów uzasadnienia liczebności próby – od zbadania (prawie) całej populacji, przez ograniczenia zasobów i analizę mocy a priori, po planowanie dokładności oszacowania – i podkreśla, że przy każdym trzeba wskazać, jakie wielkości efektu bierzesz pod uwagę. W przykładzie korzystamy z analizy mocy a priori dla SESOI. Różnica 0.30 punktu przy przewidywanym odchyleniu standardowym 0.75 to d = 0.40 (zob. d Cohena). Funkcja power.t.test w R zwraca dla testu dwustronnego (α = .05):

• moc .90 – 133 osoby na grupę (dokładnie 132.3),
• moc .80 – 100 osób na grupę (99.1).

Przy mocy .90 i zapasie 10% na wykluczenia rekrutujesz 148 osób na grupę, czyli 296 osób. Zapisz też regułę zatrzymania: zbieranie kończy się po 296 kompletnych ankietach albo w ustalonym dniu, bez analiz pośrednich. Dobieranie osób po nieistotnym wyniku to jedna z czterech swobód z rysunku 1 – sama podniosła odsetek fałszywych alarmów do 7.4%.

Rysunek 3 pokazuje też, co się stanie, jeśli prawdziwy efekt będzie inny niż SESOI. Przy 133 osobach na grupę moc wynosi .68 dla d = 0.30, .90 dla d = 0.40 i .98 dla d = 0.50. Dwa dodatki warto dopisać do planu:

• analizę wrażliwości – jaki efekt wykryjesz z mocą .80 przy liczebności, którą realnie zbierzesz. Przy 100 osobach na grupę jest to d = 0.40, przy 133 osobach – d = 0.34;
• moc planowanego modelu, a nie tylko testu t. Kowarianta silnie związana ze zmienną zależną zwiększa moc: w symulacji (5000 powtórzeń, korelacja pomiaru wstępnego z końcowym .50) ANCOVA osiągnęła moc .90 już przy 100 osobach na grupę i .97 przy 133. Ta sama symulacja pokazała, że przy 133 osobach na grupę i braku efektu test równoważności z granicami ±SESOI wykrywa równoważność w 97% przypadków.

Nie opieraj SESOI na wielkości efektu z małego badania pilotażowego – oszacowanie z kilkudziesięciu osób jest zbyt nieprecyzyjne, by na nim planować. Uzasadnij SESOI merytorycznie (jaka różnica ma praktyczne znaczenie) albo na podstawie metaanaliz. Więcej o uzasadnianiu liczebności piszemy w poradniku dobór liczebności próby, a o programie G*Power – w haśle analiza mocy a priori.

Wzór planu analizy statystycznej do skopiowania

Poniżej pełny plan dla przykładowego eksperymentu. Zastąp treść w nawiasach kwadratowych i przykładowe wartości własnymi. Ten sam wzór, z podpowiedziami do każdego punktu, tabelą hipotez i tabelą odstępstw, pobierzesz jako plik Word: plan-analizy-statystycznej-wzor.docx.

Gdzie zarejestrować plan: OSF czy AsPredicted

Dwa popularne rejestry w psychologii to OSF Registries prowadzone przez Center for Open Science oraz AsPredicted. Tabela zestawia ich najważniejsze cechy według stron obu serwisów (stan na 16 października 2026 r.; Center for Open Science, b.d.; AsPredicted, b.d.).

AsPredicted pyta o: to, czy dane już zebrano, główną hipotezę, zmienną zależną i sposób jej pomiaru, warunki, dokładne analizy, definicję obserwacji odstających i reguły wykluczeń, liczebność oraz inne elementy, które chcesz zarejestrować (np. analizy dodatkowe). To dobry wybór dla krótkiego eksperymentu. Konto wymaga adresu e-mail instytucji – prywatny adres zostanie zaakceptowany tylko wtedy, gdy podasz artykuł, w którym go opublikowano (AsPredicted, b.d.). OSF lepiej sprawdzi się przy złożonym planie z załącznikami – kodem analizy, materiałami, obliczeniami mocy. Ma też osobne szablony dla danych wtórnych, przeglądów systematycznych i metaanaliz (zob. przegląd systematyczny i PRISMA) oraz badań jakościowych. Jeśli nie wiesz, który szablon wybrać, OSF Preregistration opisuje sam przewodnik jako standardowy, wszechstronny formularz ogólnego przeznaczenia (Center for Open Science, b.d.).

Prerejestracja na OSF krok po kroku

1. Przygotuj projekt OSF (opcjonalnie), z planem analizy, kodem i materiałami. Rejestracja założona z projektu zabierze jego pliki – do 5 GB.
2. Rozpocznij rejestrację na stronie „My Registrations” przyciskiem „Add a Registration”. Zaznacz, czy masz już projekt, i wybierz szablon.
3. Uzupełnij metadane i odpowiedzi. Sekcja metadanych (tytuł, opis, autorzy, licencja, afiliacje, dziedziny, tagi) jest taka sama we wszystkich szablonach. Szkic zapisuje się automatycznie, a link do niego przychodzi e-mailem.
4. Sprawdź stronę „Review” i kliknij „Register”. Wybierz, czy rejestracja ma być publiczna od razu (wtedy dostaje DOI), czy objęta embargiem – najwyżej do 4 lat.
5. Zatwierdź. Wszyscy administratorzy dostają e-mail i mają 48 godzin na zatwierdzenie lub odrzucenie; po tym czasie rejestracja zostaje zatwierdzona automatycznie. Odrzucenie przez jednego administratora przywraca szkic.
6. Do recenzji z zaślepieniem usuń dane identyfikujące z metadanych i plików, wybierz embargo i utwórz zanonimizowany link tylko do odczytu.

Złożonej rejestracji nie można edytować ani usunąć. Gdy coś zmienia się przed analizą, administrator może złożyć aktualizację z obowiązkowym uzasadnieniem; przewodnik zastrzega, że aktualizacje powinny dotyczyć zdarzeń, na które nie miałeś wpływu, albo nieoczekiwanych anomalii, a plików nie da się już dodać ani usunąć. Wycofanie usuwa treść, ale zostawia tytuł, autorów, daty, DOI i uzasadnienie wycofania (Center for Open Science, b.d.).

Registered report: recenzja przed zebraniem danych

W registered report rękopis przechodzi recenzję dwa razy. W etapie 1 recenzenci oceniają pytanie badawcze, metodę i plan analizy, zanim powstaną dane. Dobry protokół otrzymuje wstępną akceptację (ang. in-principle acceptance, IPA). W etapie 2 autor dopisuje wyniki i dyskusję, a recenzenci sprawdzają, czy wykonał to, co obiecał. Według strony Center for Open Science o registered reports (stan na 16 października 2026 r.) format stosuje ponad 300 czasopism, m.in. Cortex, Nature Human Behaviour, Psychological Science i Royal Society Open Science. Działa też platforma Peer Community In Registered Reports. Wstępnej akceptacji nie cofa się z powodu wyników, a jedynie z powodu problemów z jakością, odejścia od zarejestrowanego protokołu albo nieusuwalnych problemów z jasnością raportu. Zaakceptowany protokół rejestruje się na OSF w szablonie Registered Report Protocol Preregistration – dopiero po IPA (Center for Open Science, b.d.).

Skutek widać w danych. Scheel i in. (2021) porównali 71 registered reports z losową próbą 152 standardowych artykułów psychologicznych: pierwsza testowana hipoteza była potwierdzona w 96% standardowych artykułów i tylko w 44% registered reports. Autorzy wiążą tę różnicę z mniejszym efektem szuflady i mniejszą inflacją błędu I rodzaju. Registered report szczególnie opłaca się w doktoracie (wynik nie decyduje o publikacji), w replikacjach i przy hipotezach, które mogą się nie potwierdzić. Jak wpleść taki artykuł w harmonogram rozprawy, opisujemy we wpisie analiza statystyczna w doktoracie.

Odstępstwa od planu: tabela i gotowe zdania

Odstępstwa są normą, nie wyjątkiem. Willroth i Atherton (2024) przypominają, że większość odstępstw od prerejestracji w psychologii nie jest raportowana albo jest raportowana bez systemu, i proponują standardowy, przejrzysty sposób ich opisu, opracowany m.in. na podstawie ankiety wśród 34 redaktorów czasopism. Nosek i in. (2019) dodają, że podejmowanie decyzji przed analizą wymaga wprawy, a uczciwy raport musi szanować zarówno plan, jak i to, co faktycznie się wydarzyło. Prerejestracja z opisanymi odstępstwami jest wiarygodniejsza niż prerejestracja, której rzekomo nic nie zmieniło.

W praktyce najlepiej sprawdza się tabela w materiałach dodatkowych, w której każde odstępstwo ma jeden wiersz:

Prerejestracja analiz danych wtórnych

Prerejestrować da się także analizę danych, które już istnieją – z dużych badań panelowych, z repozytoriów albo z własnego wcześniejszego projektu. Problem polega na tym, że hipotezy i analizy mogą być już skażone wiedzą o danych. Van den Akker i in. (2021) przygotowali na tę sytuację szablon z 25 pytaniami, komentarzami i przykładem. Szablon wymaga m.in.:

• dat pobrania danych i pierwszego dostępu do nich, osobno dla każdego autora;
• opisu wcześniejszej wiedzy o zbiorze – z własnych analiz, publikacji, książek kodowych – także osobno dla każdego autora;
• listy publikacji i prac wykonanych na tym zbiorze;
• informacji o brakach danych i wagach próby.

Jeśli możesz, zaślep się na dane: autorzy szablonu podają jako przykłady dodanie losowego szumu do zmiennej zależnej albo zmianę etykiet grup przez inną osobę. Na OSF odpowiada temu szablon Secondary Data Preregistration (Center for Open Science, b.d.). Najważniejsza jest szczerość: prerejestracja analizy danych, które już widziałeś, ma wartość tylko wtedy, gdy opisuje, co dokładnie widziałeś.

Mity o prerejestracji

Jak opisać prerejestrację w artykule – wzory zdań

W części „Metoda” podaj link do rejestracji, datę, status danych w chwili rejestracji i informację o odstępstwach. W wynikach oddziel analizy konfirmacyjne od eksploracyjnych nagłówkami.

Brak uzasadnienia liczebności, nieujawnione odstępstwa i analizy eksploracyjne opisane jak konfirmacyjne należą do typowych zarzutów recenzentów – omawiamy je we wpisie o najczęstszych zarzutach recenzentów do statystyki, a wzory odpowiedzi znajdziesz w tekście odpowiedź recenzentom w sprawach statystycznych. Gdy plan zostanie wykonany, następnym krokiem jest pakiet replikacyjny z danymi i kodem, który pozwoli innym sprawdzić, że analizy przebiegły zgodnie z rejestracją.

# B35 – przepis 1: ile fałszywych alarmów daje nieujawniona elastyczność analizy?
# Wpis: /blog/plan-analizy-statystycznej-prerejestracja/ (rysunek 1 i liczby w sekcji „Po co plan”)
# Uruchomienie: LANG=en_US.UTF-8 LC_ALL=en_US.UTF-8 Rscript b35-1-elastycznosc-symulacja.R
# Dane symulowane: dwie grupy, prawdziwy efekt = 0 (każdy istotny wynik to fałszywy alarm).

set.seed(3535)
R <- 10000                      # liczba symulowanych badań
n1 <- 50; n2 <- 70              # osób na grupę: plan i „dobieranie” po nieistotnym wyniku

# p dla efektu grupy w regresji MNK (z kowariantą albo bez)
p_grupy <- function(y, g, x = NULL) {
  X <- if (is.null(x)) cbind(1, g) else cbind(1, g, x)
  fit <- lm.fit(X, y)
  df <- length(y) - ncol(X)
  se <- sqrt(sum(fit$residuals^2) / df * solve(crossprod(X))[2, 2])
  2 * pt(-abs(fit$coefficients[2] / se), df)
}

# Jedno badanie: 3 miary zależne × 3 reguły dla odstających × model z kowariantą lub bez,
# liczone przy 50 i (po dobraniu osób) przy 70 osobach na grupę
jedno_badanie <- function() {
  n <- 2 * n2
  g <- rep(0:1, each = n2)
  x <- rnorm(n)                                    # pomiar wyjściowy (kowarianta)
  e <- MASS::mvrnorm(n, c(0, 0), matrix(c(1, 1/3, 1/3, 1), 2))
  dv <- cbind(dv1 = 0.5 * x + sqrt(0.75) * e[, 1], # dwie miary zależne, r = .50
              dv2 = 0.5 * x + sqrt(0.75) * e[, 2])
  dv <- cbind(dv, dv3 = rowMeans(dv))              # trzecia „miara”: średnia obu
  wynik <- array(NA, c(2, 3, 3, 2), dimnames = list(c("n50", "n70"), colnames(dv),
                 c("brak", "z2.5", "z2"), c("bez", "z_kow")))
  for (k in 1:2) {
    w <- if (k == 1) c(1:n1, n2 + 1:n1) else 1:n                 # osoby w analizie
    for (j in 1:3) {
      y <- dv[w, j]; z <- abs(as.numeric(scale(y)))
      for (r in 1:3) {
        zost <- switch(r, rep(TRUE, length(y)), z <= 2.5, z <= 2)  # reguła dla odstających
        wynik[k, j, r, 1] <- p_grupy(y[zost], g[w][zost])
        wynik[k, j, r, 2] <- p_grupy(y[zost], g[w][zost], x[w][zost])
      }
    }
  }
  istotny <- wynik < .05
  c(plan        = istotny["n50", "dv1", "brak", "bez"],
    miary       = any(istotny["n50", , "brak", "bez"]),
    odstajace   = any(istotny["n50", "dv1", , "bez"]),
    kowarianta  = any(istotny["n50", "dv1", "brak", ]),
    dobieranie  = any(istotny[, "dv1", "brak", "bez"]),
    wszystko    = any(istotny))
}

sym <- replicate(R, jedno_badanie())
odsetek <- rowMeans(sym)
se_mc <- sqrt(odsetek * (1 - odsetek) / R)        # błąd Monte Carlo
tab <- data.frame(strategia = names(odsetek),
                  falszywe_alarmy_proc = round(100 * odsetek, 1),
                  dolna = round(100 * (odsetek - 1.96 * se_mc), 1),
                  gorna = round(100 * (odsetek + 1.96 * se_mc), 1))
print(tab, row.names = FALSE)
saveRDS(tab, "b35-1-elastycznosc.rds")         # do rysunku 1

  strategia falszywe_alarmy_proc dolna gorna
       plan                  4.9   4.4   5.3
      miary                  9.7   9.1  10.3
  odstajace                  7.7   7.2   8.2
 kowarianta                  7.0   6.5   7.5
 dobieranie                  7.4   6.9   7.9
   wszystko                 30.8  29.9  31.7

# B35 – przepis 2: liczebność próby dla planu analizy (SESOI, moc, rezerwa, analiza wrażliwości)
# Wpis: /blog/plan-analizy-statystycznej-prerejestracja/ (sekcja „Liczebność” i rysunek 3)
# Uruchomienie: LANG=en_US.UTF-8 LC_ALL=en_US.UTF-8 Rscript b35-2-liczebnosc.R

# SESOI w jednostkach skali: 0.30 punktu (skala 1–5), przewidywane SD = 0.75  ->  d = 0.40
sesoi_pkt <- 0.30; sd_zak <- 0.75
d_sesoi <- sesoi_pkt / sd_zak
d_sesoi

# 1. Test dla dwóch grup, dwustronny, alfa = .05: ile osób na grupę?
n90 <- power.t.test(delta = d_sesoi, sd = 1, sig.level = .05, power = .90)$n
n80 <- power.t.test(delta = d_sesoi, sd = 1, sig.level = .05, power = .80)$n
c(n_moc_90 = n90, n_moc_80 = n80)
n_grupa <- ceiling(n90)                       # 133 osoby na grupę po wykluczeniach
n_rekrutacja <- ceiling(n_grupa / 0.90)       # rezerwa na 10% wykluczeń
c(n_grupa = n_grupa, n_rekrutacja = n_rekrutacja, razem = 2 * n_rekrutacja)

# 2. Moc przy innych prawdziwych efektach (ta sama liczebność)
sapply(c(d0.30 = 0.30, d0.40 = 0.40, d0.50 = 0.50), function(d)
  round(power.t.test(n = n_grupa, delta = d, sd = 1, sig.level = .05)$power, 3))

# 3. Analiza wrażliwości: jaki efekt wykryjesz z mocą .80, jeśli zbierzesz mniej osób?
sapply(c(n100 = 100, n133 = n_grupa), function(n)
  round(power.t.test(n = n, sd = 1, sig.level = .05, power = .80)$delta, 3))

# Przykład z tabeli odstępstw: zebrano 281 zamiast 296 ankiet (nadal 10% wykluczeń)
n_odst <- floor(281 * 0.90 / 2)
c(n_na_grupe = n_odst, moc = round(power.t.test(n = n_odst, delta = d_sesoi, sd = 1)$power, 3))

# 4. Planowany model to ANCOVA z pomiarem wstępnym (r = .50) – moc z symulacji
set.seed(4040)
moc_ancova <- function(n, d, kor = 0.50, R = 5000) {
  mean(replicate(R, {
    g <- rep(0:1, each = n)
    przed <- rnorm(2 * n)
    po <- kor * przed + sqrt(1 - kor^2) * rnorm(2 * n) - d * g   # ćwiczenie obniża lęk
    summary(lm(po ~ g + przed))$coefficients["g", 4] < .05
  }))
}
c(ancova_n100 = moc_ancova(100, d_sesoi), ancova_n133 = moc_ancova(n_grupa, d_sesoi))

# 5. Moc testu równoważności (TOST, granice ±SESOI) w ANCOVA, gdy prawdziwy efekt = 0
moc_tost <- function(n, granica, kor = 0.50, R = 5000) {
  mean(replicate(R, {
    g <- rep(0:1, each = n)
    przed <- rnorm(2 * n)
    po <- kor * przed + sqrt(1 - kor^2) * rnorm(2 * n)
    ci90 <- confint(lm(po ~ g + przed), level = .90)["g", ]
    ci90[1] > -granica && ci90[2] < granica
  }))
}
c(tost_n133 = moc_tost(n_grupa, d_sesoi))

[1] 0.4
 n_moc_90  n_moc_80 
132.31056  99.08057 
     n_grupa n_rekrutacja        razem 
         133          148          296 
d0.30 d0.40 d0.50 
0.684 0.901 0.982 
 n100  n133 
0.398 0.345 
n_na_grupe        moc 
   126.000      0.885 
ancova_n100 ancova_n133 
     0.8952      0.9662 
tost_n133 
   0.9658 

# B35 – przepis 3: plan analizy zapisany jako kod i sprawdzony na danych symulowanych
# Wpis: /blog/plan-analizy-statystycznej-prerejestracja/ (sekcja „Kryteria wnioskowania” i kod)
# Uruchomienie: LANG=en_US.UTF-8 LC_ALL=en_US.UTF-8 Rscript b35-3-plan-jako-kod.R
# Dane symulowane służą wyłącznie do sprawdzenia kodu – to nie są wyniki badania.

options(width = 110)
sesoi <- 0.30                                  # najmniejszy interesujący efekt: 0.30 pkt (skala 1–5)

# Reguła decyzyjna z planu (test dwustronny, alfa = .05; równoważność: 90% CI w ±SESOI)
decyzja <- function(b, p, ci90) {
  istotny <- p < .05
  rownowazny <- ci90[1] > -sesoi && ci90[2] < sesoi
  if (istotny && b < 0 && !rownowazny) return("H1 potwierdzona")
  if (istotny && b < 0 && rownowazny)  return("efekt istotny, ale mniejszy niż SESOI")
  if (istotny && b > 0)                return("efekt przeciwny do przewidywanego")
  if (!istotny && rownowazny)          return("brak efektu co najmniej równego SESOI")
  "wynik niejednoznaczny"
}

# Analiza konfirmacyjna z planu: ANCOVA (lęk po ~ warunek + lęk przed) i korekta Holma dla H2a–H2b
analiza_planowana <- function(d) {
  m <- lm(lek_po ~ warunek + lek_przed, data = d)
  b <- unname(coef(m)["warunek"])
  p <- summary(m)$coefficients["warunek", 4]
  ci95 <- confint(m)["warunek", ]; ci90 <- confint(m, level = .90)["warunek", ]
  p_h2 <- c(H2a = summary(lm(samokrytyka ~ warunek + lek_przed, data = d))$coefficients["warunek", 4],
            H2b = summary(lm(nastroj ~ warunek + lek_przed, data = d))$coefficients["warunek", 4])
  list(H1 = data.frame(b = round(b, 3), CI95 = sprintf("[%.3f, %.3f]", ci95[1], ci95[2]),
                       p = round(p, 4), CI90 = sprintf("[%.3f, %.3f]", ci90[1], ci90[2]),
                       decyzja = decyzja(b, p, ci90)),
       H2_holm = round(p.adjust(p_h2, method = "holm"), 4))
}

# Generator danych testowych: 133 osoby na grupę, lęk na skali 1–5 (M = 3.0, SD = 0.75)
symuluj <- function(efekt, n = 133) {
  warunek <- rep(0:1, each = n)
  z_przed <- rnorm(2 * n)
  z_po <- 0.5 * z_przed + sqrt(0.75) * rnorm(2 * n)
  ogr <- function(x) pmin(pmax(x, 1), 5)
  data.frame(warunek,
             lek_przed   = ogr(3.0 + 0.75 * z_przed),
             lek_po      = ogr(3.0 + 0.75 * z_po + efekt * warunek),
             samokrytyka = ogr(3.2 + 0.70 * rnorm(2 * n) + efekt / 2 * warunek),
             nastroj     = ogr(3.4 + 0.70 * rnorm(2 * n) - efekt / 2 * warunek))
}

set.seed(2026)
cat("Scenariusz A: prawdziwy efekt = -0.30 pkt (równy SESOI)\n")
print(analiza_planowana(symuluj(efekt = -0.30)))
cat("\nScenariusz B: prawdziwy efekt = 0\n")
print(analiza_planowana(symuluj(efekt = 0)))

Scenariusz A: prawdziwy efekt = -0.30 pkt (równy SESOI)
$H1
       b             CI95     p             CI90         decyzja
1 -0.231 [-0.399, -0.064] 0.007 [-0.372, -0.091] H1 potwierdzona

$H2_holm
   H2a    H2b 
0.0221 0.1420 


Scenariusz B: prawdziwy efekt = 0
$H1
      b            CI95      p            CI90                               decyzja
1 0.092 [-0.059, 0.242] 0.2321 [-0.035, 0.218] brak efektu co najmniej równego SESOI

$H2_holm
H2a H2b 
  1   1 

Najczęstsze błędy w planach analizy

• Hipoteza bez kierunku i bez testu. „Zbadamy związek X z Y” nie ogranicza żadnej decyzji.
• Kilka miar zależnych bez wskazania głównej. To najprostsza droga do fałszywego alarmu – na rysunku 1 podwoiła ich odsetek.
• Wykluczenia opisane intencją, a nie progiem. „Usuniemy osoby nieuważne” pozwala dobrać próg do wyniku.
• Liczebność bez uzasadnienia albo „moc post hoc”. Moc liczy się przed badaniem, dla efektu, który ma znaczenie, a nie z wyniku, który już masz.
• Brak reguły zatrzymania. Zaglądanie do danych i dobieranie osób po nieistotnym wyniku podnosi odsetek fałszywych alarmów.
• Brak kryterium „efektu nie ma”. Bez SESOI i testu równoważności nieistotny wynik zostanie niejednoznaczny.
• Plan, którego nie da się uruchomić. Zanim zarejestrujesz plan, napisz kod analizy i sprawdź go na danych symulowanych.
• Odstępstwa ukryte w tekście. Każde opisz w tabeli – także te, które wydają się drobne.

Lista kontrolna przed rejestracją

• Każda hipoteza ma kierunek, zmienną zależną z miarą, porównanie i test.
• Jest jedna zmienna zależna główna; pozostałe są oznaczone jako dodatkowe.
• Liczebność ma uzasadnienie: SESOI, analizę mocy z parametrami, rezerwę na wykluczenia i regułę zatrzymania.
• Wykluczenia, braki danych i obserwacje odstające mają progi i kolejność.
• Model jest zapisany jako kod, sprawdzony na danych symulowanych.
• Korekty dla wielu porównań obejmują jasno określone rodziny testów.
• Kryteria wnioskowania obejmują wynik „potwierdzona”, „brak efektu” i „niejednoznaczny”.
• Analizy wrażliwości i eksploracyjne są wymienione z nazwy.
• Przy danych wtórnych opisano daty dostępu i wcześniejszą wiedzę każdego autora.
• Wszyscy współautorzy przeczytali plan, a w artykule jest miejsce na tabelę odstępstw.

Jeśli chcesz, by plan przed rejestracją przejrzała niezależna osoba – sprawdziła model, policzyła moc symulacją dla Twojego schematu albo napisała kod analizy do przetestowania – zajrzyj do oferty analiz statystycznych dla badaczy. Decyzje merytoryczne i odpowiedzialność za plan zostają po stronie autorów.

Najczęstsze pytania

Co powinien zawierać plan analizy statystycznej (SAP)?

Hipotezy z kierunkiem, definicje zmiennych i sposób liczenia wyników, schemat badania, liczebność z uzasadnieniem i regułą zatrzymania, reguły wykluczeń, postępowanie z brakami danych i obserwacjami odstającymi, sprawdzanie założeń z planem B, dokładny model, korekty dla wielu porównań, analizy wrażliwości i eksploracyjne oraz kryteria wnioskowania, np. najmniejszy interesujący efekt (SESOI). W badaniach klinicznych minimalny zestaw obejmuje 55 elementów (Gamble i in., 2017).

Czym różni się prerejestracja od registered report?

Prerejestrację składasz sam w publicznym rejestrze (np. OSF, AsPredicted) – nikt jej nie recenzuje, ale data dowodzi, które decyzje zapadły przed danymi. W registered report plan przechodzi recenzję w czasopiśmie przed zebraniem danych, a dobry protokół dostaje wstępną akceptację, której nie cofa się z powodu wyników.

Ile pytań ma formularz AsPredicted i czym różni się od OSF?

AsPredicted ma osiem pytań (m.in. o hipotezę, zmienną zależną, warunki, analizy, wykluczenia i liczebność), a odpowiedź może mieć do 2900 znaków. OSF Registries oferuje 14 szablonów, pozwala dołączyć pliki projektu (do 5 GB), objąć rejestrację embargiem do 4 lat i nadaje DOI rejestracji publicznej (AsPredicted, b.d.; Center for Open Science, b.d.).

Czy można prerejestrować analizę danych, które już zebrano?

Tak, jeśli analizy jeszcze nie wykonano. Trzeba wtedy uczciwie opisać, kto i kiedy miał dostęp do danych oraz co każdy autor już o nich wie. Służy do tego szablon Van den Akkera i in. (2021) z 25 pytaniami, a na OSF szablon Secondary Data Preregistration.

Co zrobić, gdy trzeba odstąpić od prerejestrowanego planu?

Opisz odstępstwo: co zaplanowano, co zrobiono, dlaczego, czy decyzję podjęto przed obejrzeniem danych i jak wpływa na wnioski – najlepiej w tabeli w materiałach dodatkowych. Przed analizą na OSF możesz złożyć aktualizację rejestracji z uzasadnieniem. Odstępstwa są częste; problemem są te nieujawnione (Willroth i Atherton, 2024).

Powiązane hasła

Przeczytaj też

@misc{aspredictednd, author={{AsPredicted}}, title={{Help}}, url={https://aspredicted.org/help}}

@misc{cosndrejestracje, author={{Center for Open Science}}, title={{Welcome to registrations \& preregistrations!}}, howpublished={OSF Support}, url={https://help.osf.io/article/229-select-a-registration-template}}

@article{claesen2021comparing, author={Claesen, Aline and Gomes, Sara and Tuerlinckx, Francis and Vanpaemel, Wolf}, title={{Comparing dream to reality: An assessment of adherence of the first generation of preregistered studies}}, journal={Royal Society Open Science}, year={2021}, volume={8}, number={10}, eid={211037}, doi={10.1098/rsos.211037}}

@article{gamble2017guidelines, author={Gamble, Carrol and Krishan, Ashma and Stocken, Deborah and Lewis, Steff and Juszczak, Edmund and Doré, Caroline and Williamson, Paula R. and Altman, Douglas G. and Montgomery, Alan and Lim, Pilar and Berlin, Jesse and Senn, Stephen and Day, Simon and Barbachano, Yolanda and Loder, Elizabeth}, title={{Guidelines for the content of statistical analysis plans in clinical trials}}, journal={JAMA}, year={2017}, volume={318}, number={23}, pages={2337--2343}, doi={10.1001/jama.2017.18556}}

@article{lakens2022sample, author={Lakens, Daniël}, title={{Sample size justification}}, journal={Collabra: Psychology}, year={2022}, volume={8}, number={1}, eid={33267}, doi={10.1525/collabra.33267}}

@article{lakens2018equivalence, author={Lakens, Daniël and Scheel, Anne M. and Isager, Peder M.}, title={{Equivalence testing for psychological research: A tutorial}}, journal={Advances in Methods and Practices in Psychological Science}, year={2018}, volume={1}, number={2}, pages={259--269}, doi={10.1177/2515245918770963}}

@article{nosek2019preregistration, author={Nosek, Brian A. and Beck, Emorie D. and Campbell, Lorne and Flake, Jessica K. and Hardwicke, Tom E. and Mellor, David T. and van ’t Veer, Anna E. and Vazire, Simine}, title={{Preregistration is hard, and worthwhile}}, journal={Trends in Cognitive Sciences}, year={2019}, volume={23}, number={10}, pages={815--818}, doi={10.1016/j.tics.2019.07.009}}

@article{nosek2018preregistration, author={Nosek, Brian A. and Ebersole, Charles R. and DeHaven, Alexander C. and Mellor, David T.}, title={{The preregistration revolution}}, journal={Proceedings of the National Academy of Sciences}, year={2018}, volume={115}, number={11}, pages={2600--2606}, doi={10.1073/pnas.1708274114}}

@article{scheel2021excess, author={Scheel, Anne M. and Schijen, Mitchell R. M. J. and Lakens, Daniël}, title={{An excess of positive results: Comparing the standard psychology literature with registered reports}}, journal={Advances in Methods and Practices in Psychological Science}, year={2021}, volume={4}, number={2}, eid={25152459211007467}, doi={10.1177/25152459211007467}}

@article{simmons2011false, author={Simmons, Joseph P. and Nelson, Leif D. and Simonsohn, Uri}, title={{False-positive psychology: Undisclosed flexibility in data collection and analysis allows presenting anything as significant}}, journal={Psychological Science}, year={2011}, volume={22}, number={11}, pages={1359--1366}, doi={10.1177/0956797611417632}}

@article{vandenakker2021preregistration, author={Van den Akker, Olmo R. and Weston, Sara and Campbell, Lorne and Chopik, Bill and Damian, Rodica and Davis-Kean, Pamela and Hall, Andrew and Kosie, Jessica and Kruse, Elliott and Olsen, Jerome and Ritchie, Stuart and Valentine, KD and Van 't Veer, Anna and Bakker, Marjan}, title={{Preregistration of secondary data analysis: A template and tutorial}}, journal={Meta-Psychology}, year={2021}, volume={5}, doi={10.15626/mp.2020.2625}}

@article{wagenmakers2012agenda, author={Wagenmakers, Eric-Jan and Wetzels, Ruud and Borsboom, Denny and van der Maas, Han L. J. and Kievit, Rogier A.}, title={{An agenda for purely confirmatory research}}, journal={Perspectives on Psychological Science}, year={2012}, volume={7}, number={6}, pages={632--638}, doi={10.1177/1745691612463078}}

@article{wicherts2016degrees, author={Wicherts, Jelte M. and Veldkamp, Coosje L. S. and Augusteijn, Hilde E. M. and Bakker, Marjan and van Aert, Robbie C. M. and van Assen, Marcel A. L. M.}, title={{Degrees of freedom in planning, running, analyzing, and reporting psychological studies: A checklist to avoid p-hacking}}, journal={Frontiers in Psychology}, year={2016}, volume={7}, eid={1832}, doi={10.3389/fpsyg.2016.01832}}

@article{willroth2024best, author={Willroth, Emily C. and Atherton, Olivia E.}, title={{Best laid plans: A guide to reporting preregistration deviations}}, journal={Advances in Methods and Practices in Psychological Science}, year={2024}, volume={7}, number={1}, eid={25152459231213802}, doi={10.1177/25152459231213802}}