Prace dyplomowe · jamovi

Testy nieparametryczne w jamovi – Mann–Whitney, Wilcoxon, Kruskal–Wallis, Friedman i Spearman

Gdzie w jamovi są testy rangowe, które opcje zaznaczyć i jak czytać tabele: estymator Hodgesa–Lehmanna w polu Mean difference, znak korelacji rangowo-biseryjnej, porównania DSCF i Dunna po teście Kruskala–Wallisa, nieskorygowane porównania Durbina–Conovera po teście Friedmana oraz W Kendalla policzone ręcznie – z plikami CSV i .sav, zdaniami APA i kodem jmv.

Strona główna / Blog / Testy nieparametryczne w jamovi
W skrócie: W jamovi nie ma osobnego menu testów nieparametrycznych: Mann–Whitney i Wilcoxon to pola w oknach testu t (Independent i Paired Samples T-Test), a Kruskal–Wallis i Friedman są w ANOVA → Non-Parametric. Pole Mean difference przy teście rangowym zawiera estymator Hodgesa–Lehmanna, a znak korelacji rangowo-biseryjnej dla testu Manna–Whitneya trzeba odczytać ostrożnie. Po teście Kruskala–Wallisa raportuj DSCF albo test Dunna z korektą Bonferroniego. Porównania Durbina–Conovera po teście Friedmana są bez korekty – popraw je sam, a W Kendalla policz ze wzoru.

Gdzie są testy nieparametryczne w jamovi

jamovi nie ma osobnego menu z testami nieparametrycznymi. Każdy test rangowy siedzi obok swojego odpowiednika parametrycznego: test Manna–Whitneya i test Wilcoxona to pola w oknach testu t, a testy Kruskala–Wallisa i Friedmana są w grupie ANOVA, w podgrupie Non-Parametric. Takie zestawienie podaje porównanie SPSS i jamovi w dokumentacji programu (The jamovi project, b.d.-a). Etykiety okien sprawdziliśmy w plikach definicji analiz pakietu jmv (The jamovi project, b.d.-b; Selker i in., 2025). Podajemy je po angielsku. W polskiej wersji językowej interfejsu nazwy mogą brzmieć inaczej.

Testy rangowe w jamovi: menu, pola i wielkość efektu
SchematTestŚcieżka w AnalysesCo zaznaczyć
2 grupy niezależneMann–WhitneyT-Tests → Independent Samples T-TestMann-Whitney U, Mean difference, Effect size
2 pomiary tych samych osóbWilcoxonT-Tests → Paired Samples T-TestWilcoxon rank, Mean difference, Effect size
3+ grupy niezależneKruskal–WallisANOVA → Non-Parametric → One-Way ANOVAε², DSCF pairwise comparisons (lub Dunn's)
3+ pomiary tych samych osóbFriedmanANOVA → Non-Parametric → Repeated Measures ANOVAPairwise comparisons (Durbin-Conover), Descriptives
związek dwóch zmiennychSpearmanRegression → Correlation MatrixSpearman, Report significance, N

Podstawy programu opisuje poradnik jamovi krok po kroku. Kiedy sięgać po test rangowy, a kiedy wystarczy test Welcha, wyjaśnia poradnik o testach nieparametrycznych, a test do hipotezy dobierzesz w kreatorze wyboru testu. Te same cztery testy w SPSS opisuje wpis testy nieparametryczne w SPSS.

Przykład i pliki do pobrania

Sześćdziesiąt trzy osoby studiujące psychologię, pedagogikę i ekonomię (po 21) wypełniły pięciopozycyjną skalę lęku przed statystyką (suma 5–25) trzy razy: na początku semestru (lek_t1), tydzień przed kolokwium (lek_t2) i po egzaminie (lek_t3). Podały też tryb studiów (30 stacjonarnych, 33 niestacjonarnych) i liczbę godzin nauki statystyki w tygodniu (godziny). Dane są symulowane. Pobierz plik CSV albo ten sam zbiór jako plik .sav z etykietami zmiennych i wartości. jamovi otworzy oba formaty.

Przygotowanie danych

Ustaw kierunek i tryb jako Nominal, a godziny i trzy pomiary lęku jako Continuous. Pola zmiennych zależnych w oknach testu t przyjmują tylko zmienne liczbowe, a zmienna grupująca musi być czynnikiem (The jamovi project, b.d.-b). Kodu grupy wczytanego jako Continuous nie przeciągniesz do Grouping Variable. Pomiary powtarzane muszą leżeć w osobnych kolumnach, jedna osoba to jeden wiersz (format szeroki). Kolejność poziomów kierunek ustal w edytorze zmiennej. W tej kolejności pojawią się wiersze tabel porównań parami. Jak ustawić typy, etykiety i braki danych, opisuje wpis przygotowanie danych i statystyki opisowe w jamovi.

Do opisu testów rangowych potrzebujesz median i kwartyli, a nie średnich. W Exploration → Descriptives przeciągnij godziny do Variables, a tryb do Split by. Na karcie Statistics zaznacz Median i Percentiles z wartościami 25,75 (The jamovi project, b.d.-b). Godziny nauki są wyraźnie skośne: test Shapiro–Wilka dał p < .001 w obu grupach, a pojedyncza osoba uczy się 25.3 godziny tygodniowo. Rozkład obejrzyj też na wykresie.

Test Manna–Whitneya: dwie grupy

Pytanie: czy osoby studiujące stacjonarnie uczą się statystyki dłużej niż niestacjonarne? Wybierz Analyses → T-Tests → Independent Samples T-Test. Przeciągnij godziny do Dependent Variables, a tryb do Grouping Variable. W części Tests odznacz Student's i zaznacz Mann-Whitney U. W części Additional Statistics zaznacz Mean difference z Confidence interval, Effect size i Descriptives (The jamovi project, b.d.-b).

Independent Samples T-Test, godziny nauki – liczby policzone pakietem jmv (silnik analiz jamovi); układ tabeli jak w jamovi
StatisticpMean difference95% CI Lower95% CI UpperEffect Size
godzinyMann-Whitney U324.00.0191.300.202.90Rank biserial correlation−0.35

Jak czytać tabelę. U = 324.00 to mniejsza z dwóch statystyk U. Wartość p = .019 pochodzi z przybliżenia normalnego, bo jmv wywołuje test z opcją exact = FALSE (The jamovi project, b.d.-b). Kolumna Mean difference przy teście Manna–Whitneya nie zawiera różnicy średnich. To estymator Hodgesa–Lehmanna, czyli mediana różnic między wszystkimi parami osób z dwóch grup: 1.30 godziny, 95% CI [0.20, 2.90]. Mediany wyniosły 3.75 [1.78; 7.85] i 2.10 [1.10; 4.30] godziny (rysunek 1).

Uwaga na znak efektu. jamovi podał korelację rangowo-biseryjną −0.35, choć to grupa 1 (stacjonarni) ma wyższe wartości. W kodzie jmv 2.7.7 wynosi ona 1 − 2U1/(n1n2), gdzie U1 liczy pary, w których wygrywa grupa 1. Ujemny znak oznacza więc przewagę grupy 1. Przy konwencji r = f − u, w której f to odsetek par zgodnych z hipotezą (Kerby, 2014), a hipoteza mówi o przewadze osób stacjonarnych, wynik to rrb = .35, 95% CI [.07, .57]. Taką wartość i przedział daje pakiet effectsize w R; jamovi przedziału nie podaje. Kierunek zawsze opisuj słowami („wyższe wartości u…”), a nie samym znakiem.

Wykres pudełkowy z punktami: godziny nauki w tygodniu, stacjonarne n = 30, mediana 3.75, kwartyle 1.78 i 7.85, maksimum 25.3; niestacjonarne n = 33, mediana 2.10, kwartyle 1.10 i 4.30; test Manna–Whitneya p = .019
Rysunek 1. Godziny nauki statystyki w dwóch trybach studiów. Szare punkty to osoby, czerwone romby – mediany. Oba rozkłady są prawostronnie skośne, z kilkoma bardzo wysokimi wartościami u osób stacjonarnych. Podobny wykres daje opcja Box plot z Data w Exploration → Descriptives. Obliczenia: R, pakiet jmv (dane symulowane).
Osoby studiujące stacjonarnie (n = 30; Me = 3.75, IQR [1.78; 7.85]) uczyły się statystyki więcej godzin w tygodniu niż osoby studiujące niestacjonarnie (n = 33; Me = 2.10, IQR [1.10; 4.30]), U = 324.00, p = .019 (test Manna–Whitneya). Estymator Hodgesa–Lehmanna różnicy wyniósł 1.30 godziny, 95% CI [0.20, 2.90], a korelacja rangowo-biseryjna r_rb = .35, 95% CI [.07, .57].

Test Manna–Whitneya nie jest testem median: porównuje, jak często wartości jednej grupy przewyższają wartości drugiej. Test Welcha w tym samym oknie omawia wpis test t w jamovi.

Test Kruskala–Wallisa i porównania parami

Pytanie: czy lęk na początku semestru różni się między kierunkami? Wybierz Analyses → ANOVA → Non-Parametric → One-Way ANOVA (podpis Kruskal-Wallis). Przeciągnij lek_t1 do Dependent Variables, a kierunek do Grouping Variable. Zaznacz ε² w części Effect Size, a w części Post Hoc Tests – DSCF pairwise comparisons. W definicji analizy z jmv 2.7.7 jest też druga opcja: Dunn's pairwise comparisons (The jamovi project, b.d.-b). Jeśli Twoja wersja programu jej nie ma, użyj DSCF.

Kruskal-Wallis, lęk na początku semestru – liczby policzone pakietem jmv (silnik analiz jamovi); układ tabeli jak w jamovi
χ²dfpε²
lek_t117.512< .0010.28

jamovi oznacza statystykę H jako χ², bo przy większych grupach ma ona w przybliżeniu rozkład χ² z k − 1 stopniami swobody. Wielkość efektu ε² = .28 jmv liczy wzorem H(n + 1)/(n² − 1), co daje to samo co H/(n − 1). Mediany wyniosły 15 [11; 17] na psychologii, 15 [14; 16] na pedagogice i 11 [9; 12] na ekonomii.

Porównania parami po teście Kruskala–Wallisa: Dwass-Steel-Critchlow-Fligner i Dunn – liczby policzone pakietem jmv (silnik analiz jamovi); układ tabel jak w jamovi
DSCF WDSCF pDunn zp(unadj)p(Bonferroni)
psychologiapedagogika0.41.955−0.46.6421.000
psychologiaekonomia−4.51.0043.37< .001.002
pedagogikaekonomia−5.65< .0013.83< .001< .001

DSCF a test Dunna. Procedura Dwassa–Steela–Critchlowa–Flignera (DSCF) dla każdej pary ranguje od nowa tylko obserwacje tych dwóch grup. Statystykę porównuje z rozkładem rozstępu dla wszystkich k grup, więc podane p są już skorygowane na liczbę porównań. Tak wynika z kodu jmv 2.7.7 (The jamovi project, b.d.-b). Procedura kontroluje błąd dla całego zestawu porównań, ale przy bardzo małych i nierównych grupach bywa zawodna (Spurrier, 2006). Test Dunna korzysta z rang nadanych wspólnie wszystkim grupom w teście Kruskala–Wallisa (Dunn, 1964). jamovi pokazuje dla niego p bez korekty i z korektą Bonferroniego. W pracy przepisz tylko tę drugą kolumnę. Znak W i z zależy od kolejności grup w wierszu, dlatego kierunek odczytuj z median. Tu obie metody prowadzą do tego samego wniosku (rysunek 2). Wybierz jedną przed analizą i nazwij ją w tekście.

Lęk przed statystyką na początku semestru w trzech kierunkach po 21 osób: mediany 15 na psychologii, 15 na pedagogice i 11 na ekonomii; porównania DSCF: psychologia a pedagogika p = .955, pedagogika a ekonomia p < .001, psychologia a ekonomia p = .004; test Dunna z korektą Bonferroniego daje odpowiednio p = 1.000, p < .001 i p = .002
Rysunek 2. Lęk przed statystyką na początku semestru według kierunku. Klamry pokazują p z porównań DSCF i z testu Dunna po korekcie Bonferroniego. Ekonomia różni się od obu pozostałych kierunków, psychologia i pedagogika – nie. Obliczenia: R, pakiet jmv (dane symulowane).
Poziom lęku przed statystyką na początku semestru różnił się między kierunkami, H(2) = 17.51, p < .001, ε² = .28 (test Kruskala–Wallisa). Porównania parami metodą Dwassa–Steela–Critchlowa–Flignera wykazały niższy lęk na ekonomii (Me = 11) niż na psychologii (Me = 15; p = .004) i pedagogice (Me = 15; p < .001). Psychologia i pedagogika nie różniły się istotnie (p = .955).

Test Wilcoxona: dwa pomiary

Pytanie: czy lęk wzrósł od początku semestru do tygodnia przed kolokwium? Wybierz Analyses → T-Tests → Paired Samples T-Test i przeciągnij lek_t1 oraz lek_t2 do Paired Variables. W części Tests odznacz Student's i zaznacz Wilcoxon rank. Dodaj Mean difference z przedziałem ufności, Effect size i Descriptives (The jamovi project, b.d.-b).

Paired Samples T-Test, lęk na początku semestru i przed kolokwium – liczby policzone pakietem jmv (silnik analiz jamovi); układ tabeli jak w jamovi
StatisticpMean difference95% CI Lower95% CI UpperEffect Size
lek_t1lek_t2Wilcoxon W190.50a< .001−2.50−3.00−2.00Rank biserial correlation−0.78
a 4 pair(s) of values were tied

W = 190.50 to suma rang dodatnich różnic lek_t1 − lek_t2. Mała wartość oznacza, że różnice są głównie ujemne, czyli lęk zwykle rósł. Wzrost wystąpił u 77.8% osób. Przypis „tied” oznacza cztery osoby bez zmiany wyniku; zerowe różnice nie wchodzą do testu, więc liczy się on na 59 parach. Pole Mean difference zawiera tu estymator Hodgesa–Lehmanna, czyli medianę średnich ze wszystkich par różnic: −2.50 punktu, 95% CI [−3.00, −2.00]. Korelacja rangowo-biseryjna dla par −.78, 95% CI [−.87, −.65] (przedział z R), ma tę samą orientację: ujemna oznacza wyższe wartości w drugim pomiarze.

Lęk przed statystyką był wyższy tydzień przed kolokwium (Me = 16) niż na początku semestru (Me = 13), W = 190.50, p < .001 (test Wilcoxona dla par, n = 63, w tym 4 pary bez zmiany). Estymator Hodgesa–Lehmanna zmiany wyniósł 2.50 punktu, 95% CI [2.00, 3.00], r_rb = .78, 95% CI [.65, .87].

Test Friedmana i porównania Durbina–Conovera

Pytanie: jak zmieniał się lęk w trzech pomiarach? Wybierz Analyses → ANOVA → Non-Parametric → Repeated Measures ANOVA (podpis Friedman). Przeciągnij trzy kolumny do pola Measures i zaznacz Pairwise comparisons (Durbin-Conover) oraz Descriptives. Opcja Descriptive plot rysuje wykres z wyborem Means albo Medians (The jamovi project, b.d.-b).

Friedman i Pairwise Comparisons (Durbin-Conover), trzy pomiary lęku – liczby policzone pakietem jmv (silnik analiz jamovi); układ tabel jak w jamovi; kolumna z korektą Holma dodana w R
TabelaPorównanieStatisticdfpp po korekcie Holma
Friedmanχ²32.942< .001
Durbin-Conoverlek_t1 – lek_t26.10< .001< .001
Durbin-Conoverlek_t1 – lek_t30.80.424.424
Durbin-Conoverlek_t2 – lek_t35.29< .001< .001

Ważne: w jmv 2.7.7 p z porównań Durbina–Conovera są bez korekty na liczbę porównań. Kod analizy wywołuje funkcję z opcją p.adjust = "none" (The jamovi project, b.d.-b), a okno nie ma opcji korekty. Durbin–Conover to porównanie sum rang podobne do testu LSD Fishera. W symulacjach procedury typu LSD na rangach okazały się najbardziej liberalne (Pereira i in., 2015). Dlatego popraw p sam, np. poprawką Holma w R albo w arkuszu. Wniosek się nie zmienia: lęk rośnie przed kolokwium i wraca do poziomu wyjściowego po egzaminie (mediany 13, 16 i 13; rysunek 3).

Okno Friedmana nie podaje wielkości efektu. Policz W Kendalla ze wzoru χ²/(n(k − 1)) = 32.94/(63 × 2) = .26. Więcej wzorów i ich interpretację znajdziesz we wpisie wielkość efektu w testach nieparametrycznych.

Linie 63 osób w trzech pomiarach lęku przed statystyką i linia median: 13 na początku semestru, 16 tydzień przed kolokwium i 13 po egzaminie, z kwartylami 10.5–16, 12–19 i 10–16
Rysunek 3. Lęk przed statystyką w trzech pomiarach. Szare linie to osoby, czerwona linia łączy mediany, niebieskie odcinki pokazują kwartyle. Podobny wykres median daje opcja Descriptive plot z ustawieniem Medians. Obliczenia: R, pakiet jmv (dane symulowane).
Poziom lęku przed statystyką zmieniał się między pomiarami, χ²(2) = 32.94, p < .001, W Kendalla = .26 (test Friedmana, n = 63). Porównania Durbina–Conovera z korektą Holma wykazały wzrost lęku od początku semestru (Me = 13) do tygodnia przed kolokwium (Me = 16; p < .001) i spadek po egzaminie (Me = 13; p < .001). Poziom po egzaminie nie różnił się od wyjściowego (p = .424).

Korelacja Spearmana

Wybierz Analyses → Regression → Correlation Matrix, przeciągnij godziny i lek_t2, odznacz Pearson i zaznacz Spearman, a także Report significance i N. Możesz dodać Kendall's tau-b. Opcja Confidence intervals dotyczy tylko r Pearsona (The jamovi project, b.d.-b), więc dla ρ jamovi przedziału nie poda. Wynik: ρ Spearmana = −.33, p = .008 (df = 61), τb = −.23, p = .009.

Wyższy lęk przed statystyką tydzień przed kolokwium wiązał się z mniejszą liczbą godzin nauki w tygodniu, ρ(61) = −.33, p = .008 (korelacja Spearmana, n = 63).

Pearsona i pozostałe opcje macierzy opisuje wpis korelacja i regresja w jamovi.

Wielkość efektu: co daje jamovi, a co liczysz sam

Wielkości efektu dla testów rangowych w jamovi (jmv 2.7.7)
TestW oknie jamoviCo dopisać
Mann–Whitneykorelacja rangowo-biseryjna (bez CI; znak odwrotny do zwykłej konwencji)CI, kierunek słowami
Wilcoxonkorelacja rangowo-biseryjna dla par (bez CI)CI, liczba par bez zmiany
Kruskal–Wallisε²–
FriedmanbrakW Kendalla = χ²/(n(k − 1))
Spearmanρ (sam jest miarą efektu, bez CI)CI, jeśli wymaga go promotor

Korelacja rangowo-biseryjna ma prostą interpretację: to różnica między odsetkiem par „zgodnych z hipotezą” a odsetkiem par „przeciwnych” (Kerby, 2014). Wartość .35 oznacza o 35 punktów procentowych więcej par z przewagą osoby stacjonarnej niż par odwrotnych. Gotowe zdania do pracy złożysz też w generatorze opisu wyników APA.

Przykład reprodukowalny

Te same testy w R (pakiet jmv)

Pakiet jmv zawiera analizy jamovi, więc poniższy kod daje te same tabele co program. Samego jamovi tu nie uruchamialiśmy – liczby w tekście pochodzą z tego kodu. Tabele są szerokie: przewiń je w poziomie.

Mann–Whitney, Kruskal–Wallis, Wilcoxon, Friedman i Spearman funkcjami jmv

Dane wejściowe: 63 osoby studiujące (psychologia, pedagogika, ekonomia po 21; 30 stacjonarnych, 33 niestacjonarnych), godziny nauki statystyki w tygodniu i lęk przed statystyką (5–25) w trzech pomiarach (dane symulowane, set.seed(4110) w skrypcie b411-0-dane.R, który tworzy pliki CSV i .sav do pobrania); pakiety jmv i effectsize.

Co odczytać: mediany i kwartyle z Descriptives, wiersz Mann-Whitney U z estymatorem Hodgesa–Lehmanna i korelacją rangowo-biseryjną, tabelę Kruskal-Wallis z ε² i oba zestawy porównań parami (DSCF i Dunn), wiersz Wilcoxon W, tabelę Friedman z porównaniami Durbina–Conovera, p po korekcie Holma, W Kendalla oraz ρ Spearmana.

R
# Testy nieparametryczne jak w jamovi, wykonane w R pakietem jmv (jamovi korzysta z tych samych funkcji)
library(jmv)
dane <- read.csv("testy-nieparametryczne-w-jamovi-dane.csv")
dane$kierunek <- factor(dane$kierunek, levels = c("psychologia", "pedagogika", "ekonomia"))
dane$tryb <- factor(dane$tryb, levels = c("stacjonarne", "niestacjonarne"))

# 0. Exploration → Descriptives: mediany i kwartyle (Split by: tryb, potem kierunek)
descriptives(data = dane, vars = "godziny", splitBy = "tryb", mean = FALSE, sd = FALSE,
             median = TRUE, pc = TRUE, pcValues = "25,75", sw = TRUE)
descriptives(data = dane, vars = "lek_t1", splitBy = "kierunek", mean = FALSE, sd = FALSE,
             median = TRUE, pc = TRUE, pcValues = "25,75", min = FALSE, max = FALSE)

# 1. T-Tests → Independent Samples T-Test: tylko Mann-Whitney U, różnica i wielkość efektu
ttestIS(data = dane, vars = "godziny", group = "tryb", students = FALSE, mann = TRUE,
        meanDiff = TRUE, ci = TRUE, effectSize = TRUE, desc = TRUE)
# Ta sama korelacja rangowo-biseryjna z 95% CI (znak: dodatni = wyższe wartości w grupie 1)
effectsize::rank_biserial(godziny ~ tryb, data = dane)

# 2. ANOVA → Non-Parametric → One-Way ANOVA (Kruskal-Wallis): ε², DSCF i Dunn
anovaNP(data = dane, deps = "lek_t1", group = "kierunek", es = TRUE, pairs = TRUE, pairsDunn = TRUE)

# 3. T-Tests → Paired Samples T-Test: tylko Wilcoxon rank, różnica i wielkość efektu
ttestPS(data = dane, pairs = list(list(i1 = "lek_t1", i2 = "lek_t2")), students = FALSE,
        wilcoxon = TRUE, meanDiff = TRUE, ci = TRUE, effectSize = TRUE, desc = TRUE)
effectsize::rank_biserial(dane$lek_t1, dane$lek_t2, paired = TRUE)

# 4. ANOVA → Non-Parametric → Repeated Measures ANOVA (Friedman): Durbin-Conover i opis
# (jmv 2.7.7 woła starą nazwę funkcji z pakietu PMCMR – ostrzeżenie o tym pomijamy)
fr <- suppressWarnings(anovaRMNP(data = dane, measures = c("lek_t1", "lek_t2", "lek_t3"),
                                 pairs = TRUE, desc = TRUE))
fr
# p porównań Durbina-Conovera są nieskorygowane – korekta Holma dla trzech par
signif(p.adjust(fr$comp$asDF$p, method = "holm"), 3)
# W Kendalla nie ma w oknie Friedmana – liczymy ją z χ²: W = χ² / (n(k − 1))
round(fr$table$asDF$stat / (nrow(dane) * (3 - 1)), 3)

# 5. Regression → Correlation Matrix: Spearman (i Kendall's tau-b)
corrMatrix(data = dane, vars = c("godziny", "lek_t2"), pearson = FALSE, spearman = TRUE,
           kendall = TRUE, sig = TRUE, n = TRUE)
packageVersion("jmv")
Wynik w R

 DESCRIPTIVES

 Descriptives                                       
 ────────────────────────────────────────────────── 
                      tryb              godziny     
 ────────────────────────────────────────────────── 
   N                  stacjonarne              30   
                      niestacjonarne           33   
   Missing            stacjonarne               0   
                      niestacjonarne            0   
   Median             stacjonarne        3.750000   
                      niestacjonarne     2.100000   
   Minimum            stacjonarne       0.9000000   
                      niestacjonarne    0.1000000   
   Maximum            stacjonarne        25.30000   
                      niestacjonarne     12.80000   
   Shapiro-Wilk W     stacjonarne       0.7631069   
                      niestacjonarne    0.8237666   
   Shapiro-Wilk p     stacjonarne       0.0000149   
                      niestacjonarne    0.0000948   
   25th percentile    stacjonarne        1.775000   
                      niestacjonarne     1.100000   
   75th percentile    stacjonarne        7.850000   
                      niestacjonarne     4.300000   
 ────────────────────────────────────────────────── 


 DESCRIPTIVES

 Descriptives                                   
 ────────────────────────────────────────────── 
                      kierunek       lek_t1     
 ────────────────────────────────────────────── 
   N                  psychologia          21   
                      pedagogika           21   
                      ekonomia             21   
   Missing            psychologia           0   
                      pedagogika            0   
                      ekonomia              0   
   Median             psychologia          15   
                      pedagogika           15   
                      ekonomia             11   
   25th percentile    psychologia    11.00000   
                      pedagogika     14.00000   
                      ekonomia       9.000000   
   75th percentile    psychologia    17.00000   
                      pedagogika     16.00000   
                      ekonomia       12.00000   
 ────────────────────────────────────────────── 


 INDEPENDENT SAMPLES T-TEST

 Independent Samples T-Test                                                                                                                                       
 ──────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
                                Statistic    p            Mean difference    SE difference    Lower        Upper                                    Effect Size   
 ──────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   godziny    Mann-Whitney U     324.0000    0.0188813           1.299955                     0.2000602    2.899977    Rank biserial correlation     -0.3454545   
 ──────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   Note. Hₐ μ <sub>stacjonarne</sub> ≠ μ <sub>niestacjonarne</sub>


 Group Descriptives                                                                   
 ──────────────────────────────────────────────────────────────────────────────────── 
              Group             N     Mean        Median      SD          SE          
 ──────────────────────────────────────────────────────────────────────────────────── 
   godziny    stacjonarne       30    6.133333    3.750000    6.362516     1.161631   
              niestacjonarne    33    2.945455    2.100000    2.817034    0.4903827   
 ──────────────────────────────────────────────────────────────────────────────────── 

r (rank biserial) |       95% CI
--------------------------------
0.35              | [0.07, 0.57]

 ONE-WAY ANOVA (NON-PARAMETRIC)

 Kruskal-Wallis                                         
 ────────────────────────────────────────────────────── 
             χ²          df    p            ε²          
 ────────────────────────────────────────────────────── 
   lek_t1    17.50854     2    0.0001578    0.2823958   
 ────────────────────────────────────────────────────── 


 DWASS-STEEL-CRITCHLOW-FLIGNER PAIRWISE COMPARISONS

 Pairwise comparisons - lek_t1                            
 ──────────────────────────────────────────────────────── 
                                W             p           
 ──────────────────────────────────────────────────────── 
   psychologia    pedagogika     0.4114429    0.9546181   
   psychologia    ekonomia      -4.5063218    0.0041214   
   pedagogika     ekonomia      -5.6521733    0.0001901   
 ──────────────────────────────────────────────────────── 


 DUNN'S PAIRWISE COMPARISONS

 Pairwise comparisons - lek_t1                                              
 ────────────────────────────────────────────────────────────────────────── 
                                z             p-(unadj)    p-(Bonferroni)   
 ────────────────────────────────────────────────────────────────────────── 
   psychologia    pedagogika    -0.4649548    0.6419638         1.0000000   
   psychologia    ekonomia       3.3688092    0.0007549         0.0022648   
   pedagogika     ekonomia       3.8337640    0.0001262         0.0003786   
 ────────────────────────────────────────────────────────────────────────── 


 PAIRED SAMPLES T-TEST

 Paired Samples T-Test                                                                                                                                                   
 ─────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
                                     Statistic     p            Mean difference    SE difference    Lower        Upper                                     Effect Size   
 ─────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   lek_t1    lek_t2    Wilcoxon W    190.5000 ᵃ    0.0000001          -2.500089        0.3422953    -3.000010    -1.999938    Rank biserial correlation     -0.7847458   
 ─────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   Note. Hₐ μ <sub>Measure 1 - Measure 2</sub> ≠ 0
   ᵃ 4 pair(s) of values were tied


 Descriptives                                                    
 ─────────────────────────────────────────────────────────────── 
             N     Mean        Median    SD          SE          
 ─────────────────────────────────────────────────────────────── 
   lek_t1    63    13.03175        13    3.906026    0.4921130   
   lek_t2    63    15.34921        16    4.392658    0.5534229   
 ─────────────────────────────────────────────────────────────── 

r (rank biserial) |         95% CI
----------------------------------
-0.78             | [-0.87, -0.65]

 REPEATED MEASURES ANOVA (NON-PARAMETRIC)

 Friedman                         
 ──────────────────────────────── 
   χ²          df    p            
 ──────────────────────────────── 
   32.93562     2    < .0000001   
 ──────────────────────────────── 


 Pairwise Comparisons (Durbin-Conover)                
 ──────────────────────────────────────────────────── 
                            Statistic    p            
 ──────────────────────────────────────────────────── 
   lek_t1    -    lek_t2    6.0958040    < .0000001   
   lek_t1    -    lek_t3    0.8020795     0.4240415   
   lek_t2    -    lek_t3    5.2937246     0.0000005   
 ──────────────────────────────────────────────────── 


 Descriptives                     
 ──────────────────────────────── 
             Mean        Median   
 ──────────────────────────────── 
   lek_t1    13.03175        13   
   lek_t2    15.34921        16   
   lek_t3    13.33333        13   
 ──────────────────────────────── 

[1] 3.82e-08 4.24e-01 1.05e-06
[1] 0.261

 CORRELATION MATRIX

 Correlation Matrix                                        
 ───────────────────────────────────────────────────────── 
                                 godziny       lek_t2      
 ───────────────────────────────────────────────────────── 
   godziny    Spearman's rho              —                
              df                          —                
              p-value                     —                
              Kendall's Tau B             —                
              p-value                     —                
              N                           —                
                                                           
   lek_t2     Spearman's rho     -0.3297071            —   
              df                         61            —   
              p-value             0.0083201            —   
              Kendall's Tau B    -0.2338591            —   
              p-value             0.0090247            —   
              N                          63            —   
 ───────────────────────────────────────────────────────── 

[1] ‘2.7.7’

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 z pakietem jmv, który do porównań Durbina–Conovera korzysta z pakietu PMCMR. Przedziały ufności dla korelacji rangowo-biseryjnej policzono pakietem effectsize, plik .sav zapisano pakietem haven, a rysunki przygotowano w pakiecie ggplot2.

  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://doi.org/10.32614/CRAN.package.jmv
  3. PMCMR (wersja 4.4): Pohlert, T. (2014). The pairwise multiple comparison of mean ranks package (PMCMR) [R package]. https://CRAN.R-project.org/package=PMCMR
  4. effectsize (wersja 1.0.2): Ben-Shachar, M. S., Lüdecke, D., & Makowski, D. (2020). effectsize: Estimation of effect size indices and standardized parameters. Journal of Open Source Software, 5(56), 2815. https://doi.org/10.21105/joss.02815
  5. 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
  6. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Typowe błędy w jamovi

  • Zostawienie Student's obok testu rangowego. Dwa testy w jednej tabeli kuszą, by wybrać „lepszy” wynik.
  • Przepisanie „Mean difference” jako różnicy średnich. W wierszu testu rangowego to estymator Hodgesa–Lehmanna.
  • Odczyt kierunku ze znaku korelacji rangowo-biseryjnej. Dla testu Manna–Whitneya znak w jmv 2.7.7 jest odwrotny do zwykłej konwencji. Kierunek ustal z median.
  • Nieskorygowane p po teście Friedmana. Durbin–Conover w jamovi nie ma korekty. Dodaj ją sam, a w tekście nazwij metodę.
  • Kolumna p(unadj) z testu Dunna w pracy. Przepisuj p(Bonferroni) albo wyniki DSCF.
  • Dane w formacie długim przy Friedmanie i Wilcoxonie. jamovi potrzebuje osobnych kolumn dla każdego pomiaru.

Rangi, statystyki i wielkości efektu przećwiczysz na przykładach w zbiorze testy nieparametryczne – zadania z rozwiązaniami. Parametryczne odpowiedniki tych analiz opisuje wpis ANOVA w jamovi.

Najczęstsze pytania

Gdzie w jamovi znajdę test Manna–Whitneya i test Wilcoxona?

W oknach testu t. Test Manna–Whitneya to pole Mann-Whitney U w Analyses → T-Tests → Independent Samples T-Test, a test Wilcoxona to pole Wilcoxon rank w Paired Samples T-Test. Odznacz wtedy Student's i zaznacz Effect size oraz Mean difference z przedziałem ufności.

Czym różnią się porównania DSCF od testu Dunna w jamovi?

DSCF (Dwass–Steel–Critchlow–Fligner) ranguje od nowa obserwacje każdej pary grup i podaje p już skorygowane na liczbę porównań. Test Dunna korzysta z rang wspólnych dla wszystkich grup, a jamovi pokazuje dla niego p bez korekty i z korektą Bonferroniego. W przykładzie obie metody dały ten sam wniosek: ekonomia różniła się od psychologii (DSCF p = .004) i pedagogiki (p < .001).

Czy porównania Durbina–Conovera po teście Friedmana w jamovi są skorygowane?

Nie. W jmv 2.7.7 kod analizy przekazuje p.adjust = "none", a okno nie ma opcji korekty. Popraw p sam, np. metodą Holma (w R: p.adjust(p, method = "holm")), i nazwij metodę w tekście pracy.

Dlaczego korelacja rangowo-biseryjna w jamovi ma ujemny znak, choć grupa 1 ma wyższe wyniki?

W teście Manna–Whitneya jmv 2.7.7 liczy ją jako 1 − 2U1/(n1n2), więc przewaga grupy 1 daje wartość ujemną. W przykładzie jamovi podał −0.35, a przy konwencji „dodatnia = przewaga grupy 1” wynik to .35, 95% CI [.07, .57]. Kierunek opisuj słowami na podstawie median.

Jak policzyć wielkość efektu dla testu Friedmana w jamovi?

Okno Friedmana jej nie podaje. Policz W Kendalla ze wzoru χ²/(n(k − 1)). W przykładzie χ²(2) = 32.94 dla 63 osób i trzech pomiarów, więc W = 32.94/(63 × 2) = .26.

Powiązane hasła

Przeczytaj też

Masz wyniki testów rangowych z jamovi i nie wiesz, co przepisać do pracy?

Sprawdzimy Twój plik .omv, dobór testu i porównań parami, policzymy brakujące wielkości efektu i korekty oraz wyjaśnimy wyniki tak, żebyś umiał(a) je samodzielnie opisać i obronić.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Dunn, O. J. (1964). Multiple comparisons using rank sums. Technometrics, 6(3), 241–252. https://doi.org/10.1080/00401706.1964.10490181
  2. Kerby, D. S. (2014). The simple difference formula: An approach to teaching nonparametric correlation. Comprehensive Psychology, 3, Article 11.IT.3.1. https://doi.org/10.2466/11.IT.3.1 ● Otwarty dostęp
  3. Pereira, D. G., Afonso, A., & Medeiros, F. M. (2015). Overview of Friedman’s test and post-hoc analysis. Communications in Statistics - Simulation and Computation, 44(10), 2636–2653. https://doi.org/10.1080/03610918.2014.931971
  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. Spurrier, J. D. (2006). Additional tables for Steel–Dwass–Critchlow–Fligner distribution-free multiple comparisons of three treatments. Communications in Statistics - Simulation and Computation, 35(2), 441–446. https://doi.org/10.1080/03610910600591834
  6. The jamovi project. (b.d.-a). Comparison of which analyses are available in SPSS and jamovi. jamovi documentation. https://docs.jamovi.org/spss2jamovi/s2j_Comparison_of_analyses.html ● Otwarty dostęp
  7. The jamovi project. (b.d.-b). jmv: Definition files of the jamovi analyses (descriptives, anovanp, anovarmnp, ttestis, ttestps, corrmatrix). GitHub repository jamovi/jmv. https://github.com/jamovi/jmv/tree/master/jamovi ● Otwarty dostęp

Cytowania BibTeX

@article{dunn1964multiple, author={Dunn, Olive Jean}, title={{Multiple comparisons using rank sums}}, journal={Technometrics}, year={1964}, volume={6}, number={3}, pages={241--252}, doi={10.1080/00401706.1964.10490181}}
@article{kerby2014simple, author={Kerby, Dave S.}, title={{The simple difference formula: An approach to teaching nonparametric correlation}}, journal={Comprehensive Psychology}, year={2014}, volume={3}, eid={11.IT.3.1}, doi={10.2466/11.it.3.1}}
@article{pereira2015overview, author={Pereira, Dulce G. and Afonso, Anabela and Medeiros, Fátima Melo}, title={{Overview of Friedman’s test and post-hoc analysis}}, journal={Communications in Statistics - Simulation and Computation}, year={2015}, volume={44}, number={10}, pages={2636--2653}, doi={10.1080/03610918.2014.931971}}
@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}}
@article{spurrier2006additional, author={Spurrier, John D.}, title={{Additional tables for Steel–Dwass–Critchlow–Fligner distribution-free multiple comparisons of three treatments}}, journal={Communications in Statistics - Simulation and Computation}, year={2006}, volume={35}, number={2}, pages={441--446}, doi={10.1080/03610910600591834}}
@misc{jamovindporownanieanaliz, author={{The jamovi project}}, title={{Comparison of which analyses are available in SPSS and jamovi}}, howpublished={jamovi documentation}, year={b.d.-a}, publisher={The jamovi project}, url={https://docs.jamovi.org/spss2jamovi/s2j_Comparison_of_analyses.html}}
@misc{jamovindjmvdefinicje, author={{The jamovi project}}, title={{jmv: Definition files of the jamovi analyses (descriptives, anovanp, anovarmnp, ttestis, ttestps, corrmatrix)}}, howpublished={GitHub repository jamovi/jmv}, year={b.d.-b}, publisher={The jamovi project}, url={https://github.com/jamovi/jmv/tree/master/jamovi}}
R