Metodolog.pl · praktyczna baza wiedzy

Po co statystyka jest potrzebna psychologowi?

Statystyka pomaga ocenić pomiar, odróżnić efekt terapii od szumu, rozumieć niepewność i nie powtarzać błędów, które napędzają kryzys replikacyjny.

Strona główna / Blog / Po co statystyka jest potrzebna psychologowi?

Autor: · Opublikowano: · Aktualizacja:

Najkrótsza odpowiedź: W psychologii liczba ma znaczenie dopiero wtedy, gdy wiadomo, jak powstał wynik testu, jak duży jest błąd pomiaru i czy obserwowany efekt daje się odtworzyć. Statystyka łączy te pytania z teorią, diagnozą i oceną interwencji.

Trzy sytuacje, w których statystyka zmienia decyzję

Zestawienie informacji omawianych w tej sekcji
SytuacjaPytanie statystyczne
DiagnozaCzy wynik testu jest wystarczająco precyzyjny dla decyzji o osobie?
TerapiaCzy obserwowana poprawa przekracza błąd pomiaru i ma znaczenie kliniczne?
BadanieCzy wielkość efektu i jej niepewność wspierają teorię?

Jak przełożyć statystykę na decyzję?

Psycholog potrzebuje statystyki już na etapie konstruowania pomiaru. Jeżeli wynik skali ma uzasadniać diagnozę osoby, trzeba znać nie tylko średnią i próg, lecz także błąd pomiaru, stabilność i trafność interpretacji w danej populacji. W badaniu terapii dochodzi pytanie o przebieg zmiany: pomiar przed i po interwencji nie wystarcza do oddzielenia efektu leczenia od naturalnego przebiegu, regresji do średniej oraz zdarzeń zewnętrznych. Pomagają grupa porównawcza, wielokrotne pomiary i model uwzględniający zależność wyników tej samej osoby.

Przykład praktycznego wniosku

Załóżmy, że średni poziom lęku spadł po terapii o 5 punktów, a 95% CI dla średniej zmiany wyniósł [2, 8]. Taki wynik wspiera zmianę grupową, lecz nie mówi jeszcze, ilu uczestników poprawiło się w sposób wiarygodny. Dla każdej osoby można porównać różnicę z błędem pomiaru lub obliczyć indeks wiarygodnej zmiany. Następnie warto zestawić odsetek osób z poprawą, bez zmiany i pogorszeniem. Dzięki temu akapit nie miesza średniego efektu terapii z decyzją diagnostyczną o konkretnym pacjencie.

Pięć umiejętności potrzebnych w tej dziedzinie

  1. ocena rzetelności, trafności i niezmienniczości pomiaru;
  2. odróżnianie zmiany indywidualnej od średniej zmiany grupy;
  3. interpretowanie efektu wraz z przedziałem ufności i błędem pomiaru;
  4. rozpoznawanie selekcji, wspólnej metody i alternatywnych wyjaśnień;
  5. planowanie replikacji oraz oddzielanie hipotez od eksploracji;

Wzór praktycznej interpretacji

Wynik zmienił się z [ ] do [ ]. Różnicę [ ] odniesiono do błędu standardowego pomiaru; RCI = [ ]. Efekt grupowy wyniósł [miara, 95% CI], natomiast wniosek o konkretnej osobie ograniczono do [zakres i warunki].

Najczęstsza pułapka

Efekt średni dla grupy nie mówi, czy poprawił się każdy pacjent, a wysoka alfa nie dowodzi, że test mierzy jeden właściwy konstrukt. Wniosek psychologiczny powinien łączyć model pomiarowy, wielkość zmiany, niepewność oraz realia diagnozy lub terapii.

Pojęcia potrzebne do tego zagadnienia

Definicje poniżej rozwijają najważniejsze terminy, pokazują wzory, przykłady i gotowe raportowanie w APA 7.

Kryzys replikacyjny w psychologiiReplikowalnośćP-hackingOpen scienceRzetelność (psychometria)Spójność wewnętrzna (rzetelność skali)Trafność (psychometria)Pozycja odwrócona

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Open Science Collaboration, 2015).

Przykład reprodukowalny

Kod w R, Pythonie i IBM SPSS Statistics

W przykładzie wynik skali powinien być utworzony zgodnie z kluczem narzędzia. Najpierw oceń pozycje odwrócone, braki, rzetelność i strukturę pomiarową, a dopiero potem traktuj wynik jako zmienną w modelu.

Alfa Cronbacha, omega i pozycje odwrócone

Dane wejściowe: Kolumny item1–item5 to pozycje tej samej skali. item3 jest odwrócona na skali 1–5.

Co odczytać: Najpierw sprawdź klucz, braki i model pomiarowy. Raportuj α/ω z CI, a nie jako dowód jednowymiarowości.

R
dane <- read.csv("dane.csv")
dane$item3_r <- 6 - dane$item3  # min + max - odpowiedź
pozycje <- dane[c("item1", "item2", "item3_r", "item4", "item5")]

# Alfa i omega z pakietu psych.
library(psych)
alpha(pozycje, check.keys = FALSE)
omega(pozycje, nfactors = 1, plot = FALSE)

dane$wynik_skali <- rowMeans(pozycje, na.rm = FALSE)
Python
import pandas as pd
import numpy as np

df = pd.read_csv("dane.csv")
df["item3_r"] = 6 - df["item3"]
items = df[["item1", "item2", "item3_r", "item4", "item5"]].dropna()

def cronbach_alpha(x):
    k = x.shape[1]
    item_var = x.var(axis=0, ddof=1).sum()
    total_var = x.sum(axis=1).var(ddof=1)
    return k / (k - 1) * (1 - item_var / total_var)

print("alfa =", cronbach_alpha(items))
df["wynik_skali"] = df[["item1", "item2", "item3_r", "item4", "item5"]].mean(axis=1)
IBM SPSS Statistics — Syntax
COMPUTE item3_r=6-item3.
EXECUTE.

RELIABILITY
 /VARIABLES=item1 item2 item3_r item4 item5
 /SCALE('Skala') ALL
 /MODEL=ALPHA
 /STATISTICS=DESCRIPTIVE SCALE CORR
 /SUMMARY=TOTAL MEANS VARIANCE COV CORR.

* Omega jest dostępna od SPSS Statistics 27.
RELIABILITY
 /VARIABLES=item1 item2 item3_r item4 item5
 /SCALE('Skala') ALL
 /MODEL=OMEGA
 /STATISTICS=DESCRIPTIVE SCALE CORR.

COMPUTE wynik_skali=MEAN.5(item1,item2,item3_r,item4,item5).
EXECUTE.

* Dla starszej wersji SPSS omega wymaga rozszerzenia albo innego programu.

Bibliografia oprogramowania i wykorzystanych pakietów

W przykładach użyto: R, Python, IBM SPSS Statistics, psych, pandas, NumPy. W pracy badawczej podaj również faktycznie użyte wersje, które można odczytać poleceniami sessionInfo() w R oraz pip freeze lub importlib.metadata.version() w Pythonie. Cytuj wyłącznie narzędzia rzeczywiście użyte w końcowej analizie.

  1. R: R Core Team. (2026). R: A language and environment for statistical computing [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. Python: Van Rossum, G., & Drake, F. L., Jr. (2009). Python 3 reference manual. CreateSpace.
  3. IBM SPSS Statistics: IBM Corp. (2025). IBM SPSS Statistics for Macintosh (Version 31.0) [Computer software]. IBM Corp.
  4. psych: Revelle, W. (2026). psych: Procedures for psychological, psychometric, and personality research (Version 2.6.5) [R package]. Northwestern University. https://doi.org/10.32614/CRAN.package.psych
  5. pandas: McKinney, W. (2010). Data structures for statistical computing in Python. In S. van der Walt & J. Millman (Eds.), Proceedings of the 9th Python in Science Conference (pp. 56–61). https://doi.org/10.25080/Majora-92bf1922-00a
  6. NumPy: Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., Wieser, E., Taylor, J., Berg, S., Smith, N. J., Kern, R., Picus, M., Hoyer, S., van Kerkwijk, M. H., Brett, M., Haldane, A., del Río, J. F., Wiebe, M., Peterson, P., … Oliphant, T. E. (2020). Array programming with NumPy. Nature, 585, 357–362. https://doi.org/10.1038/s41586-020-2649-2
BibTeX dla oprogramowania i pakietów
@manual{r-core-2026,
  author = {{R Core Team}},
  title = {R: A Language and Environment for Statistical Computing},
  organization = {R Foundation for Statistical Computing},
  address = {Vienna, Austria},
  year = {2026},
  url = {https://www.R-project.org/}
}
@book{vanrossum2009python,
  author = {Van Rossum, Guido and Drake, Fred L., Jr.},
  title = {Python 3 Reference Manual},
  publisher = {CreateSpace},
  year = {2009},
  isbn = {978-1-4414-1269-0}
}
@software{ibm2025spss,
  author = {{IBM Corp.}},
  title = {IBM SPSS Statistics for Macintosh},
  year = {2025},
  version = {31.0},
  publisher = {IBM Corp.}
}
@manual{revelle2026psych,
  author = {Revelle, William},
  title = {psych: Procedures for Psychological, Psychometric, and Personality Research},
  organization = {Northwestern University},
  year = {2026},
  note = {R package version 2.6.5},
  doi = {10.32614/CRAN.package.psych}
}
@inproceedings{mckinney2010pandas,
  author = {McKinney, Wes},
  title = {Data Structures for Statistical Computing in Python},
  booktitle = {Proceedings of the 9th Python in Science Conference},
  editor = {van der Walt, Stéfan and Millman, Jarrod},
  year = {2010},
  pages = {56--61},
  doi = {10.25080/Majora-92bf1922-00a}
}
@article{harris2020numpy,
  author = {Harris, Charles R. and Millman, K. Jarrod and van der Walt, Stéfan J. and Gommers, Ralf and Virtanen, Pauli and others},
  title = {Array Programming with NumPy},
  journal = {Nature},
  year = {2020},
  volume = {585},
  pages = {357--362},
  doi = {10.1038/s41586-020-2649-2}
}

Planujesz artykuł lub projekt naukowy?

Możemy przygotować plan analityczny, reprodukowalny kod, modele, raport publication-ready i odpowiedź na uwagi recenzentów.

Analizy statystyczne dla badaczyOmów projekt

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Open Science Collaboration. (2015). Estimating the reproducibility of psychological science. Science, 349(6251), aac4716. https://doi.org/10.1126/science.aac4716
  2. Ioannidis, J. P. A. (2005). Why most published research findings are false. PLoS Medicine, 2(8), e124. https://doi.org/10.1371/journal.pmed.0020124
  3. 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
  4. Wilson, G., Bryan, J., Cranston, K., Kitzes, J., Nederbragt, L., & Teal, T. K. (2017). Good enough practices in scientific computing. PLoS Computational Biology, 13(6), e1005510. https://doi.org/10.1371/journal.pcbi.1005510
  5. McNeish, D. (2018). Thanks coefficient alpha, we’ll take it from here. Psychological Methods, 23(3), 412–433. https://doi.org/10.1037/met0000144
  6. Dunn, T. J., Baguley, T., & Brunsden, V. (2014). From alpha to omega: A practical solution to the pervasive problem of internal consistency estimation. British Journal of Psychology, 105(3), 399–412. https://doi.org/10.1111/bjop.12046

Cytowania BibTeX

@article{osc2015reproducibility, author={{Open Science Collaboration}}, title={Estimating the reproducibility of psychological science}, journal={Science}, year={2015}, volume={349}, number={6251}, pages={aac4716}, doi={10.1126/science.aac4716}}
@article{ioannidis2005false, author={Ioannidis, John P. A.}, title={Why most published research findings are false}, journal={PLoS Medicine}, year={2005}, volume={2}, number={8}, pages={e124}, doi={10.1371/journal.pmed.0020124}}
@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{wilson2017computing, author={Wilson, Greg and Bryan, Jennifer and Cranston, Karen and Kitzes, Justin and Nederbragt, Lex and Teal, Tracy K.}, title={Good enough practices in scientific computing}, journal={PLoS Computational Biology}, year={2017}, volume={13}, number={6}, pages={e1005510}, doi={10.1371/journal.pcbi.1005510}}
@article{mcneish2018alpha, author={McNeish, Daniel}, title={Thanks coefficient alpha, we’ll take it from here}, journal={Psychological Methods}, year={2018}, volume={23}, number={3}, pages={412--433}, doi={10.1037/met0000144}}
@article{dunn2014omega, author={Dunn, Thomas J. and Baguley, Thom and Brunsden, Vivienne}, title={From alpha to omega: A practical solution to the pervasive problem of internal consistency estimation}, journal={British Journal of Psychology}, year={2014}, volume={105}, number={3}, pages={399--412}, doi={10.1111/bjop.12046}}
R