Test jednostronny czy dwustronny – który wybrać?

Autor: Konrad Hryniewicz · Opublikowano: 28 października 2026 · Aktualizacja: 26 października 2026

Zasada: dwustronny, chyba że masz mocny powód

Test dwustronny sprawdza, czy różnica istnieje w którąkolwiek stronę. Jednostronny sprawdza tylko jeden kierunek i cały poziom α umieszcza w jednym ogonie rozkładu. Definicje, obszary odrzucenia i symulację skutków wyboru kierunku po fakcie opisujemy w haśle test jednostronny i dwustronny. Tutaj chodzi o samą decyzję.

Ruxton i Neuhäuser (2010) stawiają testowi jednostronnemu dwa warunki. Musisz umieć wyjaśnić, dlaczego interesuje Cię tylko jeden kierunek. Musisz też umieć wyjaśnić, dlaczego duży efekt w kierunku przeciwnym potraktowałbyś tak samo jak brak efektu. Uzasadnienie powinno trafić do tekstu pracy. Lombardi i Hurlbert (2009) przyjęli jeszcze ostrzejsze kryterium: wyniki w przeciwnym kierunku nie mogą mieć znaczenia dla nikogo, nie tylko dla autora. Po przejrzeniu artykułów z czasopism Animal Behaviour i Oecologia uznali, że według tego kryterium żadne z analizowanych zastosowań testu jednostronnego nie wydawało się uprawnione.

Nie wszyscy są tak surowi. Cho i Abe (2013) uważają, że testów dwustronnych używa się do hipotez kierunkowych z błędnego przekonania, że są „bezpieczniejsze”, i z mylenia hipotezy badawczej ze statystyczną. Spór dotyczy jednak głównie badań z mocnym, wcześniej opisanym kierunkiem. Bland i Altman (1994) krytycznie oceniają uzasadnianie testu jednostronnego tym, że wynik przeciwny „nas nie interesuje”, i przypominają, że porównania trzech grup i więcej są zawsze dwustronne. W pracy dyplomowej, gdzie plan analizy rzadko jest zapisany przed badaniem, bezpiecznym i łatwym do obrony wyborem jest test dwustronny.

Co realnie zmienia test jednostronny?

Liczby z R (kod na dole strony) pokazują, co zyskujesz i co ryzykujesz:

• Wartość krytyczna jest niższa. Przy α = .05 w rozkładzie normalnym to 1.645 zamiast 1.960, a dla t z 58 stopniami swobody 1.672 zamiast 2.002. Test jednostronny na poziomie .05 odrzuca więc H₀ przy tym samym wyniku co test dwustronny na poziomie .10, tylko w jedną stronę.
• Wartość p spada o połowę, ale tylko w przewidywanym kierunku. Dla t(58) = 1.80 dwustronne p wynosi .077, a jednostronne .039. Gdyby ten sam wynik wyszedł w przeciwną stronę, t(58) = −1.80, jednostronne p wynosi .961. Test „nie widzi” wtedy efektu, nawet dużego.
• Potrzebujesz mniej osób. Do mocy .80 w teście t dla dwóch grup przy d = 0.5 test dwustronny wymaga 64 osób na grupę, a jednostronny 51. Przy d = 0.3 to 176 wobec 139. Przy 30 osobach na grupę i d = 0.5 moc wynosi .48 w teście dwustronnym i .61 w jednostronnym.

Ten zysk jest prawdziwy tylko wtedy, gdy kierunek ustalono przed zebraniem danych. Nosek i in. (2018) podkreślają, że zapisanie pytań i planu analiz przed poznaniem wyników pozwala odróżnić testowanie przewidywań od wyjaśniania wyników po fakcie. Jeśli kierunek wybierzesz po obejrzeniu danych, rzeczywisty poziom błędu I rodzaju wynosi około .10, a nie .05. Jak przygotować taki plan, opisujemy w poradniku plan analizy statystycznej i prerejestracja, a liczebność próby dla obu wariantów policzysz w kalkulatorze liczebności próby.

Decyzja działa w obie strony. Jeśli zaplanowałeś test jednostronny, a efekt wyszedł w przeciwnym kierunku, nie zmieniaj testu na dwustronny, żeby „uratować” istotny wynik. Napisz, że hipoteza się nie potwierdziła, i opisz zaobserwowany kierunek jako wynik eksploracyjny, do sprawdzenia w kolejnym badaniu. Podobnie przy wyniku nieistotnym: przedział ufności i wielkość efektu powiedzą więcej niż samo p, o czym piszemy w poradniku hipoteza się nie potwierdziła – co dalej.

Jak to opisać w pracy

Przy teście dwustronnym zwykle nie musisz nic dodawać, bo to ustawienie domyślne. Wystarczy w metodach zdanie „Wszystkie testy były dwustronne, α = .05”. Test jednostronny wymaga trzech informacji: że był jednostronny, w którą stronę i kiedy to ustalono. Wzór:

Podanie obu wartości p nic nie kosztuje, a od razu odpowiada na pytanie recenzenta albo promotora. Jednostronne i dwustronne p dla statystyki t albo współczynnika korelacji przeliczysz w kalkulatorze wartości p. Wybór testu do hipotezy w szerszym kontekście omawia przewodnik po wyborze testów statystycznych. Jeśli promotor kwestionuje Twój wybór, a nie wiesz, jak go uzasadnić, możesz omówić analizę ze statystykiem w ramach analiz statystycznych dla studentów. Uzasadnienie musisz jednak rozumieć i przedstawić sam(a).

# B145 – test jednostronny czy dwustronny: wartość krytyczna, p i liczebność próby
# Uruchomienie: LANG=en_US.UTF-8 LC_ALL=en_US.UTF-8 Rscript b145-jednostronny.R > b145-jednostronny-wynik.txt

# 1. Wartości krytyczne przy α = .05 (rozkład normalny i t dla df = 58)
round(c(z_dwustronny = qnorm(.975), z_jednostronny = qnorm(.95),
        t58_dwustronny = qt(.975, 58), t58_jednostronny = qt(.95, 58)), 3)

# 2. Jeden wynik, trzy wartości p: t(58) = 1.80 w przewidywanym kierunku i t(58) = −1.80 w przeciwnym
t_obs <- 1.80; df <- 58
round(c(p_dwustronne = 2 * pt(-abs(t_obs), df),
        p_jednostronne_zgodny = pt(t_obs, df, lower.tail = FALSE),
        p_jednostronne_przeciwny = pt(-t_obs, df, lower.tail = FALSE)), 3)

# 3. Ile osób na grupę do mocy .80 przy d = 0.5 i d = 0.3?
n_grupa <- function(d, alt) ceiling(power.t.test(delta = d, sd = 1, power = .80, alternative = alt)$n)
data.frame(d = c(0.5, 0.3),
           dwustronny = c(n_grupa(0.5, "two.sided"), n_grupa(0.3, "two.sided")),
           jednostronny = c(n_grupa(0.5, "one.sided"), n_grupa(0.3, "one.sided")))

# 4. Moc przy tej samej próbie (30 osób na grupę, d = 0.5)
round(c(dwustronny = power.t.test(n = 30, delta = 0.5)$power,
        jednostronny = power.t.test(n = 30, delta = 0.5, alternative = "one.sided")$power), 3)

    z_dwustronny   z_jednostronny   t58_dwustronny t58_jednostronny 
           1.960            1.645            2.002            1.672 
            p_dwustronne    p_jednostronne_zgodny p_jednostronne_przeciwny 
                   0.077                    0.039                    0.961 
    d dwustronny jednostronny
1 0.5         64           51
2 0.3        176          139
  dwustronny jednostronny 
       0.478        0.606 

Najczęstsze pytania

Czy hipoteza kierunkowa wymaga testu jednostronnego?

Nie. Hipotezę „trening obniży stres” sprawdzisz też testem dwustronnym: wystarczy, że wynik będzie istotny i w przewidywanym kierunku. Test jednostronny ma sens dopiero wtedy, gdy kierunek zapisano przed zebraniem danych, a efekt przeciwny nie miałby dla Ciebie znaczenia (Ruxton i Neuhäuser, 2010).

Ile osób mniej potrzeba przy teście jednostronnym?

Zwykle około jednej piątej mniej. Do mocy .80 w teście t dla dwóch grup przy d = 0.5 test dwustronny wymaga 64 osób na grupę, a jednostronny 51. Przy d = 0.3 to 176 wobec 139 (obliczenia w R na tej stronie).

Jak napisać w pracy, że test był dwustronny?

Wystarczy jedno zdanie w opisie analizy statystycznej, np. „Wszystkie testy były dwustronne, α = .05”. Przy teście jednostronnym napisz dodatkowo, w którą stronę testowano i że kierunek ustalono przed zebraniem danych. Warto też podać obie wartości p.

Powiązane hasła

Przeczytaj też

@article{bland1994statistics, author={Bland, J. Martin and Altman, Douglas G.}, title={{Statistics notes: One and two sided tests of significance}}, journal={BMJ}, year={1994}, volume={309}, number={6949}, pages={248}, doi={10.1136/bmj.309.6949.248}}

@article{cho2013two, author={Cho, Hyun-Chul and Abe, Shuzo}, title={{Is two-tailed testing for directional research hypotheses tests legitimate?}}, journal={Journal of Business Research}, year={2013}, volume={66}, number={9}, pages={1261--1266}, doi={10.1016/j.jbusres.2012.02.023}}

@article{lombardi2009misprescription, author={Lombardi, Celia M. and Hurlbert, Stuart H.}, title={{Misprescription and misuse of one-tailed tests}}, journal={Austral Ecology}, year={2009}, volume={34}, number={4}, pages={447--468}, doi={10.1111/j.1442-9993.2009.01946.x}}

@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{ruxton2010when, author={Ruxton, Graeme D. and Neuhäuser, Markus}, title={{When should we use one-tailed hypothesis testing?}}, journal={Methods in Ecology and Evolution}, year={2010}, volume={1}, number={2}, pages={114--117}, doi={10.1111/j.2041-210x.2010.00014.x}}