Prace dyplomowe · Metodologia

Opis metod statystycznych w pracy badawczej: jak napisać podrozdział „Analiza statystyczna”

Co powinien zawierać podrozdział o analizie statystycznej: program i jego cytowanie, przygotowanie danych, założenia, test dla każdej hipotezy, wielkość efektu, poziom istotności i korekty na wiele testów – z gotowymi wzorami zdań dla typowych planów analiz i przykładem całego podrozdziału.

Strona główna / Blog / Opis metod statystycznych
W skrócie: Podrozdział „Analiza statystyczna” opisuje, co zrobiono z danymi, zanim powstały wyniki: program z wersją, przygotowanie danych (wyniki skal, wykluczenia, braki, obserwacje odstające), sprawdzanie założeń, test dla każdej hipotezy, miarę wielkości efektu, poziom istotności i korekty na wiele testów. Każdą hipotezę połącz z konkretną analizą – lista nazw testów nie wystarczy. Nie wpisuj tu definicji z podręcznika ani wyników liczbowych.

Czym jest podrozdział „Analiza statystyczna”

Opis metod statystycznych to ostatni podrozdział części metodologicznej pracy, zwykle zatytułowany „Analiza statystyczna” albo „Metody analizy danych”. Odpowiada na jedno pytanie: co zrobiono z danymi, zanim powstały wyniki. Czytelnik po jego lekturze powinien wiedzieć, jakim programem, jakimi testami i według jakich reguł sprawdzałeś każdą hipotezę – na tyle dokładnie, by móc powtórzyć analizę na tych samych danych.

Ten podrozdział nie jest:

  • wykładem z podręcznika statystyki. Nie tłumacz, czym jest test t ani kto wymyślił korelację. Napisz, do czego go użyłeś i w jakiej wersji.
  • rozdziałem wyników. Nie podawaj tu wartości p ani średnich. Wyjątkiem bywa krótka informacja o spełnieniu założeń, jeśli od niej zależał wybór testu – choć i ją lepiej umieścić na początku wyników.
  • listą nazw testów. Zdanie „W pracy zastosowano test t, ANOVA, korelację Pearsona i regresję” nie mówi, który test sprawdzał którą hipotezę.

Miejsce podrozdziału w całym rozdziale metodologicznym pokazuje poradnik rozdział metodologiczny – jak go napisać. Standardy raportowania APA dla badań ilościowych wymagają w tym miejscu opisu strategii analiz osobno dla hipotez głównych, drugorzędowych i eksploracyjnych (Appelbaum i in., 2018); omawiamy je szerzej we wpisie wytyczne APA dla metodologii i statystyki.

Osiem elementów dobrego opisu

Większość podrozdziałów o analizie statystycznej da się złożyć z ośmiu elementów. Nie każdy musi mieć osobny akapit, ale każdy powinien się pojawić:

Osiem elementów opisu metod statystycznych z pytaniami, na które odpowiadają
ElementNa jakie pytanie odpowiada
1. OprogramowanieW jakim programie, w jakiej wersji i jakimi pakietami liczono analizy?
2. Przygotowanie danychJak liczono wyniki skal, kogo wykluczono, co zrobiono z brakami i obserwacjami odstającymi?
3. Statystyki opisoweJakie miary podano dla zmiennych ilościowych i jakościowych?
4. ZałożeniaJak sprawdzano założenia testów i co zrobiono, gdy nie były spełnione?
5. Testowanie hipotezJaka analiza sprawdzała każdą hipotezę?
6. Wielkość efektuJakie miary efektu i jakie przedziały ufności podano?
7. Poziom istotności i korektyJakie α, test jedno- czy dwustronny, czy i jak korygowano wiele testów?
8. Analizy dodatkoweKtóre analizy były eksploracyjne lub sprawdzały odporność wyników?

Jeśli analizę planowałeś przed zebraniem danych, większość tych elementów masz już w planie analizy. Wtedy podrozdział w pracy jest jego uporządkowaną wersją, a odstępstwa od planu opisujesz wprost – zob. plan analizy statystycznej i prerejestracja.

Oprogramowanie i jego cytowanie

Podaj nazwę programu, numer wersji i producenta, a przy R – także pakiety z wersjami. Program jest narzędziem, od którego zależą ustawienia domyślne (np. czy test t liczony jest z poprawką Welcha), więc jego wersja to część opisu metody, a nie formalność. Najprościej sprawdzić to w samym programie:

  • R podaje zalecany sposób cytowania po wpisaniu citation(); dla wersji 4.5.3 jest to R Core Team (2026). Pakiety cytujesz poleceniem citation("nazwa_pakietu"), a ich wersje sprawdzasz funkcją packageVersion().
  • JASP podaje na stronie projektu zalecane cytowanie w formie „JASP Team (rok). JASP (Version …) [Computer software]” (JASP Team, b.d.).
  • jamovi zaleca cytowanie „The jamovi project (rok). jamovi (Version …) [Computer Software]”, a wiele analiz w programie podaje dodatkowo własne cytowania pakietów R, które warto dołączyć (The jamovi project, b.d.).
  • IBM SPSS Statistics – podaj nazwę, numer wersji, której faktycznie używałeś, i producenta (IBM Corp.).

Programy bezpłatne porównujemy w poradniku bezpłatne programy do analizy statystycznej.

Analizy przeprowadzono w programie R w wersji 4.5.3 (R Core Team, 2026) z użyciem pakietów psych (wersja 2.6.5) do analizy rzetelności oraz effectsize (wersja 1.0.2) do obliczenia wielkości efektów. Wykresy przygotowano w pakiecie ggplot2 (wersja 4.0.2).

Przygotowanie danych: wykluczenia, braki, wyniki skal

Ta część dokumentuje decyzje, które zmieniają wyniki, choć rzadko o nich się pisze. Opisz:

  • jak liczono wyniki skal (średnia czy suma pozycji, które pozycje odwrócono, ile braków w skali dopuszczano);
  • według jakich reguł wykluczano osoby (niezaliczone pytanie kontrolne, zbyt szybkie wypełnienie, niespełnione kryteria udziału) i ile osób wykluczono;
  • jak postępowano z brakami danych – usunięcie przypadków, analiza dostępnych par, imputacja;
  • jak definiowano obserwacje odstające i co z nimi zrobiono.

Najważniejsze: reguły powinny być ustalone przed obejrzeniem wyników testów. Wykluczanie osób „do skutku”, aż wynik stanie się istotny, to jedna z form manipulowania analizą.

Wyniki skal obliczono jako średnią odpowiedzi na pozycje, po odwróceniu pozycji sformułowanych negatywnie; wynik obliczano, jeśli osoba odpowiedziała na co najmniej 80% pozycji skali. Z analiz wykluczono osoby, które nie zaliczyły pytania kontrolnego. Braki danych w zmiennych głównych nie przekraczały 2%, dlatego analizy przeprowadzono na danych kompletnych dla danej analizy. Obserwacje odstające identyfikowano jako wyniki standaryzowane przekraczające 3.29 co do wartości bezwzględnej; nie usuwano ich, lecz sprawdzano, czy ich wyłączenie zmienia wnioski.

Założenia: jak je opisać, żeby nie napisać nieprawdy

Najczęstsze zdanie w tym miejscu brzmi: „Sprawdzono normalność rozkładu wszystkich zmiennych testem Shapiro–Wilka”. Problem w tym, że testy parametryczne zakładają normalność czego innego – w teście t rozkładu w każdej grupie, a w regresji i ANOVA rozkładu reszt modelu – a przy dużej próbie test Shapiro–Wilka odrzuca normalność nawet przy odchyleniach bez praktycznego znaczenia. Lepiej napisać, które założenie, dla której analizy i jak sprawdzano: np. wykres kwantyl–kwantyl reszt, wykres reszt względem wartości dopasowanych, współczynniki VIF. Praktyczne sposoby oceny normalności opisujemy w poradniku jak sprawdzić normalność rozkładu.

Druga dobra praktyka: tam, gdzie to możliwe, wybierz z góry metodę odporną na naruszenie założeń, zamiast warunkować wybór testu wynikiem testu wstępnego. Delacre i in. (2017) pokazują, że dobór testu na podstawie wstępnego testu równości wariancji często zawodzi, a test t Welcha lepiej kontroluje błąd I rodzaju przy nierównych wariancjach i niewiele traci, gdy są równe – dlatego zalecają go jako domyślny.

Do porównań dwóch grup zastosowano test t Welcha, który nie zakłada równości wariancji. Założenia regresji liniowej oceniano na podstawie wykresu kwantyl–kwantyl reszt, wykresu reszt względem wartości dopasowanych oraz współczynników VIF (za niepokojące uznano wartości powyżej 5).

Poziom istotności i kierunek testu

Zawsze napisz, jaki poziom istotności przyjąłeś i czy testy były dwustronne. W większości prac to α = .05 i testy dwustronne. Ten wybór nie jest jednak prawem przyrody. Benjamin i in. (2018) zaproponowali obniżenie domyślnego progu do .005 dla twierdzeń o nowych odkryciach, a w odpowiedzi Lakens i in. (2018) postulowali, by badacze uzasadniali każdą decyzję projektową, w tym poziom α, zamiast stosować jeden uniwersalny próg. Maier i Lakens (2022) opisują dwa praktyczne sposoby uzasadnienia α, m.in. przez zrównoważenie ryzyka błędów I i II rodzaju. W pracy dyplomowej zwykle wystarczy α = .05 z jednym zdaniem uzasadnienia albo z odesłaniem do konwencji w dziedzinie.

Test jednostronny wymaga osobnego uzasadnienia. Ruxton i Neuhäuser (2010) uznają go za uprawniony tylko wtedy, gdy potrafisz wyjaśnić, dlaczego duży efekt w kierunku przeciwnym do oczekiwanego potraktowałbyś tak samo jak brak efektu – i to uzasadnienie musi znaleźć się w pracy. Jeśli go nie masz, testuj dwustronnie także hipotezy kierunkowe.

Wiele testów i korekty

Każdy test przy α = .05 daje 5% szans na wynik fałszywie istotny, gdy hipoteza zerowa jest prawdziwa. Przy wielu testach ryzyko się sumuje. Jeśli wykonasz 5 niezależnych testów i we wszystkich hipotezy zerowe będą prawdziwe, prawdopodobieństwo co najmniej jednego fałszywie istotnego wyniku wynosi 22.6%, przy 10 testach – 40.1%, a przy 20 – 64.2% (rysunek 1). Korekta Bonferroniego utrzymuje to ryzyko na poziomie 4.9%.

Wykres prawdopodobieństwa co najmniej jednego fałszywie istotnego wyniku w zależności od liczby testów: bez korekty 22.6% przy 5 testach, 40.1% przy 10 i 64.2% przy 20; z korektą Bonferroniego około 5% niezależnie od liczby testów
Rysunek 1. Prawdopodobieństwo uzyskania co najmniej jednego fałszywie istotnego wyniku w serii niezależnych testów, gdy wszystkie hipotezy zerowe są prawdziwe – bez korekty i z korektą Bonferroniego. Obliczenia: R.

Do wyboru masz trzy popularne podejścia (szerzej: problem wielokrotnych porównań i poradnik poprawki na wielokrotne porównania):

  • Korekta Bonferroniego – mnoży każde p przez liczbę testów. Najprostsza i najbardziej zachowawcza.
  • Korekta Holma – sekwencyjna wersja Bonferroniego. Holm (1979) wykazał, że zapewnia ona z góry ustalony poziom ochrony przed błędem I rodzaju dla dowolnej kombinacji prawdziwych hipotez. Jej progi nigdy nie są ostrzejsze niż w korekcie Bonferroniego, więc odrzuca co najmniej tyle samo hipotez – zwykle nie ma powodu, by wybierać Bonferroniego zamiast Holma.
  • Procedura Benjaminiego–Hochberga – kontroluje nie prawdopodobieństwo choćby jednego błędu, ale oczekiwany odsetek fałszywych odkryć (FDR) wśród wyników istotnych, co daje większą moc (Benjamini i Hochberg, 1995). Pasuje do analiz z wieloma zmiennymi o charakterze przesiewowym.

Przykład z R: studentów pracujących zarobkowo i niepracujących (po 70 osób, dane symulowane) porównano w sześciu wskaźnikach samopoczucia testem Welcha. Bez korekty istotne były cztery różnice (motywacja p = .002, zmęczenie p = .007, stres p = .010, nastrój p = .027). Po korekcie Bonferroniego zostały dwie (motywacja i zmęczenie), po korekcie Holma – trzy (stres z p = .042), a po procedurze Benjaminiego–Hochberga – wszystkie cztery (rysunek 2).

Wartości p dla sześciu porównań grup przed korektą i po korektach: bez korekty istotne cztery wyniki, po Benjaminim–Hochbergu cztery, po Holmie trzy, po Bonferronim dwa; motywacja p = .002, zmęczenie .007, stres .010, nastrój .027
Rysunek 2. Wartości p sześciu porównań studentów pracujących i niepracujących przed korektą i po korektach Benjaminiego–Hochberga, Holma i Bonferroniego (skala logarytmiczna). Niebieskie punkty – wyniki poniżej .05. Obliczenia: R (dane symulowane).

Wybór korekty zależy od pytania, a nie od tego, która „zostawi” więcej istotnych wyników – dlatego zapisz ją w podrozdziale o analizie przed obliczeniami. Korekty nie stosuje się zwykle do testów różnych hipotez głównych, z których każda ma własne uzasadnienie teoretyczne; stosuje się ją do rodziny testów odpowiadających na jedno pytanie (np. sześć wskaźników samopoczucia albo porównania parami po ANOVA). Napisz, co uznajesz za rodzinę testów.

Przyjęto poziom istotności α = .05; wszystkie testy były dwustronne. Porównania grup w sześciu wskaźnikach samopoczucia potraktowano jako jedną rodzinę testów i skorygowano wartości p metodą Holma. Porównania parami po analizie wariancji przeprowadzono testem Gamesa–Howella.

Wzory zdań dla typowych planów analiz

Poniżej gotowe fragmenty dla najczęstszych analiz w pracach dyplomowych. Dostosuj nazwy zmiennych i usuń to, czego nie robiłeś. Każdy wzór zawiera wielkość efektu, bo sama decyzja „istotne – nieistotne” nie mówi, jak duża jest różnica czy związek (zob. siła efektu).

Porównanie dwóch grup

Różnice między kobietami i mężczyznami w poziomie stresu (H1) sprawdzono testem t Welcha dla prób niezależnych. Jako wielkość efektu podano g Hedgesa z 95% przedziałem ufności. W analizie uzupełniającej zastosowano test U Manna–Whitneya z korelacją rangowo-dwuseryjną jako miarą efektu.

Gdy zmienna jest porządkowa albo rozkład jest wyraźnie skośny przy małej próbie, test główny może być nieparametryczny – test U Manna–Whitneya.

Trzy grupy lub więcej

Różnice w poziomie wypalenia między studentami trzech kierunków (H2) sprawdzono jednoczynnikową analizą wariancji Welcha, która nie zakłada równości wariancji w grupach. Jako wielkość efektu podano ω². Porównania parami przeprowadzono testem Gamesa–Howella. Jako alternatywę nieparametryczną zaplanowano test Kruskala–Wallisa z porównaniami testem Dunna i korektą Holma.

Hasła pomocnicze: ANOVA, test Gamesa–Howella, test Kruskala–Wallisa.

Korelacje

Związki między stresem, wsparciem społecznym i jakością snu (H3) oceniono współczynnikiem korelacji r Pearsona z 95% przedziałami ufności. Dla zmiennych o wyraźnie skośnym rozkładzie podano dodatkowo współczynnik rho Spearmana. Ponieważ macierz obejmowała trzy korelacje odpowiadające na jedno pytanie badawcze, wartości p skorygowano metodą Holma.

Zob. korelacja Pearsona i korelacja Spearmana.

Regresja wieloraka i hierarchiczna

Hipotezę H4 sprawdzono hierarchiczną regresją liniową. W pierwszym kroku wprowadzono zmienne kontrolne (wiek i płeć), w drugim – stres akademicki i wsparcie społeczne. Podano niestandaryzowane i standaryzowane współczynniki regresji z 95% przedziałami ufności, R² dla każdego kroku oraz zmianę R² z testem F. Założenia oceniano na podstawie wykresów reszt i współczynników VIF.

Zob. regresja hierarchiczna.

Moderacja i mediacja

Moderującą rolę wsparcia społecznego (H5) sprawdzono w regresji liniowej z interakcją stresu i wsparcia; predyktory wycentrowano przed obliczeniem iloczynu. Istotną interakcję analizowano metodą prostych nachyleń (dla wartości moderatora równych średniej oraz średniej ± 1 SD) i metodą Johnsona–Neymana. Pośrednią rolę zamartwiania się przed snem (H6) sprawdzono w modelu mediacji prostej; efekt pośredni oceniano na podstawie 95% przedziału ufności z 5000 prób bootstrap.

Zob. moderacja, mediacja i bootstrap.

Zmienne jakościowe

Związek między formą studiów a korzystaniem z pomocy psychologicznej (H7) sprawdzono testem chi-kwadrat niezależności; gdy oczekiwana liczebność w którejkolwiek komórce była mniejsza niż 5, stosowano dokładny test Fishera. Jako miarę siły związku podano V Craméra.

Zob. test chi-kwadrat niezależności i test dokładny Fishera.

Pomiary powtarzane

Zmianę poziomu lęku w trzech pomiarach (przed treningiem, bezpośrednio po nim i po miesiącu) sprawdzono analizą wariancji z powtarzanymi pomiarami; przy naruszeniu założenia sferyczności stosowano poprawkę Greenhouse’a–Geissera. Jako wielkość efektu podano uogólnione η². Pomiary porównywano parami z korektą Holma.

Zob. ANOVA z powtarzanymi pomiarami.

Liczebność próby w opisie metod

Jeśli liczebność planowałeś analizą mocy, napisz to w metodzie – w opisie próby albo w podrozdziale o analizie. Podaj zakładany efekt i jego źródło, poziom α, moc i wynik obliczeń. Lakens (2022) przypomina, że liczebność można uzasadnić na kilka sposobów, także ograniczeniami zasobów – ważne, by napisać, który z nich zastosowano. Przykładowe wyniki z R przy mocy .80, α = .05 i teście dwustronnym:

  • test t dla dwóch grup, d = 0.50 – 64 osoby w każdej grupie;
  • jednoczynnikowa ANOVA, trzy grupy, f = 0.25 – 53 osoby w każdej grupie;
  • korelacja, r = .30 – 85 osób (przybliżenie Fishera z; programy liczące dokładnie mogą podać 84).
Liczebność próby ustalono analizą mocy a priori. Aby wykryć różnicę między dwiema grupami o wielkości d = 0.50 z mocą .80 w dwustronnym teście t przy α = .05, potrzeba było 64 osób w każdej grupie. Założoną wielkość efektu przyjęto na podstawie wyników wcześniejszych badań porównujących te grupy.

Jak policzyć moc w programie G*Power, opisuje hasło analiza mocy a priori (G*Power).

Przykład całego podrozdziału

Tak może wyglądać kompletny podrozdział dla pracy magisterskiej z badaniem korelacyjnym (stres, wsparcie społeczne i jakość snu studentów; trzy hipotezy główne i analiza eksploracyjna):

Analizy przeprowadzono w programie R w wersji 4.5.3 (R Core Team, 2026). Wyniki skal obliczono jako średnie odpowiedzi na pozycje po odwróceniu pozycji sformułowanych negatywnie. Z analiz wykluczono osoby, które nie zaliczyły pytania kontrolnego; braki danych w zmiennych głównych nie przekraczały 2%, dlatego analizy przeprowadzono na danych kompletnych. Rzetelność skal oceniono współczynnikami alfa Cronbacha i omega McDonalda. Dla zmiennych ilościowych podano średnie, odchylenia standardowe, skośność i kurtozę, a dla zmiennych jakościowych – liczebności i odsetki. Hipotezy H1 i H2 (związki stresu i wsparcia z jakością snu) sprawdzono korelacją r Pearsona z 95% przedziałami ufności. Hipotezę H3 (moderująca rola wsparcia) sprawdzono w regresji liniowej z interakcją wycentrowanych predyktorów; istotną interakcję analizowano metodą prostych nachyleń. Założenia regresji oceniano na podstawie wykresów reszt i współczynników VIF. Przyjęto poziom istotności α = .05; testy były dwustronne. Różnice w jakości snu między latami studiów analizowano eksploracyjnie jednoczynnikową analizą wariancji Welcha z porównaniami testem Gamesa–Howella; wyniki tej analizy traktowano jako wstępne.

Ten podrozdział liczy około 150 słów. W pracy magisterskiej rzadko potrzeba więcej niż jednej strony – jeśli tekst się wydłuża, sprawdź, czy nie zawiera definicji z podręcznika albo wyników.

Źle i dobrze: typowe sformułowania

Typowe błędne sformułowania w opisie metod statystycznych i ich poprawione wersje
ŹleDobrze
Dane opracowano statystycznie w programie SPSS.Analizy przeprowadzono w programie IBM SPSS Statistics (wersja …).
Test t Studenta jest testem parametrycznym służącym do porównania dwóch średnich…Różnice między grupami (H1) sprawdzono testem t Welcha; jako wielkość efektu podano g Hedgesa z 95% CI.
Wszystkie zmienne miały rozkład normalny.Rozkład reszt modelu oceniano na wykresie kwantyl–kwantyl; nie stwierdzono odchyleń, które mogłyby wpływać na wnioski.
Za istotne uznano wyniki p < .05, a za tendencję wyniki p < .10.Przyjęto poziom istotności α = .05; testy były dwustronne.
W pracy zastosowano korelację, regresję i ANOVA.H1 i H2 – korelacja Pearsona; H3 – regresja z interakcją; analiza eksploracyjna – ANOVA Welcha.
Wyniki odstające usunięto.Za odstające uznano wyniki z |z| > 3.29; analizy powtórzono bez nich, a wnioski się nie zmieniły.
Zastosowano poprawkę na wielokrotne porównania.Wartości p sześciu porównań wskaźników samopoczucia skorygowano metodą Holma.

Jeśli masz gotowy plan analizy i chcesz, żeby ktoś sprawdził, czy podrozdział jest kompletny i zgodny z tym, co faktycznie policzyłeś, możesz skorzystać z konsultacji w ramach analiz statystycznych dla studentów. Tekst piszesz sam – konsultacja pomaga uzupełnić braki i zrozumieć decyzje, których będziesz bronić.

Przykład reprodukowalny

Przykład w R

Kod odtwarza liczby z sekcji o korektach i liczebności próby oraz dane do rysunków. Korekty liczy wbudowana funkcja p.adjust(), a liczebność – funkcje power.t.test() i power.anova.test().

Ryzyko błędu przy wielu testach, trzy korekty p i liczebność a priori

Dane wejściowe: część 1 – wzór; część 2 – dane symulowane: dwie grupy po 70 osób i sześć wskaźników samopoczucia (set.seed(2688)); część 3 – założenia analizy mocy.

Co odczytać: odsetek ryzyka co najmniej jednego fałszywie istotnego wyniku bez korekty i z korektą Bonferroniego, wyniki testów Welcha z p przed i po korektach Bonferroniego, Holma i Benjaminiego–Hochberga oraz liczebności dla mocy .80.

R
# P25 – liczby do podrozdziału „Analiza statystyczna”: ryzyko błędu przy wielu testach, korekty p,
# liczebność a priori dla typowych planów analiz.
# Uruchom z katalogu strony (strony/P25):  Rscript kod/p25-plan-analizy.R > kod/p25-plan-analizy-wynik.txt
fp <- function(p) ifelse(p < .001, "< .001", sub("^0", "", sprintf("%.3f", p)))   # zapis p jak w APA

# --- 1. Prawdopodobieństwo co najmniej jednego wyniku fałszywie istotnego (testy niezależne, wszystkie H0 prawdziwe)
k <- c(1, 3, 5, 10, 20)
print(data.frame(liczba_testow = k,
                 bez_korekty_proc = round(100 * (1 - (1 - .05)^k), 1),
                 Bonferroni_proc = round(100 * (1 - (1 - .05 / k)^k), 1)), row.names = FALSE)

# --- 2. Sześć porównań dwóch grup (dane symulowane) i trzy korekty
# Studenci pracujący zarobkowo (n = 70) i niepracujący (n = 70): sześć wskaźników samopoczucia (skale 1–5)
set.seed(2688)
efekty <- c(stres = 0.45, zmeczenie = 0.38, sen = -0.33, nastroj = -0.20, motywacja = -0.10, satysfakcja = 0.00)
wyniki <- do.call(rbind, lapply(names(efekty), function(v) {
  pracujacy <- rnorm(70, 3 + 0.7 * efekty[[v]], 0.7)
  niepracujacy <- rnorm(70, 3, 0.7)
  tt <- t.test(pracujacy, niepracujacy)                 # test Welcha
  data.frame(zmienna = v, roznica = unname(diff(rev(tt$estimate))), t = unname(tt$statistic),
             df = unname(tt$parameter), p = tt$p.value)
}))
wyniki$p_Bonferroni <- p.adjust(wyniki$p, "bonferroni")
wyniki$p_Holm <- p.adjust(wyniki$p, "holm")
wyniki$p_BH <- p.adjust(wyniki$p, "BH")
wydruk <- wyniki
wydruk[c("roznica", "t", "df")] <- lapply(wydruk[c("roznica", "t", "df")], round, 2)
wydruk[c("p", "p_Bonferroni", "p_Holm", "p_BH")] <- lapply(wydruk[c("p", "p_Bonferroni", "p_Holm", "p_BH")], fp)
print(wydruk, row.names = FALSE)
cat("Liczba wyników p < .05: bez korekty =", sum(wyniki$p < .05), "| Bonferroni =", sum(wyniki$p_Bonferroni < .05),
    "| Holm =", sum(wyniki$p_Holm < .05), "| BH =", sum(wyniki$p_BH < .05), "\n")
saveRDS(wyniki, "kod/p25-korekty.rds")

# --- 3. Liczebność a priori (moc .80, alfa = .05, test dwustronny)
cat("\nTest t dla dwóch grup, d = 0.50: n na grupę =", ceiling(power.t.test(delta = 0.5, power = .80)$n), "\n")
f <- 0.25                                               # f Cohena dla jednoczynnikowej ANOVA, 3 grupy
cat("ANOVA, 3 grupy, f = 0.25: n na grupę =",
    ceiling(power.anova.test(groups = 3, between.var = f^2 * 3 / 2, within.var = 1, power = .80)$n), "\n")
n_r <- 10; while (pnorm(atanh(0.30) * sqrt(n_r - 3) - qnorm(.975)) < .80) n_r <- n_r + 1
cat("Korelacja r = .30 (przybliżenie Fishera z): n =", n_r, "\n")
Wynik w R
 liczba_testow bez_korekty_proc Bonferroni_proc
             1              5.0             5.0
             3             14.3             4.9
             5             22.6             4.9
            10             40.1             4.9
            20             64.2             4.9
     zmienna roznica     t     df    p p_Bonferroni p_Holm p_BH
       stres    0.30  2.60 134.72 .010         .063   .042 .021
   zmeczenie    0.34  2.74 137.87 .007         .042   .035 .021
         sen   -0.13 -1.14 133.46 .257        1.000   .515 .309
     nastroj   -0.25 -2.23 131.87 .027         .165   .082 .041
   motywacja   -0.38 -3.10 135.29 .002         .014   .014 .014
 satysfakcja    0.11  0.93 137.90 .352        1.000   .515 .352
Liczba wyników p < .05: bez korekty = 4 | Bonferroni = 2 | Holm = 3 | BH = 4 

Test t dla dwóch grup, d = 0.50: n na grupę = 64 
ANOVA, 3 grupy, f = 0.25: n na grupę = 53 
Korelacja r = .30 (przybliżenie Fishera z): n = 85 

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3; 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. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Lista kontrolna podrozdziału

  • Program z numerem wersji; przy R – pakiety z wersjami i cytowaniami.
  • Sposób liczenia wyników skal i odwracania pozycji.
  • Reguły wykluczeń, postępowanie z brakami i obserwacjami odstającymi.
  • Jakie statystyki opisowe podajesz dla jakich zmiennych.
  • Które założenia, dla której analizy i jak sprawdzano; co robiono przy ich naruszeniu.
  • Dla każdej hipotezy – konkretna analiza, z numerem hipotezy.
  • Miara wielkości efektu i przedziały ufności dla każdej analizy.
  • Poziom α, testy jedno- lub dwustronne, rodziny testów i rodzaj korekty.
  • Analizy eksploracyjne oznaczone jako eksploracyjne.
  • Brak definicji z podręcznika i brak wyników liczbowych.

Najczęstsze pytania

Co powinien zawierać podrozdział o analizie statystycznej w pracy magisterskiej?

Nazwę i wersję programu, sposób przygotowania danych (wyniki skal, wykluczenia, braki danych), opis sprawdzania założeń, analizę przypisaną do każdej hipotezy, miary wielkości efektu i przedziały ufności, poziom istotności z informacją o testach jedno- lub dwustronnych oraz korekty przy wielu testach. Na końcu wymień analizy eksploracyjne.

Jak zacytować program statystyczny w pracy?

Podaj nazwę programu, numer wersji i producenta, a przy R także pakiety z wersjami. R pokazuje zalecane cytowanie po wpisaniu citation(), a pakiety – po wpisaniu citation("nazwa"). JASP i jamovi podają zalecany sposób cytowania na swoich stronach. Pozycję umieść także w bibliografii, jeśli wymaga tego styl pracy.

Czy w opisie metod trzeba tłumaczyć, na czym polega test statystyczny?

Nie. Podrozdział o analizie mówi, do czego i w jakiej wersji użyto testu, a nie, jak test działa. Wyjątkiem są metody mniej znane albo niestandardowe ustawienia – wtedy wystarczy jedno zdanie z odwołaniem do źródła metodologicznego.

Czy trzeba stosować korektę Bonferroniego przy wielu hipotezach?

Nie zawsze. Korektę stosuje się do rodziny testów odpowiadających na jedno pytanie, np. porównań parami po ANOVA albo wielu wskaźników tego samego konstruktu. Hipotezy główne z osobnym uzasadnieniem teoretycznym zwykle testuje się bez korekty. Zamiast Bonferroniego lepiej użyć metody Holma, która chroni tak samo, a ma większą moc.

Gdzie w pracy opisać sprawdzanie założeń testów?

W podrozdziale o analizie statystycznej napisz, które założenia i jak sprawdzano oraz co robiono przy ich naruszeniu. Wyniki tego sprawdzenia, np. informację o skośności reszt, podaj na początku rozdziału wyników, przed testowaniem hipotez.

Powiązane hasła

Przeczytaj też

Piszesz podrozdział o analizie statystycznej?

Sprawdzimy, czy opis metod odpowiada hipotezom i faktycznie wykonanym analizom, i wyjaśnimy każdą decyzję tak, abyś umiał(a) ją uzasadnić przed promotorem i komisją.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. 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 ● Otwarty dostęp
  2. Benjamin, D. J., Berger, J. O., Johannesson, M., Nosek, B. A., Wagenmakers, E.-J., Berk, R., Bollen, K. A., Brembs, B., Brown, L., Camerer, C., Cesarini, D., Chambers, C. D., Clyde, M., Cook, T. D., De Boeck, P., Dienes, Z., Dreber, A., Easwaran, K., Efferson, C., . . . Johnson, V. E. (2018). Redefine statistical significance. Nature Human Behaviour, 2(1), 6–10. https://doi.org/10.1038/s41562-017-0189-z ● Otwarty dostęp
  3. Benjamini, Y., & Hochberg, Y. (1995). Controlling the false discovery rate: A practical and powerful approach to multiple testing. Journal of the Royal Statistical Society: Series B (Methodological), 57(1), 289–300. https://doi.org/10.1111/j.2517-6161.1995.tb02031.x
  4. 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
  5. Holm, S. (1979). A simple sequentially rejective multiple test procedure. Scandinavian Journal of Statistics, 6(2), 65–70. https://www.jstor.org/stable/4615733
  6. JASP Team. (b.d.). Frequently asked questions. Pobrano 26 października 2026 z https://jasp-stats.org/faq/ ● Otwarty dostęp
  7. Lakens, D. (2022). Sample size justification. Collabra: Psychology, 8(1), Article 33267. https://doi.org/10.1525/collabra.33267 ● Otwarty dostęp
  8. Lakens, D., Adolfi, F. G., Albers, C. J., Anvari, F., Apps, M. A. J., Argamon, S. E., Baguley, T., Becker, R. B., Benning, S. D., Bradford, D. E., Buchanan, E. M., Caldwell, A. R., Van Calster, B., Carlsson, R., Chen, S.-C., Chung, B., Colling, L. J., Collins, G. S., Crook, Z., . . . Zwaan, R. A. (2018). Justify your alpha. Nature Human Behaviour, 2(3), 168–171. https://doi.org/10.1038/s41562-018-0311-x ● Otwarty dostęp: pełny tekst
  9. Maier, M., & Lakens, D. (2022). Justify your alpha: A primer on two practical approaches. Advances in Methods and Practices in Psychological Science, 5(2), Article 25152459221080396. https://doi.org/10.1177/25152459221080396 ● Otwarty dostęp
  10. 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/ ● Otwarty dostęp
  11. Ruxton, G. D., & Neuhäuser, M. (2010). When should we use one-tailed hypothesis testing? Methods in Ecology and Evolution, 1(2), 114–117. https://doi.org/10.1111/j.2041-210X.2010.00014.x ● Otwarty dostęp
  12. The jamovi project. (b.d.). About jamovi. Pobrano 26 października 2026 z https://www.jamovi.org/about.html ● Otwarty dostęp

Cytowania BibTeX

@article{appelbaum2018journal, 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: The APA Publications and Communications Board task force report}}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}
@article{benjamin2018redefine, author={Benjamin, Daniel J. and Berger, James O. and Johannesson, Magnus and Nosek, Brian A. and Wagenmakers, Eric-Jan and Berk, Richard and Bollen, Kenneth A. and Brembs, Björn and Brown, Lawrence and Camerer, Colin and Cesarini, David and Chambers, Christopher D. and Clyde, Merlise and Cook, Thomas D. and De Boeck, Paul and Dienes, Zoltan and Dreber, Anna and Easwaran, Kenny and Efferson, Charles and others}, title={{Redefine statistical significance}}, journal={Nature Human Behaviour}, year={2018}, volume={2}, number={1}, pages={6--10}, doi={10.1038/s41562-017-0189-z}}
@article{benjamini1995controlling, author={Benjamini, Yoav and Hochberg, Yosef}, title={{Controlling the false discovery rate: A practical and powerful approach to multiple testing}}, journal={Journal of the Royal Statistical Society: Series B (Methodological)}, year={1995}, volume={57}, number={1}, pages={289--300}, doi={10.1111/j.2517-6161.1995.tb02031.x}}
@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{holm1979simple, author={Holm, Sture}, title={{A simple sequentially rejective multiple test procedure}}, journal={Scandinavian Journal of Statistics}, year={1979}, volume={6}, number={2}, pages={65--70}, url={https://www.jstor.org/stable/4615733}}
@misc{jaspndfaq, author={{JASP Team}}, title={{Frequently asked questions}}, howpublished={JASP}, url={https://jasp-stats.org/faq/}}
@article{lakens2022sample, author={Lakens, Daniël}, title={{Sample size justification}}, journal={Collabra: Psychology}, year={2022}, volume={8}, number={1}, eid={33267}, doi={10.1525/collabra.33267}}
@article{lakens2018justify, author={Lakens, Daniël and Adolfi, Federico G. and Albers, Casper J. and Anvari, Farid and Apps, Matthew A. J. and Argamon, Shlomo E. and Baguley, Thom and Becker, Raymond B. and Benning, Stephen D. and Bradford, Daniel E. and Buchanan, Erin M. and Caldwell, Aaron R. and Van Calster, Ben and Carlsson, Rickard and Chen, Sau-Chin and Chung, Bryan and Colling, Lincoln J. and Collins, Gary S. and Crook, Zander and others}, title={{Justify your alpha}}, journal={Nature Human Behaviour}, year={2018}, volume={2}, number={3}, pages={168--171}, doi={10.1038/s41562-018-0311-x}}
@article{maier2022justify, author={Maier, Maximilian and Lakens, Daniël}, title={{Justify your alpha: A primer on two practical approaches}}, journal={Advances in Methods and Practices in Psychological Science}, year={2022}, volume={5}, number={2}, eid={25152459221080396}, doi={10.1177/25152459221080396}}
@misc{rcoreteam2026r, author={{R Core Team}}, title={{R: A language and environment for statistical computing [Computer software]}}, year={2026}, publisher={R Foundation for Statistical Computing}, url={https://www.R-project.org/}}
@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}}
@misc{jamovindabout, author={{The jamovi project}}, title={{About jamovi}}, howpublished={jamovi}, url={https://www.jamovi.org/about.html}}
R