Metodolog.pl · praktyczna baza wiedzy

Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować

Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.

Strona główna / Blog / Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować

Autor: · Opublikowano: · Aktualizacja:

Wartość p opisuje, jak bardzo zaobserwowane dane są niezgodne z określonym modelem statystycznym — najczęściej z modelem zakładającym prawdziwość hipotezy zerowej. Im mniejsza wartość p, tym trudniej pogodzić wynik z tym modelem. Nie jest to jednak prawdopodobieństwo, że hipoteza zerowa jest prawdziwa.

Co oznacza wartość p?

W uproszczeniu jest to prawdopodobieństwo uzyskania wyniku co najmniej tak skrajnego jak zaobserwowany, przy założeniu, że model zerowy i pozostałe założenia analizy są poprawne. Zapis p = 0,03 nie oznacza więc, że „istnieje 3% szans, że H0 jest prawdziwa”. Oznacza, że przy przyjętym modelu dane tak skrajne lub bardziej skrajne pojawiłyby się z prawdopodobieństwem 3%.

Czego wartość p nie mówi?

  • nie określa prawdopodobieństwa prawdziwości hipotezy;
  • nie mierzy wielkości ani praktycznego znaczenia efektu;
  • nie potwierdza jakości projektu badania, pomiaru ani danych;
  • nie rozstrzyga samodzielnie, czy wynik jest naukowo ważny;
  • nie zastępuje replikacji ani oceny zgodności wyniku z wcześniejszą wiedzą.

Próg 0,05 jest konwencją decyzyjną, a nie granicą oddzielającą „prawdę” od „fałszu”. Wyniki p = 0,049 i p = 0,051 dostarczają niemal tej samej informacji, choć sztywna klasyfikacja może prowadzić do przeciwnych etykiet.

Jak raportować wynik?

Najlepiej podać dokładną wartość p, statystykę testową, stopnie swobody, oszacowanie efektu i jego przedział ufności. Zamiast pisać „p = 0,000”, należy użyć zapisu „p < 0,001”. Trzeba również opisać założenia testu, sposób postępowania z brakami danych i liczbę wykonanych analiz. Przy wielu testach rośnie ryzyko wyników fałszywie dodatnich, dlatego plan analizy i ewentualna korekta wielokrotnych porównań powinny być jawne.

Praktyczny przykład

Jeżeli różnica średnich wynosi 0,2 punktu, p < 0,001 może wynikać z ogromnej próby, mimo że efekt jest nieistotny praktycznie. Z kolei różnica 5 punktów z szerokim przedziałem ufności i p = 0,08 może być ważna, lecz oszacowana zbyt mało precyzyjnie. W obu przypadkach decyzja wymaga oceny efektu, niepewności i kontekstu.

Lepszy schemat wnioskowania

  1. Zdefiniuj pytanie, hipotezy i parametr, który chcesz oszacować.
  2. Dobierz analizę do projektu, skali pomiaru i mechanizmu powstawania danych.
  3. Raportuj efekt, przedział ufności i wartość p.
  4. Oddziel znaczenie statystyczne od praktycznego.
  5. Sprawdź odporność wniosku na alternatywne uzasadnione decyzje analityczne.

Potrzebujesz poprawnie zaplanować testy lub zinterpretować wyniki? W ramach konsultacji metodologicznej dobieramy model, sprawdzamy założenia i przygotowujemy raport gotowy do pracy naukowej lub publikacji.

Jak przejść od wyniku programu do wniosku?

Zestawienie informacji omawianych w tej sekcji
ElementPytanie kontrolneCo wpisać do raportu
ModelJaką hipotezę i założenia przyjęto?Nazwa testu/modelu i powód wyboru
OszacowanieJak duży jest efekt?Różnica, współczynnik, OR lub inna miara
NiepewnośćJak precyzyjny jest wynik?95% przedział ufności
Wartość pJak niezgodne są dane z H0?Dokładne p; dla bardzo małych p < .001
ZnaczenieCzy efekt ma znaczenie praktyczne?Interpretacja w jednostkach badania

Gotowy wzór raportowania

Wynik testu [nazwa] wskazał, że [oszacowanie efektu], [statystyka](df) = [wartość], p = [wartość], [miara efektu] = [wartość], 95% CI [dolna, górna]. Wielkość i precyzja efektu sugerują, że [interpretacja merytoryczna].

Kontrola przed oddaniem raportu

  • Nie zapisano p = .000.
  • Wniosek nie opiera się wyłącznie na przekroczeniu .05.
  • Podano wielkość efektu i przedział ufności.
  • Analizy dodatkowe oznaczono jako eksploracyjne.

Pojęcia potrzebne do tego zagadnienia

Definicje poniżej rozwijają najważniejsze terminy, pokazują wzory, przykłady i gotowe raportowanie w APA 7.

Wartość p (p-value)Poziom istotności (alfa)Przedział ufnościSiła efektuNHST (podejście częstościowe)Styl APA (standard APA)Pytanie badawczeHipoteza badawcza

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Wasserstein i Lazar, 2016).

Przykład reprodukowalny

Kod w R, Pythonie i IBM SPSS Statistics

Przykłady pokazują, skąd bierze się wartość p i jak łączyć ją z estymatą oraz przedziałem ufności. Nie używaj ich jako automatycznej reguły decyzji bez określenia modelu, założeń i znaczenia efektu.

Estymacja punktowa, 95% CI, wartość krytyczna i p

Dane wejściowe: Kolumna wynik jest liczbowa. Przykład dotyczy średniej; dla innych parametrów użyj procedury zgodnej z ich rozkładem.

Co odczytać: Raportuj estymatę, 95% CI i dokładne p. Nie interpretuj konkretnego klasycznego CI jako 95% prawdopodobieństwa parametru.

R
dane <- read.csv("dane.csv")
x <- na.omit(dane$wynik)
n <- length(x)
M <- mean(x)
SE <- sd(x) / sqrt(n)
t_kryt <- qt(.975, df = n - 1)
CI <- M + c(-1, 1) * t_kryt * SE
c(N = n, M = M, SE = SE, CI_dol = CI[1], CI_gora = CI[2])

# Test H0: średnia = 50.
t.test(x, mu = 50, conf.level = .95)
Python
import pandas as pd
import numpy as np
from scipy import stats

x = pd.read_csv("dane.csv")["wynik"].dropna().to_numpy()
n = len(x)
M = x.mean()
SE = x.std(ddof=1) / np.sqrt(n)
t_crit = stats.t.ppf(.975, df=n-1)
ci = (M - t_crit*SE, M + t_crit*SE)
print({"N": n, "M": M, "SE": SE, "95% CI": ci})
print(stats.ttest_1samp(x, popmean=50))
IBM SPSS Statistics — Syntax
EXAMINE VARIABLES=wynik
 /STATISTICS=DESCRIPTIVES
 /CINTERVAL=95
 /MISSING=LISTWISE.

T-TEST TESTVAL=50
 /VARIABLES=wynik
 /CRITERIA=CI(.95).

Bibliografia oprogramowania i wykorzystanych pakietów

W przykładach użyto: R, Python, IBM SPSS Statistics, pandas, NumPy, SciPy. W pracy badawczej podaj również faktycznie użyte wersje, które można odczytać poleceniami sessionInfo() w R oraz pip freeze lub importlib.metadata.version() w Pythonie. Cytuj wyłącznie narzędzia rzeczywiście użyte w końcowej analizie.

  1. R: R Core Team. (2026). R: A language and environment for statistical computing [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. Python: Van Rossum, G., & Drake, F. L., Jr. (2009). Python 3 reference manual. CreateSpace.
  3. IBM SPSS Statistics: IBM Corp. (2025). IBM SPSS Statistics for Macintosh (Version 31.0) [Computer software]. IBM Corp.
  4. pandas: McKinney, W. (2010). Data structures for statistical computing in Python. In S. van der Walt & J. Millman (Eds.), Proceedings of the 9th Python in Science Conference (pp. 56–61). https://doi.org/10.25080/Majora-92bf1922-00a
  5. NumPy: Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., Wieser, E., Taylor, J., Berg, S., Smith, N. J., Kern, R., Picus, M., Hoyer, S., van Kerkwijk, M. H., Brett, M., Haldane, A., del Río, J. F., Wiebe, M., Peterson, P., … Oliphant, T. E. (2020). Array programming with NumPy. Nature, 585, 357–362. https://doi.org/10.1038/s41586-020-2649-2
  6. SciPy: Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., Burovski, E., Peterson, P., Weckesser, W., Bright, J., van der Walt, S. J., Brett, M., Wilson, J., Millman, K. J., Mayorov, N., Nelson, A. R. J., Jones, E., Kern, R., Larson, E., … SciPy 1.0 Contributors. (2020). SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, 17, 261–272. https://doi.org/10.1038/s41592-019-0686-2
BibTeX dla oprogramowania i pakietów
@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{harris2020numpy,
  author = {Harris, Charles R. and Millman, K. Jarrod and van der Walt, Stéfan J. and Gommers, Ralf and Virtanen, Pauli and others},
  title = {Array Programming with NumPy},
  journal = {Nature},
  year = {2020},
  volume = {585},
  pages = {357--362},
  doi = {10.1038/s41586-020-2649-2}
}
@article{virtanen2020scipy,
  author = {Virtanen, Pauli and Gommers, Ralf and Oliphant, Travis E. and Haberland, Matt and Reddy, Tyler and others},
  title = {SciPy 1.0: Fundamental Algorithms for Scientific Computing in Python},
  journal = {Nature Methods},
  year = {2020},
  volume = {17},
  pages = {261--272},
  doi = {10.1038/s41592-019-0686-2}
}

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczyOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108
  2. Greenland, S., Senn, S. J., Rothman, K. J., Carlin, J. B., Poole, C., Goodman, S. N., & Altman, D. G. (2016). Statistical tests, P values, confidence intervals, and power: A guide to misinterpretations. European Journal of Epidemiology, 31(4), 337–350. https://doi.org/10.1007/s10654-016-0149-3
  3. Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594
  4. Sullivan, G. M., & Feinn, R. (2012). Using effect size—or why the P value is not enough. Journal of Graduate Medical Education, 4(3), 279–282. https://doi.org/10.4300/JGME-D-12-00156.1
  5. Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
  6. Lang, T. A., & Altman, D. G. (2015). Basic statistical reporting for articles published in biomedical journals: The SAMPL guidelines. International Journal of Nursing Studies, 52(1), 5–9. https://doi.org/10.1016/j.ijnurstu.2014.09.006

Cytowania BibTeX

@article{wasserstein2016pvalues, author={Wasserstein, Ronald L. and Lazar, Nicole A.}, title={The ASA Statement on p-Values: Context, Process, and Purpose}, journal={The American Statistician}, year={2016}, volume={70}, number={2}, pages={129--133}, doi={10.1080/00031305.2016.1154108}}
@article{greenland2016misinterpretations, author={Greenland, Sander and Senn, Stephen J. and Rothman, Kenneth J. and Carlin, John B. and Poole, Charles and Goodman, Steven N. and Altman, Douglas G.}, title={Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations}, journal={European Journal of Epidemiology}, year={2016}, volume={31}, number={4}, pages={337--350}, doi={10.1007/s10654-016-0149-3}}
@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}
@article{sullivan2012effectsize, author={Sullivan, Gail M. and Feinn, Richard}, title={Using effect size—or why the P value is not enough}, journal={Journal of Graduate Medical Education}, year={2012}, volume={4}, number={3}, pages={279--282}, doi={10.4300/JGME-D-12-00156.1}}
@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{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}}
R