Prace dyplomowe · jamovi

Test t w jamovi krok po kroku – próby niezależne, zależne i jedna próba

Jak w jamovi porównać dwie grupy, dwa pomiary tych samych osób albo średnią z wartością odniesienia: typy zmiennych, które pola zaznaczyć w oknach T-Tests, jak czytać każdą tabelę (Student, Welch, Mann–Whitney, Levene, Shapiro–Wilk), gdzie jest d Cohena i gotowy opis APA – na danych do pobrania.

Strona główna / Blog / Test t w jamovi
W skrócie: W jamovi wszystkie trzy testy t są w Analyses → T-Tests: Independent Samples T-Test (dwie grupy osób), Paired Samples T-Test (dwa pomiary tych samych osób) i One Sample T-Test (średnia a wartość odniesienia). W teście dla grup zaznacz Welch's przed obejrzeniem wyników i przepisz ten wiersz, a nie wiersz wybrany po teście Levene’a. Włącz Mean difference z przedziałem ufności, Effect size i Descriptives. Pamiętaj, że jamovi nie podaje przedziału ufności dla d w wierszu Welcha, a znak korelacji rangowo-dwuseryjnej przy Mann–Whitneyu bywa odwrotny niż znak różnicy średnich.

Do czego służy test t w jamovi

Test t porównuje średnie. W jamovi wszystkie jego wersje są w jednym miejscu: na karcie Analyses w grupie T-Tests (The jamovi project, b.d.-b). Wybór procedury zależy od tego, co porównujesz:

Trzy procedury z menu T-Tests w jamovi: pytanie badawcze, układ danych i test nieparametryczny dostępny w tym samym oknie
PytanieProcedura w jamoviUkład danychOpcja nieparametryczna w oknie
Czy dwie grupy osób różnią się średnią?Independent Samples T-Testwynik w jednej kolumnie, grupa w drugiejMann-Whitney U
Czy te same osoby zmieniły się między pomiarami?Paired Samples T-Testkażdy pomiar w osobnej kolumnie, jedna osoba w jednym wierszuWilcoxon rank
Czy średnia różni się od wartości odniesienia?One Sample T-Testjedna kolumna i liczba wpisana w Test valueWilcoxon rank

Logikę testu opisuje poradnik test t Studenta krok po kroku, a definicje – hasła test t dla prób niezależnych, test t dla prób zależnych i test t dla jednej próby. Interfejs jamovi pokazuje wpis jamovi krok po kroku. Tutaj omawiamy każde pole okna i każdą tabelę testu t. Wersję dla SPSS opisuje wpis test t w SPSS krok po kroku.

Nazwy opcji podajemy po angielsku, jak w dokumentacji i plikach definicji analiz (The jamovi project, b.d.-b, b.d.-d), a polskie – według pliku tłumaczeń pakietu jmv. W Twojej wersji mogą się nieco różnić.

Przykład i pliki do pobrania

Liczby pochodzą z symulowanej ankiety 104 osób studiujących:

  • praca – praca zarobkowa: „nie pracuje” (n = 62) albo „pracuje” (n = 42);
  • zmeczenie – zmęczenie w semestrze, średnia z pozycji skali 1–5;
  • stres_paz i stres_sty – stres (1–5) w październiku i w styczniu; cztery osoby nie wypełniły ankiety w styczniu;
  • satysfakcja – satysfakcja ze studiów (1–5).

Pobierz plik CSV albo ten sam zbiór jako plik .sav z etykietami. jamovi otwiera oba formaty z menu ☰ → Open (The jamovi project, b.d.-b).

Przygotowanie danych w jamovi

Otwórz edytor zmiennej (dwuklik na nagłówku kolumny) i sprawdź trzy rzeczy. Szerzej opisuje to wpis przygotowanie danych i statystyki opisowe w jamovi.

  1. Typ zmiennej. Wynik (zmeczenie, oba pomiary stresu, satysfakcja) ustaw jako Continuous. Zmienną grupującą praca – jako Nominal (The jamovi project, b.d.-b).
  2. Dokładnie dwa poziomy. Zmienna grupująca musi mieć dwa poziomy. Przy trzech poziomach analiza zatrzyma się z komunikatem, że Grouping Variable musi mieć dokładnie dwa poziomy (The jamovi project, b.d.-d). Przy trzech grupach użyj ANOVA w jamovi.
  3. Kolejność poziomów. Pierwszy poziom to Group 1, drugi – Group 2. Różnica średnich to „grupa 1 minus grupa 2” (The jamovi project, b.d.-d). Tu grupą 1 są niepracujący, więc różnica wychodzi ujemna.

Test dla par wymaga formatu szerokiego (danych „obok siebie”): stres_paz i stres_sty to osobne kolumny, a oba pomiary jednej osoby są w jednym wierszu (The jamovi project, b.d.-b).

Test t dla prób niezależnych: okno krok po kroku

Wybierz Analyses → T-Tests → Independent Samples T-Test (po polsku: Testy t → Test t dla prób niezależnych). Przeciągnij zmeczenie do pola Dependent Variables, a praca do pola Grouping Variable (The jamovi project, b.d.-b). Potem ustaw opcje w kolejnych częściach okna (The jamovi project, b.d.-d; Selker i in., 2025):

  • Tests: zaznacz Welch's (Test Welcha). Student's jest zaznaczony domyślnie. Mann-Whitney U dodaje trzeci wiersz tabeli.
  • Hypothesis: zostaw Group 1 ≠ Group 2 (test dwustronny).
  • Missing values: domyślne Exclude cases analysis by analysis usuwa braki osobno dla każdej zmiennej; Exclude cases listwise – osobę z brakiem w którejkolwiek zmiennej.
  • Additional Statistics: zaznacz Mean difference z Confidence interval, Effect size z Confidence interval oraz Descriptives. Opcjonalnie Descriptives plots.
  • Assumption Checks (Weryfikacja założeń): Homogeneity test (test Levene’a), Normality test (Shapiro–Wilk) i Q-Q plot.

Wyniki zmieniają się przy każdym kliknięciu (The jamovi project, b.d.-b), więc zestaw opcji ustal przed analizą.

Wydruk: jak czytać tabele testu dla grup

Tabele niżej mają układ tabel jamovi z zaokrągleniem do trzech miejsc. Liczby policzone pakietem jmv (silnik analiz jamovi); układ tabeli jak w jamovi. Pogrubiono liczby, które trafią do pracy.

Independent Samples T-Test, zmęczenie w semestrze – liczby policzone pakietem jmv (silnik analiz jamovi); układ tabeli jak w jamovi
StatisticdfpMean differenceSE difference95% Confidence IntervalEffect Size95% Confidence Interval
LowerUpperLowerUpper
zmeczenieStudent's t−2.645102.0000.009−0.3560.134−0.623−0.089Cohen's d−0.529−0.926−0.129
Welch's t−2.43363.0590.018−0.3560.146−0.648−0.064Cohen's d−0.506
Mann-Whitney U935.0000.015−0.360−0.650−0.080Rank biserial correlation0.282

Pod tabelą jamovi wypisuje hipotezę alternatywną: średnia grupy „nie pracuje” różna od średniej grupy „pracuje”. To trzy testy na tych samych danych – do pracy przepisz jeden wiersz, wybrany przed analizą.

  • Welch's t nie wymaga równych wariancji, stąd ułamkowe stopnie swobody (63.059) i większy błąd standardowy różnicy (0.146 zamiast 0.134). Wynik: t(63.06) = −2.43, p = .018. Różnica średnich wynosi −0.36 punktu, 95% CI [−0.65, −0.06].
  • Mann-Whitney U to test rangowy: U = 935, p = .015. Kolumna Mean difference zawiera tu nie różnicę średnich, lecz przesunięcie Hodgesa–Lehmanna (−0.36) – w kodzie jmv to oszacowanie z funkcji wilcox.test (The jamovi project, b.d.-d).

Test Levene’a i wybór wiersza

Homogeneity of Variances Test (Levene's) i Normality Test (Shapiro-Wilk) – liczby policzone pakietem jmv (silnik analiz jamovi); układ tabeli jak w jamovi
TabelaStatystykadfdf2p
Homogeneity of Variances Test (Levene's)zmeczenieF = 7.84511020.006
Normality Test (Shapiro-Wilk)zmeczenieW = 0.9890.590

W jmv test Levene’a jest liczony od średniej grupy, a nie od mediany: kod analizy wywołuje car::leveneTest z argumentem "mean" (The jamovi project, b.d.-d). Tu test Levene’a jest istotny, F(1, 102) = 7.84, p = .006. Mniejsza grupa ma większe SD (0.84 wobec 0.53). jamovi dodaje wtedy przypis pod wierszem Studenta.

Dokumentacja jamovi radzi przełączyć się na Welcha po istotnym teście Levene’a (The jamovi project, b.d.-c). My zalecamy: zaznacz Welch's od razu, bez testu wstępnego. Delacre i in. (2017) pokazują, że wybór testu po teście równości wariancji często zawodzi, a test Welcha lepiej kontroluje błąd I rodzaju i niewiele traci przy równych wariancjach. Zob. test Welcha.

Shapiro–Wilk w oknie testu t bada nie całą zmienną, lecz reszty (wynik minus średnia grupy) łącznie dla obu grup (The jamovi project, b.d.-d). Wynik: W = 0.989, p = .590. Reszty pokazuje wykres Q-Q (rysunek 1).

Wykres Q-Q standaryzowanych reszt zmęczenia (wynik minus średnia grupy) dla 104 osób: punkty leżą blisko prostej, z lekkim odchyleniem w ogonach; Shapiro–Wilk W = 0.989, p = .590
Rysunek 1. Reszty z testu dla grup. Podobny wykres daje opcja Q-Q plot. To nie jest zrzut ekranu z jamovi. Obliczenia: R (dane symulowane).

Group Descriptives i Descriptives plots

Group Descriptives, zmęczenie w semestrze – liczby policzone pakietem jmv (silnik analiz jamovi); układ tabeli jak w jamovi
GroupNMeanMedianSDSE
zmeczenienie pracuje623.1473.1600.5310.067
pracuje423.5033.5750.8410.130

Sprawdź N: 62 + 42 = 104. Descriptives plots rysuje średnie z przedziałami ufności i mediany (rysunek 2). W kodzie jmv przedział na tym wykresie liczony jest z kwantyla rozkładu normalnego (1.96 × SE), a nie z rozkładu t (The jamovi project, b.d.-d). Przy małych grupach jest więc nieco za wąski.

Wykres zmęczenia w semestrze w dwóch grupach: nie pracuje M = 3.15, 95% CI [3.01, 3.28], mediana 3.16, SD = 0.53, n = 62; pracuje M = 3.50, 95% CI [3.25, 3.76], mediana 3.58, SD = 0.84, n = 42; punkty osób pracujących są wyraźnie bardziej rozrzucone
Rysunek 2. Zmęczenie według pracy zarobkowej: średnia z 95% CI (liczonym jak w jmv), mediana i wyniki osób. Podobny wykres, bez punktów osób, daje opcja Descriptives plots. To nie jest zrzut ekranu z jamovi. Obliczenia: R (dane symulowane).

Wielkość efektu: d Cohena i korelacja rangowo-dwuseryjna

W kolumnie Effect Size jamovi podaje d Cohena, ale w każdym wierszu inne. W kodzie jmv (The jamovi project, b.d.-d):

  • w wierszu Student's t różnica średnich jest dzielona przez wspólne SD ważone liczebnościami: d = −0.53, 95% CI [−0.93, −0.13];
  • w wierszu Welch's t – przez pierwiastek ze zwykłej średniej obu wariancji: d = −0.51. Kolumny przedziału ufności zostają tu puste (jmv 2.7.7);
  • przy Mann–Whitneyu kolumna zawiera korelację rangowo-dwuseryjną, liczoną jako 1 − 2U1/(n1n2), gdzie U1 dotyczy grupy 1. Wartość 0.28 jest dodatnia, choć różnica średnich jest ujemna. Obie liczby mówią to samo: wyższe wyniki ma grupa 2, czyli pracujący.

Przy teście Welcha podaj d z jego wiersza, nazwij mianownik i pokaż 95% CI różnicy średnich. Lakens (2013) zaleca pisać, którą wersję d podajesz, bo różne mianowniki dają różne liczby. Pamiętaj też, że Mann–Whitney nie jest testem median. Divine i in. (2018) pokazują, że testuje on prawdopodobieństwo, że wynik z jednej grupy jest wyższy niż z drugiej. O tym, kiedy go wybrać, piszemy we wpisie testy nieparametryczne w jamovi.

Hipoteza kierunkowa: Group 1 < Group 2

Część Hypothesis ma trzy pozycje: Group 1 ≠ Group 2 (dwustronnie), Group 1 > Group 2 i Group 1 < Group 2 (The jamovi project, b.d.-d). Hipoteza „pracujący są bardziej zmęczeni” to tu Group 1 < Group 2. Test Welcha z tą opcją daje t(63.06) = −2.43, p = .009 (połowa dwustronnego .018).

Wolno go podać tylko przy kierunku zapisanym przed zebraniem danych; zmiana po obejrzeniu wyniku to ukryte podwojenie α. Zob. test jednostronny czy dwustronny.

Test t dla prób zależnych: dwa pomiary tych samych osób

Wybierz Analyses → T-Tests → Paired Samples T-Test (Test t dla prób zależnych). Przeciągnij stres_paz i stres_sty do pola Paired Variables (The jamovi project, b.d.-b). Różnica to Measure 1 minus Measure 2. Zaznacz Student's, w razie potrzeby Wilcoxon rank, oraz Mean difference, Effect size (oba z przedziałem ufności), Descriptives i Normality test (The jamovi project, b.d.-d).

Paired Samples T-Test, stres w październiku i w styczniu – liczby policzone pakietem jmv (silnik analiz jamovi); układ tabeli jak w jamovi
statisticdfpMean differenceSE difference95% Confidence IntervalEffect Size95% Confidence Interval
LowerUpperLowerUpper
stres_pazstres_styStudent's t−4.18999.000< .001−0.2630.063−0.388−0.139Cohen's d−0.419−0.622−0.213
Wilcoxon W1381.000< .001−0.2750.063−0.405−0.145Rank biserial correlation−0.453
Descriptives, stres w dwóch pomiarach – liczby policzone pakietem jmv (silnik analiz jamovi); układ tabeli jak w jamovi
NMeanMedianSDSE
stres_paz1002.7202.7300.6930.069
stres_sty1002.9833.0250.6430.064
  • N = 100, a nie 104. Do pary wchodzą tylko osoby z oboma pomiarami (The jamovi project, b.d.-d) – napisz o tym w opisie.
  • Znak różnicy. −0.26 to „październik minus styczeń”, czyli w styczniu stres był wyższy. Test: t(99) = −4.19, p < .001, 95% CI [−0.39, −0.14].
  • d Cohena = −0.42 to w jmv różnica średnich podzielona przez SD różnic, czyli dz (The jamovi project, b.d.-d). Lakens (2013) opisuje, że nie da się jej wprost porównać z d z badań na grupach niezależnych.
  • Normalność jmv sprawdza tu na różnicach pomiarów: W = 0.989, p = .619 (rysunek 3).
  • Wilcoxon W to test znakowanych rang. Korelacja rangowo-dwuseryjna ma tu ten sam znak co różnica średnich (−0.45).
Histogram różnic stresu (październik minus styczeń) u 100 osób: większość różnic ujemna (68 osób), 32 dodatnie; średnia różnica −0.26, 95% CI [−0.39, −0.14] zaznaczona czerwoną linią i niebieskim polem, linia przerywana w zerze
Rysunek 3. Różnice stresu u 100 osób: u 68 stres w styczniu był wyższy, u 32 – niższy. To nie jest zrzut ekranu z jamovi. Obliczenia: R (dane symulowane).

Test t dla jednej próby: średnia a wartość odniesienia

Wybierz Analyses → T-Tests → One Sample T-Test (Test t dla jednej próby). Przeciągnij satysfakcja do Dependent Variables, a w części Hypothesis wpisz 3 w polu Test value (The jamovi project, b.d.-b, b.d.-d). Wartość odniesienia (tu środek skali 1–5) wybierz z góry, nie po obejrzeniu średniej.

One Sample T-Test, satysfakcja ze studiów a wartość 3 – liczby policzone pakietem jmv (silnik analiz jamovi); układ tabeli jak w jamovi
StatisticdfpMean difference95% Confidence IntervalEffect Size95% Confidence Interval
LowerUpperLowerUpper
satysfakcjaStudent's t2.468103.0000.0150.1750.0340.315Cohen's d0.2420.0460.436

Średnia satysfakcja wynosiła 3.17 (SD = 0.72, N = 104) i była o 0.17 punktu wyższa od środka skali: t(103) = 2.47, p = .015, d = 0.24, 95% CI [0.05, 0.44]. Mean difference to odległość od wartości testowej, nie sama średnia.

Zapis wyników w stylu APA

Wzory do dostosowania:

Osoby pracujące zarobkowo (n = 42; M = 3.50, SD = 0.84) zgłaszały wyższe zmęczenie w semestrze niż osoby niepracujące (n = 62; M = 3.15, SD = 0.53). Ze względu na nierówne wariancje i liczebności grup zastosowano test t Welcha. Różnica była istotna statystycznie, t(63.06) = −2.43, p = .018; różnica średnich (niepracujący minus pracujący) wyniosła −0.36 punktu, 95% CI [−0.65, −0.06], d Cohena = −0.51 (mianownik: pierwiastek ze średniej wariancji obu grup).
W styczniu stres był wyższy (M = 2.98, SD = 0.64) niż w październiku (M = 2.72, SD = 0.69). Średnia różnica (październik minus styczeń) wyniosła −0.26 punktu, 95% CI [−0.39, −0.14], t(99) = −4.19, p < .001, dz = −0.42, 95% CI [−0.62, −0.21]. Czterech osób bez pomiaru styczniowego nie uwzględniono w analizie.
Średnia satysfakcja ze studiów (M = 3.17, SD = 0.72, N = 104) była wyższa od środka skali (3), t(103) = 2.47, p = .015; różnica wyniosła 0.17 punktu, 95% CI [0.03, 0.31], d = 0.24, 95% CI [0.05, 0.44].

Dwa pomiary bez grupy porównawczej nie pokazują, co spowodowało wzrost stresu – opisuj to jako zmianę. Zdania do innych testów przygotuje generator opisu wyników APA. Ćwiczenia znajdziesz w zbiorze zadania ze statystyki na psychologii (zadania 5 i 6).

Przykład reprodukowalny

To samo w R (pakiet jmv)

Pakiet jmv zawiera analizy jamovi, więc te same funkcje z tymi samymi opcjami dają w R te same tabele co program (The jamovi project, b.d.-b; Selker i in., 2025). Nazwy argumentów odpowiadają polom okna: welchs to Welch's, mann – Mann-Whitney U, eqv – Homogeneity test, norm – Normality test, hypothesis = "twoGreater" – Group 1 < Group 2. Samego jamovi tu nie uruchamialiśmy – liczby w tekście pochodzą z tego kodu. Tabele są szerokie: przewiń je w poziomie.

1. Dane do pobrania: CSV i .sav

Dane wejściowe: brak – skrypt symuluje 104 osoby studiujące (set.seed(4061)) i zapisuje pliki test-t-jamovi-dane.csv oraz test-t-jamovi-dane.sav z etykietami (pakiet haven).

Co odczytać: liczbę wierszy, liczebności grup w obu plikach i liczbę braków w drugim pomiarze stresu.

R
# B406 – dane symulowane do wpisu /blog/test-t-w-jamovi/ (pliki CSV i .sav do otwarcia w jamovi)
# Uruchomienie z folderu kod/: LANG=en_US.UTF-8 LC_ALL=en_US.UTF-8 Rscript b406-0-dane.R
# 104 osoby studiujące: praca zarobkowa (nie / tak), zmęczenie w semestrze (skala 1–5),
# stres w październiku i w styczniu (1–5, te same osoby) oraz satysfakcja ze studiów (1–5).
suppressPackageStartupMessages(library(haven))
set.seed(4061)
n <- c(nie = 62, tak = 42)
praca <- rep(names(n), n)
N <- sum(n)
zmeczenie <- ifelse(praca == "tak", rnorm(N, 3.60, 0.95), rnorm(N, 3.05, 0.55))
stres_paz <- rnorm(N, 2.75, 0.70)
stres_sty <- 0.60 * stres_paz + 1.45 + rnorm(N, 0, 0.55)
satysfakcja <- rnorm(N, 3.30, 0.80)
ogr <- function(x) round(pmin(5, pmax(1, x)), 2)
dane <- data.frame(id = 1:N, praca = ifelse(praca == "tak", "pracuje", "nie pracuje"),
                   zmeczenie = ogr(zmeczenie), stres_paz = ogr(stres_paz),
                   stres_sty = ogr(stres_sty), satysfakcja = ogr(satysfakcja))
dane$stres_sty[c(17, 58, 91, 100)] <- NA        # cztery osoby nie wypełniły ankiety w styczniu
write.csv(dane, "../test-t-jamovi-dane.csv", row.names = FALSE, na = "")

# Ten sam zbiór w .sav: etykiety zmiennych i wartości (praca: 1 = nie pracuje, 2 = pracuje)
sav <- dane
sav$id <- labelled(sav$id, label = "Numer osoby")
sav$praca <- labelled(ifelse(dane$praca == "pracuje", 2, 1),
                      labels = c("nie pracuje" = 1, "pracuje" = 2), label = "Praca zarobkowa")
sav$zmeczenie <- labelled(sav$zmeczenie, label = "Zmęczenie w semestrze (1–5)")
sav$stres_paz <- labelled(sav$stres_paz, label = "Stres – październik (1–5)")
sav$stres_sty <- labelled(sav$stres_sty, label = "Stres – styczeń (1–5)")
sav$satysfakcja <- labelled(sav$satysfakcja, label = "Satysfakcja ze studiów (1–5)")
write_sav(sav, "../test-t-jamovi-dane.sav")

# Kontrola: ponowne wczytanie obu plików
csv <- read.csv("../test-t-jamovi-dane.csv")
s <- read_sav("../test-t-jamovi-dane.sav")
cat("CSV:", nrow(csv), "wierszy,", ncol(csv), "kolumn; .sav:", nrow(s), "wierszy\n")
print(table(csv$praca))
print(table(as_factor(s$praca)))
cat("Braki w stres_sty:", sum(is.na(csv$stres_sty)), "\n")
Wynik w R
CSV: 104 wierszy, 6 kolumn; .sav: 104 wierszy

nie pracuje     pracuje 
         62          42 

nie pracuje     pracuje 
         62          42 
Braki w stres_sty: 4 

2. Trzy testy t funkcjami jmv

Dane wejściowe: plik test-t-jamovi-dane.csv; pakiet jmv.

Co odczytać: tabelę Independent Samples T-Test (wiersze Student's t, Welch's t i Mann-Whitney U), testy Shapiro–Wilka i Levene’a, Group Descriptives, wynik z hipotezą kierunkową, tabelę Paired Samples T-Test z Descriptives oraz One Sample T-Test.

R
# Test t w jamovi – te same analizy w R pakietem jmv (silnik analiz jamovi)
library(jmv)
dane <- read.csv("test-t-jamovi-dane.csv")
dane$praca <- factor(dane$praca, levels = c("nie pracuje", "pracuje"))  # Group 1, Group 2

# 1. T-Tests → Independent Samples T-Test: Student's, Welch's i Mann-Whitney U w jednym oknie
ttestIS(data = dane, vars = "zmeczenie", group = "praca",
        students = TRUE, welchs = TRUE, mann = TRUE,
        meanDiff = TRUE, ci = TRUE, effectSize = TRUE, ciES = TRUE,
        desc = TRUE, norm = TRUE, eqv = TRUE)

# 2. Ta sama analiza z hipotezą kierunkową Group 1 < Group 2 (tylko test Welcha)
ttestIS(data = dane, vars = "zmeczenie", group = "praca",
        students = FALSE, welchs = TRUE, hypothesis = "twoGreater")

# 3. T-Tests → Paired Samples T-Test: stres w październiku i w styczniu
ttestPS(data = dane, pairs = list(list(i1 = "stres_paz", i2 = "stres_sty")),
        students = TRUE, wilcoxon = TRUE, meanDiff = TRUE, ci = TRUE,
        effectSize = TRUE, ciES = TRUE, desc = TRUE, norm = TRUE)

# 4. T-Tests → One Sample T-Test: satysfakcja ze studiów a środek skali (Test value = 3)
ttestOneS(data = dane, vars = "satysfakcja", testValue = 3,
          meanDiff = TRUE, ci = TRUE, effectSize = TRUE, ciES = TRUE,
          desc = TRUE, norm = TRUE)
Wynik w R

 INDEPENDENT SAMPLES T-TEST

 Independent Samples T-Test                                                                                                                                                                                     
 ────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
                                  Statistic    df          p            Mean difference    SE difference    Lower         Upper                                       Effect Size    Lower         Upper        
 ────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   zmeczenie    Student's t       -2.645350    102.0000    0.0094520         -0.3557604        0.1344852    -0.6225111    -0.08900963    Cohen's d                     -0.5286634    -0.9257438    -0.1290724   
                Welch's t         -2.432948    63.05903    0.0178244         -0.3557604        0.1462261    -0.6479645    -0.06355626    Cohen's d                     -0.5059043                               
                Mann-Whitney U     935.0000                0.0151773         -0.3599985                     -0.6499783    -0.07998751    Rank biserial correlation      0.2818740                               
 ────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   Note. Hₐ μ <sub>nie pracuje</sub> ≠ μ <sub>pracuje</sub>


 ASSUMPTIONS

 Normality Test (Shapiro-Wilk)           
 ─────────────────────────────────────── 
                W            p           
 ─────────────────────────────────────── 
   zmeczenie    0.9894233    0.5903401   
 ─────────────────────────────────────── 
   Note. A low p-value suggests a
   violation of the assumption of
   normality


 Homogeneity of Variances Test (Levene's)            
 ─────────────────────────────────────────────────── 
                F           df    df2    p           
 ─────────────────────────────────────────────────── 
   zmeczenie    7.844997     1    102    0.0060977   
 ─────────────────────────────────────────────────── 
   Note. A low p-value suggests a violation of
   the assumption of equal variances


 Group Descriptives                                                                    
 ───────────────────────────────────────────────────────────────────────────────────── 
                Group          N     Mean        Median      SD           SE           
 ───────────────────────────────────────────────────────────────────────────────────── 
   zmeczenie    nie pracuje    62    3.147097    3.160000    0.5310750    0.06744659   
                pracuje        42    3.502857    3.575000    0.8408250     0.1297421   
 ───────────────────────────────────────────────────────────────────────────────────── 


 INDEPENDENT SAMPLES T-TEST

 Independent Samples T-Test                                       
 ──────────────────────────────────────────────────────────────── 
                             Statistic    df          p           
 ──────────────────────────────────────────────────────────────── 
   zmeczenie    Welch's t    -2.432948    63.05903    0.0089122   
 ──────────────────────────────────────────────────────────────── 
   Note. Hₐ μ <sub>nie pracuje</sub> < μ <sub>pracuje</sub>


 PAIRED SAMPLES T-TEST

 Paired Samples T-Test                                                                                                                                                                                                   
 ─────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
                                            statistic    df          p            Mean difference    SE difference    Lower         Upper                                      Effect Size    Lower         Upper        
 ─────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   stres_paz    stres_sty    Student's t    -4.189458    99.00000    0.0000608         -0.2633000       0.06284823    -0.3880045    -0.1385955    Cohen's d                     -0.4189458    -0.6224509    -0.2134932   
                             Wilcoxon W      1381.000                0.0000843         -0.2750503       0.06284823    -0.4049708    -0.1449854    Rank biserial correlation     -0.4530693                               
 ─────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   Note. Hₐ μ <sub>Measure 1 - Measure 2</sub> ≠ 0


 Normality Test (Shapiro-Wilk)                             
 ───────────────────────────────────────────────────────── 
                                  W            p           
 ───────────────────────────────────────────────────────── 
   stres_paz    -    stres_sty    0.9894285    0.6185773   
 ───────────────────────────────────────────────────────── 
   Note. A low p-value suggests a violation of the
   assumption of normality


 Descriptives                                                            
 ─────────────────────────────────────────────────────────────────────── 
                N      Mean        Median      SD           SE           
 ─────────────────────────────────────────────────────────────────────── 
   stres_paz    100    2.719900    2.730000    0.6928866    0.06928866   
   stres_sty    100    2.983200    3.025000    0.6427700    0.06427700   
 ─────────────────────────────────────────────────────────────────────── 


 ONE SAMPLE T-TEST

 One Sample T-Test                                                                                                                                                         
 ───────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
                                 Statistic    df          p            Mean difference    Lower         Upper                     Effect Size    Lower         Upper       
 ───────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   satysfakcja    Student's t     2.468389    103.0000    0.0152184          0.1745192    0.03429912    0.3147393    Cohen's d      0.2420454    0.04646964    0.4364798   
 ───────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   Note. Hₐ μ ≠ 3


 Normality Test (Shapiro-Wilk)             
 ───────────────────────────────────────── 
                  W            p           
 ───────────────────────────────────────── 
   satysfakcja    0.9845178    0.2680649   
 ───────────────────────────────────────── 
   Note. A low p-value suggests a
   violation of the assumption of
   normality


 Descriptives                                                              
 ───────────────────────────────────────────────────────────────────────── 
                  N      Mean        Median      SD           SE           
 ───────────────────────────────────────────────────────────────────────── 
   satysfakcja    104    3.174519    3.230000    0.7210185    0.07070168   
 ───────────────────────────────────────────────────────────────────────── 

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3; rysunki przygotowano w pakiecie ggplot2. W pracy podaj wersję jamovi albo R, której faktycznie użyłeś.

  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. jmv (wersja 2.7.7): Selker, R., Love, J., & Dropmann, D. (2025). jmv: The 'jamovi' analyses [R package]. https://CRAN.R-project.org/package=jmv
  3. haven (wersja 2.5.5): Wickham, H., Miller, E., & Smith, D. (2025). haven: Import and export 'SPSS', 'Stata' and 'SAS' files [R package]. https://doi.org/10.32614/CRAN.package.haven
  4. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  5. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Typowe błędy w teście t w jamovi

  • Przepisanie wiersza Student's t, bo jest zaznaczony domyślnie.
  • Przełączanie opcji, aż p spadnie poniżej .05 – prosta droga do p-hackingu.
  • Zmienna grupująca jako Continuous albo z trzema poziomami (np. literówka „Pracuje” i „pracuje”).
  • Pomiary przed i po w jednej kolumnie i test dla prób niezależnych zamiast Paired Samples T-Test.
  • Odczytanie znaku bez sprawdzenia kolejności grup – także korelacji rangowo-dwuseryjnej.
  • d bez nazwy mianownika albo d z wiersza Studenta dołączone do wyniku testu Welcha.
  • Nieopisany spadek N w teście dla par.
  • Shapiro–Wilk z Exploration → Descriptives dla całej zmiennej zamiast reszt z okna testu t.

Jeśli nie wiesz, czy test t pasuje do Twojej hipotezy, skorzystaj z kreatora doboru testu. Kolejny wpis z serii o jamovi to korelacja i regresja liniowa w jamovi. Pomoc w sprawdzeniu wyników: analizy statystyczne dla studentów.

Najczęstsze pytania

Dlaczego jamovi nie pokazuje przedziału ufności dla d Cohena przy teście Welcha?

W kodzie analizy (pakiet jmv 2.7.7) przedział ufności dla d liczony jest tylko w wierszu Student's t; w wierszu Welch's t kolumny Lower i Upper zostają puste. Podaj wtedy d z wiersza Welcha i 95% CI różnicy średnich w punktach skali albo policz przedział dla d w innym programie i napisz, jaką metodą.

Jak zmienić kolejność grup w teście t w jamovi?

Grupa 1 to pierwszy poziom zmiennej grupującej. Kolejność poziomów zmienisz w edytorze zmiennej (dwuklik na nagłówku kolumny). Od kolejności zależy znak t, różnicy średnich i d oraz to, co oznacza hipoteza Group 1 > Group 2; sama wartość p testu dwustronnego się nie zmienia.

Dlaczego w jamovi korelacja rangowo-dwuseryjna jest dodatnia, a różnica średnich ujemna?

W teście Manna–Whitneya jmv liczy ją jako 1 − 2U₁/(n₁n₂), gdzie U₁ dotyczy grupy 1. Wartość dodatnia oznacza tu, że wyższe wyniki ma grupa 2. W przykładzie różnica średnich wynosi −0.36, a korelacja rangowo-dwuseryjna 0.28 – obie mówią to samo. Kierunek opisuj więc według średnich lub median grup, a nie według znaku.

Gdzie w jamovi jest test Shapiro–Wilka przy teście t?

W oknie testu t w części Assumption Checks zaznacz Normality test. W teście dla grup jamovi sprawdza reszty, czyli wyniki minus średnia własnej grupy, łącznie dla obu grup, a w teście dla par – różnice pomiarów. To nie to samo co Shapiro–Wilk w Descriptives dla całej zmiennej.

Jak w jamovi zrobić test t jednostronny?

W części Hypothesis wybierz Group 1 > Group 2 albo Group 1 < Group 2 (w teście dla par Measure 1 > Measure 2 lub <, w teście dla jednej próby > Test value lub <). Pod tabelą pojawi się notka z hipotezą alternatywną. Zrób to tylko wtedy, gdy kierunek zapisałeś przed zebraniem danych.

Powiązane hasła

Przeczytaj też

Masz wyniki testu t z jamovi i nie wiesz, który wiersz opisać?

Sprawdzimy przygotowanie danych, wybór testu i wielkości efektu oraz opis wyników i wyjaśnimy je tak, żebyś umiał(a) samodzielnie je przedstawić i obronić.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Delacre, M., Lakens, D., & Leys, C. (2017). Why psychologists should by default use Welch's t-test instead of Student's t-test. International Review of Social Psychology, 30(1), 92–101. https://doi.org/10.5334/irsp.82 ● Otwarty dostęp
  2. Divine, G. W., Norton, H. J., Barón, A. E., & Juarez-Colunga, E. (2018). The Wilcoxon–Mann–Whitney procedure fails as a test of medians. The American Statistician, 72(3), 278–286. https://doi.org/10.1080/00031305.2017.1305291 ● Otwarty dostęp
  3. Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, Article 863. https://doi.org/10.3389/fpsyg.2013.00863 ● Otwarty dostęp
  4. Selker, R., Love, J., & Dropmann, D. (2025). jmv: The 'jamovi' analyses (Version 2.7.7) [R package]. https://CRAN.R-project.org/package=jmv ● Otwarty dostęp: pełny tekst
  5. The jamovi project. (b.d.-b). jamovi documentation: Getting started, Data handling and Analyses. jamovi docs. https://docs.jamovi.org/ ● Otwarty dostęp
  6. The jamovi project. (b.d.-c). From SPSS to jamovi: Comparison of analyses and side-by-side comparisons. jamovi docs. https://docs.jamovi.org/spss2jamovi/s2j_side-by-side.html ● Otwarty dostęp
  7. The jamovi project. (b.d.-d). jmv: The jamovi analyses – source code, analysis definitions and translations. GitHub. https://github.com/jamovi/jmv ● Otwarty dostęp

Cytowania BibTeX

@article{delacre2017why, author={Delacre, Marie and Lakens, Daniël and Leys, Christophe}, title={{Why psychologists should by default use Welch's t-test instead of Student's t-test}}, journal={International Review of Social Psychology}, year={2017}, volume={30}, number={1}, pages={92--101}, doi={10.5334/irsp.82}}
@article{divine2018wilcoxon, author={Divine, George W. and Norton, H. James and Barón, Anna E. and Juarez-Colunga, Elizabeth}, title={{The Wilcoxon–Mann–Whitney procedure fails as a test of medians}}, journal={The American Statistician}, year={2018}, volume={72}, number={3}, pages={278--286}, doi={10.1080/00031305.2017.1305291}}
@article{lakens2013calculating, author={Lakens, Daniël}, title={{Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs}}, journal={Frontiers in Psychology}, year={2013}, volume={4}, eid={863}, doi={10.3389/fpsyg.2013.00863}}
@misc{selker2025jmv, author={Selker, Ravi and Love, Jonathon and Dropmann, Damian}, title={{jmv: The 'jamovi' analyses (R package version 2.7.7) [Computer software]}}, year={2025}, url={https://CRAN.R-project.org/package=jmv}}
@misc{jamovindocs, author={{The jamovi project}}, title={{jamovi documentation: Getting started, Data handling and Analyses}}, howpublished={jamovi docs}, year={b.d.-b}, url={https://docs.jamovi.org/}}
@misc{jamovindspss, author={{The jamovi project}}, title={{From SPSS to jamovi: Comparison of analyses and side-by-side comparisons}}, howpublished={jamovi docs}, year={b.d.-c}, url={https://docs.jamovi.org/spss2jamovi/s2j_side-by-side.html}}
@misc{jamovindjmvrepo, author={{The jamovi project}}, title={{jmv: The jamovi analyses – source code, analysis definitions and translations}}, howpublished={GitHub}, year={b.d.-d}, url={https://github.com/jamovi/jmv}}
R