Recenzja pracy magisterskiej: czego dotyczy w części badawczej
Recenzja pracy magisterskiej powstaje, gdy praca jest już złożona. Recenzent nie prowadzi Cię jak promotor przez kolejne wersje rozdziałów – czyta całość raz, ocenia ją i formułuje uwagi, z których część wraca jako pytania na obronie. W części badawczej (empirycznej) patrzy nie tyle na to, czy analizy są „zaawansowane”, ile na to, czy praca jest spójna i uczciwie opisana: czy z celu wynikają hipotezy, z hipotez analizy, a z analiz wnioski.
Ten wpis pokazuje część badawczą oczami recenzenta: tabelę kryteriów z sygnałami problemu, dwanaście przykładowych uwag z propozycją odpowiedzi na obronie i listę kontrolną przed złożeniem pracy. Uwagi są sformułowane ogólnie i przykładowo – to typowe problemy metodologiczne, a nie cytaty z prawdziwych recenzji. Formularz recenzji, skala ocen i to, czy po recenzji można jeszcze coś poprawić, zależą od uczelni, więc sprawdź je w regulaminie swojego wydziału.
Jeśli jesteś jeszcze na etapie poprawek, zajrzyj do wpisu o poprawkach promotora w rozdziale wyników – tam są szczegółowe przykłady „przed → po”. Uwagi recenzentów czasopism do statystyki (inny poziom wymagań) opisuje wpis o zarzutach recenzentów do statystyki, a pisemne odpowiedzi na nie – wzory odpowiedzi recenzentom.
Kryteria oceny części badawczej – tabela dla studenta
Recenzent rzadko ma czas na ponowne przeliczanie analiz. Szuka sygnałów, które widać przy uważnym czytaniu: brakującej analizy, liczby, która nie pasuje do innej, wniosku mocniejszego niż schemat badania. Poniższa tabela zbiera osiem obszarów, które warto sprawdzić przed złożeniem pracy. Jest zbieżna z tym, czego standardy raportowania APA wymagają od opisu badania ilościowego: hipotez i analiz podzielonych na główne, drugorzędne i eksploracyjne, opisu próby, narzędzi i wyników (Appelbaum i in., 2018).
| Kryterium | Co recenzent sprawdza | Sygnał problemu | Jak poprawić |
|---|---|---|---|
| Cel, pytania, hipotezy, analizy | czy każda hipoteza ma analizę i wniosek | hipoteza bez wyniku; analiza, której nikt nie zapowiedział | tabela: hipoteza → zmienne → test → wynik → wniosek |
| Próba i dobór | kto, ilu, jak dobrany, kogo wykluczono | „próba reprezentatywna” przy doborze wygodnym; brak liczby wykluczeń | nazwij sposób doboru, podaj liczbę osób na każdym etapie |
| Narzędzia | źródło, wersja polska, rzetelność w Twojej próbie | autorska ankieta bez opisu powstania; α tylko z podręcznika | podaj autora i adaptację, policz rzetelność na swoich danych |
| Dobór testów i założenia | czy test odpowiada hipotezie i poziomowi pomiaru | trzy testy t zamiast ANOVA; założenia „spełnione” bez opisu | uzasadnij test jednym zdaniem, opisz sprawdzenie założeń |
| Raportowanie | statystyka, df, p, wielkość efektu, tabele | samo „istotne”; „p = .000”; zrzut ekranu z programu | zapis APA z wielkością efektu i CI, tabele z numerem i notą |
| Interpretacja i wnioski | czy język pasuje do schematu badania | „wpływa”, „powoduje” w badaniu korelacyjnym; wnioski o całej populacji | „wiąże się”, „różni się”; zawęź uogólnienie do opisanej próby |
| Ograniczenia | czy autor widzi słabości i ich skutki | jedno zdanie „mała próba” | nazwij ograniczenie, jego kierunek wpływu i co by je usunęło |
| Spójność liczb | sumy N, procenty, df, średnie | tabela sumuje się do innej liczby niż N; df nie pasuje do grup | przelicz wszystkie liczby z jednego pliku danych przed złożeniem |
Spójność celu, hipotez i analiz – mapa dla recenzenta
Najpoważniejsze uwagi do części badawczej rzadko dotyczą jednego testu. Dotyczą przerwanej ścieżki: hipoteza pojawia się w rozdziale metodologicznym, ale nie ma jej w wynikach, albo w wynikach jest analiza, której nie zapowiadała żadna hipoteza badawcza. Recenzent szybko to zauważa, bo porównuje listę hipotez z listą tabel. Zrób to przed nim: narysuj mapę jak na rysunku 1 albo wypisz ją w tabeli.
Analiza dodatkowa nie jest błędem, o ile nazwiesz ją eksploracyjną i nie wyciągasz z niej mocnych wniosków. Problemem jest dopisanie hipotezy po zobaczeniu wyników (HARKing) i wnioski, które nie wynikają z żadnej analizy. Jak formułować hipotezy, żeby dało się je przypisać do testu, opisuje wpis o pytaniach badawczych i hipotezach, a dobór testu do hipotezy – wpis o tym, jaki test do jakiej hipotezy.
Próba, narzędzia, testy i raport wyników – na co recenzent patrzy najpierw
Próba i dobór. Recenzent sprawdza, czy opis próby pozwala odpowiedzieć na pytanie: na kogo można uogólnić wyniki? Dobór wygodny jest w pracach magisterskich normą i sam w sobie nie jest zarzutem; zarzutem jest nazwanie takiej próby reprezentatywną (zob. reprezentatywność próby). Podaj, ile osób zaproszono, ile odpowiedziało, ilu wykluczono i dlaczego – więcej w doborze próby w pracy dyplomowej. Jeśli liczebność ustaliłeś(-aś) z góry, napisz jak; jeśli nie, nie udawaj analizy mocy po fakcie.
Narzędzia. Przy każdym kwestionariuszu recenzent szuka autora, polskiej wersji i jej źródła oraz rzetelności w Twojej próbie. Przy narzędziu własnym – opisu, skąd się wzięły pytania i czy był pilotaż. Samodzielne przetłumaczenie skali bez procedury adaptacji to sygnał problemu.
Testy i założenia. Recenzent pyta, czy test pasuje do hipotezy i do poziomu pomiaru zmiennych oraz jak sprawdzono założenia. Zdanie „założenia zostały spełnione” bez szczegółów niczego nie mówi. Hoekstra i in. (2012) pokazali, że nawet badacze rzadko sprawdzają założenia, a jeśli już – zwykle samym testem statystycznym, często bez wiedzy o odporności metod. Napisz, co sprawdzono i czym (np. rozkład reszt na wykresie Q-Q, a nie test normalności zmiennej – zob. normalność reszt czy zmiennych).
Raport wyników. Recenzent oczekuje statystyki testu z df, dokładnego p, wielkości efektu z przedziałem ufności i tabel z numerem, tytułem i notą (American Psychological Association, 2020). Gotowe wzory zapisu masz w tabelach APA, a sposób mówienia o sile efektu – w interpretacji wielkości efektu.
Spójność liczb: N, procenty i stopnie swobody
Niespójne liczby to uwaga, której najłatwiej uniknąć, a która mocno podważa zaufanie do całego rozdziału. Problem nie dotyczy tylko studentów: w analizie ponad 250 tysięcy wartości p z czasopism psychologicznych połowa artykułów stosujących testy istotności zawierała co najmniej jedną wartość p niezgodną ze statystyką testu i stopniami swobody (Nuijten i in., 2016). Brown i Heathers (2017) pokazali z kolei, że średnią z danych całkowitych (np. jednej pozycji skali Likerta) można sprawdzić przy znanym n – tak działa test GRIM.
Rysunek 2 pokazuje wynik kontroli dwunastu liczb przepisanych z fikcyjnej pracy (przykład szkoleniowy). Sześć wymaga wyjaśnienia: w tabeli płci brakuje dwóch osób do N = 124, procent studiów stacjonarnych policzono od 122 osób zamiast od 124 (stąd suma 100.9%), test t dla grup 60 i 62 osób powinien mieć 120 stopni swobody, a nie 124, tabela 2 × 3 daje χ² z 2, a nie 3 df, ANOVA na 122 osobach w trzech grupach ma F(2, 119), a średnia 3.46 przy n = 40 jest niemożliwa (najbliższe możliwe to 3.450 i 3.475).
Każda z tych niezgodności może mieć niewinne źródło – braki danych w jednej zmiennej, test Welcha z ułamkowymi df, inna liczba osób w analizie. Wtedy wystarczy jedno zdanie w tekście albo nota pod tabelą. Kontrolę p względem statystyki testu pokazuje wpis o poprawkach promotora; automatycznie robią to narzędzia opisane w haśle statcheck i SPRITE.
12 przykładowych uwag recenzenta i jak na nie odpowiedzieć na obronie
Poniższe uwagi są sformułowane ogólnie, tak jak mogłyby się pojawić w wielu recenzjach. Przy każdej: co za nią stoi i jak odpowiedzieć w dwóch–trzech zdaniach. Wiele z nich odpowiada błędom, które Makin i Orban de Xivry (2019) wymieniają jako częste przy pisaniu i recenzowaniu prac: porównywanie dwóch efektów bez testu różnicy, nadinterpretacja wyników nieistotnych, mylenie korelacji z przyczynowością.
1. „Nie wyjaśniono, jak hipotezy wynikają z przeglądu literatury”
Recenzent nie widzi mostu między teorią a hipotezą. Na obronie wskaż konkretne badania lub model, z których wynika kierunek hipotezy, i powiedz, dlaczego wybrałeś(-aś) hipotezę kierunkową, a nie bezkierunkową.
2. „Hipoteza 3 nie została zweryfikowana”
To pęknięcie z rysunku 1. Jeśli analiza jest w pracy, pokaż stronę i tabelę. Jeśli jej nie ma, przyznaj to wprost i powiedz, jaka analiza byłaby właściwa (np. regresja z interakcją) i dlaczego jej zabrakło.
3. „Wnioski uogólniono na populację, której próba nie reprezentuje”
Przyznaj, że dobór był wygodny, i zawęź wniosek: wyniki dotyczą osób podobnych do badanych (np. studentów jednej uczelni). Dodaj, jakie badanie pozwoliłoby uogólnić wynik – to język trafności zewnętrznej.
4. „Brak uzasadnienia liczebności próby”
Powiedz, jak ustalono liczebność (analiza mocy przed badaniem, ograniczenia dostępu, czas). Jeśli nie było planu, przyznaj to i powiedz, jaki efekt badanie mogło wykryć – bez „mocy obserwowanej” liczonej z wyniku.
5. „Nie podano rzetelności narzędzi w badanej grupie”
Jeśli policzyłeś(-aś) rzetelność, podaj liczby. Jeśli nie, przyznaj, że wartości z podręcznika nie przenoszą się automatycznie na inną próbę, i powiedz, jaki byłby skutek niskiej rzetelności: osłabienie zależności, a nie ich zawyżenie.
6. „Nie opisano, jak sprawdzono założenia testów”
Wymień założenia ważne dla Twojego testu i sposób sprawdzenia. Powiedz też, co by się zmieniło przy ich naruszeniu – np. że wynik testu Welcha lub nieparametrycznego prowadzi do tego samego wniosku.
7. „Test nie odpowiada poziomowi pomiaru zmiennej”
Typowy przypadek: średnie z pojedynczego pytania porządkowego. Uzasadnij wybór (np. wynik sumaryczny skali traktowany jako ilościowy) albo przyznaj, że właściwszy byłby test rangowy, i powiedz, czy zmienia on wniosek.
8. „Interpretacja opiera się wyłącznie na wartości p”
Podaj wielkość efektu i jej znaczenie praktyczne: istotny wynik może być bardzo mały, a nieistotny – nieprecyzyjnie oszacowany. Przedział ufności pokazuje, jakie wartości efektu są zgodne z danymi.
9. „Liczebności w tabelach nie zgadzają się z liczebnością próby”
Wyjaśnij źródło różnicy (braki odpowiedzi w jednym pytaniu, wykluczenia w analizie) i powiedz, jak to zapisał(a)byś w nocie pod tabelą. Najlepiej, żeby ta uwaga w ogóle nie powstała – zrób kontrolę jak w sekcji o spójności liczb.
10. „Użyto języka przyczynowego w badaniu korelacyjnym”
Przyznaj, że schemat korelacyjny pozwala mówić o związku, a nie o wpływie, i przeformułuj wniosek na głos: „wyższe X wiązało się z niższym Y”. Wspomnij o możliwych zmiennych zakłócających (zob. korelacja a przyczynowość).
11. „Brak istotności zinterpretowano jako brak związku”
Wynik nieistotny oznacza, że dane nie pozwalają odrzucić hipotezy zerowej, a nie że efektu nie ma. Pokaż przedział ufności i powiedz, jakich efektów badanie nie wyklucza (zob. jak opisać wynik nieistotny).
12. „Ograniczenia opisano ogólnikowo”
Zamiast „mała próba” nazwij konkretne ograniczenie, jego prawdopodobny kierunek wpływu na wynik i to, co by je usunęło w kolejnym badaniu. Wzory zdań znajdziesz we wpisie o tym, jak opisać ograniczenia badania.
Jak odpowiadać na uwagi z recenzji na obronie
Na obronie liczy się, czy rozumiesz swoje decyzje. Dobra odpowiedź ma trzy części: decyzja (co zrobiłeś/-aś), uzasadnienie (dlaczego) i konsekwencja (co to znaczy dla wniosków). Jeśli recenzent ma rację, przyznanie się do błędu i pokazanie, jak byś go naprawił(a), wypada lepiej niż obrona na siłę. Nie zaczynaj od „pan promotor kazał” – to Twoja praca i Twoje decyzje.
Przygotuj jedną kartkę z najważniejszymi liczbami: N, wykluczenia, wynik każdej hipotezy z wielkością efektu. Pytania według typu analizy i badania zebraliśmy w trzech wpisach: pytania ze statystyki na obronę, pytania z metodologii na obronę i 38 pytań na obronie z przykładowymi odpowiedziami. Jeśli jakiejś analizy nie rozumiesz do końca, poproś o jej wyjaśnienie przed obroną – możesz skorzystać z konsultacji analiz dla studentów.
Lista kontrolna przed złożeniem pracy
- Każda hipoteza ma analizę, wynik i wniosek; analizy dodatkowe są nazwane eksploracyjnymi.
- Opis próby podaje sposób doboru, liczbę osób na każdym etapie i powody wykluczeń.
- Przy każdym narzędziu jest autor, polska wersja z jej źródłem i rzetelność w Twojej próbie.
- Każdy test ma jedno zdanie uzasadnienia i opis sprawdzenia założeń.
- Wyniki mają statystykę, df, dokładne p, wielkość efektu i przedział ufności.
- Liczebności w tabelach sumują się do N albo nota wyjaśnia różnicę; procenty liczono od właściwego mianownika.
- Stopnie swobody pasują do liczebności grup i liczby kategorii.
- W badaniu korelacyjnym nie ma słów „wpływa” ani „powoduje”, a wnioski nie wykraczają poza próbę.
- Ograniczenia są konkretne i mają opisany skutek dla wniosków.
- Rozdział metodologiczny i rozdział wyników opisują to samo badanie (zob. rozdział metodologiczny pracy magisterskiej).
Kontrola spójności liczb w R: kod i wynik
Przepis sprawdza liczby przepisane z tabel i opisów wyników: procenty względem N, sumy liczebności, stopnie swobody testów i możliwość średniej z danych całkowitych (GRIM). Liczby pochodzą z fikcyjnej pracy przygotowanej jako przykład. Rysunki powstały w osobnym skrypcie, który korzysta z wyników tego przepisu.
Procenty, sumy N, stopnie swobody i GRIM
R
# B385 – kontrola spójności liczb w części badawczej przed złożeniem pracy
# Liczby przepisane z fikcyjnej pracy (przykład szkoleniowy, nie z prawdziwej pracy ani recenzji).
# Sprawdzamy to, co recenzent widzi „na oko”: sumy N, procenty, stopnie swobody i możliwość średniej (GRIM).
N <- 124 # liczebność próby podana w rozdziale metodologicznym
# 1. Tabela charakterystyki próby: liczebności i procenty przepisane z pracy
tab <- data.frame(
zmienna = c("płeć", "płeć", "tryb studiów", "tryb studiów"),
kategoria = c("kobiety", "mężczyźni", "stacjonarne", "niestacjonarne"),
n = c(82, 40, 71, 53),
proc_podany = c(66.1, 32.3, 58.2, 42.7))
tab$proc_z_N <- round(100 * tab$n / N, 1)
tab$zgodny <- abs(tab$proc_podany - tab$proc_z_N) < 0.05
print(tab, row.names = FALSE)
sumy <- aggregate(cbind(n, proc_podany) ~ zmienna, data = tab, FUN = sum)
sumy$brakuje_do_N <- N - sumy$n
print(sumy, row.names = FALSE)
cat("Mianownik, z którego wychodzi 58.2% dla 71 osób:", round(71 / 0.582), "\n\n")
# 2. Stopnie swobody: podane w pracy a wynikające z liczebności analizowanych grup
df_t <- function(n1, n2) n1 + n2 - 2 # test t dla prób niezależnych (klasyczny)
df_chi <- function(w, k) (w - 1) * (k - 1) # chi-kwadrat w tabeli w × k
df_F <- function(k, n) c(k - 1, n - k) # ANOVA jednoczynnikowa
df_r <- function(n) n - 2 # korelacja Pearsona
stopnie <- data.frame(
wynik = c("t(124) = 2.31, grupy 60 i 62", "chi2(3) = 6.85, tabela 2 x 3",
"F(2, 121) = 3.97, trzy grupy, N = 122", "r(122) = .24, N = 124"),
df_podane = c("124", "3", "2, 121", "122"),
df_oczekiwane = c(df_t(60, 62), df_chi(2, 3), paste(df_F(3, 122), collapse = ", "), df_r(124)))
stopnie$zgodne <- stopnie$df_podane == stopnie$df_oczekiwane
print(stopnie, row.names = FALSE)
cat("\n")
# 3. GRIM: czy średnia z liczb całkowitych (jedna pozycja 1–5) jest możliwa przy danym n?
grim <- function(M, n, pozycje = 1, miejsca = 2) {
suma <- round(M * n * pozycje) # najbliższa możliwa suma punktów
any(round(c(suma - 1, suma, suma + 1) / (n * pozycje), miejsca) == round(M, miejsca))
}
srednie <- data.frame(opis = c("satysfakcja, mężczyźni", "satysfakcja, kobiety"),
M = c(3.46, 3.45), n = c(40, 82))
srednie$M_razy_n <- srednie$M * srednie$n
srednie$mozliwa <- mapply(grim, srednie$M, srednie$n)
print(srednie, row.names = FALSE)
cat("Najbliższe możliwe średnie dla n = 40:", formatC(c(138, 139) / 40, format = "f", digits = 3), "\n\n")
# 4. Podsumowanie kontroli
wyniki <- c(tab$zgodny, sumy$brakuje_do_N == 0, stopnie$zgodne, srednie$mozliwa)
cat("Sprawdzonych liczb:", length(wyniki), "; do wyjaśnienia:", sum(!wyniki), "\n")Wynik w R
zmienna kategoria n proc_podany proc_z_N zgodny
płeć kobiety 82 66.1 66.1 TRUE
płeć mężczyźni 40 32.3 32.3 TRUE
tryb studiów stacjonarne 71 58.2 57.3 FALSE
tryb studiów niestacjonarne 53 42.7 42.7 TRUE
zmienna n proc_podany brakuje_do_N
płeć 122 98.4 2
tryb studiów 124 100.9 0
Mianownik, z którego wychodzi 58.2% dla 71 osób: 122
wynik df_podane df_oczekiwane zgodne
t(124) = 2.31, grupy 60 i 62 124 120 FALSE
chi2(3) = 6.85, tabela 2 x 3 3 2 FALSE
F(2, 121) = 3.97, trzy grupy, N = 122 2, 121 2, 119 FALSE
r(122) = .24, N = 124 122 122 TRUE
opis M n M_razy_n mozliwa
satysfakcja, mężczyźni 3.46 40 138.4 FALSE
satysfakcja, kobiety 3.45 82 282.9 TRUE
Najbliższe możliwe średnie dla n = 40: 3.450 3.475
Sprawdzonych liczb: 12 ; do wyjaśnienia: 6 Bibliografia oprogramowania
Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje pakietów base i stats); rysunki przygotowano w pakietach ggplot2, svglite i magick. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- 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/
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An ‘SVG’ graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite
- magick (wersja 2.9.1): Ooms, J. (2026). magick: Advanced graphics and image-processing in R [R package]. https://doi.org/10.32614/CRAN.package.magick
Najczęstsze pytania
Co sprawdza recenzent w części empirycznej pracy magisterskiej?
Zgodność celu, pytań, hipotez, analiz i wniosków; opis próby i sposobu doboru; źródło, adaptację i rzetelność narzędzi; dobór testów do hipotez i poziomu pomiaru oraz sprawdzenie założeń; raport wyników z wielkością efektu; język wniosków i ograniczenia. Sprawdza też, czy liczby (N, procenty, stopnie swobody) zgadzają się w całym rozdziale.
Jak odpowiedzieć na uwagi z recenzji pracy magisterskiej na obronie?
Zacznij od przyznania, czego dotyczy uwaga, potem w jednym–dwóch zdaniach podaj decyzję, jej uzasadnienie i konsekwencję dla wniosków. Jeśli recenzent ma rację, powiedz, co zrobił(a)byś inaczej. Nie podważaj kompetencji recenzenta i nie odpowiadaj ogólnikami – podaj liczbę lub stronę pracy.
Czy recenzent może zakwestionować wybór testu statystycznego w pracy?
Tak, i to jedna z częstszych uwag do części badawczej. Bronisz się wtedy związkiem testu z hipotezą i z poziomem pomiaru zmiennych oraz tym, jak sprawdzono założenia. Dobrze mieć przygotowane, czy wynik zmienia się przy teście alternatywnym (np. Welch zamiast klasycznego t).
Co zrobić, gdy nie zgadzam się z uwagą recenzenta?
Odpowiedz rzeczowo: przedstaw argument metodologiczny, najlepiej z odwołaniem do źródła lub do dodatkowej analizy, i nie upieraj się, jeśli różnica dotyczy preferencji, a nie błędu. Przed obroną omów taką uwagę z promotorem – on zna zwyczaje komisji na Twoim wydziale.
Jak sprawdzić liczby w pracy magisterskiej przed oddaniem do recenzji?
Zsumuj liczebności w każdej tabeli i porównaj z N z rozdziału metodologicznego, przelicz procenty z liczebności, sprawdź stopnie swobody każdego testu i to, czy p pasuje do statystyki. Szybką kontrolę możesz zrobić w kilkunastu linijkach R, jak w przykładzie w tym wpisie.
Powiązane hasła
Przeczytaj też
Kalkulator spójności wyników
GRIM, p przeliczone ze statystyki, sumy i odsetki oraz przedział ufności – z tolerancją zaokrągleń, podpowiedziami i gotową notatką z kontroli.
Czytaj →PoradnikKontrola spójności liczb przed oddaniem pracy
Osiem kontroli: N i sumy w tabelach, procenty, p a statystyka testu, df, przedziały ufności, GRIM i te same liczby w całej pracy – z kodem w R.
Czytaj →PoradnikPoprawki promotora w rozdziale wyników
15 najczęstszych uwag do rozdziału wyników z przykładami „przed → po”, wzorem tabeli poprawek do pobrania i wiadomością do promotora.
Czytaj →PoradnikPytania na obronie z metodologii i statystyki
38 pytań komisji o hipotezy, schemat, próbę, narzędzia, analizy i wyniki – z przykładowymi odpowiedziami, ściągą na jedną stronę i planem przygotowania.
Czytaj →PoradnikRozdział metodologiczny – jak go napisać
Co napisać w każdym podrozdziale metody: hipotezy, zmienne, próba, narzędzia, procedura, etyka i plan analiz – z wzorami zdań i listą JARS.
Czytaj →Chcesz sprawdzić część badawczą, zanim przeczyta ją recenzent?
Przejrzymy analizy i tabele pod kątem spójności z hipotezami, przeliczymy wątpliwe wyniki i wyjaśnimy je tak, żebyś umiał(a) samodzielnie odpowiedzieć na pytania z recenzji.
Oferta dla studentówWyceń analizęBibliografia i dalsza literatura naukowa (APA 7)
- American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). https://doi.org/10.1037/0000165-000
- 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
- Brown, N. J. L., & Heathers, J. A. J. (2017). The GRIM test: A simple technique detects numerous anomalies in the reporting of results in psychology. Social Psychological and Personality Science, 8(4), 363–369. https://doi.org/10.1177/1948550616673876 ● Otwarty dostęp: pełny tekst
- Hoekstra, R., Kiers, H. A. L., & Johnson, A. (2012). Are assumptions of well-known statistical techniques checked, and why (not)? Frontiers in Psychology, 3, Article 137. https://doi.org/10.3389/fpsyg.2012.00137 ● Otwarty dostęp
- Makin, T. R., & Orban de Xivry, J.-J. (2019). Ten common statistical mistakes to watch out for when writing or reviewing a manuscript. eLife, 8, Article e48175. https://doi.org/10.7554/elife.48175 ● Otwarty dostęp
- Nuijten, M. B., Hartgerink, C. H. J., van Assen, M. A. L. M., Epskamp, S., & Wicherts, J. M. (2016). The prevalence of statistical reporting errors in psychology (1985–2013). Behavior Research Methods, 48(4), 1205–1226. https://doi.org/10.3758/s13428-015-0664-2 ● Otwarty dostęp
Cytowania BibTeX
@book{apa2020publication, author={{American Psychological Association}}, title={{Publication manual of the American Psychological Association}}, year={2020}, edition={7th ed.}, publisher={American Psychological Association}, doi={10.1037/0000165-000}}@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{brown2017grim, author={Brown, Nicholas J. L. and Heathers, James A. J.}, title={{The GRIM test: A simple technique detects numerous anomalies in the reporting of results in psychology}}, journal={Social Psychological and Personality Science}, year={2017}, volume={8}, number={4}, pages={363--369}, doi={10.1177/1948550616673876}}@article{hoekstra2012assumptions, author={Hoekstra, Rink and Kiers, Henk A. L. and Johnson, Addie}, title={{Are assumptions of well-known statistical techniques checked, and why (not)?}}, journal={Frontiers in Psychology}, year={2012}, volume={3}, eid={137}, doi={10.3389/fpsyg.2012.00137}}@article{makin2019ten, author={Makin, Tamar R. and Orban de Xivry, Jean-Jacques}, title={{Ten common statistical mistakes to watch out for when writing or reviewing a manuscript}}, journal={eLife}, year={2019}, volume={8}, eid={e48175}, doi={10.7554/elife.48175}}@article{nuijten2016prevalence, author={Nuijten, Michèle B. and Hartgerink, Chris H. J. and van Assen, Marcel A. L. M. and Epskamp, Sacha and Wicherts, Jelte M.}, title={{The prevalence of statistical reporting errors in psychology (1985–2013)}}, journal={Behavior Research Methods}, year={2016}, volume={48}, number={4}, pages={1205--1226}, doi={10.3758/s13428-015-0664-2}}