Prace dyplomowe · Magisterka

Statystyka do pracy magisterskiej: plan analiz, CFA, regresja hierarchiczna, moderacja i mediacja

Jak zaplanować i przeprowadzić analizy w pracy magisterskiej: plan z kryteriami decyzji, liczebność próby, model pomiarowy (CFA i omega), regresja hierarchiczna, moderacja z efektami prostymi, mediacja z bootstrapem i pytania na obronie – na danych do pobrania, z kodem R i wzorami opisu APA.

Strona główna / Blog / Statystyka do pracy magisterskiej
W skrócie: Praca magisterska wymaga zwykle modelu, a nie pojedynczego testu: najpierw sprawdzasz pomiar (CFA i omega), potem hipotezy regresją hierarchiczną, moderacją z efektami prostymi i mediacją z bootstrapem. Plan analiz z kryteriami decyzji spisz przed zebraniem danych, a na obronie bądź gotów(-owa) uzasadnić każdą decyzję: zmienne kontrolne, centrowanie, sposób testowania efektu pośredniego i ostrożną interpretację wyników przekrojowych.

Statystyka do pracy magisterskiej: czym różni się od licencjatu

W pracy licencjackiej zwykle wystarczą proste testy: porównanie grup, korelacja, chi-kwadrat (pokazujemy to w tekście statystyka do pracy licencjackiej). Praca magisterska stawia wyższą poprzeczkę w trzech miejscach:

  1. Model zamiast pojedynczej zależności. Hipotezy dotyczą kilku zmiennych naraz: czy predyktor wyjaśnia wynik ponad zmienne kontrolne, czy związek zależy od trzeciej zmiennej (moderacja), czy przebiega przez zmienną pośredniczącą (mediacja).
  2. Pomiar jako część analizy. Zanim policzysz wyniki skal, sprawdzasz, czy narzędzia mierzą to, co mają mierzyć – zwykle konfirmacyjną analizą czynnikową i współczynnikiem rzetelności.
  3. Uzasadnienie decyzji. Recenzent zapyta, dlaczego właśnie ten model, te zmienne kontrolne, ten sposób testowania efektu pośredniego. Odpowiedź „tak wyszło w programie” nie wystarczy.

Ten poradnik pokazuje cały proces na jednym przykładzie: plan analiz, liczebność próby, model pomiarowy, regresję hierarchiczną, moderację, mediację, skrócony opis wyników i przygotowanie do obrony. Wszystkie liczby pochodzą z kodu R na końcu strony (dane symulowane), a plik z danymi możesz pobrać i powtórzyć analizę.

Przykładowe badanie i hipotezy

260 studentów wypełniło cztery skale (pozycje 1–5): stresu akademickiego (4 pozycje), ruminacji (4), wypalenia studenckiego (5) i wsparcia społecznego (4). Zebrano też płeć i wiek. Hipotezy brzmią tak:

  • H1: Wyższy stres akademicki wiąże się z wyższym wypaleniem, także po uwzględnieniu płci i wieku.
  • H2: Ruminacja wyjaśnia dodatkową część zmienności wypalenia ponad stres.
  • H3: Wsparcie społeczne moderuje związek stresu z wypaleniem: im wyższe wsparcie, tym słabszy związek.
  • H4: Ruminacja pośredniczy w związku stresu z wypaleniem.

Plik do pobrania: statystyka-do-pracy-magisterskiej-dane.csv – 260 wierszy, 20 kolumn (id, płeć, wiek i 17 pozycji skal: STR1–STR4, RUM1–RUM4, WYP1–WYP5, WSP1–WSP4).

Plan analiz przed zebraniem danych

W magisterce plan analiz warto spisać, zanim zobaczysz wyniki – najlepiej jako tabelę dołączoną do konspektu albo wysłaną promotorowi. Nosek i in. (2019) opisują, że rejestrowanie planu z góry pozwala odróżnić analizy zaplanowane od nieplanowanych i ogranicza niezauważoną elastyczność w analizie. Autorzy przyznają przy tym, że podejmowanie decyzji przed analizą wymaga praktyki, a w raporcie trzeba uczciwie opisać zarówno plan, jak i odstępstwa od niego. Nie musisz formalnie rejestrować badania, ale sama tabela daje podobną ochronę. Szczegółowy wzór takiego planu znajdziesz w poradniku plan analizy statystycznej i prerejestracja.

Plan analiz pracy magisterskiej: hipoteza, model, kryterium decyzji i elementy raportu
Krok / hipotezaAnalizaKryterium decyzjiCo raportujesz
PomiarCFA czterech skal (estymator MLR), omega dla każdej skaliocena łączna wskaźników dopasowania i ładunków, bez mechanicznych progówχ², CFI, TLI, RMSEA z 90% CI, SRMR, zakres ładunków, ω
H1, H2regresja hierarchiczna: blok 1 – płeć i wiek, blok 2 – stres, blok 3 – ruminacjatest F zmiany R² w bloku 2 (H1) i 3 (H2); α = .05R², ΔR², F zmiany, b, SE, β, 95% CI, VIF
H3regresja z interakcją stres × wsparcie (predyktory centrowane)współczynnik interakcji; efekty proste przy ±1 SD wsparciab interakcji z 95% CI, ΔR², efekty proste, przedział Johnsona–Neymana, wykres
H4model mediacji, efekt pośredni z bootstrapem (5000 prób)95% przedział percentylowy efektu pośredniego nie obejmuje zeraścieżki a, b, c′, efekt pośredni i całkowity z 95% CI

Zwróć uwagę na kolumnę „Kryterium decyzji”. Zapisanie z góry, co uznasz za potwierdzenie hipotezy, chroni przed pokusą dobierania analizy do wyniku – i jest pierwszą rzeczą, o którą zapyta uważny recenzent.

Ile osób potrzeba do modeli w magisterce

Modele z interakcją i efektem pośrednim wymagają więcej osób niż pojedyncza korelacja. Fritz i MacKinnon (2007) policzyli w symulacjach, ile osób trzeba, by wykryć efekt pośredni z mocą .80. Przy małych ścieżkach a i b bootstrap percentylowy wymagał 558 osób, przy średnich – 78, a przy dużych – 36. Klasyczne podejście kroków przyczynowych wymagało przy małych ścieżkach ponad 20 tysięcy osób. Autorzy zaznaczają, że to dolne granice, bo błąd pomiaru zwiększa potrzebną liczebność. Interakcje w regresji są zwykle małe, więc ich wykrycie także wymaga dużych prób.

W pracy magisterskiej rzadko da się zbadać kilkaset osób. Lakens (2022) wymienia jednak różne prawomocne uzasadnienia liczebności – także ograniczone zasoby – pod warunkiem, że ocenisz, jakie efekty dana próba jest w stanie wykryć. Napisz to wprost w metodzie. Szczegóły i kalkulacje znajdziesz w poradniku dobór liczebności próby i w haśle analiza mocy a priori.

Krok 1. Model pomiarowy: CFA i rzetelność skal

Zanim policzysz wyniki skal, sprawdź, czy pozycje układają się w zakładane czynniki. W przykładzie dopasowano czteroczynnikowy model konfirmacyjnej analizy czynnikowej estymatorem MLR, odpornym na odchylenia od normalności. Wyniki:

  • χ²(113) = 134.72, p = .080 (wersja skalowana);
  • CFI = .986, TLI = .983, RMSEA = .027, 90% CI [.000, .043], SRMR = .040 (wersje odporne CFI, TLI i RMSEA);
  • standaryzowane ładunki od .63 do .79;
  • omega: stres .79, ruminacja .80, wypalenie .81, wsparcie .84.

Hu i Bentler (1999) zaproponowali na podstawie symulacji wartości odcięcia bliskie .95 dla CFI i TLI, .06 dla RMSEA i .08 dla SRMR. Zalecili też łączne raportowanie dwóch wskaźników i zauważyli, że przy małych próbach niektóre wskaźniki zbyt często odrzucają prawdziwe modele. Traktuj te wartości jako punkt odniesienia, a nie zero-jedynkowy test – w przykładzie wszystkie wskaźniki wskazują na dobre dopasowanie, więc decyzja jest łatwa. Jak wygląda tabela dopasowania, pokazuje hasło tabela dopasowania modelu CFA w APA, a przejście od analizy eksploracyjnej do konfirmacyjnej – poradnik analiza czynnikowa EFA i CFA.

Jako miarę rzetelności podajemy omegę McDonalda, a nie tylko alfę Cronbacha. McNeish (2018) pokazuje, że nierealistyczne założenia alfy zwykle prowadzą do zaniżania rzetelności, i omawia omegę jako jedną z alternatyw. Korelacje między czynnikami stresu, ruminacji i wypalenia wyniosły od .47 do .56 – są wyraźne, ale na tyle niższe od 1, że skale mierzą różne konstrukty.

Krok 2. Regresja hierarchiczna (H1 i H2)

Wyniki skal policzono jako średnie pozycji. Wypalenie korelowało ze stresem (r = .38) i ruminacją (r = .46), a słabiej i ujemnie ze wsparciem (r = −.17). Regresja hierarchiczna dodaje predyktory blokami i pyta, ile wyjaśnionej wariancji wnosi każdy blok.

Regresja hierarchiczna wypalenia: R², zmiana R² i test F zmiany w trzech blokach
BlokPredyktoryR²ΔR²F zmianyp
1płeć, wiek.014–––
2+ stres.155.141F(1, 256) = 48.40< .001
3+ ruminacja.257.102F(1, 255) = 34.86< .001

W modelu końcowym zarówno stres (b = 0.20, SE = 0.06, 95% CI [0.09, 0.32], β = .22, p < .001), jak i ruminacja (b = 0.35, SE = 0.06, 95% CI [0.23, 0.46], β = .36, p < .001) wiązały się z wypaleniem. Płeć (p = .124) i wiek (p = .282) nie miały znaczenia. Współczynniki VIF nie przekraczały 1.26, więc współliniowość nie stanowiła problemu. Obie hipotezy zostały więc potwierdzone.

Dlaczego płeć i wiek w pierwszym bloku? Nie dlatego, że „tak się robi”. Spector i Brannick (2011) nazywają automatyczne dołączanie zmiennych kontrolnych metodologiczną miejską legendą: te same wyniki mogą powstać przez różne mechanizmy, a kontrola zmiennej demograficznej bez teorii niczego nie „oczyszcza”. Zalecają jawne określenie roli każdej zmiennej kontrolnej. W metodzie napisz więc, dlaczego płeć i wiek mogą wiązać się zarówno ze stresem, jak i z wypaleniem. Jeśli nie masz takiego uzasadnienia, lepiej ich nie dołączać. Zapis tabeli współczynników pokazuje hasło tabela regresji liniowej w APA, a diagnostykę modelu – poradnik regresja wieloraka krok po kroku.

Krok 3. Moderacja: czy wsparcie osłabia związek stresu z wypaleniem? (H3)

Moderacja oznacza, że siła lub kierunek związku zależy od trzeciej zmiennej. Testuje się ją, dodając do regresji iloczyn predyktora i moderatora. Aiken i West (1991) w klasycznym podręczniku pokazują, jak skalowanie predyktorów wpływa na współczynniki w modelu z interakcją. Dlatego przed analizą wycentrowaliśmy stres i wsparcie (odjęliśmy średnie): współczynnik stresu oznacza wtedy jego związek z wypaleniem przy przeciętnym wsparciu.

Interakcja stres × wsparcie była istotna: b = −0.16, SE = 0.06, t(256) = −2.77, p = .006, 95% CI [−0.27, −0.05], i wyjaśniała dodatkowe 2.5% wariancji wypalenia (ΔR² = .025). Znak ujemny oznacza, że im wyższe wsparcie, tym słabszy związek stresu z wypaleniem. Efekty proste (nachylenia) stresu wyniosły:

  • przy niskim wsparciu (−1 SD): b = 0.49, SE = 0.07, 95% CI [0.34, 0.63], p < .001;
  • przy przeciętnym wsparciu: b = 0.33, SE = 0.05, 95% CI [0.23, 0.44], p < .001;
  • przy wysokim wsparciu (+1 SD): b = 0.18, SE = 0.08, 95% CI [0.03, 0.34], p = .020.

Przedział Johnsona–Neymana pokazuje, przy jakich wartościach moderatora efekt prosty jest istotny. W przykładzie związek stresu z wypaleniem był istotny dla wsparcia poniżej 4.16 punktu, a nieistotny powyżej – tak wysokie wsparcie zgłosiło 15.4% badanych. Rysunek 1 pokazuje te nachylenia na tle danych.

Wykres interakcji: trzy proste przewidywanego wypalenia względem stresu przy niskim (2.16), przeciętnym (3.10) i wysokim (4.05) wsparciu społecznym; nachylenia wynoszą 0.49, 0.33 i 0.18
Rysunek 1. Związek stresu akademickiego z wypaleniem przy trzech poziomach wsparcia społecznego (średnia oraz ±1 SD). Linie – przewidywane wypalenie z 95% przedziałem ufności, szare punkty – osoby badane, b – efekt prosty stresu. Obliczenia: R (dane symulowane).

Istotna interakcja nie zwalnia z pokazania efektów prostych: dopiero one mówią, jak związek wygląda w praktyce. Więcej przykładów, w tym moderację zmienną kategorialną, znajdziesz w poradniku analiza moderacji krok po kroku, a zasady rysowania – w haśle wykres interakcji.

Krok 4. Mediacja: efekt pośredni z bootstrapem (H4)

Mediacja zakłada, że predyktor wiąże się z wynikiem częściowo przez zmienną pośredniczącą. Preacher i Hayes (2008) definiują ją jako pośredni wpływ predyktora na zmienną zależną przez co najmniej jeden mediator i omawiają testowanie efektu pośredniego metodą bootstrap. Podręcznik Hayesa (2022) przedstawia całość – mediację, moderację i ich połączenia – w ramach regresji.

W przykładzie stres wiązał się z ruminacją (ścieżka a = 0.439, 95% CI [0.344, 0.535]), a ruminacja z wypaleniem przy kontroli stresu (ścieżka b = 0.352, 95% CI [0.226, 0.481]). Efekt pośredni ab wyniósł 0.154, a 95% percentylowy przedział bootstrap z 5000 prób (jedna się nie powiodła, wykorzystano 4999) – [0.095, 0.225]. Wartości efektu pośredniego podajemy z trzema miejscami po kropce, bo są małe. Przedział nie obejmuje zera, więc hipoteza 4 została potwierdzona. Efekt bezpośredni pozostał istotny (c′ = 0.204, 95% CI [0.082, 0.328]), a efekt całkowity wyniósł 0.358, 95% CI [0.246, 0.473]. W jednostkach całkowicie standaryzowanych efekt pośredni wyniósł .162.

Histogram 4999 bootstrapowych oszacowań efektu pośredniego ab od około 0.05 do 0.28; oszacowanie ab = 0.154, percentylowy 95% CI [0.095, 0.225] nie obejmuje zera
Rysunek 2. Rozkład efektu pośredniego stres → ruminacja → wypalenie w 4999 próbach bootstrap. Czerwona linia – oszacowanie z próby, niebieskie linie przerywane – granice 95% przedziału percentylowego. Obliczenia: R (dane symulowane).

Dwie rzeczy, które warto umieć wyjaśnić na obronie. Po pierwsze, nie potrzebujesz istotnego efektu całkowitego ani „kroków” Barona i Kenny’ego, żeby testować mediację. Zhao i in. (2010) pokazują słabości tej logiki i proponują testować bezpośrednio efekt pośredni. Po drugie, mediacja w badaniu przekrojowym nie dowodzi procesu w czasie. Maxwell i Cole (2007) wykazali, że przekrojowe analizy mediacji procesów rozwijających się w czasie dają zwykle wyraźnie obciążone oszacowania, nawet w idealnych warunkach. W dyskusji pisz więc o „wzorcu zgodnym z mediacją”, a nie o „mechanizmie”. Krok po kroku, także w PROCESS i lavaan, pokazuje poradnik analiza mediacji krok po kroku.

Jak opisać te wyniki w pracy (APA)

Każdy krok planu analiz to osobny akapit rozdziału wyników, w kolejności hipotez. Poniższe wzory możesz dostosować do własnych danych. Tabelę ścieżek mediacji przygotujesz według hasła tabela mediacji w APA.

Model pomiarowy z czterema skorelowanymi czynnikami (stres akademicki, ruminacja, wypalenie studenckie i wsparcie społeczne) oszacowano konfirmacyjną analizą czynnikową z estymatorem MLR. Dopasowanie modelu było dobre: χ²(113) = 134.72, p = .080, CFI = .986, TLI = .983, RMSEA = .027, 90% CI [.000, .043], SRMR = .040. Standaryzowane ładunki czynnikowe wynosiły od .63 do .79. Rzetelność skal oszacowana współczynnikiem omega wyniosła: stres .79, ruminacja .80, wypalenie .81 i wsparcie społeczne .84.
Hipotezy 1 i 2 sprawdzono regresją hierarchiczną z wypaleniem jako zmienną zależną. Płeć i wiek (blok 1) wyjaśniały 1.4% wariancji wypalenia. Dodanie stresu akademickiego (blok 2) zwiększyło odsetek wyjaśnionej wariancji o 14.1 punktu procentowego, ΔR² = .141, F(1, 256) = 48.40, p < .001, a dodanie ruminacji (blok 3) – o kolejne 10.2 punktu, ΔR² = .102, F(1, 255) = 34.86, p < .001. W modelu końcowym (R² = .257) wyższe wypalenie wiązało się zarówno z wyższym stresem, b = 0.20, 95% CI [0.09, 0.32], β = .22, p < .001, jak i z wyższą ruminacją, b = 0.35, 95% CI [0.23, 0.46], β = .36, p < .001.
Aby sprawdzić hipotezę 3, do modelu regresji z wycentrowanymi predyktorami dodano interakcję stresu i wsparcia społecznego. Interakcja była istotna, b = −0.16, SE = 0.06, t(256) = −2.77, p = .006, 95% CI [−0.27, −0.05], ΔR² = .025. Związek stresu z wypaleniem był najsilniejszy przy niskim wsparciu (−1 SD: b = 0.49, p < .001), słabszy przy przeciętnym (b = 0.33, p < .001) i najsłabszy przy wysokim wsparciu (+1 SD: b = 0.18, p = .020). Według przedziału Johnsona–Neymana związek był istotny przy wsparciu niższym niż 4.16 punktu; wyższe wsparcie zgłosiło 15.4% badanych.
Hipotezę 4 sprawdzono w modelu mediacji, a efekt pośredni oceniono percentylowym przedziałem bootstrap (5000 prób). Stres akademicki wiązał się z wyższą ruminacją, a = 0.439, 95% CI [0.344, 0.535], a ruminacja – z wyższym wypaleniem przy kontroli stresu, b = 0.352, 95% CI [0.226, 0.481]. Efekt pośredni stresu przez ruminację był istotny, ab = 0.154, 95% CI [0.095, 0.225]. Efekt bezpośredni pozostał istotny, c′ = 0.204, 95% CI [0.082, 0.328], co wskazuje na mediację częściową; efekt całkowity wyniósł 0.358, 95% CI [0.246, 0.473]. Ze względu na przekrojowy schemat badania wynik należy traktować jako zgodny z hipotezą mediacji, a nie jako dowód procesu przyczynowego.

Obrona wyników: pytania, które padają najczęściej

Na obronie pracy magisterskiej rzadko pytają o wzory. Pytają o decyzje. Przygotuj krótką odpowiedź na każde z poniższych pytań – w odniesieniu do własnych danych.

Typowe pytania komisji o analizy w pracy magisterskiej i zarys odpowiedzi
Pytanie komisjiZarys odpowiedzi
Dlaczego CFA, a nie eksploracyjna analiza czynnikowa?Skale mają ustaloną strukturę z wcześniejszych badań, więc sprawdzałem(-am) ją, a nie odkrywałem(-am). EFA byłaby właściwa przy nowym narzędziu.
Czy RMSEA = .027 oznacza, że model jest prawdziwy?Nie. Oznacza, że model dobrze odtwarza dane; inne modele mogą pasować równie dobrze. Progi dopasowania to wskazówki, a nie test prawdziwości.
Po co centrowanie w moderacji?Żeby współczynniki stresu i wsparcia oznaczały efekty przy przeciętnej wartości drugiej zmiennej. Test interakcji się nie zmienia.
Interakcja wyjaśnia tylko 2.5% wariancji. Czy to ma znaczenie?Efekty interakcji w badaniach korelacyjnych są zwykle małe; ważniejsze jest to, że nachylenie przy niskim wsparciu jest wyraźnie większe niż przy wysokim (0.49 wobec 0.18).
Dlaczego bootstrap, a nie test Sobela?Rozkład iloczynu ab zwykle nie jest normalny, a przedział bootstrap tego nie zakłada; w symulacjach Fritza i MacKinnona (2007) bootstrap wymagał mniejszych prób niż test Sobela.
Czy ruminacja powoduje wypalenie?Badanie przekrojowe tego nie rozstrzyga. Wynik jest zgodny z hipotezą mediacji, ale kierunek mógłby być też odwrotny; potrzebne byłyby pomiary w czasie.

Więcej pytań z przykładowymi odpowiedziami zebraliśmy w tekście pytania na obronie z metodologii i statystyki, a sposób przełożenia tych wyników na wnioski – w poradniku jak napisać dyskusję wyników.

Kiedy skorzystać z konsultacji statystycznej

Modele z tego poradnika wykraczają poza program wielu kursów statystyki, więc konsultacja jest w magisterce czymś naturalnym – zwłaszcza przy CFA, interakcjach i bootstrapie. Najwięcej daje na dwóch etapach: przy planie analiz (zanim zbierzesz dane) i przy interpretacji wyników (zanim napiszesz dyskusję). W ramach oferty analiz statystycznych dla studentów sprawdzamy plan, wykonujemy analizy z raportem i omawiamy każdą decyzję tak, abyś umiał(a) ją sam(a) uzasadnić przed komisją. Pracę piszesz Ty: musisz rozumieć każdy wynik i ujawnić pomoc zgodnie z zasadami uczelni.

Przykład reprodukowalny

Przykład w R

Kod odtwarza wszystkie liczby z tekstu, tabel i rysunków. Pobierz plik statystyka-do-pracy-magisterskiej-dane.csv, zapisz go w katalogu roboczym R i uruchom przepisy 2–5. Przepis 1 pokazuje, jak powstały dane. Bootstrap w przepisie 5 (5000 prób) trwa około dwóch–trzech minut; przepis 5 zapisuje też plik kod/p29-bootstrap-ab.rds z próbami do rysunku 2, więc przed uruchomieniem utwórz w katalogu roboczym folder kod.

1. Dane symulowane: 260 studentów, cztery skale

Dane wejściowe: brak – skrypt losuje dane (dane symulowane) i zapisuje plik CSV.

Co odczytać: wymiary zapisanego pliku: 260 wierszy, 20 kolumn.

R
# P29 – dane symulowane: badanie kwestionariuszowe 260 studentów do pracy magisterskiej
# Stres akademicki (STR), ruminacja (RUM), wypalenie studenckie (WYP) i wsparcie społeczne (WSP); pozycje 1–5.
# Tworzy plik CSV do pobrania. Uruchom z katalogu strony (strony/P29):  Rscript kod/p29-0-dane.R
set.seed(2910)
N <- 260
plec <- sample(c("K", "M"), N, replace = TRUE, prob = c(.7, .3))
wiek <- sample(21:27, N, replace = TRUE, prob = c(.12, .26, .27, .17, .09, .05, .04))
stres <- rnorm(N)
wsparcie <- -0.20 * stres + rnorm(N, sd = sqrt(1 - 0.04))
ruminacja <- 0.45 * stres + rnorm(N, sd = sqrt(1 - 0.45^2))
wypalenie <- 0.25 * stres + 0.35 * ruminacja - 0.20 * wsparcie - 0.24 * stres * wsparcie + rnorm(N, sd = 0.78)
pozycje <- function(cecha, lad, przedrostek) {
  cecha <- as.numeric(scale(cecha))
  m <- sapply(lad, function(l) {
    x <- l * cecha + rnorm(N, sd = sqrt(1 - l^2))
    as.integer(cut(x, breaks = c(-Inf, -1.35, -0.45, 0.4, 1.25, Inf)))
  })
  colnames(m) <- paste0(przedrostek, seq_along(lad)); m
}
dane <- data.frame(id = 1:N, plec, wiek,
                   pozycje(stres, c(.78, .72, .70, .66), "STR"),
                   pozycje(ruminacja, c(.80, .76, .71, .68), "RUM"),
                   pozycje(wypalenie, c(.79, .75, .73, .70, .62), "WYP"),
                   pozycje(wsparcie, c(.81, .77, .74, .69), "WSP"))
write.csv(dane, "statystyka-do-pracy-magisterskiej-dane.csv", row.names = FALSE, fileEncoding = "UTF-8")
dim(read.csv("statystyka-do-pracy-magisterskiej-dane.csv"))
Wynik w R
[1] 260  20

2. Model pomiarowy: CFA i omega

Dane wejściowe: plik CSV z pozycjami STR1–WSP4.

Co odczytać: skalowane χ² z df i p, odporne CFI, TLI i RMSEA z 90% CI, SRMR, zakres standaryzowanych ładunków w każdym czynniku, omegę dla każdej skali i korelacje między czynnikami.

R
# P29 – krok 1: model pomiarowy (CFA) i rzetelność skal (omega) – dane symulowane
library(lavaan)     # cfa()
library(semTools)   # compRelSEM(): omega dla każdego czynnika

dane <- read.csv("statystyka-do-pracy-magisterskiej-dane.csv")
model_pomiarowy <- '
  stres     =~ STR1 + STR2 + STR3 + STR4
  ruminacja =~ RUM1 + RUM2 + RUM3 + RUM4
  wypalenie =~ WYP1 + WYP2 + WYP3 + WYP4 + WYP5
  wsparcie  =~ WSP1 + WSP2 + WSP3 + WSP4
'
cfa_fit <- cfa(model_pomiarowy, data = dane, estimator = "MLR")
round(fitMeasures(cfa_fit, c("chisq.scaled", "df", "pvalue.scaled", "cfi.robust", "tli.robust",
                             "rmsea.robust", "rmsea.ci.lower.robust", "rmsea.ci.upper.robust", "srmr")), 3)
lad <- standardizedSolution(cfa_fit)
lad <- lad[lad$op == "=~", c("lhs", "rhs", "est.std")]
aggregate(est.std ~ lhs, data = lad, FUN = function(x) round(range(x), 2))
round(unlist(compRelSEM(cfa_fit)), 2)                    # omega (rzetelność złożona) dla każdej skali
# korelacje między czynnikami
round(lavInspect(cfa_fit, "cor.lv"), 2)
Wynik w R
         chisq.scaled                    df         pvalue.scaled 
              134.723               113.000                 0.080 
           cfi.robust            tli.robust          rmsea.robust 
                0.986                 0.983                 0.027 
rmsea.ci.lower.robust rmsea.ci.upper.robust                  srmr 
                0.000                 0.043                 0.040 
        lhs est.std.1 est.std.2
1 ruminacja      0.66      0.78
2     stres      0.66      0.78
3  wsparcie      0.73      0.79
4 wypalenie      0.63      0.73
    stres ruminacja wypalenie  wsparcie 
     0.79      0.80      0.81      0.84 
          stres rumncj wypaln wsparc
stres      1.00                     
ruminacja  0.56   1.00              
wypalenie  0.47   0.55   1.00       
wsparcie  -0.17  -0.13  -0.21   1.00

3. Regresja hierarchiczna

Dane wejściowe: ten sam plik; wyniki skal liczone jako średnie pozycji.

Co odczytać: średnie i korelacje skal, R² trzech modeli i ΔR², testy F zmiany (tabela anova), współczynniki modelu końcowego z 95% CI i β oraz VIF.

R
# P29 – krok 2: wyniki skal i regresja hierarchiczna (blok 1: płeć i wiek, blok 2: stres, blok 3: ruminacja)
dane <- read.csv("statystyka-do-pracy-magisterskiej-dane.csv")
skala <- function(prefiks) rowMeans(dane[, grep(paste0("^", prefiks), names(dane))])
dane$stres <- skala("STR"); dane$ruminacja <- skala("RUM"); dane$wypalenie <- skala("WYP"); dane$wsparcie <- skala("WSP")
dane$kobieta <- as.integer(dane$plec == "K")
round(sapply(dane[, c("stres", "ruminacja", "wypalenie", "wsparcie")], function(x) c(M = mean(x), SD = sd(x))), 2)
round(cor(dane[, c("stres", "ruminacja", "wypalenie", "wsparcie")]), 2)

m1 <- lm(wypalenie ~ kobieta + wiek, data = dane)
m2 <- update(m1, . ~ . + stres)
m3 <- update(m2, . ~ . + ruminacja)
r2 <- sapply(list(m1, m2, m3), function(m) summary(m)$r.squared)
round(c(R2_1 = r2[1], R2_2 = r2[2], R2_3 = r2[3], dR2_2 = r2[2] - r2[1], dR2_3 = r2[3] - r2[2]), 3)
anova(m1, m2, m3)                                  # test F zmiany R² dla kolejnych bloków
# współczynniki modelu końcowego: b, SE, t, p, 95% CI i beta (standaryzowane)
wsp <- cbind(summary(m3)$coefficients, confint(m3))
beta <- coef(lm(scale(wypalenie) ~ scale(kobieta) + scale(wiek) + scale(stres) + scale(ruminacja), data = dane))
round(cbind(wsp, beta = beta), 3)
round(cbind(b = coef(m3), confint(m3), beta = beta), 2)   # to samo z dwoma miejscami po kropce (do tekstu)
car::vif(m3)
Wynik w R
   stres ruminacja wypalenie wsparcie
M   3.06      3.05      3.01     3.10
SD  0.89      0.87      0.84     0.94
          stres ruminacja wypalenie wsparcie
stres      1.00      0.45      0.38    -0.13
ruminacja  0.45      1.00      0.46    -0.11
wypalenie  0.38      0.46      1.00    -0.17
wsparcie  -0.13     -0.11     -0.17     1.00
 R2_1  R2_2  R2_3 dR2_2 dR2_3 
0.014 0.155 0.257 0.141 0.102 
Analysis of Variance Table

Model 1: wypalenie ~ kobieta + wiek
Model 2: wypalenie ~ kobieta + wiek + stres
Model 3: wypalenie ~ kobieta + wiek + stres + ruminacja
  Res.Df    RSS Df Sum of Sq      F    Pr(>F)    
1    257 181.32                                  
2    256 155.38  1    25.942 48.395 2.926e-11 ***
3    255 136.69  1    18.689 34.864 1.123e-08 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
            Estimate Std. Error t value Pr(>|t|)  2.5 % 97.5 %   beta
(Intercept)    1.972      0.747   2.640    0.009  0.501  3.443  0.000
kobieta        0.157      0.102   1.542    0.124 -0.044  0.358  0.083
wiek          -0.033      0.031  -1.077    0.282 -0.094  0.027 -0.058
stres          0.205      0.057   3.563    0.000  0.092  0.318  0.215
ruminacja      0.348      0.059   5.905    0.000  0.232  0.464  0.357
                b 2.5 % 97.5 %  beta
(Intercept)  1.97  0.50   3.44  0.00
kobieta      0.16 -0.04   0.36  0.08
wiek        -0.03 -0.09   0.03 -0.06
stres        0.20  0.09   0.32  0.22
ruminacja    0.35  0.23   0.46  0.36
  kobieta      wiek     stres ruminacja 
 1.000782  1.003186  1.252879  1.255893 

4. Moderacja: interakcja, efekty proste i przedział Johnsona–Neymana

Dane wejściowe: ten sam plik; stres i wsparcie wycentrowane.

Co odczytać: współczynnik interakcji z 95% CI, ΔR² interakcji, SD wsparcia, efekty proste przy −1 SD, średniej i +1 SD, granicę Johnsona–Neymana w jednostkach skali i odsetek osób powyżej niej.

R
# P29 – krok 3: moderacja – czy wsparcie społeczne osłabia związek stresu z wypaleniem?
library(interactions)   # sim_slopes(): efekty proste i przedział Johnsona–Neymana
dane <- read.csv("statystyka-do-pracy-magisterskiej-dane.csv")
skala <- function(prefiks) rowMeans(dane[, grep(paste0("^", prefiks), names(dane))])
dane$stres <- skala("STR"); dane$wypalenie <- skala("WYP"); dane$wsparcie <- skala("WSP")
dane$stres_c <- dane$stres - mean(dane$stres)            # centrowanie predyktorów
dane$wsparcie_c <- dane$wsparcie - mean(dane$wsparcie)

mod <- lm(wypalenie ~ stres_c * wsparcie_c, data = dane)
round(cbind(summary(mod)$coefficients, confint(mod)), 3)
round(cbind(b = coef(mod), SE = sqrt(diag(vcov(mod))), confint(mod)), 2)
bez_interakcji <- lm(wypalenie ~ stres_c + wsparcie_c, data = dane)
round(c(dR2_interakcja = summary(mod)$r.squared - summary(bez_interakcji)$r.squared), 3)
round(sd(dane$wsparcie_c), 2)
ss <- sim_slopes(mod, pred = stres_c, modx = wsparcie_c, johnson_neyman = TRUE, digits = 3)
ss
round(as.data.frame(ss$slopes), 2)   # efekty proste z 95% CI (dwa miejsca po kropce)
# granica Johnsona–Neymana w jednostkach skali wsparcia (1–5) i odsetek osób powyżej niej
granica <- ss$jn[[1]]$bounds[1]
round(c(granica_skala = unname(granica) + mean(dane$wsparcie), proc_powyzej = 100 * mean(dane$wsparcie_c > granica)), 2)
Wynik w R
                   Estimate Std. Error t value Pr(>|t|)  2.5 % 97.5 %
(Intercept)           2.991      0.048  62.319    0.000  2.896  3.085
stres_c               0.335      0.054   6.157    0.000  0.228  0.442
wsparcie_c           -0.124      0.051  -2.421    0.016 -0.225 -0.023
stres_c:wsparcie_c   -0.159      0.058  -2.768    0.006 -0.273 -0.046
                       b   SE 2.5 % 97.5 %
(Intercept)         2.99 0.05  2.90   3.09
stres_c             0.33 0.05  0.23   0.44
wsparcie_c         -0.12 0.05 -0.22  -0.02
stres_c:wsparcie_c -0.16 0.06 -0.27  -0.05
dR2_interakcja 
         0.025 
[1] 0.94
JOHNSON-NEYMAN INTERVAL

When wsparcie_c is OUTSIDE the interval [1.062, 7.557], the slope of
stres_c is p < .05.

Note: The range of observed values of wsparcie_c is [-2.102, 1.898]

SIMPLE SLOPES ANALYSIS

Slope of stres_c when wsparcie_c = -9.445005e-01 (- 1 SD): 

   Est.    S.E.   t val.       p
------- ------- -------- -------
  0.485   0.075    6.495   0.000

Slope of stres_c when wsparcie_c = -8.198570e-17 (Mean): 

   Est.    S.E.   t val.       p
------- ------- -------- -------
  0.335   0.054    6.157   0.000

Slope of stres_c when wsparcie_c =  9.445005e-01 (+ 1 SD): 

   Est.    S.E.   t val.       p
------- ------- -------- -------
  0.184   0.079    2.332   0.020

  Value of wsparcie_c Est. S.E. 2.5% 97.5% t val.    p
1               -0.94 0.49 0.07 0.34  0.63   6.49 0.00
2                0.00 0.33 0.05 0.23  0.44   6.16 0.00
3                0.94 0.18 0.08 0.03  0.34   2.33 0.02
granica_skala  proc_powyzej 
         4.16         15.38 

5. Mediacja: efekt pośredni z bootstrapem

Dane wejściowe: ten sam plik; wyniki skal stresu, ruminacji i wypalenia.

Co odczytać: ścieżki a, b, c′, efekt pośredni i całkowity z percentylowymi 95% CI, standaryzowany efekt pośredni i liczbę udanych prób bootstrap (ostrzeżenie lavaan o jednej nieudanej próbie jest wtedy normalne).

R
# P29 – krok 4: mediacja – stres → ruminacja → wypalenie, efekt pośredni z bootstrapem (5000 prób)
library(lavaan)
dane <- read.csv("statystyka-do-pracy-magisterskiej-dane.csv")
skala <- function(prefiks) rowMeans(dane[, grep(paste0("^", prefiks), names(dane))])
dane$stres <- skala("STR"); dane$ruminacja <- skala("RUM"); dane$wypalenie <- skala("WYP")

model_mediacji <- '
  ruminacja ~ a * stres
  wypalenie ~ b * ruminacja + c_prim * stres
  posredni  := a * b
  calkowity := c_prim + a * b
'
set.seed(2911)
med <- sem(model_mediacji, data = dane, se = "bootstrap", bootstrap = 5000)
pe <- parameterEstimates(med, boot.ci.type = "perc")
pe <- pe[pe$label %in% c("a", "b", "c_prim", "posredni", "calkowity"), c("label", "est", "se", "pvalue", "ci.lower", "ci.upper")]
pe[, -1] <- round(pe[, -1], 3); print(pe, row.names = FALSE)
# efekt pośredni w jednostkach standaryzowanych (całkowicie standaryzowany)
ss <- standardizedSolution(med)
round(ss[ss$label == "posredni", "est.std"], 3)
# zapis prób bootstrapowych efektu pośredniego (do rysunku)
boot_ab <- lavInspect(med, "boot")
ab <- na.omit(boot_ab[, "a"] * boot_ab[, "b"])        # pomijamy ewentualne nieudane próby
saveRDS(ab, "kod/p29-bootstrap-ab.rds")
length(ab)                                         # liczba udanych prób bootstrapowych
Wynik w R
     label   est    se pvalue ci.lower ci.upper
         a 0.439 0.049  0.000    0.344    0.535
         b 0.352 0.065  0.000    0.226    0.481
    c_prim 0.204 0.063  0.001    0.082    0.328
  posredni 0.154 0.033  0.000    0.095    0.225
 calkowity 0.358 0.058  0.000    0.246    0.473
[1] 0.162
[1] 4999

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3; rysunki przygotowano w pakiecie ggplot2. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  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. lavaan (wersja 0.7-2): Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36. https://doi.org/10.18637/jss.v048.i02
  3. semTools (wersja 0.5-8): Jorgensen, T. D., Pornprasertmanit, S., Schoemann, A. M., & Rosseel, Y. (2026). semTools: Useful tools for structural equation modeling (Version 0.5-8) [R package]. https://doi.org/10.32614/CRAN.package.semTools
  4. interactions (wersja 1.2.0): Long, J. A. (2024). interactions: Comprehensive, user-friendly toolkit for probing interactions [R package]. https://doi.org/10.32614/CRAN.package.interactions
  5. car (wersja 3.1.5): Fox, J., & Weisberg, S. (2019). An R companion to applied regression (3rd ed.). Sage. https://www.john-fox.ca/Companion/
  6. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Najczęstsze pytania

Jakie analizy statystyczne są typowe dla pracy magisterskiej?

Poza statystykami opisowymi i rzetelnością skal najczęściej pojawiają się regresja wieloraka lub hierarchiczna, moderacja (interakcja w regresji), mediacja z bootstrapem efektu pośredniego oraz konfirmacyjna analiza czynnikowa narzędzi. Dobór zależy od hipotez: każda powinna mieć jedną, z góry zaplanowaną analizę.

Czym regresja hierarchiczna różni się od zwykłej regresji wielorakiej?

To ta sama regresja, ale predyktory wprowadzasz blokami w kolejności wynikającej z hipotez, np. najpierw zmienne kontrolne, potem główny predyktor. Dla każdego bloku raportujesz zmianę R² i test F tej zmiany, co pokazuje, ile wariancji wyjaśnia blok ponad poprzednie.

Ile osób potrzeba do analizy mediacji w pracy magisterskiej?

Zależy to od wielkości ścieżek. Według symulacji Fritza i MacKinnona (2007) bootstrap percentylowy potrzebuje do mocy .80 około 78 osób przy średnich ścieżkach a i b, ale około 558 przy małych. To dolne granice, bo błąd pomiaru zwiększa potrzebną liczebność.

Czy w pracy magisterskiej trzeba robić konfirmacyjną analizę czynnikową?

Nie zawsze, ale jest dobrze widziana, gdy używasz kilku skal o ustalonej strukturze albo narzędzia w nowej grupie. Pokazuje, że pozycje układają się w zakładane czynniki, zanim policzysz z nich wyniki. Przy nowym narzędziu właściwsza jest najpierw eksploracyjna analiza czynnikowa.

Jak przygotować się do pytań o statystykę na obronie magisterki?

Dla każdej analizy przygotuj jedno–dwa zdania: dlaczego ją wybrałeś(-aś), co oznacza najważniejszy wynik i czego ten wynik nie dowodzi. Komisja pyta zwykle o decyzje – zmienne kontrolne, sposób testowania efektu pośredniego, przyczynowość w badaniu przekrojowym – a nie o wzory.

Powiązane hasła

Przeczytaj też

Masz w magisterce moderację, mediację albo CFA?

Sprawdzimy plan analiz, wykonamy modele z raportem i omówimy każdą decyzję tak, abyś umiał(a) samodzielnie obronić wyniki przed komisją.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Aiken, L. S., & West, S. G. (1991). Multiple regression: Testing and interpreting interactions. Sage.
  2. Fritz, M. S., & MacKinnon, D. P. (2007). Required sample size to detect the mediated effect. Psychological Science, 18(3), 233–239. https://doi.org/10.1111/j.1467-9280.2007.01882.x ● Otwarty dostęp: pełny tekst
  3. Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). Guilford Press.
  4. Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
  5. Lakens, D. (2022). Sample size justification. Collabra: Psychology, 8(1), Article 33267. https://doi.org/10.1525/collabra.33267 ● Otwarty dostęp
  6. Maxwell, S. E., & Cole, D. A. (2007). Bias in cross-sectional analyses of longitudinal mediation. Psychological Methods, 12(1), 23–44. https://doi.org/10.1037/1082-989x.12.1.23
  7. McNeish, D. (2018). Thanks coefficient alpha, we’ll take it from here. Psychological Methods, 23(3), 412–433. https://doi.org/10.1037/met0000144
  8. Nosek, B. A., Beck, E. D., Campbell, L., Flake, J. K., Hardwicke, T. E., Mellor, D. T., van ’t Veer, A. E., & Vazire, S. (2019). Preregistration is hard, and worthwhile. Trends in Cognitive Sciences, 23(10), 815–818. https://doi.org/10.1016/j.tics.2019.07.009 ● Otwarty dostęp: pełny tekst
  9. Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods, 40(3), 879–891. https://doi.org/10.3758/BRM.40.3.879 ● Otwarty dostęp
  10. Spector, P. E., & Brannick, M. T. (2011). Methodological urban legends: The misuse of statistical control variables. Organizational Research Methods, 14(2), 287–305. https://doi.org/10.1177/1094428110369842
  11. Zhao, X., Lynch, J. G., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and truths about mediation analysis. Journal of Consumer Research, 37(2), 197–206. https://doi.org/10.1086/651257 ● Otwarty dostęp

Cytowania BibTeX

@book{aiken1991multiple, author={Aiken, Leona S. and West, Stephen G.}, title={{Multiple regression: Testing and interpreting interactions}}, year={1991}, publisher={Sage}}
@article{fritz2007required, author={Fritz, Matthew S. and MacKinnon, David P.}, title={{Required sample size to detect the mediated effect}}, journal={Psychological Science}, year={2007}, volume={18}, number={3}, pages={233--239}, doi={10.1111/j.1467-9280.2007.01882.x}}
@book{hayes2022introduction, author={Hayes, Andrew F.}, title={{Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.)}}, year={2022}, publisher={Guilford Press}, url={https://www.guilford.com/books/Introduction-to-Mediation-Moderation-and-Conditional-Process-Analysis/Andrew-Hayes/9781462549030}}
@article{hu1999cutoff, author={Hu, Li-tze and Bentler, Peter M.}, title={{Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives}}, journal={Structural Equation Modeling: A Multidisciplinary Journal}, year={1999}, volume={6}, number={1}, pages={1--55}, doi={10.1080/10705519909540118}}
@article{lakens2022sample, author={Lakens, Daniël}, title={{Sample size justification}}, journal={Collabra: Psychology}, year={2022}, volume={8}, number={1}, eid={33267}, doi={10.1525/collabra.33267}}
@article{maxwell2007bias, author={Maxwell, Scott E. and Cole, David A.}, title={{Bias in cross-sectional analyses of longitudinal mediation}}, journal={Psychological Methods}, year={2007}, volume={12}, number={1}, pages={23--44}, doi={10.1037/1082-989x.12.1.23}}
@article{mcneish2018thanks, 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{nosek2019preregistration, author={Nosek, Brian A. and Beck, Emorie D. and Campbell, Lorne and Flake, Jessica K. and Hardwicke, Tom E. and Mellor, David T. and van ’t Veer, Anna E. and Vazire, Simine}, title={{Preregistration is hard, and worthwhile}}, journal={Trends in Cognitive Sciences}, year={2019}, volume={23}, number={10}, pages={815--818}, doi={10.1016/j.tics.2019.07.009}}
@article{preacher2008asymptotic, author={Preacher, Kristopher J. and Hayes, Andrew F.}, title={{Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models}}, journal={Behavior Research Methods}, year={2008}, volume={40}, number={3}, pages={879--891}, doi={10.3758/brm.40.3.879}}
@article{spector2011methodological, author={Spector, Paul E. and Brannick, Michael T.}, title={{Methodological urban legends: The misuse of statistical control variables}}, journal={Organizational Research Methods}, year={2011}, volume={14}, number={2}, pages={287--305}, doi={10.1177/1094428110369842}}
@article{zhao2010reconsidering, author={Zhao, Xinshu and Lynch, John G. and Chen, Qimei}, title={{Reconsidering Baron and Kenny: Myths and truths about mediation analysis}}, journal={Journal of Consumer Research}, year={2010}, volume={37}, number={2}, pages={197--206}, doi={10.1086/651257}}
R