Prace dyplomowe · Metodologia

Pytania badawcze i hipotezy: od problemu do hipotezy, którą da się sprawdzić

Jak z tematu pracy wyprowadzić problem, pytania badawcze i hipotezy, jak odróżnić hipotezę merytoryczną od statystycznej, kiedy wybrać hipotezę kierunkową i test jednostronny oraz jak zapisać hipotezę tak, by wynik mógł ją podważyć – z przykładami „źle i dobrze” i wzorami zapisu.

Strona główna / Blog / Pytania badawcze i hipotezy
W skrócie: Od tematu do analizy prowadzi pięć kroków: problem badawczy (czego nie wiadomo), pytania badawcze, hipotezy wyprowadzone z teorii, operacjonalizacja zmiennych i analiza z kryterium oceny wyniku. Dobra hipoteza to jedno zdanie oznajmujące o związku lub różnicy między zmiennymi, z kierunkiem i językiem dopasowanym do schematu badania. Zapisz z góry, jaki wynik uznasz za niezgodny z hipotezą – hipoteza „jakiś związek istnieje” praktycznie nigdy nie może zostać obalona. Test jednostronny wybieraj tylko przed analizą i z uzasadnieniem.

Od tematu do hipotezy: pięć kroków

Promotor zatwierdził temat, na przykład „Stres a jakość snu studentów”. To dopiero kierunek, a nie plan badania. Z tematu nie wynika jeszcze, co zmierzysz, u kogo, jaką analizą i jaki wynik uznasz za zgodny z oczekiwaniami. Zanim zaprojektujesz ankietę, przejdź pięć kroków:

Pięć kroków od tematu pracy do analizy statystycznej na przykładzie badania stresu i snu
KrokPytanie kontrolnePrzykład: stres a sen
1. Problem badawczyCzego nie wiadomo i dlaczego warto to sprawdzić?Nie wiadomo, czy w okresie sesji związek stresu ze snem jest taki sam u studentów różnych lat.
2. Pytania badawczeNa jakie konkretne pytania odpowie badanie?Czy poziom stresu akademickiego wiąże się z jakością snu? Czy ten związek zależy od wsparcia społecznego?
3. HipotezyJakiej odpowiedzi oczekujesz i na jakiej podstawie?Wyższy stres wiąże się z gorszą jakością snu; wsparcie społeczne osłabia ten związek.
4. Zmienne i pomiarJak zmierzysz każde pojęcie z hipotezy?Stres – wynik skali stresu; jakość snu – wynik kwestionariusza snu; wsparcie – wynik skali wsparcia.
5. Analiza i kryteriumJaki test, jaki parametr i jaki wynik potwierdzi albo podważy hipotezę?Korelacja Pearsona (oczekiwane r < 0), regresja z interakcją stres × wsparcie.

Kroki są ułożone w kolejności logicznej, ale w praktyce wracasz do wcześniejszych. Jeśli w kroku 4 okaże się, że nie masz jak zmierzyć jakiegoś pojęcia, przeformułuj pytanie. Jeśli w kroku 5 nie umiesz wskazać wyniku, który podważyłby hipotezę, hipoteza jest za ogólna. Całość tego procesu opisujesz potem w rozdziale metodologicznym, a ten poradnik skupia się na samym sformułowaniu pytań i hipotez.

Problem badawczy: nazwij niewiadomą

Problem badawczy to luka w wiedzy, którą Twoje badanie ma choć częściowo wypełnić. Nie jest nim temat („stres studentów”) ani cel ogólny („poznanie stresu studentów”). Dobry problem da się zapisać jednym zdaniem w formie „nie wiadomo, czy / jak / w jakim stopniu…” i wynika z przeglądu literatury: wiesz, co już ustalono, więc wiesz, czego jeszcze brakuje.

W pracy dyplomowej luka nie musi być wielka. Wystarczy, że sprawdzisz znaną zależność w nowej grupie (studenci pierwszego roku), w nowym kontekście (okres sesji), z innym narzędziem albo z dodatkową zmienną, która może zmieniać siłę związku. Ważne, aby problem był empiryczny, czyli rozstrzygalny danymi, które realnie zbierzesz. Pytanie „czy stres jest dobry dla studentów?” jest wartościujące i żadna ankieta na nie nie odpowie.

Zapisz też, jakie nie jest Twoje badanie. Jeśli zbierasz dane jednorazowo, nie odpowiesz na pytanie o zmiany w czasie. Jeśli badasz studentów jednej uczelni, nie odpowiesz na pytanie o „polskich studentów”. Te ograniczenia warto zobaczyć na etapie problemu, a nie dopiero w dyskusji.

Pytania badawcze: rodzaje i przykłady

Pytanie badawcze rozbija problem na części, na które da się odpowiedzieć analizą. Rodzaj pytania od razu podpowiada rodzaj analizy, dlatego warto go nazwać:

Rodzaje pytań badawczych, przykłady, potrzeba hipotezy i typowe analizy
Rodzaj pytaniaPrzykładCzy potrzebna hipoteza?Typowa analiza
OpisoweJaki odsetek studentów zgłasza złą jakość snu w sesji?Zwykle niestatystyki opisowe, odsetek z przedziałem ufności
O związekCzy poziom stresu wiąże się z jakością snu?Tak, gdy teoria wskazuje kierunekkorelacja, regresja
O różnicęCzy studenci pracujący i niepracujący różnią się jakością snu?Taktest t, ANOVA, test nieparametryczny
O warunki (moderację)Czy związek stresu ze snem jest słabszy przy wysokim wsparciu?Takregresja z interakcją
O mechanizm (mediację)Czy stres wiąże się ze snem przez zamartwianie się przed snem?Takanaliza mediacji z bootstrapem
O wpływ (przyczynowe)Czy krótki trening relaksacji poprawia sen?Takeksperyment: porównanie grup po losowym przydziale

Pytania o warunki i mechanizm prowadzą do moderacji i mediacji – to najczęstsze konstrukcje w pracach magisterskich z psychologii. Pytania opisowe nie wymagają hipotez: jeśli nie masz podstaw, by oczekiwać konkretnej wartości, nie wymyślaj jej na siłę. Wiele uczelni wymaga jednak hipotez do każdego pytania – wtedy sprawdź w regulaminie lub u promotora, czy pytania opisowe mogą zostać bez hipotez.

Pytania badawcze możesz uporządkować w pytanie główne i pytania szczegółowe. Główne odpowiada problemowi („Czy i w jakich warunkach stres akademicki wiąże się z jakością snu?”), szczegółowe – kolejnym analizom. Dwa–cztery pytania szczegółowe to w pracy dyplomowej zwykle dość. Każde pytanie, którego nie przełożysz na analizę, jest w pracy martwe i komisja może o nie zapytać.

Skąd wziąć hipotezę: teoria i wcześniejsze badania

Hipoteza badawcza to przewidywana odpowiedź na pytanie badawcze, wyprowadzona z teorii lub wcześniejszych wyników. Słowo „wyprowadzona” jest kluczowe. Hipoteza nie jest przeczuciem ani życzeniem autora, tylko wnioskiem z rozumowania: jeśli teoria X jest trafna, to w moim badaniu powinienem zaobserwować Y. Szerzej o tej zależności piszemy we wpisie jaka jest relacja między hipotezą a teorią.

W praktyce w uzasadnieniu hipotezy podajesz trzy rzeczy:

  1. Mechanizm. Dlaczego stres miałby pogarszać sen? Na przykład przez pobudzenie fizjologiczne i zamartwianie się przed zaśnięciem.
  2. Dotychczasowe wyniki. Czy inne badania obserwowały taki związek, w jakich grupach i jak silny był.
  3. Przeniesienie na Twoje warunki. Dlaczego spodziewasz się tego samego (albo czegoś innego) w Twojej próbie i z Twoimi narzędziami.

Hipoteza naukowa musi dać się podważyć. To klasyczne kryterium falsyfikowalności z filozofii nauki Poppera (Popper, 2002). Meehl (1978) zwracał uwagę, że teorie w psychologii rzadko są obalane, bo stawiają predykcje mało ryzykowne: „jakiś związek istnieje” jest prawdziwe niemal zawsze, gdy próba jest wystarczająco duża. Meehl postulował testy ryzykowne, które przewidują coś konkretnego, np. zakres wartości. Do tego wrócimy w sekcji o precyzji hipotez.

Pamiętaj też, że z teorii nie wynika hipoteza o wyniku ankiety bez dodatkowych założeń: że narzędzie mierzy to, co ma mierzyć, że próba jest odpowiednia, że okres badania jest typowy. To tzw. hipotezy pomocnicze. Uygun Tunç i Tunç (2023) pokazują, że są one niezbędne do wyprowadzenia testowalnych predykcji, ale mogą też służyć do „ratowania” teorii przed niewygodnym wynikiem. Dlatego założenia pomocnicze zapisz przed analizą – wtedy nie będziesz ich dobierać do wyniku.

Od pojęć do zmiennych: operacjonalizacja

Hipoteza mówi o pojęciach („stres”, „jakość snu”), analiza – o liczbach w kolumnach bazy. Pomostem jest operacjonalizacja: dla każdego pojęcia wskazujesz narzędzie, sposób obliczenia wyniku i poziom pomiaru. Andrade (2021) przypomina, że hipoteza określa oczekiwany związek między zmienną niezależną a zmienną zależną, a każdą zmienną trzeba zoperacjonalizować, zanim zacznie się zbierać dane. Przykład dla badania stresu i snu:

Operacjonalizacja zmiennych w przykładowym badaniu stresu i jakości snu
Pojęcie z hipotezyRolaWskaźnikWynik i poziom pomiaru
Stres akademickipredyktorskala stresu, 10 pozycji, odpowiedzi 1–5średnia pozycji (1–5), skala ilościowa
Jakość snuzmienna zależnakwestionariusz jakości snu z ostatniego miesiącawynik ogólny; wyższy = lepszy sen, skala ilościowa
Wsparcie społecznemoderatorskala wsparcia, 12 pozycjiśrednia pozycji, skala ilościowa
Rok studiówzmienna kontrolnapytanie w metryczce1–5, skala porządkowa

Zwróć uwagę na kierunek wyniku. Jeśli w kwestionariuszu snu wyższy wynik oznacza gorszy sen, hipoteza „wyższy stres – gorszy sen” przewiduje korelację dodatnią, a nie ujemną. Ten szczegół zapisz w metodzie, bo inaczej czytelnik źle odczyta znak korelacji. Więcej o przekładaniu pojęć na wskaźniki znajdziesz we wpisie co to jest operacjonalizacja.

Hipoteza merytoryczna a hipotezy statystyczne

Hipoteza badawcza (merytoryczna) mówi o zjawisku: „wyższy stres akademicki wiąże się z gorszą jakością snu”. Hipotezy statystyczne mówią o parametrze w populacji i są tym, co faktycznie sprawdza test. Dla korelacji Pearsona parametrem jest ρ:

H0: ρ = 0 (albo ρ ≥ 0)
H1: ρ < 0

Różnice między tymi poziomami omawia hasło hipoteza zerowa i alternatywna. Tu ważne są trzy praktyczne konsekwencje:

  • Jedna hipoteza merytoryczna może wymagać kilku hipotez statystycznych. Hipoteza moderacyjna („wsparcie osłabia związek stresu ze snem”) przekłada się na współczynnik interakcji w regresji, a nie na korelację.
  • Wynik testu odnosi się do hipotezy statystycznej, a nie wprost do teorii. Odrzucenie H0 mówi, że dane są mało zgodne z ρ = 0. To, czy przemawia to za Twoim mechanizmem, zależy też od schematu badania i od hipotez pomocniczych.
  • Hipotez zerowych zwykle nie wpisuje się do pracy jako osobnej listy. W pracy formułujesz hipotezy merytoryczne, a w podrozdziale o analizie – sposób ich testowania. Jeśli promotor wymaga zapisu H0 i H1, zapisz je przy każdej hipotezie, ale tylko raz.

Cho i Abe (2013) wskazują, że mylenie hipotezy badawczej ze statystyczną jest jednym z powodów, dla których hipotezy kierunkowe bywają testowane w sposób, który do nich nie pasuje. Tym zajmuje się następna sekcja.

Hipoteza kierunkowa czy niekierunkowa?

Hipoteza kierunkowa przewiduje znak efektu („wyższy stres – gorszy sen”, „grupa A ma wyższe wyniki niż B”). Niekierunkowa mówi tylko, że związek lub różnica istnieje („stres wiąże się z jakością snu”). Odpowiadają im pytania kierunkowe i niekierunkowe. Jeśli literatura jednoznacznie wskazuje kierunek, sformułuj hipotezę kierunkową – jest bardziej informacyjna i łatwiej ją podważyć.

Osobną decyzją jest wybór testu jednostronnego albo dwustronnego. Przykład z R: w próbie 120 osób korelacja stresu z jakością snu wyniosła r = −.17, t(118) = −1.87. W teście dwustronnym p = .063, w jednostronnym (H1: ρ < 0) p = .032. Gdyby ten sam wynik miał przeciwny znak, r = .17, test jednostronny dałby p = .968, czyli nie pozwoliłby stwierdzić żadnego efektu, choć związek jest tak samo silny jak przed chwilą.

Na tym polega cena testu jednostronnego. Ruxton i Neuhäuser (2010) uznają go za uzasadniony tylko wtedy, gdy potrafisz wyjaśnić, dlaczego interesuje Cię efekt w jednym kierunku i dlaczego duży efekt w kierunku nieoczekiwanym potraktowałbyś tak samo jak brak efektu. To uzasadnienie musi znaleźć się w pracy. Lombardi i Hurlbert (2009), po przeglądzie zastosowań w dwóch czasopismach, dochodzą do wniosku, że według tego kryterium test jednostronny prawie nigdy nie jest uprawniony. Cho i Abe (2013) bronią z kolei testów jednostronnych dla hipotez kierunkowych. Praktyczna rada dla pracy dyplomowej:

  • hipotezę możesz sformułować kierunkowo, a test wykonać dwustronnie – to podejście najczęstsze i najrzadziej kwestionowane;
  • test jednostronny wybierz przed analizą, zapisz to w planie i uzasadnij; nie zmieniaj testu na jednostronny, gdy dwustronne p wyszło .063;
  • jeśli wynik ma przeciwny znak niż przewidywany, opisz go uczciwie – to ważna informacja dla dyskusji, nawet jeśli test jednostronny formalnie go „nie widzi”.

Test jednostronny daje większą moc testu przy tej samej liczebności (rysunek 1). Przy korelacji w populacji ρ = −.25 i 120 osobach moc testu dwustronnego wynosi .79, a jednostronnego .87. Żeby osiągnąć moc .80 przy ρ = −.20, potrzebujesz 194 osób w teście dwustronnym i 154 w jednostronnym, a przy ρ = −.30 – odpowiednio 85 i 68 osób. To realna oszczędność, ale nie powód, by wybierać test jednostronny bez merytorycznego uzasadnienia. Jak zaplanować liczebność, wyjaśniamy w poradniku dobór liczebności próby.

Krzywe mocy testu korelacji w zależności od liczebności próby dla testu jednostronnego i dwustronnego: przy ρ = −.20 moc .80 osiąga się przy 154 i 194 osobach, przy ρ = −.30 przy 68 i 85 osobach
Rysunek 1. Moc testu korelacji Pearsona przy α = .05 dla hipotezy kierunkowej testowanej jednostronnie i dwustronnie. Punkty wskazują najmniejszą liczebność, przy której moc osiąga .80. Obliczenia: R (przybliżenie Fishera z).

Jak precyzyjna powinna być hipoteza

Hipoteza „stres wiąże się z jakością snu” wygląda bezpiecznie, ale ma poważną wadę: praktycznie nie da się jej obalić. Jeśli wynik będzie nieistotny, zawsze można powiedzieć, że próba była za mała. Jeśli będzie istotny w przeciwnym kierunku, niż wynikałoby z teorii – hipoteza i tak „się potwierdzi”, bo związek przecież istnieje.

Porównaj to z wersją precyzyjną: „wyższy stres wiąże się z gorszą jakością snu, a związek jest co najmniej mały (ρ ≤ −.10)”. Wartość −.10 to tutaj najmniejszy interesujący efekt (SESOI) – związek słabszy uznajesz za praktycznie pomijalny. Taka hipoteza może się potwierdzić, może zostać obalona i może pozostać nierozstrzygnięta. Lakens i in. (2018) pokazują, jak to zrobić testem równoważności: jeśli cały przedział ufności leży po „złej” stronie granicy SESOI, można odrzucić obecność efektu, który uznajesz za istotny.

Rysunek 2 pokazuje pięć możliwych wyników badania 300 osób (dane symulowane) i werdykt dla obu wersji hipotezy. Hipotezę precyzyjną uznajemy za potwierdzoną, gdy cały 90% przedział ufności leży poniżej zera (jednostronny test przy α = .05), a za obaloną, gdy cały 90% CI leży powyżej −.10.

Pięć wyników badania z przedziałami ufności dla korelacji stresu i jakości snu: r = .13, −.05, .00, −.24 i −.34; hipoteza ogólna jest potwierdzona przy r = .13, −.24 i −.34 i nigdy nie zostaje obalona, hipoteza precyzyjna zostaje obalona przy r = .13 i .00, nierozstrzygnięta przy −.05 i potwierdzona przy −.24 i −.34
Rysunek 2. Pięć możliwych wyników badania (n = 300) i ocena dwóch wersji hipotezy. Hipoteza ogólna: „stres wiąże się z jakością snu”; hipoteza precyzyjna: „wyższy stres wiąże się z gorszym snem, ρ ≤ −.10”. Żółte pole – związek pomijalny. Obliczenia: R (dane symulowane).

Co widać na rysunku:

  • Wynik A (r = .13, 95% CI [.02, .24], p = .024) „potwierdza” hipotezę ogólną, choć związek ma kierunek przeciwny do teorii. Hipoteza precyzyjna zostaje obalona – i słusznie.
  • Wynik B (r = −.05, 95% CI [−.16, .07]) nie rozstrzyga żadnej wersji: dane są zgodne zarówno z brakiem związku, jak i z małym związkiem ujemnym.
  • Wynik C (r = .00, 90% CI [−.09, .10]) dla hipotezy ogólnej jest tylko „nieistotny”, a hipotezę precyzyjną obala: wykluczamy związek co najmniej tak silny jak −.10.
  • Wyniki D i E (r = −.24 i −.34) potwierdzają obie wersje.

Hipoteza ogólna w żadnym scenariuszu nie zostaje obalona. To dobry test własnej hipotezy: zapisz, jaki wynik uznasz za niezgodny z hipotezą. Jeśli nie umiesz go wskazać, hipoteza nic nie ryzykuje. Lakens i DeBruine (2021) idą dalej i proponują zapisywać kryterium potwierdzenia tak dokładnie, aby mógł je sprawdzić komputer. W pracy dyplomowej wystarczy jedno zdanie w planie analizy.

Język przyczynowy wymaga odpowiedniego schematu

„Stres wpływa na sen”, „wsparcie chroni przed bezsennością”, „trening powoduje poprawę” – takie sformułowania zakładają związek przyczynowy. Badanie ankietowe w jednym punkcie czasu ma schemat korelacyjny i takiej hipotezy nie sprawdzi: zły sen może zwiększać stres, a oba mogą wynikać z trzeciej zmiennej, np. liczby godzin pracy zarobkowej. To klasyczny problem opisany w haśle korelacja a przyczynowość.

Masz dwie uczciwe drogi. Pierwsza: dopasuj język do schematu („wyższy stres wiąże się z gorszą jakością snu”, „osoby z wyższym wsparciem zgłaszają lepszy sen”). Druga: zmień schemat. Hipotezę o wpływie sprawdzisz w schemacie eksperymentalnym z losowym przydziałem, np. porównując grupę po treningu relaksacji z grupą kontrolną. Uwaga: mediacja w danych przekrojowych nie zmienia tej zasady. Model „stres → zamartwianie się → sen” w jednorazowej ankiecie opisuje zgodność danych z mechanizmem, ale go nie dowodzi.

Przykłady pytań i hipotez: źle i dobrze

Typowe błędy w formułowaniu pytań badawczych i hipotez z poprawionymi wersjami
ŹleCo jest nie takDobrze
Jaki jest stres studentów?pytanie bez zmiennych i bez kryterium odpowiedziJaki jest średni poziom stresu akademickiego w okresie sesji i jaki odsetek osób przekracza wynik 4 na skali 1–5?
Stres ma wpływ na sen.język przyczynowy w badaniu korelacyjnym, brak kierunkuWyższy poziom stresu akademickiego wiąże się z gorszą jakością snu.
Istnieje związek między stresem a snem, wsparciem i wiekiem.kilka hipotez w jednym zdaniuH1: stres – sen. H2: wsparcie – sen. H3: wsparcie osłabia związek stresu ze snem.
Kobiety mają gorszy sen, bo są bardziej wrażliwe.w hipotezie zawarte wyjaśnienie, którego badanie nie testujeKobiety zgłaszają gorszą jakość snu niż mężczyźni (uzasadnienie – w części teoretycznej).
Zakładam, że wyniki będą istotne statystycznie.hipoteza o wyniku testu, a nie o zjawiskuStudenci pracujący zarobkowo mają niższą jakość snu niż studenci niepracujący.
Wsparcie społeczne jest mediatorem i moderatorem związku stresu ze snem.sprzeczne role zmiennej bez uzasadnieniaWsparcie społeczne osłabia związek stresu ze snem (moderacja).
Poziom stresu będzie wysoki.brak punktu odniesieniaŚredni wynik stresu będzie wyższy niż średnia z normalizacyjnej próby studentów podana w podręczniku narzędzia.
Stres koreluje ze snem (r = −.30).wartość wpisana „na życzenie”, bez źródłaWyższy stres wiąże się z gorszym snem; za najmniejszy interesujący związek przyjęto ρ = −.10 (uzasadnienie w planie analizy).

Każdą hipotezę zapisz jednym zdaniem oznajmującym, z nazwami zmiennych w takiej postaci, w jakiej występują w metodzie. Nie pisz „hipoteza zakłada, że…” ani „przypuszcza się, iż być może…”. Hipoteza jest twierdzeniem do sprawdzenia, a nie deklaracją ostrożności.

Ile hipotez: główne, dodatkowe i eksploracyjne

Nie ma przepisu na liczbę hipotez. Ważniejsze jest, żeby każda miała uzasadnienie i przypisaną analizę. Standardy raportowania APA dla badań ilościowych (JARS-Quant) wymagają rozróżnienia hipotez i analiz głównych, drugorzędowych i eksploracyjnych (Appelbaum i in., 2018). W pracy dyplomowej oznacza to:

  • hipotezy główne – 2–4, wynikające bezpośrednio z problemu; to od nich zależy odpowiedź na pytanie główne;
  • hipotezy dodatkowe – np. o różnicach między latami studiów, gdy literatura daje do tego podstawy;
  • analizy eksploracyjne – pytania, na które nie masz przewidywań; opisujesz je osobno i nie nazywasz potwierdzeniem hipotezy.

Im więcej hipotez testujesz, tym większa szansa, że któraś „potwierdzi się” przypadkiem. Przy wielu testach rozważ korektę – zob. problem wielokrotnych porównań – i opisz ją w planie analizy.

Najpoważniejszy błąd to dopisywanie hipotez po zobaczeniu wyników. Kerr (1998) nazwał to HARKingiem (ang. hypothesizing after the results are known): hipotezę post hoc przedstawia się tak, jakby była sformułowana przed badaniem. Najprostszą ochroną jest prerejestracja – zapisanie pytań, hipotez i planu analiz przed zebraniem danych. Nosek i in. (2018) podkreślają, że pozwala ona odróżnić testowanie predykcji od wyjaśniania wyników po fakcie. Nawet jeśli nie rejestrujesz badania publicznie, prześlij promotorowi plan z hipotezami przed analizą i zachowaj tę wiadomość. Wzór planu znajdziesz we wpisie plan analizy statystycznej i prerejestracja.

Od hipotezy do analizy

Każda hipoteza ma swoją analizę, a rodzaj analizy wynika z rodzaju pytania i z poziomu pomiaru zmiennych. Krótkie zestawienie dla przykładu ze stresem i snem:

Przykładowe hipotezy i odpowiadające im analizy statystyczne
HipotezaParametrAnalizaWynik zgodny z hipotezą
H1: wyższy stres – gorszy senρkorelacja Pearsona (lub Spearmana)r < 0, przedział ufności poniżej zera
H2: studenci pracujący śpią gorzej niż niepracującyμ1 − μ2test t Welcharóżnica średnich ujemna, CI poniżej zera
H3: wsparcie osłabia związek stresu ze snemβ interakcjiregresja z interakcją stres × wsparciedodatni współczynnik interakcji
H4: jakość snu różni się między latami studiówμ1 = … = μ5ANOVA lub test Kruskala–Wallisaistotny efekt roku studiów i opis różnic

Szczegółowe zasady doboru testu do hipotezy opisujemy we wpisie jak dobrać test statystyczny do hipotezy, a całe analizy krok po kroku – m.in. w poradnikach korelacja Pearsona i Spearmana krok po kroku oraz test t Studenta krok po kroku. Jeśli plan jest gotowy, a potrzebujesz, żeby ktoś sprawdził, czy hipotezy, zmienne i testy do siebie pasują, możesz skorzystać z konsultacji w ramach analiz statystycznych dla studentów. Plan i hipotezy pozostają Twoje – konsultacja pomaga je doprecyzować i zrozumieć konsekwencje wyborów.

Wzory zapisu w pracy

Problem, pytania i hipotezy zapisz w rozdziale metodologicznym w jednym miejscu, w stałej kolejności. Poniżej trzy fragmenty do dostosowania.

Celem badania było sprawdzenie, czy i w jakich warunkach poziom stresu akademickiego w okresie sesji egzaminacyjnej wiąże się z jakością snu studentów. Dotychczasowe badania wskazują na związek stresu z pogorszeniem snu, nie wiadomo jednak, czy związek ten zależy od wsparcia społecznego, jakie otrzymują studenci. Sformułowano następujące pytania badawcze: (1) Czy poziom stresu akademickiego wiąże się z jakością snu? (2) Czy siła tego związku zależy od poziomu wsparcia społecznego?
Na podstawie modelu łączącego stres z pobudzeniem przed snem oraz wyników wcześniejszych badań sformułowano dwie hipotezy główne. H1: Wyższy poziom stresu akademickiego wiąże się z gorszą jakością snu. H2: Wsparcie społeczne osłabia związek między stresem akademickim a jakością snu – u osób z wyższym wsparciem związek ten jest słabszy niż u osób z niższym wsparciem. Dodatkowo, w celach eksploracyjnych, sprawdzono, czy jakość snu różni się między latami studiów; dla tej analizy nie formułowano hipotezy.
Hipotezę H1 testowano korelacją Pearsona z testem dwustronnym przy α = .05. Za wynik zgodny z hipotezą uznano ujemną korelację z 95% przedziałem ufności leżącym w całości poniżej zera. Za najmniejszy interesujący związek przyjęto ρ = −.10; jeśli cały 90% przedział ufności znalazłby się powyżej tej wartości, hipotezę uznano by za niepotwierdzoną w sensie wykluczenia związku o praktycznym znaczeniu. Hipotezę H2 testowano w regresji liniowej z interakcją stresu i wsparcia społecznego (zmienne wycentrowane).

Hipotezy numeruj (H1, H2…) i używaj tych samych numerów w rozdziale wyników i w dyskusji. Wtedy czytelnik w każdej chwili wie, której hipotezy dotyczy dany test.

Przykład reprodukowalny

Przykład w R

Kod odtwarza wszystkie liczby z sekcji o hipotezach kierunkowych i precyzji hipotez. Używa tylko podstawowego R; rysunki przygotowano w pakiecie ggplot2. Moc testu korelacji liczona jest z przybliżenia Fishera z, więc może różnić się o jedną–dwie osoby od wyniku programów liczących moc dokładnie.

Test jedno- i dwustronny, moc oraz pięć scenariuszy wyniku

Dane wejściowe: brak – część 1 i 2 korzysta z wzorów, część 3 symuluje pięć badań po 300 osób (set.seed(2315)).

Co odczytać: wartości p jedno- i dwustronne dla r = ±.17 przy n = 120, liczebności potrzebne do mocy .80, moc przy ρ = −.25 oraz dla każdego scenariusza r, 95% i 90% CI, p i werdykt dla hipotezy ogólnej i precyzyjnej.

R
# P23 – pytania badawcze i hipotezy: liczby do tekstu
# Uruchom z katalogu strony (strony/P23):  Rscript kod/p23-hipotezy.R > kod/p23-hipotezy-wynik.txt
# Przykład: związek stresu akademickiego z jakością snu (korelacja Pearsona), dane symulowane.

# --- 1. Hipoteza kierunkowa: test jednostronny a dwustronny dla tego samego wyniku
p_dla_r <- function(r, n, kierunek = c("dwustronny", "ujemny")) {
  kierunek <- match.arg(kierunek)
  t <- r * sqrt(n - 2) / sqrt(1 - r^2)
  if (kierunek == "dwustronny") 2 * pt(-abs(t), n - 2) else pt(t, n - 2)   # H1: rho < 0
}
n <- 120
for (r in c(-0.17, 0.17)) {
  cat(sprintf("r = %s, n = %d: t(%d) = %.2f, p dwustronne = %.3f, p jednostronne (H1: rho < 0) = %.3f\n",
              sub("0\\.", ".", sprintf("%.2f", r)), n, n - 2, r * sqrt(n - 2) / sqrt(1 - r^2), p_dla_r(r, n), p_dla_r(r, n, "ujemny")))
}

# --- 2. Moc testu korelacji (przybliżenie Fishera z) i liczebność dla mocy .80
moc_r <- function(rho, n, jednostronny = FALSE, alfa = .05) {
  z <- abs(atanh(rho)) * sqrt(n - 3)
  if (jednostronny) pnorm(z - qnorm(1 - alfa)) else pnorm(z - qnorm(1 - alfa / 2)) + pnorm(-z - qnorm(1 - alfa / 2))
}
n_dla_mocy <- function(rho, jednostronny = FALSE, moc = .80) {
  n <- 10
  while (moc_r(rho, n, jednostronny) < moc) n <- n + 1
  n
}
cat("\nLiczebność dla mocy .80 (alfa = .05):\n")
print(data.frame(rho = c(-0.20, -0.25, -0.30),
                 n_dwustronny = sapply(c(-0.20, -0.25, -0.30), n_dla_mocy),
                 n_jednostronny = sapply(c(-0.20, -0.25, -0.30), n_dla_mocy, jednostronny = TRUE)))
cat(sprintf("Moc przy n = 120, rho = -.25: dwustronny %.2f, jednostronny %.2f\n",
            moc_r(-0.25, 120), moc_r(-0.25, 120, TRUE)))

# --- 3. Pięć możliwych wyników badania (n = 300) a dwie wersje hipotezy
# H-ogólna: „stres wiąże się z jakością snu” (rho ≠ 0)
# H-precyzyjna: „wyższy stres wiąże się z gorszą jakością snu, co najmniej w stopniu małym (rho ≤ −.10)”
set.seed(2315)
N <- 300
docelowe <- c(A = 0.12, B = 0.01, C = -0.08, D = -0.15, E = -0.30)   # korelacje w populacji dla pięciu scenariuszy
wyniki <- do.call(rbind, lapply(names(docelowe), function(s) {
  stres <- rnorm(N)
  sen <- docelowe[[s]] * stres + sqrt(1 - docelowe[[s]]^2) * rnorm(N)
  ct <- cor.test(stres, sen)
  ci90 <- tanh(atanh(ct$estimate) + c(-1, 1) * qnorm(.95) / sqrt(N - 3))
  data.frame(scenariusz = s, r = unname(ct$estimate), ci95_d = ct$conf.int[1], ci95_g = ct$conf.int[2],
             ci90_d = ci90[1], ci90_g = ci90[2], p = ct$p.value)
}))
wyniki$H_ogolna <- ifelse(wyniki$p < .05, "potwierdzona", "nierozstrzygnięta")
# „potwierdzona”: cały 90% CI poniżej 0, czyli jednostronny test (alfa = .05) odrzuca rho ≥ 0
# „obalona”: cały 90% CI powyżej −.10, czyli jednostronny test (alfa = .05) odrzuca rho ≤ −.10
wyniki$H_precyzyjna <- ifelse(wyniki$ci90_g < 0, "potwierdzona",
                       ifelse(wyniki$ci90_d > -0.10, "obalona", "nierozstrzygnięta"))
print(within(wyniki, { r <- round(r, 2); ci95_d <- round(ci95_d, 2); ci95_g <- round(ci95_g, 2)
  ci90_d <- round(ci90_d, 2); ci90_g <- round(ci90_g, 2); p <- round(p, 3) }), row.names = FALSE)
saveRDS(wyniki, "kod/p23-scenariusze.rds")
Wynik w R
r = -.17, n = 120: t(118) = -1.87, p dwustronne = 0.063, p jednostronne (H1: rho < 0) = 0.032
r = .17, n = 120: t(118) = 1.87, p dwustronne = 0.063, p jednostronne (H1: rho < 0) = 0.968

Liczebność dla mocy .80 (alfa = .05):
    rho n_dwustronny n_jednostronny
1 -0.20          194            154
2 -0.25          124             98
3 -0.30           85             68
Moc przy n = 120, rho = -.25: dwustronny 0.79, jednostronny 0.87
 scenariusz     r ci95_d ci95_g ci90_d ci90_g     p          H_ogolna
          A  0.13   0.02   0.24   0.04   0.22 0.024      potwierdzona
          B -0.05  -0.16   0.07  -0.14   0.05 0.421 nierozstrzygnięta
          C  0.00  -0.11   0.12  -0.09   0.10 0.959 nierozstrzygnięta
          D -0.24  -0.34  -0.13  -0.33  -0.15 0.000      potwierdzona
          E -0.34  -0.43  -0.23  -0.42  -0.25 0.000      potwierdzona
      H_precyzyjna
           obalona
 nierozstrzygnięta
           obalona
      potwierdzona
      potwierdzona

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3.

  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. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Lista kontrolna przed rozmową z promotorem

  • Problem zapisany jako niewiadoma („nie wiadomo, czy…”), a nie jako temat.
  • Każde pytanie badawcze ma przypisaną analizę; pytania opisowe są oznaczone jako opisowe.
  • Każda hipoteza: jedno zdanie, nazwy zmiennych jak w metodzie, kierunek, uzasadnienie w części teoretycznej.
  • Język hipotez pasuje do schematu badania (bez „wpływu” w ankiecie przekrojowej).
  • Dla każdej zmiennej z hipotez: narzędzie, sposób liczenia wyniku i kierunek skali.
  • Decyzja o teście jedno- lub dwustronnym zapisana przed analizą, z uzasadnieniem.
  • Wskazany wynik, który uznasz za niezgodny z hipotezą (najlepiej z najmniejszym interesującym efektem).
  • Hipotezy podzielone na główne i dodatkowe, analizy eksploracyjne oznaczone osobno.
  • Liczebność próby zaplanowana z myślą o hipotezach głównych.
  • Plan z hipotezami wysłany promotorowi przed analizą danych.

Co, jeśli hipoteza się nie potwierdzi? To normalny wynik badania, a nie porażka – pod warunkiem, że hipoteza była dobrze sformułowana, a badanie miało sensowną moc. Jak opisać taki wynik i czego nie robić, wyjaśniamy w poradniku hipoteza się nie potwierdziła – co dalej.

Najczęstsze pytania

Czym różni się pytanie badawcze od hipotezy badawczej?

Pytanie badawcze określa, czego chcesz się dowiedzieć (np. czy stres wiąże się z jakością snu), a hipoteza to przewidywana odpowiedź na to pytanie, wyprowadzona z teorii i wcześniejszych badań (np. wyższy stres wiąże się z gorszym snem). Pytanie może pozostać bez hipotezy, gdy jest opisowe albo eksploracyjne. Hipoteza bez pytania badawczego nie ma sensu, bo nie wiadomo, na co odpowiada.

Czy w pracy licencjackiej trzeba formułować hipotezy?

Zależy to od wymagań uczelni i rodzaju badania. W badaniu opisowym, np. o rozpowszechnieniu jakiegoś zjawiska, wystarczą pytania badawcze. Jeśli badasz związki lub różnice między zmiennymi i literatura wskazuje oczekiwany wynik, hipotezy porządkują analizę i ułatwiają obronę. Sprawdź regulamin dyplomowania i zapytaj promotora.

Ile hipotez powinna mieć praca magisterska?

Nie ma ustalonej liczby. W praktyce wystarczają 2–4 hipotezy główne wynikające z problemu badawczego oraz ewentualnie kilka hipotez dodatkowych. Każda hipoteza powinna mieć uzasadnienie i przypisaną analizę; analizy bez przewidywań opisz osobno jako eksploracyjne. Duża liczba hipotez zwiększa ryzyko wyników przypadkowo istotnych.

Kiedy hipoteza jest kierunkowa, a kiedy niekierunkowa?

Hipoteza kierunkowa przewiduje znak efektu, np. „grupa A ma wyższe wyniki niż grupa B” albo „wyższy stres wiąże się z gorszym snem”. Niekierunkowa mówi tylko, że związek lub różnica istnieje. Hipotezę kierunkową formułuj wtedy, gdy teoria lub wcześniejsze badania wskazują kierunek. Hipotezę kierunkową możesz testować testem dwustronnym; test jednostronny wymaga osobnego uzasadnienia przed analizą.

Czy można zmienić hipotezy po analizie danych?

Nie w taki sposób, by nowa hipoteza wyglądała na sformułowaną przed badaniem – to HARKing, który zniekształca wnioski. Możesz natomiast opisać nieoczekiwane wyniki jako analizy eksploracyjne i zaproponować na ich podstawie hipotezy do przyszłych badań. Jeśli zmieniasz plan z ważnego powodu, opisz zmianę i jej przyczynę.

Powiązane hasła

Przeczytaj też

Nie wiesz, czy hipotezy pasują do Twojego badania?

Sprawdzimy, czy pytania, hipotezy, zmienne i planowane testy tworzą spójną całość, i wyjaśnimy konsekwencje każdego wyboru, abyś mógł(a) samodzielnie obronić swój plan.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Andrade, C. (2021). A student’s guide to the classification and operationalization of variables in the conceptualization and design of a clinical study: Part 1. Indian Journal of Psychological Medicine, 43(2), 177–179. https://doi.org/10.1177/0253717621994334 ● Otwarty dostęp
  2. Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191 ● Otwarty dostęp
  3. Cho, H.-C., & Abe, S. (2013). Is two-tailed testing for directional research hypotheses tests legitimate? Journal of Business Research, 66(9), 1261–1266. https://doi.org/10.1016/j.jbusres.2012.02.023 ● Otwarty dostęp
  4. Kerr, N. L. (1998). HARKing: Hypothesizing after the results are known. Personality and Social Psychology Review, 2(3), 196–217. https://doi.org/10.1207/s15327957pspr0203_4
  5. Lakens, D., & DeBruine, L. M. (2021). Improving transparency, falsifiability, and rigor by making hypothesis tests machine-readable. Advances in Methods and Practices in Psychological Science, 4(2), Article 2515245920970949. https://doi.org/10.1177/2515245920970949 ● Otwarty dostęp
  6. Lakens, D., Scheel, A. M., & Isager, P. M. (2018). Equivalence testing for psychological research: A tutorial. Advances in Methods and Practices in Psychological Science, 1(2), 259–269. https://doi.org/10.1177/2515245918770963 ● Otwarty dostęp
  7. Lombardi, C. M., & Hurlbert, S. H. (2009). Misprescription and misuse of one-tailed tests. Austral Ecology, 34(4), 447–468. https://doi.org/10.1111/j.1442-9993.2009.01946.x
  8. Meehl, P. E. (1978). Theoretical risks and tabular asterisks: Sir Karl, Sir Ronald, and the slow progress of soft psychology. Journal of Consulting and Clinical Psychology, 46(4), 806–834. https://doi.org/10.1037/0022-006X.46.4.806
  9. Nosek, B. A., Ebersole, C. R., DeHaven, A. C., & Mellor, D. T. (2018). The preregistration revolution. Proceedings of the National Academy of Sciences, 115(11), 2600–2606. https://doi.org/10.1073/pnas.1708274114 ● Otwarty dostęp: pełny tekst
  10. Popper, K. R. (2002). Logika odkrycia naukowego (U. Niklas, Tłum.; Wyd. 2). Wydawnictwo Naukowe PWN.
  11. Ruxton, G. D., & Neuhäuser, M. (2010). When should we use one-tailed hypothesis testing? Methods in Ecology and Evolution, 1(2), 114–117. https://doi.org/10.1111/j.2041-210X.2010.00014.x ● Otwarty dostęp
  12. Uygun Tunç, D., & Tunç, M. N. (2023). Falsificationist treatment of auxiliary hypotheses in social and behavioral sciences: Systematic replications framework. Meta-Psychology, 7. https://doi.org/10.15626/mp.2021.2756 ● Otwarty dostęp

Cytowania BibTeX

@article{andrade2021student, author={Andrade, Chittaranjan}, title={{A student’s guide to the classification and operationalization of variables in the conceptualization and design of a clinical study: Part 1}}, journal={Indian Journal of Psychological Medicine}, year={2021}, volume={43}, number={2}, pages={177--179}, doi={10.1177/0253717621994334}}
@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{cho2013two, author={Cho, Hyun-Chul and Abe, Shuzo}, title={{Is two-tailed testing for directional research hypotheses tests legitimate?}}, journal={Journal of Business Research}, year={2013}, volume={66}, number={9}, pages={1261--1266}, doi={10.1016/j.jbusres.2012.02.023}}
@article{kerr1998harking, author={Kerr, Norbert L.}, title={{HARKing: Hypothesizing after the results are known}}, journal={Personality and Social Psychology Review}, year={1998}, volume={2}, number={3}, pages={196--217}, doi={10.1207/s15327957pspr0203_4}}
@article{lakens2021improving, author={Lakens, Daniël and DeBruine, Lisa M.}, title={{Improving transparency, falsifiability, and rigor by making hypothesis tests machine-readable}}, journal={Advances in Methods and Practices in Psychological Science}, year={2021}, volume={4}, number={2}, eid={2515245920970949}, doi={10.1177/2515245920970949}}
@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{lombardi2009misprescription, author={Lombardi, Celia M. and Hurlbert, Stuart H.}, title={{Misprescription and misuse of one-tailed tests}}, journal={Austral Ecology}, year={2009}, volume={34}, number={4}, pages={447--468}, doi={10.1111/j.1442-9993.2009.01946.x}}
@article{meehl1978theoretical, author={Meehl, Paul E.}, title={{Theoretical risks and tabular asterisks: Sir Karl, Sir Ronald, and the slow progress of soft psychology}}, journal={Journal of Consulting and Clinical Psychology}, year={1978}, volume={46}, number={4}, pages={806--834}, doi={10.1037/0022-006x.46.4.806}}
@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}}
@book{popper2002logika, author={Popper, Karl R.}, title={{Logika odkrycia naukowego}}, year={2002}, edition={Wyd. 2}, publisher={Wydawnictwo Naukowe PWN}}
@article{ruxton2010when, author={Ruxton, Graeme D. and Neuhäuser, Markus}, title={{When should we use one-tailed hypothesis testing?}}, journal={Methods in Ecology and Evolution}, year={2010}, volume={1}, number={2}, pages={114--117}, doi={10.1111/j.2041-210x.2010.00014.x}}
@article{uygun2023falsificationist, author={Uygun Tunç, Duygu and Tunç, Mehmet Necip}, title={{Falsificationist treatment of auxiliary hypotheses in social and behavioral sciences: Systematic replications framework}}, journal={Meta-Psychology}, year={2023}, volume={7}, doi={10.15626/mp.2021.2756}}
R