Współczynniki standaryzowane czy niestandaryzowane?

Autor: Konrad Hryniewicz · Opublikowano: 28 października 2026 · Aktualizacja: 27 października 2026

Czym różnią się b i β

Współczynnik niestandaryzowany b mówi, o ile jednostek skali zmienia się przewidywany wynik, gdy predyktor rośnie o jedną swoją jednostkę: o punkt testu na godzinę nauki, o punkt skali na rok życia. Współczynnik standaryzowany β to ten sam współczynnik po przeliczeniu obu zmiennych na wyniki z: β = b × SD_x / SD_y. Mówi więc, o ile odchyleń standardowych zmienia się wynik, gdy predyktor rośnie o jedno odchylenie standardowe.

Ze wzoru wynika najważniejsza rzecz: β zależy nie tylko od siły związku, ale też od tego, jak bardzo zmienne różnią się w Twojej próbie. To jego zaleta, gdy chcesz porównać predyktory mierzone na różnych skalach. Staje się wadą, gdy porównujesz badania, grupy albo zmienne zero-jedynkowe. Baguley (2009) dochodzi do wniosku, że w większości zastosowań prosta, niestandaryzowana miara efektu jest bardziej odporna niż standaryzowana, i zaleca podawanie jej z przedziałem ufności.

Przykład: czas nauki, praca zarobkowa i wynik egzaminu

W badaniu 300 osób studiujących (dane symulowane) wynik egzaminu (0–100; M = 59.13, SD = 12.41) przewidywano czasem nauki w godzinach tygodniowo (M = 11.10, SD = 5.62) i pracą zarobkową (tak: 28% osób). W regresji wielorakiej każda dodatkowa godzina nauki wiązała się z wynikiem wyższym o 1.12 punktu, b = 1.12, 95% CI [0.91, 1.33], a praca zarobkowa – z wynikiem niższym o 4.84 punktu, b = −4.84, 95% CI [−7.48, −2.20], oba p < .001.

Współczynniki standaryzowane wyniosły β = 0.51, 95% CI [0.41, 0.60], dla czasu nauki i β = −0.18, 95% CI [−0.27, −0.08], dla pracy zarobkowej. Ten sam przykład pokazuje trzy pułapki β.

Pułapka 1: β zależy od zakresu predyktora w próbie

Wybierzmy z tej samej próby tylko osoby uczące się od 8 do 16 godzin tygodniowo (n = 150). Rozrzut czasu nauki spada z SD = 5.62 do 2.47. Związek godziny nauki z wynikiem jest praktycznie ten sam: b = 1.06, 95% CI [0.36, 1.77]. β spada jednak z 0.51 do 0.23. Ktoś, kto porówna same β, uzna, że w drugiej próbie nauka „działa” o połowę słabiej. W rzeczywistości ta próba jest po prostu bardziej jednorodna. Baguley (2009) wymienia ograniczenie zakresu obok rzetelności pomiaru jako czynnik, który zniekształca standaryzowane miary efektu.

Pułapka 2: β dla zmiennej 0/1 zależy od proporcji grup

Odchylenie standardowe zmiennej zero-jedynkowej wynosi √[p(1 − p)], więc β zmienia się wraz z odsetkiem osób w grupie. Przy tym samym b = −4.84 β pracy zarobkowej wyniosłoby −0.12, gdyby pracowało 10% osób, −0.18 przy 30% i −0.19 przy 50%. Jednostka „jedno SD pracy zarobkowej” nie ma też sensu merytorycznego. Lepiej podać b, czyli różnicę punktów, albo standaryzację częściową: różnicę grup w odchyleniach standardowych wyniku. W przykładzie osoby pracujące miały wynik niższy o 0.39 SD, 95% CI [−0.60, −0.18]. Tak postępuje też pakiet effectsize, gdy predyktor jest czynnikiem (kodowanie zero-jedynkowe).

Gelman (2008) proponuje inny kompromis: dzielić predyktory ciągłe przez dwa odchylenia standardowe. Wtedy ich współczynnik opisuje różnicę między osobą o jedno SD poniżej i o jedno SD powyżej średniej, a więc da się go porównać ze współczynnikiem zmiennej 0/1. W przykładzie zmiana czasu nauki o 2 SD to 12.55 punktu wyniku, a praca zarobkowa to −4.84 punktu.

Pułapka 3: ranking β to nie ranking ważności

Kusi, by uznać predyktor z największym |β| za „najważniejszy”. Bring (1994) wykazał jednak, że standardowa definicja β jest niespójna, a po poprawnej standaryzacji porównanie β sprowadza się w praktyce do porównania statystyk t. Przy skorelowanych predyktorach Kraha i in. (2012) zalecają uzupełnić β innymi miarami, np. korelacjami semicząstkowymi. β może też wyjść większe niż 1, co przy supresji i silnej współliniowości nie jest błędem obliczeń.

Kiedy b, a kiedy β

W pracy dyplomowej najbezpieczniej podać oba współczynniki w jednej tabeli regresji w APA: b z SE i 95% CI oraz β. Interpretuj b, a β traktuj jako pomoc przy porównaniu predyktorów ilościowych. W SPSS β to kolumna Beta w tabeli Coefficients; jak ją odczytać, pokazujemy we wpisie jak czytać wyniki SPSS. Gdy porównujesz związek w dwóch grupach, sięgnij po b i test interakcji opisany we wpisie jak porównać regresję w dwóch grupach.

Jak to opisać w pracy

Wzór dla przykładu:

Pełną ścieżkę analizy, z założeniami i tabelą APA, pokazujemy w poradniku regresja wieloraka krok po kroku, a ogólne zasady oceny wielkości efektów – w poradniku wielkość efektu – interpretacja. Kolejność analiz w pracy porządkuje przewodnik statystyka w pracy dyplomowej. Jeśli nie wiesz, które współczynniki opisać w swojej pracy, możesz skorzystać z konsultacji i sprawdzenia analizy.

# B190 – współczynniki niestandaryzowane (b) i standaryzowane (β) w regresji liniowej
# Dane symulowane: 300 osób studiujących; wynik egzaminu (0–100), czas nauki (godziny tygodniowo)
# i praca zarobkowa (0 = nie, 1 = tak). W modelu, z którego losujemy dane, każda godzina nauki
# podnosi wynik o 1.2 punktu, a praca zarobkowa obniża go o 5 punktów – w każdej podgrupie tak samo.
suppressPackageStartupMessages(library(effectsize))
set.seed(2208)
n <- 300
praca <- rbinom(n, 1, 0.30)
godziny <- round(pmin(30, pmax(0, rnorm(n, 12 - 2 * praca, 6))))
wynik <- 48 + 1.2 * godziny - 5 * praca + rnorm(n, 0, 11)
dane <- data.frame(wynik = round(pmin(100, pmax(0, wynik))), godziny, praca)

# 1. Statystyki opisowe
round(sapply(dane, function(x) c(M = mean(x), SD = sd(x))), 2)

# 2. Współczynniki b (jednostki skali) i β (odchylenia standardowe)
m <- lm(wynik ~ godziny + praca, data = dane)
round(cbind(summary(m)$coefficients, confint(m)), 4)
standardize_parameters(m)                 # β: standaryzacja wszystkich zmiennych (także 0/1)
# β ręcznie: b × SD(x) / SD(y)
round(coef(m)[-1] * sapply(dane[, c("godziny", "praca")], sd) / sd(dane$wynik), 3)
# praca jako czynnik: różnica grup w odchyleniach standardowych wyniku (standaryzacja częściowa)
dane$praca_f <- factor(dane$praca, levels = 0:1, labels = c("nie", "tak"))
standardize_parameters(lm(wynik ~ godziny + praca_f, data = dane))

# 3. Ten sam związek w próbie o węższym zakresie czasu nauki (8–16 godzin)
waska <- subset(dane, godziny >= 8 & godziny <= 16)
m_w <- lm(wynik ~ godziny + praca, data = waska)
c(n = nrow(waska), SD_godziny = round(sd(waska$godziny), 2))
round(cbind(summary(m_w)$coefficients, confint(m_w))["godziny", ], 3)
standardize_parameters(m_w)

# 4. β dla zmiennej 0/1 zależy od odsetka osób w grupie: SD(0/1) = √[p(1 − p)]
p_praca <- c(0.10, 0.30, 0.50)
round(data.frame(odsetek = p_praca, SD_praca = sqrt(p_praca * (1 - p_praca)),
                 beta = coef(m)["praca"] * sqrt(p_praca * (1 - p_praca)) / sd(dane$wynik)), 3)

# 5. Skalowanie przez 2 SD (Gelman, 2008): zmiana o 2 SD czasu nauki vs praca tak/nie
round(c(godziny_2SD = unname(coef(m)["godziny"] * 2 * sd(dane$godziny)),
        praca = unname(coef(m)["praca"])), 2)

   wynik godziny praca
M  59.13   11.10  0.28
SD 12.41    5.62  0.45
            Estimate Std. Error t value Pr(>|t|)   2.5 %  97.5 %
(Intercept)  48.0852     1.4302 33.6205    0e+00 45.2705 50.8999
godziny       1.1168     0.1074 10.4008    0e+00  0.9055  1.3281
praca        -4.8377     1.3418 -3.6054    4e-04 -7.4783 -2.1970
# Standardization method: refit

Parameter   | Std. Coef. |         95% CI
-----------------------------------------
(Intercept) |   6.24e-16 | [-0.09,  0.09]
godziny     |       0.51 | [ 0.41,  0.60]
praca       |      -0.18 | [-0.27, -0.08]
godziny   praca 
  0.506  -0.175 
# Standardization method: refit

Parameter     | Std. Coef. |         95% CI
-------------------------------------------
(Intercept)   |       0.11 | [ 0.00,  0.22]
godziny       |       0.51 | [ 0.41,  0.60]
praca f [tak] |      -0.39 | [-0.60, -0.18]
         n SD_godziny 
    150.00       2.47 
  Estimate Std. Error    t value   Pr(>|t|)      2.5 %     97.5 % 
     1.063      0.357      2.980      0.003      0.358      1.768 
# Standardization method: refit

Parameter   | Std. Coef. |         95% CI
-----------------------------------------
(Intercept) |  -3.83e-16 | [-0.15,  0.15]
godziny     |       0.23 | [ 0.08,  0.39]
praca       |      -0.18 | [-0.34, -0.03]
  odsetek SD_praca   beta
1     0.1    0.300 -0.117
2     0.3    0.458 -0.179
3     0.5    0.500 -0.195
godziny_2SD       praca 
      12.55       -4.84

Najczęstsze pytania

Czy można porównywać współczynniki β między dwiema grupami albo badaniami?

Lepiej nie. β zależy od odchyleń standardowych zmiennych w każdej próbie, więc różni się także wtedy, gdy związek jest taki sam. W przykładzie z tego wpisu b dla czasu nauki wyniósł 1.12 i 1.06 w dwóch próbach, a β – 0.51 i 0.23. Grupy porównuj na b i testem interakcji.

Jak podać β dla zmiennej zero-jedynkowej, np. płci?

Najlepiej wcale. Zamiast β podaj b, czyli różnicę wyniku między grupami w punktach, albo tę różnicę wyrażoną w odchyleniach standardowych zmiennej zależnej. β dla zmiennej 0/1 zmienia się wraz z odsetkiem osób w grupie: przy tym samym b wyniósłby −0.12 przy 10% i −0.19 przy 50% osób pracujących.

Czy β może być większe niż 1?

Tak. β nie jest korelacją i nie musi mieścić się między −1 a 1. Wartości powyżej 1 pojawiają się zwykle przy silnie skorelowanych predyktorach albo supresji. Sprawdź wtedy VIF i przedział ufności współczynnika, zanim zaczniesz go interpretować.

Powiązane hasła

Przeczytaj też

@article{baguley2009standardized, author={Baguley, Thom}, title={{Standardized or simple effect size: What should be reported?}}, journal={British Journal of Psychology}, year={2009}, volume={100}, number={3}, pages={603--617}, doi={10.1348/000712608x377117}}

@article{bring1994how, author={Bring, Johan}, title={{How to standardize regression coefficients}}, journal={The American Statistician}, year={1994}, volume={48}, number={3}, pages={209--213}, doi={10.1080/00031305.1994.10476059}}

@article{gelman2008scaling, author={Gelman, Andrew}, title={{Scaling regression inputs by dividing by two standard deviations}}, journal={Statistics in Medicine}, year={2008}, volume={27}, number={15}, pages={2865--2873}, doi={10.1002/sim.3107}}

@article{kraha2012tools, author={Kraha, Amanda and Turner, Heather and Nimon, Kim and Zientek, Linda Reichwein and Henson, Robin K.}, title={{Tools to support interpreting multiple regression in the face of multicollinearity}}, journal={Frontiers in Psychology}, year={2012}, volume={3}, eid={44}, doi={10.3389/fpsyg.2012.00044}}