Testy statystyczne – przewodnik po wyborze: od hipotezy do opisu wyniku

Autor: Konrad Hryniewicz · Opublikowano: 26 października 2026 · Aktualizacja: 1 listopada 2026

Dla kogo jest ten przewodnik i jak z niego korzystać

Ten przewodnik jest dla osób, które mają już hipotezy, a czasem i dane, ale nie wiedzą, którym testem je sprawdzić. Typowa sytuacja wygląda tak: promotor pyta „dlaczego test t, a nie Manna–Whitneya?”, a w odpowiedzi pada „bo tak wyszło w SPSS”. Taka odpowiedź nie wystarczy ani na seminarium, ani na obronie. Wybór testu jest decyzją metodologiczną. Wynika z hipotezy, z rodzaju zmiennej zależnej i z układu badania, a nie z tego, który test dał mniejsze p.

Nie znajdziesz tu kolejnego wykładu o każdym teście. Przewodnik porządkuje to, co jest już w serwisie: poradniki krok po kroku z przykładami i kodem R, hasła słownika z definicjami i wzorami oraz kalkulatory. Przejdź przez osiem etapów w kolejności, w jakiej podejmujesz decyzje w prawdziwym badaniu. Przy każdym etapie jest krótka instrukcja i lista stron, które warto otworzyć. Jeśli masz konkretny kłopot, zacznij od tabeli „mam problem → przeczytaj”.

Jedna rada na start: zapisz test dla każdej hipotezy, zanim otworzysz dane. Plan analizy ustalony wcześniej chroni przed dobieraniem metody do wyniku. Łatwiej go też obronić, bo każda decyzja ma uzasadnienie niezależne od tego, co wyszło.

Etap 1. Zacznij od hipotezy, nie od programu

Każdy test odpowiada na jedno, wąskie pytanie o populację. Zanim wybierzesz procedurę, przepisz hipotezę badawczą na parę hipotez statystycznych: H₀ (brak różnicy albo związku) i H₁. Zdecyduj, czy hipoteza jest kierunkowa, i ustal poziom istotności. Te decyzje podejmuje się przed zebraniem danych. Test jednostronny wybrany po obejrzeniu wyników jest po prostu sposobem na zmniejszenie p o połowę.

• Jak dobrać test statystyczny do hipotezy? – tabela doboru testu według skali pomiaru, liczby grup i układu badania, z przykładami, kodem R i checklistą.
• Pytania badawcze i hipotezy – pięć kroków od problemu do hipotezy, którą da się sprawdzić konkretną analizą.
• Hipoteza zerowa i alternatywna – czym różnią się H₀ i H₁ i jak je zapisać dla różnicy i dla związku.
• Test jednostronny i dwustronny – kiedy wolno przewidzieć kierunek efektu i jak to uzasadnić w metodzie.
• Test statystyczny – jak powstaje statystyka testowa, rozkład przy prawdziwej H₀ i decyzja o odrzuceniu hipotezy.
• Poziom istotności (alfa) – co naprawdę oznacza α = .05 i dlaczego ustala się go przed badaniem.
• Błąd I i II rodzaju – fałszywy alarm i przeoczony efekt oraz to, jak α i moc ograniczają oba błędy.

Etap 2. Opisz zmienną zależną i układ badania

Dwie informacje zawężają wybór najbardziej. Pierwsza to rodzaj zmiennej zależnej: ilościowa (średnie), porządkowa (rangi) albo nominalna (odsetki). Druga to układ badania: czy porównujesz różne osoby, czy te same osoby w kilku pomiarach, i ile grup albo pomiarów masz. Jeśli hipoteza mówi o związku dwóch zmiennych w jednej grupie, nie porównujesz grup – liczysz korelację albo test niezależności. Rysunek 1 zestawia obie osie: znajdź wiersz swojej zmiennej zależnej i kolumnę swojego układu.

Dwie pułapki zdarzają się tu najczęściej. Pojedyncza pozycja skali Likerta jest porządkowa, ale suma lub średnia kilkunastu pozycji zwykle zachowuje się jak zmienna ilościowa. Z kolei dane zagnieżdżone, np. uczniowie w klasach albo pacjenci na oddziałach, łamią założenie niezależności obserwacji. Wtedy żaden test z tabeli nie wystarczy i potrzebny jest model wielopoziomowy.

• Skala nominalna – kategorie bez kolejności, liczebności i odsetki zamiast średnich.
• Skala porządkowa – kiedy średnia wprowadza w błąd i dlaczego opisuje się ją medianą i kwartylami.
• Skala ilościowa – skala interwałowa i ilorazowa oraz analizy, które wolno na nich wykonać.
• Zmienna zależna – co mierzysz i jak ją opisać w pracy; od jej rodzaju zależy wiersz w schemacie.
• Zmienna niezależna – rodzaje zmiennych niezależnych, różnica między manipulacją a pomiarem.
• Schemat międzyobiektowy i wewnątrzobiektowy – czym różnią się porównania różnych osób i tych samych osób w kilku warunkach.
• Model wielopoziomowy – regresja dla danych zagnieżdżonych, gdy obserwacje w grupach nie są niezależne.

Etap 3. Zaplanuj liczebność próby i moc testu

Test o zbyt małej mocy nie odróżni braku efektu od zbyt małej próby. Dlatego liczebność planuje się przed badaniem: na podstawie najmniejszego efektu, który ma dla Ciebie znaczenie, poziomu α i pożądanej mocy. Wybór testu i liczebność są ze sobą związane. Test dla prób zależnych potrzebuje zwykle mniej osób niż porównanie dwóch grup, a interakcja w planie czynnikowym – wyraźnie więcej niż efekt główny. Szybkie obliczenie zrobisz w kalkulatorze liczebności (sekcja Kalkulatory). Jeśli liczebność narzucają okoliczności, policz przynajmniej, jaki efekt badanie mogło wykryć, i napisz o tym w ograniczeniach.

• Dobór liczebności próby – analiza mocy a priori, planowanie precyzji, SESOI i analiza wrażliwości, gdy próba jest z góry ograniczona.
• Moc testu statystycznego – od czego zależy prawdopodobieństwo wykrycia efektu i ile osób potrzeba.
• Analiza mocy a priori w G*Power – które pola wypełnić w programie i jak opisać obliczenie w metodzie.
• Najmniejszy interesujący efekt (SESOI) – jak uzasadnić efekt, od którego zależy cała analiza mocy.

Etap 4. Sprawdź założenia, ale nie daj się im sparaliżować

Założenia sprawdzasz po to, żeby wiedzieć, czy wynik testu jest wiarygodny, a nie po to, żeby test Shapiro–Wilka wybrał metodę za Ciebie. Normalność w teście t, ANOVA i regresji dotyczy rozkładu w grupach (reszt), a nie surowej zmiennej w całej próbie. Oceniaj ją przede wszystkim na wykresie Q-Q. Przy dużej próbie test normalności wykrywa odchylenia bez praktycznego znaczenia, a przy małej – przeocza poważne. Klasyczny test F jest przy tym dość odporny: w symulacji Monte Carlo zachował poprawny poziom błędu I rodzaju we wszystkich badanych warunkach nienormalności (Blanca i in., 2017).

Inaczej jest z nierównymi wariancjami, zwłaszcza przy nierównych grupach. Tu najprostsze rozwiązanie to test Welcha jako wybór domyślny. Traci on niewiele, gdy wariancje są równe, a dobrze chroni poziom błędu, gdy nie są (Delacre i in., 2017). Nie uzależniaj wyboru od wstępnego testu Levene’a. Procedura „najpierw Levene, potem Student albo Welch” nie chroni poziomu istotności (Zimmerman, 2004).

• Jak sprawdzić normalność rozkładu – wykres Q-Q reszt, skośność i kurtoza oraz to, co zrobić, gdy normalności brak.
• Wykres kwantylowy (Q-Q) – jak go czytać i jak rozpoznać skośność albo ciężkie ogony.
• Test Shapiro–Wilka – co oznaczają W i p i dlaczego wynik silnie zależy od liczebności próby.
• Homogeniczność wariancji – kiedy nierówne wariancje naprawdę szkodzą i co wtedy zrobić.
• Test Levene’a – co sprawdza i dlaczego nie powinien decydować o wyborze testu.
• Wartości odstające: jak je wykryć – reguły wykrywania zapisane przed analizą i decyzja, co zrobić z obserwacją.
• Testy parametryczne – jakie założenia mają test t, ANOVA i korelacja Pearsona i kiedy wybrać inną metodę.
• Centralne twierdzenie graniczne – dlaczego rozkład średniej bywa bliski normalnemu, nawet gdy dane nie są, i kiedy to zawodzi.

Etap 5. Porównaj dwie grupy albo dwa pomiary

Dwie średnie z różnych osób porównasz testem t Welcha, a dwa pomiary tych samych osób – testem t dla prób zależnych, w którym założenie normalności dotyczy różnic. Jedną średnią z wartością odniesienia, np. normą albo środkiem skali, porównasz testem dla jednej próby. Testy rangowe wybieraj z powodu merytorycznego: zmienna porządkowa, mała próba z silną skośnością, wyraźny efekt podłogi. Pamiętaj, że test Manna–Whitneya nie jest „testem median”. Sprawdza, czy wynik losowej osoby z jednej grupy jest zwykle wyższy niż z drugiej. W każdym wariancie podaj wielkość efektu z przedziałem ufności.

• Test t Studenta krok po kroku – trzy wersje testu na jednym badaniu: założenia, Welch, d, g i d_z z CI, wykres i zapis APA.
• Test Welcha – jak działa poprawka stopni swobody i dlaczego warto go stosować zamiast testu Studenta.
• Test t dla prób zależnych – porównanie dwóch pomiarów tych samych osób liczone na różnicach.
• Test t dla jednej próby – porównanie średniej z wartością ustaloną przed badaniem.
• Testy nieparametryczne krok po kroku – Mann–Whitney, Wilcoxon, Kruskal–Wallis i Friedman z wielkościami efektu i opisem wyników.
• Test U Manna–Whitneya – co naprawdę testuje i jak opisać wynik bez nadużywania słowa „mediana”.
• Test Wilcoxona dla par – rangowe porównanie dwóch pomiarów tych samych osób.
• Wielkość efektu dla prób zależnych – d_z, d_av czy d_rm i dlaczego trzeba napisać, którą wersję podajesz.

Etap 6. Porównaj trzy grupy lub więcej

Przy trzech grupach lub więcej nie rób serii testów t, bo każdy kolejny test zwiększa szansę na fałszywy alarm. Porównaj grupy jedną analizą wariancji, najlepiej w wersji Welcha, a pary sprawdź testem post hoc z wbudowaną kontrolą błędu, np. Gamesa–Howella. Jeśli przed badaniem masz konkretną hipotezę, np. „obie formy treningu działają lepiej niż kontrola”, sprawdź ją kontrastem planowanym zamiast wszystkich par. Te same osoby w trzech pomiarach lub więcej analizujesz ANOVA z powtarzanymi pomiarami z poprawką Greenhouse’a–Geissera albo testem Friedmana. Przy dwóch czynnikach naraz najważniejsza jest interakcja i jej rozkład na efekty proste.

• ANOVA krok po kroku – jednoczynnikowa i dwuczynnikowa: test F Welcha, Games–Howell, η² i ω², interakcja i opis wyników.
• ANOVA Welcha – porównanie średnich bez założenia równych wariancji, zwłaszcza przy nierównych grupach.
• Testy post hoc – jak wybrać test porównań par po ANOVA lub teście Kruskala–Wallisa.
• Test Gamesa–Howella – porównania par z osobnym błędem standardowym dla każdej pary.
• Kontrasty planowane i analiza trendu – od hipotez do wag kontrastu, testów i opisu APA w R, także dla trendu przy uporządkowanych grupach.
• ANOVA z powtarzanymi pomiarami krok po kroku – sferyczność, ε i poprawka Greenhouse’a–Geissera, porównania parami i η²_G.
• Test Kruskala–Wallisa – rangowy odpowiednik jednoczynnikowej ANOVA i jego statystyka H.
• Test Friedmana – rangowe porównanie co najmniej trzech pomiarów tych samych osób.

Uzupełnienia do tego etapu: test Dunna po teście Kruskala–Wallisa, test Tukeya przy zbliżonych wariancjach, test Dunnetta, gdy kilka grup porównujesz z jedną kontrolą, założenie sferyczności oraz efekt interakcji w planach czynnikowych.

Etap 7. Związki, dane kategorialne i modele regresji

Hipoteza o związku dwóch zmiennych ilościowych prowadzi do korelacji. Zacznij od wykresu rozrzutu, bo współczynnik nie pokaże związku krzywoliniowego ani wpływu jednej skrajnej obserwacji. Przy związku liniowym wybierz r Pearsona, przy danych porządkowych albo związku tylko monotonicznym – ρ Spearmana lub τ Kendalla. Dla dwóch zmiennych kategorialnych licz test chi-kwadrat z V Craméra, przy małych liczebnościach oczekiwanych – test dokładny Fishera. Odpowiedzi tak/nie tych samych osób przed i po porównasz testem McNemara. Gdy predyktorów jest kilka albo chcesz uwzględnić zmienne kontrolne, pojedynczy test przestaje wystarczać. Rodzaj regresji wybierasz wtedy według zmiennej zależnej.

• Korelacja Pearsona i Spearmana krok po kroku – wybór miary, wykres rozrzutu, przedział ufności z transformacji Fishera i opis APA.
• Korelacja Spearmana – korelacja na rangach, rangi wiązane i sytuacje, w których jest lepsza od Pearsona.
• Test chi-kwadrat krok po kroku – tabela krzyżowa, skorygowane reszty, V Craméra z przedziałem ufności i opis APA.
• Test dokładny Fishera – kiedy zastąpić nim chi-kwadrat i jak podać wynik z ilorazem szans.
• Test McNemara – porównanie odsetka odpowiedzi „tak” w dwóch pomiarach tych samych osób.
• Regresja logistyczna – wynik 0/1, ilorazy szans, prawdopodobieństwa przewidywane i raport APA.
• Regresja porządkowa krok po kroku – model proporcjonalnych szans dla kilku uporządkowanych kategorii odpowiedzi.
• Regresja dla zliczeń – Poisson, regresja ujemna dwumianowa i nadmiar zer zamiast regresji liniowej na liczbie zdarzeń.

Dalsze strony do tego etapu: korelacja Pearsona, tau Kendalla, wykres rozrzutu, test chi-kwadrat niezależności, V Craméra, test Q Cochrana i poradnik regresja wieloraka krok po kroku dla wyniku ilościowego z kilkoma predyktorami.

Etap 8. Wiele testów, wielkość efektu i opis wyników

Gdy z kilku testów wyciągasz jeden wniosek, potrzebujesz poprawki na wielokrotne porównania. Metoda Holma kontroluje łączny błąd I rodzaju przy dowolnej kombinacji prawdziwych hipotez (Holm, 1979), a przy tym zawsze odrzuca co najmniej tyle hipotez, co zwykła korekta Bonferroniego. Standardy JARS-Quant zalecają też, by w raporcie oddzielić analizy pierwszorzędowe, drugorzędowe i eksploracyjne (Appelbaum i in., 2018). Sama wartość p nie mówi, jak duży jest efekt ani jak prawdopodobna jest hipoteza (Greenland i in., 2016). Każdy wynik testu podawaj z wielkością efektu i 95% przedziałem ufności, a wynik nieistotny opisuj jako brak dowodu, nie dowód braku efektu.

• Poprawki na wielokrotne porównania – Bonferroni, Holm, FDR i testy post hoc: którą metodę wybrać do jakiej rodziny testów.
• Problem wielokrotnych porównań – FWER, FDR i korekta Holma krok po kroku.
• Wartość p – interpretacja – błędne odczytania, symulacje i to, czego z p nie wolno wyczytać.
• Wielkość efektu – interpretacja – rodziny miar d i r, OR i NNT, przeliczenia i kontekst zamiast sztywnych progów.
• Jak opisać wyniki w stylu APA – gotowe zdania dla testu t, ANOVA, chi-kwadrat, korelacji i regresji.
• Jak czytać wyniki z SPSS – które wiersze i kolumny tabel przepisać do pracy i jak zapisać „.000”.
• Hipoteza się nie potwierdziła – co zrobić z wynikiem nieistotnym i jak go opisać bez nadinterpretacji.

Mam problem → przeczytaj

Tabela zbiera pytania, z którymi studenci przychodzą najczęściej. W prawej kolumnie jest strona, od której warto zacząć.

Najważniejsze hasła ze słownika

Hasła poniżej uzupełniają ścieżkę. Każde ma definicję, wzór lub przykład liczbowy i zapis wyniku w pracy.

Podstawy wnioskowania

• Wartość p, przedział ufności, stopnie swobody, NHST i czynnik Bayesa.

Testy parametryczne i ich rozszerzenia

• Test t Studenta, test t dla prób niezależnych, ANOVA, ANOVA z powtarzanymi pomiarami, poprawka Greenhouse’a–Geissera, kontrast planowany, ANCOVA i MANOVA.

Testy nieparametryczne

• Testy nieparametryczne, rangowanie danych i test Jonckheere’a–Terpstry dla grup o ustalonym porządku.

Dane kategorialne

• Tabela krzyżowa, test chi-kwadrat zgodności, test dla dwóch proporcji, poprawka Yatesa, współczynnik phi i iloraz szans.

Wielkość efektu i tabele

• Wielkość efektu, d Cohena, g Hedgesa, eta kwadrat, omega kwadrat, tabela testu t w APA i tabela ANOVA w APA.

Kalkulatory

Kalkulatory nie zastąpią analizy, ale pozwalają szybko sprawdzić liczby: przed badaniem, przy czytaniu cudzych wyników i przed oddaniem rozdziału.

• Kalkulator liczebności próby – ile osób potrzeba do testu t, korelacji albo ankiety z zadanym marginesem błędu.
• Kalkulator wartości p – p i wartość krytyczna z z, t, χ², F albo r; przydaje się do sprawdzenia, czy liczby w tabeli są spójne.
• Kalkulator przedziału ufności – CI dla średniej, proporcji (metodą Wilsona), korelacji i różnicy średnich.
• Konwerter wielkości efektu – przeliczenia d, r, OR, η², f i NNT, np. do analizy mocy na podstawie cudzych wyników.
• Kreator: jaki test wybrać? – kilka pytań o hipotezę i dane, a na końcu test, alternatywa i miara efektu.
• Kalkulator tabeli 2×2 i r×c – chi-kwadrat, test Fishera, V Craméra, OR, RR i różnica odsetków z przedziałami ufności.
• Kalkulator kappy Cohena i testu McNemara – zgodność dwóch oceniających i zmiana odsetka w parach przed–po.
• Kalkulator mocy: ANOVA, χ², regresja – liczebność próby dla ANOVA, chi-kwadrat, przyrostu R² i interakcji 2 × 2.
• Generator opisu wyników APA – gotowe zdanie z p i wielkością efektu oraz kontrola zgodności p ze statystyką.

Kiedy warto skorzystać z pomocy

Większość decyzji z tego przewodnika podejmiesz samodzielnie. Pomoc przydaje się wtedy, gdy plan badania nie pasuje do żadnej komórki schematu: dane są zagnieżdżone, pomiarów jest kilka i część osób odpadła, zmienna zależna jest zliczeniem albo hipotezy wymagają modelu, a nie pojedynczego testu. Wtedy możemy wspólnie sprawdzić plan, wykonać analizę statystyczną do pracy dyplomowej i wyjaśnić każdy wynik tak, żebyś umiał(a) go opisać i obronić. O tym, gdzie przebiega granica dozwolonej pomocy, piszemy w tekście czy można zlecić analizę statystyczną.

Inne przewodniki w serwisie: statystyka w pracy dyplomowej (cała droga od hipotez do obrony), analiza kwestionariusza, badania kliniczne i pomiar przed i po oraz ankiety i eksperymenty.

Najczęstsze pytania

Czy test statystyczny można zmienić po obejrzeniu danych?

Test wybiera się przed analizą, na podstawie hipotezy i planu badania. Zmiana po obejrzeniu wyników, np. przejście na test jednostronny albo na inny test, bo „lepiej wyszło”, podważa wiarygodność p. Jeśli dane naprawdę wymagają innej metody, np. z powodu silnej skośności przy małej próbie, opisz zmianę i jej powód w pracy, a pierwotną analizę pokaż jako uzupełnienie.

Skąd wiedzieć, czy moja zmienna jest ilościowa czy porządkowa?

Zmienna ilościowa ma równe odstępy między wartościami, np. czas reakcji, liczba punktów w teście albo suma lub średnia kilkunastu pozycji skali. Pojedyncza odpowiedź na skali Likerta czy wykształcenie to zmienne porządkowe: kolejność jest znana, ale odstępy nie. Od tej decyzji zależy, czy porównujesz średnie, czy rangi (zob. skala porządkowa).

Czy w jednej pracy można użyć testu t i testu Manna–Whitneya?

Tak, jeśli każda hipoteza ma własne uzasadnienie wyboru, np. test t Welcha dla wyniku skali i test Manna–Whitneya dla pojedynczej pozycji porządkowej. Nie licz jednak obu testów dla tej samej hipotezy, żeby wybrać korzystniejszy wynik. Możesz za to pokazać test rangowy jako zapowiedzianą w metodzie analizę wrażliwości.

Kiedy zamiast testu statystycznego potrzebna jest regresja?

Regresja jest potrzebna, gdy chcesz ocenić kilka predyktorów naraz, uwzględnić zmienne kontrolne albo gdy zmienna zależna jest dychotomiczna, porządkowa lub jest liczbą zdarzeń. Rodzaj modelu wybierasz według zmiennej zależnej: liniowa, logistyczna, porządkowa albo model dla zliczeń. Przy danych zagnieżdżonych potrzebny jest model wielopoziomowy.

Jak uzasadnić wybór testu w rozdziale metodologicznym?

Dla każdej hipotezy napisz jedno zdanie: rodzaj zmiennej zależnej, układ badania i wybrany test, np. „Różnicę w poziomie stresu między dwiema niezależnymi grupami sprawdzono testem t Welcha, który nie zakłada równości wariancji”. Dodaj, jak sprawdzano założenia, jaką poprawkę zastosowano przy wielu testach i jaką wielkość efektu podajesz. Wzory takich zdań są w poradniku opis metod statystycznych w pracy.

Powiązane hasła

Przeczytaj też

@article{appelbaum2018journal, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={{Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report}}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}

@article{blanca2017nonnormal, author={Blanca, María J. and Alarcón, Rafael and Arnau, Jaume and Bono, Roser and Bendayan, Rebecca}, title={{Non-normal data: Is ANOVA still a valid option?}}, journal={Psicothema}, year={2017}, volume={29}, number={4}, pages={552--557}, doi={10.7334/psicothema2016.383}}

@article{delacre2017why, author={Delacre, Marie and Lakens, Daniël and Leys, Christophe}, title={{Why psychologists should by default use Welch's t-test instead of Student's t-test}}, journal={International Review of Social Psychology}, year={2017}, volume={30}, number={1}, pages={92--101}, doi={10.5334/irsp.82}}

@article{greenland2016statistical, author={Greenland, Sander and Senn, Stephen J. and Rothman, Kenneth J. and Carlin, John B. and Poole, Charles and Goodman, Steven N. and Altman, Douglas G.}, title={{Statistical tests, P values, confidence intervals, and power: A guide to misinterpretations}}, journal={European Journal of Epidemiology}, year={2016}, volume={31}, number={4}, pages={337--350}, doi={10.1007/s10654-016-0149-3}}

@article{holm1979simple, author={Holm, Sture}, title={{A simple sequentially rejective multiple test procedure}}, journal={Scandinavian Journal of Statistics}, year={1979}, volume={6}, number={2}, pages={65--70}, url={https://www.jstor.org/stable/4615733}}

@article{zimmerman2004note, author={Zimmerman, Donald W.}, title={{A note on preliminary tests of equality of variances}}, journal={British Journal of Mathematical and Statistical Psychology}, year={2004}, volume={57}, number={1}, pages={173--181}, doi={10.1348/000711004849222}}