Statystyka do pracy licencjackiej: analiza krok po kroku

Autor: Konrad Hryniewicz · Opublikowano: 21 sierpnia 2026 · Aktualizacja: 22 sierpnia 2026

Co obejmuje analiza statystyczna pracy licencjackiej?

Opracowanie statystyczne nie powinno oznaczać samego eksportu tabel ze SPSS, jamovi albo R. Użyteczny rezultat obejmuje kontrolę pytań i hipotez, słownik zmiennych, reguły czyszczenia danych, statystyki opisowe, analizę główną, diagnostykę założeń, miary efektu, przedziały ufności oraz komentarz wyjaśniający, co wynik znaczy w kontekście pracy. Standardy raportowania zalecają opisywanie całej drogi od projektu do wniosku, a nie wyłącznie wartości p (Appelbaum et al., 2018; Lang & Altman, 2015).

Co przygotować przed analizą?

• Temat, cel pracy oraz zaakceptowane pytania badawcze i hipotezy.
• Kwestionariusz ze wskazaniem źródeł skal i kluczy punktowania.
• Surowy eksport danych bez ręcznego usuwania niewygodnych odpowiedzi.
• Informację, kto tworzy populację i jak rekrutowano uczestników.
• Wytyczne promotora lub uczelni dotyczące zapisu tabel i wyników.
• Termin oddania oraz informację, które decyzje są już zatwierdzone.

Jeżeli badanie jeszcze się nie rozpoczęło, warto najpierw sprawdzić niezbędną liczebność próby i konstrukcję ankiety. Jeżeli dane już są zebrane, punktem wyjścia jest ich audyt, a nie dobieranie testu po tym, który wynik okaże się istotny.

Jakie analizy pojawiają się najczęściej?

W pracach licencjackich często wystarczają dobrze wykonane statystyki opisowe, analiza rzetelności skali, testy porównujące dwie lub kilka grup, korelacje oraz prosta regresja. Nie ma jednak uniwersalnego pakietu. Dla wyniku porządkowego, powtarzanych pomiarów albo silnie niezrównoważonych grup potrzebna może być inna metoda. Nazwa hipotezy nie wybiera testu automatycznie — decydują projekt, skala, zależność obserwacji i postać wyniku.

Brief do wyceny i konsultacji

Pomoc statystyczna a samodzielność autora

Wsparcie metodologiczne powinno być transparentne. Student musi rozumieć pytania, dane, zastosowane metody i ograniczenia, ponieważ to on odpowiada za treść pracy i przedstawia ją podczas obrony. Dlatego raport powinien zawierać nie tylko liczby, ale także uzasadnienie wyboru modelu, objaśnienie symboli i wskazanie, jak odtworzyć analizę. Taki sposób pracy jest bardziej wartościowy niż anonimowy plik z tabelami bez możliwości wyjaśnienia decyzji.

Najczęstsze błędy w statystyce do licencjatu

• zbieranie danych przed ustaleniem sposobu liczenia zmiennych;
• traktowanie każdej odpowiedzi Likerta jak osobnego wyniku głównego;
• usuwanie rekordów bez zapisanej reguły;
• dobieranie testu wyłącznie na podstawie testu normalności;
• raportowanie samego p bez efektu i przedziału ufności;
• używanie języka przyczynowego w badaniu przekrojowym;
• wklejanie tabel programu bez opisania próby i znaczenia wyniku.

Najczęstsze pytania

Ile kosztuje statystyka do pracy licencjackiej?

Cena zależy od stanu danych, liczby pytań badawczych, rodzaju modeli, jakości kwestionariusza, wymaganych tabel i terminu. Zamiast udawać jedną cenę dla każdego projektu, przygotowaliśmy osobny przewodnik: analiza statystyczna — cena i sposób wyceny.

Czy można zlecić samą analizę ankiety?

Tak, ale analiza ankiety powinna obejmować również kontrolę kodowania, braków danych i sposobu tworzenia wyników skal. Zobacz poradnik analiza danych ankietowych.

Kiedy najlepiej zgłosić się po pomoc?

Najlepiej przed zebraniem danych. Wtedy można jeszcze poprawić pytania, plan próby i operacjonalizację. Po zebraniu danych nadal można wykonać rzetelną analizę, lecz nie każdy problem projektu da się naprawić statystyką.

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Appelbaum et al., 2018).

surowe <- read.csv("ankieta.csv", na.strings = c("", "NA"))
dane <- surowe

# Duplikaty ID i wcześniej ustalone kryterium czasu.
dane$duplikat <- duplicated(dane$id) | duplicated(dane$id, fromLast = TRUE)
dane$za_szybko <- dane$czas_sekundy < 120

# Pozycja odwrócona 1–5 i wynik tylko przy komplecie czterech pozycji.
dane$item3_r <- 6 - dane$item3
dane$wynik <- rowMeans(dane[c("item1", "item2", "item3_r", "item4")], na.rm = FALSE)

# Wielokrotny wybór zapisany jako tekst rozdzielany średnikiem.
dane$wybor_A <- grepl("(^|;)A(;|$)", dane$pytanie_wielokrotne)
dane$wybor_B <- grepl("(^|;)B(;|$)", dane$pytanie_wielokrotne)

table(dane$duplikat, useNA = "ifany")
table(dane$za_szybko, useNA = "ifany")

import pandas as pd

raw = pd.read_csv("ankieta.csv")
df = raw.copy()
df["duplikat"] = df.duplicated("id", keep=False)
df["za_szybko"] = df["czas_sekundy"] < 120

df["item3_r"] = 6 - df["item3"]
items = ["item1", "item2", "item3_r", "item4"]
df["wynik"] = df[items].mean(axis=1, skipna=False)

wybory = df["pytanie_wielokrotne"].fillna("").str.get_dummies(sep=";")
df = pd.concat([df, wybory.add_prefix("wybor_")], axis=1)
print(df[["duplikat", "za_szybko"]].sum())

SORT CASES BY id.
MATCH FILES FILE=* /BY id /FIRST=pierwszy /LAST=ostatni.
COMPUTE duplikat=(pierwszy=0 OR ostatni=0).
COMPUTE za_szybko=(czas_sekundy<120).

COMPUTE item3_r=6-item3.
COMPUTE wynik=MEAN.4(item1,item2,item3_r,item4).

COMPUTE wybor_A=(INDEX(CONCAT(';',RTRIM(pytanie_wielokrotne),';'),';A;')>0).
COMPUTE wybor_B=(INDEX(CONCAT(';',RTRIM(pytanie_wielokrotne),';'),';B;')>0).
EXECUTE.

FREQUENCIES VARIABLES=duplikat za_szybko wybor_A wybor_B.

dane <- read.csv("dane.csv")

# Cała próba.
c(N = nrow(dane), braki_wiek = sum(is.na(dane$wiek)))
with(dane, c(M = mean(wiek, na.rm = TRUE),
             SD = sd(wiek, na.rm = TRUE),
             Me = median(wiek, na.rm = TRUE)))
prop.table(table(dane$plec, useNA = "ifany")) * 100

# Wiek według grup.
aggregate(wiek ~ grupa, data = dane,
          FUN = function(x) c(N = sum(!is.na(x)), M = mean(x, na.rm = TRUE),
                              SD = sd(x, na.rm = TRUE)))

import pandas as pd

df = pd.read_csv("dane.csv")
print("N =", len(df))
print(df["wiek"].describe(percentiles=[.25, .50, .75]))
print(pd.crosstab(df["plec"], columns="n", margins=True))
print(pd.crosstab(df["plec"], columns="procent", normalize=True) * 100)

tabela_grup = df.groupby("grupa", dropna=False)["wiek"].agg(
    N="count", M="mean", SD="std", Me="median"
)
print(tabela_grup)

GET DATA /TYPE=TXT
 /FILE='dane.csv'
 /DELCASE=LINE /DELIMITERS="," /FIRSTCASE=2
 /VARIABLES=wiek F8.2 plec A20 grupa A20.

FREQUENCIES VARIABLES=plec grupa
 /ORDER=ANALYSIS.

MEANS TABLES=wiek BY grupa
 /CELLS=COUNT MEAN STDDEV MEDIAN MIN MAX.

@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.}
}

@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{appelbaum2018jars, 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}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}

@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{lang2015sampl, author={Lang, Thomas A. and Altman, Douglas G.}, title={Basic statistical reporting for articles published in biomedical journals: the SAMPL guidelines}, journal={International Journal of Nursing Studies}, year={2015}, volume={52}, number={1}, pages={5--9}, doi={10.1016/j.ijnurstu.2014.09.006}}

@article{altman2015reporting, author={Altman, Douglas G.}, title={Making research articles fit for purpose: structured reporting of key methods and findings}, journal={Trials}, year={2015}, volume={16}, pages={53}, doi={10.1186/s13063-015-0575-7}}

@article{vonelm2007strobe, author={von Elm, Erik and others}, title={The STROBE statement}, journal={PLoS Medicine}, year={2007}, volume={4}, number={10}, pages={e296}, doi={10.1371/journal.pmed.0040296}}

@article{kelley2003survey, author={Kelley, Kate and Clark, Belinda and Brown, Vivienne and Sitzia, John}, title={Good practice in the conduct and reporting of survey research}, journal={International Journal for Quality in Health Care}, year={2003}, volume={15}, number={3}, pages={261--266}, doi={10.1093/intqhc/mzg031}}