Statystyka do pracy magisterskiej: od planu do raportu

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

Czym statystyka w pracy magisterskiej różni się od prostego „policzenia wyników”?

Analiza statystyczna do pracy magisterskiej zwykle wymaga większej liczby decyzji niż pojedynczy test. Trzeba rozróżnić analizy główne i dodatkowe, ustalić sposób obsługi braków danych, ocenić jakość pomiaru, uzasadnić liczebność i zaplanować diagnostykę modeli. Raport powinien pozwolić promotorowi lub recenzentowi prześledzić, jak z danych powstał wniosek (Appelbaum et al., 2018; Altman, 2015).

Plan analizy przed zebraniem danych

1. Przepisz każde pytanie badawcze na konkretny parametr: różnicę, korelację, współczynnik regresji, efekt pośredni albo zmianę w czasie.
2. Określ główny wynik, predyktory, zmienne kontrolne i punkt czasowy.
3. Ustal minimalny efekt, który ma znaczenie merytoryczne, i na tej podstawie uzasadnij próbę.
4. Zapisz kryteria wykluczania, sposób liczenia skal oraz obsługę braków.
5. Oddziel analizy potwierdzające od eksploracyjnych.

Tak przygotowany plan ogranicza pokusę poszukiwania przypadkowych zależności. Jeżeli projekt obejmuje wiele pytań, warto rozważyć prerejestrację lub przynajmniej datowany plan analizy.

Statystyka w pracy magisterskiej z psychologii

W psychologii szczególnej uwagi wymagają skale wielopozycyjne. Sam wysoki współczynnik alfa nie potwierdza jednowymiarowości ani trafności. W zależności od celu potrzebna może być omega, analiza czynnikowa, ocena trafności zbieżnej i różnicowej lub sprawdzenie niezmienniczości pomiaru. Zobacz osobne materiały o rzetelności skali i EFA oraz CFA.

Co powinien zawierać kompletny pakiet wyników?

• Opis wersji danych i wszystkich reguł przygotowania.
• Tabelę charakterystyki próby i informacje o brakach.
• Wyniki jakości pomiaru, jeśli użyto skal.
• Tabele analiz głównych z efektami oraz przedziałami ufności.
• Wykresy odpowiadające pytaniom, nie tylko ozdobne.
• Diagnostykę i analizy wrażliwości.
• Opis metod, wyników oraz ograniczeń napisany językiem zrozumiałym dla autora.
• Plik analizy lub składnię umożliwiającą odtworzenie obliczeń.

Karta zakresu analizy magisterskiej

Jak wygląda współpraca, która pomaga przygotować się do obrony?

Pomoc statystyczna ma sens wtedy, gdy autor rozumie analizę. Dlatego każda kluczowa decyzja powinna mieć krótkie uzasadnienie: dlaczego ten model, które założenia są istotne, co oznacza współczynnik i gdzie kończy się zakres wniosku. Przydatne jest także spotkanie po oddaniu raportu, podczas którego można przećwiczyć odpowiedzi na pytania o dobór próby, brak normalności, wartość p, wielkość efektu oraz ograniczenia badania.

Błędy, które najczęściej komplikują analizę

• hipotezy sformułowane po obejrzeniu wyników;
• kilkanaście modeli bez określenia analizy głównej;
• mała liczba zdarzeń w regresji logistycznej;
• sumowanie pozycji bez sprawdzenia klucza i struktury skali;
• automatyczne usuwanie obserwacji odstających;
• wnioski przyczynowe z jednorazowego badania ankietowego;
• brak pliku umożliwiającego odtworzenie analizy.

Najczęstsze pytania

Ile kosztuje statystyka do pracy magisterskiej?

Koszt zależy przede wszystkim od liczby hipotez, stanu bazy, złożoności pomiaru i modeli oraz zakresu raportu. Szczegóły opisuje poradnik cena analizy statystycznej.

Czy analiza może zostać wykonana po zebraniu danych?

Tak. Najpierw trzeba jednak oddzielić problemy możliwe do naprawienia od ograniczeń projektu. Nie należy wymyślać nowych kryteriów tylko po to, by uzyskać oczekiwany wynik.

Czy otrzymam same tabele?

Same tabele są zwykle niewystarczające. Użyteczny rezultat obejmuje opis danych, uzasadnienie metod, efekty, niepewność, diagnostykę i interpretację.

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{lakens2022sample, author={Lakens, Daniël}, title={Sample size justification}, journal={Collabra: Psychology}, year={2022}, volume={8}, number={1}, pages={33267}, doi={10.1525/collabra.33267}}

@article{maxwell2008samplesize, author={Maxwell, Scott E. and Kelley, Ken and Rausch, Joseph R.}, title={Sample size planning for statistical power and accuracy in parameter estimation}, journal={Annual Review of Psychology}, year={2008}, volume={59}, pages={537--563}, doi={10.1146/annurev.psych.59.103006.093735}}