Prace dyplomowe · Opis próby

Wzór przedstawienia charakterystyki próby: gotowe tabele APA i akapity dla czterech typów badań

Tabele charakterystyki próby w stylu APA 7 i akapity do podrozdziału „Uczestnicy” do skopiowania: ankieta w jednej grupie, grupa kliniczna i kontrolna, eksperyment z losowym przydziałem, badanie z dwoma pomiarami ze schematem przepływu – z plikiem .docx do pobrania.

Strona główna / Blog / Wzór charakterystyki próby
W skrócie: Tabela charakterystyki próby w stylu APA ma numer, tytuł kursywą, tylko poziome linie i notę pod spodem. Łączy wartości „n (%)” i „M (SD)” w jednej kolumnie albo w kolumnach grup. W eksperymencie z losowym przydziałem nie podawaj testów różnic wyjściowych, a przy grupach dobranych osobno pokaż standaryzowane różnice. W badaniu z kilkoma pomiarami dodaj schemat przepływu i porównanie osób, które zostały i odpadły.

Wzór przedstawienia charakterystyki próby: jak korzystać z tej strony

Ta strona zawiera gotowe wzory: tabele w stylu APA 7 i akapity do podrozdziału „Uczestnicy” dla czterech typowych badań. Wybierz wzór najbliższy Twojemu schematowi, skopiuj tabelę przyciskiem „Kopiuj tabelę do Worda” albo pobierz wszystkie cztery tabele w pliku wzor-przedstawienia-charakterystyki-proby-tabele.docx, a potem zastąp liczby własnymi wynikami.

Liczby we wzorach pochodzą z danych symulowanych i kodu w sekcji Przykład w R. Uzasadnienie decyzji – które cechy opisać, kiedy średnia, a kiedy mediana, jak tworzyć przedziały wieku i jak porównać próbę z populacją – znajdziesz we wpisie jak opisać charakterystykę próby badawczej. Tutaj skupiamy się na formie.

Wybór wzoru charakterystyki próby według typu badania
Twoje badanieWzórKolumny tabeliPorównanie grup
Ankieta w jednej grupie (badanie korelacyjne)Wzór 1jedna kolumna z wartościaminie dotyczy
Dwie grupy dobrane osobno (np. kliniczna i kontrolna)Wzór 2kolumna dla każdej grupy i SMDstandaryzowane różnice
Eksperyment z losowym przydziałemWzór 3kolumna dla każdego warunku i ogółembez testów istotności
Badanie z dwoma pomiaramiWzór 4osoby z obu pomiarów i osoby, które odpadłySMD i testy dla odpadania

Trzy zasady formy obowiązują we wszystkich wzorach. Pierwsza: tabela ma numer i tytuł kursywą nad tabelą, tylko poziome linie i notę „Uwaga.” pod spodem – tak wygląda tabela w stylu APA 7 (zob. styl APA i wpis o tabelach APA w pracy z psychologii). Druga: w jednej kolumnie łącz wartości w formacie „n (%)” dla zmiennych kategorialnych i „M (SD)” dla ilościowych, a format zaznacz w nazwie wiersza. Trzecia: liczby zapisuj z kropką dziesiętną i jednym miejscem po przecinku dla procentów oraz dwoma dla średnich i odchyleń. Hayes-Larson i in. (2019) proponują podstawową strukturę takiej tabeli i jej modyfikacje dla bardziej złożonych schematów. Wzory poniżej podążają za tą logiką w uproszczonej formie, odpowiedniej dla pracy dyplomowej.

Wzór 1. Ankieta w jednej grupie

Najczęstszy przypadek: badanie korelacyjne online, jedna próba, kilka cech socjodemograficznych. Wiek w przykładzie jest prawostronnie skośny, dlatego tabela podaje zarówno średnią z odchyleniem standardowym, jak i medianę z kwartylami. Przy rozkładzie symetrycznym wiersz z medianą możesz usunąć.

Tabela 1

Charakterystyka socjodemograficzna uczestników badania (N = 402)

Cechan (%) lub M (SD)
Wiek w latach, M (SD)35.88 (11.20)
Wiek w latach, Mdn [Q1, Q3]34 [27, 42]
Wiek w latach, zakres20–67
Płeć
kobieta221 (55.0)
mężczyzna167 (41.5)
inna8 (2.0)
wolę nie odpowiadać6 (1.5)
Wykształcenie
podstawowe lub zasadnicze zawodowe48 (11.9)
średnie154 (38.3)
wyższe200 (49.8)
Miejsce zamieszkania
wieś124 (30.8)
miasto do 100 tys.137 (34.1)
miasto powyżej 100 tys.141 (35.1)
Sytuacja zawodowa
pracuje235 (58.5)
uczy się lub studiuje87 (21.6)
nie pracuje45 (11.2)
emerytura lub renta35 (8.7)

Uwaga. Procenty obliczono od liczebności całej próby. Q1 i Q3 – pierwszy i trzeci kwartyl. Dane symulowane.

Pobierz wzory .docx

Akapit do podrozdziału „Uczestnicy” nie powtarza całej tabeli. Podaje liczebność, wiek i płeć oraz odsyła do tabeli po resztę:

W badaniu wzięły udział 402 osoby w wieku od 20 do 67 lat (M = 35.88, SD = 11.20; Mdn = 34). Kobiety stanowiły 55.0% próby (n = 221), mężczyźni 41.5% (n = 167); 8 osób (2.0%) określiło swoją płeć jako inną, a 6 osób (1.5%) nie odpowiedziało na to pytanie. Prawie połowa uczestników (49.8%) miała wykształcenie wyższe, a 58.5% pracowało zawodowo. Szczegółową charakterystykę próby przedstawiono w Tabeli 1.

Jeżeli piszesz artykuł po angielsku, ten sam akapit w podrozdziale Participants może brzmieć tak:

The sample consisted of 402 adults aged 20 to 67 years (M = 35.88, SD = 11.20; Mdn = 34). Of the participants, 55.0% identified as women (n = 221), 41.5% as men (n = 167), and 2.0% as another gender (n = 8); 1.5% (n = 6) preferred not to answer. Almost half of the participants (49.8%) held a university degree, and 58.5% were employed. Detailed sample characteristics are presented in Table 1.

Kategorie metryczki wpisuj w tej samej kolejności co w ankiecie albo w kolejności naturalnej (od najniższego wykształcenia, od najmniejszej miejscowości). Nie sortuj ich według liczebności. Sposób formułowania pytań o płeć i wiek opisuje hasło pytania o płeć i wiek w ankiecie. Hughes i in. (2022) proponują także inkluzywne kategorie dla wykształcenia, zatrudnienia i dochodu.

Wzór 2. Dwie grupy dobrane osobno

Gdy porównujesz grupy, których nie przydzielono losowo – np. osoby z rozpoznaniem zaburzeń lękowych i osoby bez rozpoznania – tabela ma pokazać, na ile grupy są porównywalne pod względem cech innych niż badana. Zamiast kolumny z wartościami p podaj standaryzowaną różnicę (SMD). Austin (2009) opisuje standaryzowane różnice jako miarę porównywania rozkładów cech między grupami, którą stosuje się zarówno do średnich, jak i do odsetków. W odróżnieniu od p nie zależy ona od liczebności grup. Wiersze dotyczące tylko jednej grupy (czas od diagnozy, leczenie) oznacz kreską w drugiej kolumnie.

Tabela 2

Charakterystyka grupy klinicznej i kontrolnej

CechaGrupa kliniczna (n = 46)Grupa kontrolna (n = 50)SMD
Wiek w latach, M (SD)33.72 (8.32)32.94 (8.93)0.09
Kobiety, n (%)32 (69.6)27 (54.0)0.32
Lata nauki, M (SD)14.17 (2.51)15.36 (2.00)−0.52
Czas od diagnozy w latach, Mdn [Q1, Q3]4 [2, 7]––
Przyjmowanie leków, n (%)27 (58.7)––

Uwaga. SMD – standaryzowana różnica (grupa kliniczna minus kontrolna); dla odsetka kobiet obliczona z proporcji. Kreska – nie dotyczy. Dane symulowane.

W badaniu wzięło udział 96 osób: 46 osób z rozpoznaniem zaburzeń lękowych (grupa kliniczna) i 50 osób bez rozpoznania zaburzeń psychicznych (grupa kontrolna). Grupy były zbliżone pod względem wieku (M = 33.72, SD = 8.32 wobec M = 32.94, SD = 8.93; SMD = 0.09). W grupie klinicznej było więcej kobiet (69.6% wobec 54.0%; SMD = 0.32), a jej uczestnicy mieli mniej lat nauki (M = 14.17, SD = 2.51 wobec M = 15.36, SD = 2.00; SMD = −0.52). Mediana czasu od diagnozy wynosiła 4 lata (Q1–Q3: 2–7), a 58.7% osób z grupy klinicznej przyjmowało leki. Ze względu na różnice w liczbie lat nauki zmienną tę uwzględniono jako kowariant w analizach głównych.

Odmiany wzoru 2. Jeśli grupę kontrolną dobierano parami do osób z grupy klinicznej (np. według płci i wieku z dokładnością do dwóch lat), napisz to wprost i podaj, według jakich cech dobierano pary. W takim schemacie podobieństwo grup w tych cechach wynika z doboru, a nie jest wynikiem badania. Gdy grup jest więcej niż dwie, dodaj kolejne kolumny, a SMD podaj dla każdej pary grup albo dla każdej grupy względem grupy odniesienia. W pracach z udziałem pacjentów dopisz wiersze o cechach klinicznych istotnych dla pytania: rozpoznanie według klasyfikacji, czas trwania, leczenie, choroby współistniejące. Każdy taki wiersz dotyczy tylko grupy klinicznej.

Ostatnie zdanie wzoru stosuj tylko wtedy, gdy decyzję o zmiennej kontrolnej podjęto z powodów merytorycznych i przed analizą, a nie dlatego, że różnica „wyszła”. Wartość d czy SMD wyjaśnia hasło standaryzowana różnica średnich, a analizę z kowariantem – hasło ANCOVA.

Wzór 3. Eksperyment z losowym przydziałem

W eksperymencie z losowym przydziałem tabela pokazuje warunki w osobnych kolumnach i kolumnę „Ogółem”. Nie dodawaj testów istotności różnic między warunkami. De Boer i in. (2015) wyjaśniają, że zgodnie z wytycznymi CONSORT testy różnic wyjściowych w badaniach z randomizacją są zbędne. Nie pokazują, czy losowanie się udało, a wybór zmiennych kontrolnych na ich podstawie może pominąć ważne zmienne. Wytyczne CONSORT 2010 (Schulz i in., 2010) zawierają też schemat przepływu uczestników, który przydaje się we wzorze 4.

Tabela 3

Charakterystyka uczestników w trzech warunkach eksperymentu

CechaKontrolny (n = 41)Uważność (n = 40)Relaksacja (n = 42)Ogółem (N = 123)
Wiek w latach, M (SD)21.32 (1.71)21.30 (1.56)21.62 (1.59)21.41 (1.61)
Kobiety, n (%)28 (68.3)29 (72.5)29 (69.0)86 (69.9)
Nastrój przed manipulacją, M (SD)4.69 (1.07)4.36 (1.04)4.61 (1.11)4.56 (1.07)

Uwaga. Uczestników przydzielono do warunków losowo, dlatego nie podano testów istotności różnic między warunkami. Dane symulowane.

W eksperymencie wzięło udział 123 studentów (69.9% kobiet) w wieku od 19 do 27 lat (M = 21.41, SD = 1.61). Uczestników przydzielono losowo do warunku kontrolnego (n = 41), warunku z ćwiczeniem uważności (n = 40) lub warunku z relaksacją (n = 42). Charakterystykę uczestników w poszczególnych warunkach, w tym nastrój przed manipulacją, przedstawiono w Tabeli 3.

Jeśli losowanie było blokowe lub warstwowe, dopisz to w zdaniu o przydziale. Nazwij też precyzyjnie, co robiła grupa kontrolna (np. „słuchała nagrania o neutralnej treści”), bo samo „grupa kontrolna” nie mówi czytelnikowi, z czym porównujesz warunki eksperymentalne. Więcej o schematach eksperymentalnych mówią hasła schemat eksperymentalny i randomizacja.

Wzór 4. Badanie z dwoma pomiarami i odpadaniem uczestników

W badaniu z kilkoma pomiarami opis próby składa się z trzech elementów: schematu przepływu uczestników, charakterystyki próby z pierwszego pomiaru i porównania osób, które zostały w badaniu, z tymi, które odpadły. Odpadanie rzadko jest losowe. Zhou i Fishbach (2016) pokazali, że w eksperymentach internetowych odsetek osób przerywających udział sięgał 30–50%, różnił się między warunkami i mógł prowadzić do fałszywych wniosków. Dlatego takie porównanie należy do standardu raportowania.

Schemat przepływu uczestników: 1150 zaproszonych, 297 rozpoczęło ankietę, 271 ukończyło pierwszy pomiar, 253 włączono do analizy pierwszego pomiaru, 197 wzięło udział w obu pomiarach; z boku liczby osób, które nie odpowiedziały, przerwały, zostały wykluczone lub odpadły
Rysunek 1. Wzór schematu przepływu uczestników w badaniu z dwoma pomiarami. Pola po lewej pokazują liczbę osób na kolejnych etapach, pola po prawej – powody, dla których osoby nie przeszły dalej. Obliczenia: R (dane symulowane).

Tabela 4

Porównanie osób, które wzięły udział w obu pomiarach, z osobami, które zrezygnowały po pierwszym

CechaOba pomiary (n = 197)Tylko pierwszy pomiar (n = 56)SMD
Wiek w latach, M (SD)22.13 (1.73)22.25 (1.80)−0.07
Kobiety, n (%)140 (71.1)31 (55.4)0.33
Stres w pierwszym pomiarze, M (SD)3.06 (0.75)3.13 (0.87)−0.08

Uwaga. SMD – standaryzowana różnica (osoby z obu pomiarów minus osoby z jednym pomiarem). Stres: średnia skali 1–5. Dane symulowane.

Zaproszenie do udziału w badaniu wysłano do 1150 studentów; ankietę rozpoczęło 297 osób (25.8%), a pierwszy pomiar ukończyło 271. Z analizy wykluczono 18 osób, które błędnie odpowiedziały na pytanie kontrolne, co dało 253 osoby w pierwszym pomiarze (67.6% kobiet; wiek: M = 22.15, SD = 1.74). W drugim pomiarze wzięło udział 197 osób (77.9%). Osoby, które wzięły udział w obu pomiarach, nie różniły się od osób, które zrezygnowały, poziomem stresu w pierwszym pomiarze (M = 3.06, SD = 0.75 wobec M = 3.13, SD = 0.87), t(79.10) = −0.54, p = .593, SMD = −0.08, ani wiekiem (SMD = −0.07). Wśród osób, które ukończyły oba pomiary, było więcej kobiet (71.1% wobec 55.4%), χ²(1, N = 253) = 4.91, p = .027, SMD = 0.33. Przepływ uczestników przedstawiono na Rysunku 1, a porównanie grup – w Tabeli 4.

Więcej niż dwa pomiary. W schemacie podłużnym z trzema pomiarami lub więcej schemat przepływu ma kolejne pola dla każdego pomiaru. Tabelę porównującą osoby, które zostały i odpadły, możesz wtedy zastąpić tabelą z liczbą osób i średnimi wynikami w każdym pomiarze, a w tekście podać odsetek osób z kompletem danych. Jeśli w analizie stosujesz model mieszany, który korzysta ze wszystkich dostępnych pomiarów, napisz, ilu osób dotyczy analiza, bo nie zawsze jest to liczba osób z kompletem danych.

Testy w tym wzorze są uzasadnione, bo nie porównują grup utworzonych losowo, tylko sprawdzają, czy odpadanie wiązało się z cechami uczestników. Jeśli wiązało się z wynikiem z pierwszego pomiaru, opisz to w ograniczeniach i rozważ metody uwzględniające wszystkie dostępne obserwacje (zob. braki danych i analiza ITT). Przy pomiarach powtarzanych przyda się też wpis ANOVA z powtarzanymi pomiarami czy model mieszany.

Wzór 5. Rekrutacja, kryteria i opis w streszczeniu

Charakterystyka próby w podrozdziale „Uczestnicy” zwykle zaczyna się od opisu rekrutacji i kryteriów. Poniższy wzór ma pola w nawiasach kwadratowych do uzupełnienia. Dobór opisz nazwą, której używa literatura, np. dobór celowy lub próba wygodna (zob. dobór celowy, wygodny i kula śnieżna).

Uczestników rekrutowano w okresie od [data] do [data] przez [kanały: np. grupy studenckie w mediach społecznościowych, listę mailingową wydziału, ogłoszenia w poradni]. Zastosowano dobór [wygodny / celowy / kwotowy / losowy z operatu …]. Kryteriami włączenia były: [np. wiek 18 lat lub więcej, status studenta studiów I lub II stopnia, znajomość języka polskiego]. Kryteriami wyłączenia były: [np. wcześniejszy udział w badaniu pilotażowym, błędna odpowiedź na pytanie kontrolne]. Udział był dobrowolny i [anonimowy / poufny]; uczestnicy wyrazili świadomą zgodę przed rozpoczęciem badania [i nie otrzymali wynagrodzenia / otrzymali …]. Projekt uzyskał zgodę [nazwa komisji etycznej, numer decyzji].

Informacje o zgodzie i ochronie danych muszą odpowiadać temu, co naprawdę przekazano uczestnikom. Zakres takiej informacji omawia hasło świadoma zgoda i RODO w badaniach. Pytania z metryczki, na których opierasz opis próby, warto zacytować dosłownie w aneksie.

W streszczeniu pracy lub artykułu wystarcza jedno zdanie o próbie. Podaj w nim liczebność, populację, wiek i sposób doboru:

W badaniu internetowym wzięło udział [N] [kogo: np. studentów kierunków humanistycznych] w wieku [od–do] lat (M = [ ], SD = [ ]), rekrutowanych metodą doboru [wygodnego / celowego].

Jeżeli opis próby przygotowujesz do rozdziału metodologicznego pracy magisterskiej, jego miejsce wśród pozostałych podrozdziałów pokazuje wpis rozdział metodologiczny – jak go napisać. Zasady tabel ze statystykami opisowymi zmiennych badanych (a nie cech próby) omawia hasło tabela statystyk opisowych w APA.

Źle i dobrze: najczęstsze poprawki w tabeli charakterystyki próby

Przykłady błędnych i poprawnych zapisów w opisie próby
ŹleDobrzeDlaczego
„Wiek: 35.88 ± 11.20”„Wiek w latach, M (SD): 35.88 (11.20)”znak ± bez opisu nie mówi, czy chodzi o SD, błąd standardowy, czy przedział ufności
„Kobiety: 55%”„Kobiety, n (%): 221 (55.0)”sam procent nie pozwala odtworzyć liczebności
Kolumna „p” w tabeli eksperymentuKolumny warunków i „Ogółem”, bez testówróżnice po losowaniu są z definicji przypadkowe
„Płeć: K 221, M 167” (bez osób z pozostałych kategorii)Wszystkie kategorie, także „inna” i „wolę nie odpowiadać”suma liczebności ma się zgadzać z N
Kategorie posortowane według liczebnościKolejność naturalna lub jak w ankiecieczytelnik szybciej porównuje tabele z różnych badań
„Próba była reprezentatywna”„Próba miała charakter wygodny; jej strukturę porównano z…”reprezentatywność wymaga uzasadnienia, a nie deklaracji

Z zapisem „±” wiąże się częsty błąd: w opisie zmienności próby podaje się błąd standardowy zamiast odchylenia standardowego. Nagele (2003) stwierdził, że w czterech czołowych czasopismach anestezjologicznych zrobiono tak w 23% artykułów. Altman i Bland (2005) wyjaśniają, że do opisu obserwacji służy SD, a SE – do opisu niepewności oszacowania. W tabeli charakterystyki próby podawaj więc zawsze SD.

Lista kontrolna przed oddaniem rozdziału

  1. Liczebność w opisie próby zgadza się z liczebnością w analizach (albo wyjaśniasz różnicę: braki w pojedynczych zmiennych, wykluczenia).
  2. Każda tabela ma numer, tytuł kursywą i notę wyjaśniającą skróty oraz mianownik procentów.
  3. Przy zmiennych ilościowych podano M (SD), a przy skośnych także Mdn i kwartyle lub zakres.
  4. Przy zmiennych kategorialnych podano n i % dla wszystkich kategorii, a liczebności sumują się do N.
  5. W badaniu z grupami są osobne kolumny dla grup; w eksperymencie nie ma testów różnic wyjściowych.
  6. W badaniu z kilkoma pomiarami jest schemat przepływu uczestników i porównanie osób, które zostały i odpadły.
  7. Tekst podaje najważniejsze liczby i odsyła do tabeli zamiast powtarzać ją w całości.
  8. Małe kategorie są połączone tak, by nie dało się rozpoznać pojedynczych osób.

Jeżeli opis próby jest częścią większego rozdziału z wynikami, zobacz, jak łączy się z kolejnymi podrozdziałami we wpisie wyniki badań własnych – przykładowy rozdział. Dla ankiet internetowych przydatna jest lista CHERRIES. Eysenbach (2004) opracował ją po to, by czytelnik mógł ocenić sposób (samo)selekcji próby w e-ankiecie. Jak dojść do próby analitycznej od surowego eksportu, pokazuje wpis o analizie ankiety do pracy dyplomowej. Jeżeli Twoje badanie ma nietypowy schemat i nie wiesz, jak przedstawić próbę, możesz skonsultować tabelę i opis w ramach analiz statystycznych dla studentów.

Przykład reprodukowalny

Przykład w R

Kod odtwarza wszystkie liczby z tabel, akapitów i schematu przepływu oraz tworzy plik .docx z czterema tabelami. Zapisz przepis 1 jako kod/p22-1-tabele.R w katalogu roboczym – przepis 2 wczytuje go przez source() i korzysta z jego danych i funkcji. Wszystkie dane są symulowane (set.seed(2222)).

1. Dane czterech badań i liczby do tabel

Dane wejściowe: symulacja: ankieta 402 dorosłych (A), grupa kliniczna i kontrolna (B), eksperyment z trzema warunkami (C), badanie z dwoma pomiarami z liczbami na kolejnych etapach (D).

Co odczytać: sformatowane wartości „M (SD)”, „Mdn [Q1, Q3]” i „n (%)” do tabel, standaryzowane różnice (SMD), zakres wieku w eksperymencie, liczby do schematu przepływu, odsetek osób, które rozpoczęły ankietę i wzięły udział w drugim pomiarze, oraz testy dla odpadania.

R
# P22 – dane symulowane dla czterech typów badań i liczby do tabel charakterystyki próby
set.seed(2222)
f_msd  <- function(x) sprintf("%.2f (%.2f)", mean(x, na.rm = TRUE), sd(x, na.rm = TRUE))
f_mdn  <- function(x) { q <- quantile(x, c(.5, .25, .75), na.rm = TRUE); sprintf("%.0f [%.0f, %.0f]", q[1], q[2], q[3]) }
f_np   <- function(x, k) sprintf("%d (%.1f)", sum(x == k, na.rm = TRUE), 100 * mean(x == k, na.rm = TRUE))
smd_c  <- function(x, g) { a <- x[g == levels(g)[1]]; b <- x[g == levels(g)[2]]
  (mean(a, na.rm = TRUE) - mean(b, na.rm = TRUE)) / sqrt((var(a, na.rm = TRUE) + var(b, na.rm = TRUE)) / 2) }
smd_p  <- function(x, g) { p1 <- mean(x[g == levels(g)[1]]); p2 <- mean(x[g == levels(g)[2]])
  (p1 - p2) / sqrt((p1 * (1 - p1) + p2 * (1 - p2)) / 2) }

## A. Badanie ankietowe jednej grupy (dorośli, ankieta online)
nA <- 402
A <- data.frame(wiek = pmin(18 + round(rgamma(nA, 2.3, 0.13)), 67),
  plec = sample(c("kobieta", "mężczyzna", "inna", "wolę nie odpowiadać"), nA, TRUE, c(.61, .36, .015, .015)),
  wykszt = sample(c("podstawowe lub zasadnicze zawodowe", "średnie", "wyższe"), nA, TRUE, c(.12, .41, .47)),
  miejsce = sample(c("wieś", "miasto do 100 tys.", "miasto powyżej 100 tys."), nA, TRUE, c(.29, .31, .40)),
  praca = sample(c("pracuje", "uczy się lub studiuje", "nie pracuje", "emerytura lub renta"), nA, TRUE, c(.58, .22, .12, .08)))
cat("A: N =", nA, "\n")
c(wiek_M_SD = f_msd(A$wiek), wiek_Mdn_IQR = f_mdn(A$wiek), zakres = paste(range(A$wiek), collapse = "–"))
for (v in c("plec", "wykszt", "miejsce", "praca")) print(sapply(sort(unique(A[[v]])), function(k) f_np(A[[v]], k)))

## B. Dwie grupy porównawcze (grupa kliniczna i kontrolna, dobór nielosowy)
B <- data.frame(grupa = factor(rep(c("kliniczna", "kontrolna"), c(46, 50)), levels = c("kliniczna", "kontrolna")))
B$wiek  <- round(ifelse(B$grupa == "kliniczna", rnorm(96, 34.5, 9.5), rnorm(96, 31.0, 8.5)))
B$kob   <- rbinom(96, 1, ifelse(B$grupa == "kliniczna", .70, .62))
B$nauka <- round(ifelse(B$grupa == "kliniczna", rnorm(96, 14.1, 2.4), rnorm(96, 15.3, 2.2)))
B$od_diagnozy <- ifelse(B$grupa == "kliniczna", round(rgamma(96, 1.4, 0.3)), NA)
B$leki  <- ifelse(B$grupa == "kliniczna", rbinom(96, 1, .54), NA)
cat("B: n =", table(B$grupa), "\n")
rbind(wiek = c(tapply(B$wiek, B$grupa, f_msd), ogolem = f_msd(B$wiek)),
      kobiety = c(tapply(B$kob, B$grupa, f_np, k = 1), ogolem = f_np(B$kob, 1)),
      lata_nauki = c(tapply(B$nauka, B$grupa, f_msd), ogolem = f_msd(B$nauka)))
c(od_diagnozy_Mdn_IQR = f_mdn(B$od_diagnozy[B$grupa == "kliniczna"]), leki = f_np(B$leki[B$grupa == "kliniczna"], 1))
round(c(SMD_wiek = smd_c(B$wiek, B$grupa), SMD_kobiety = smd_p(B$kob, B$grupa), SMD_nauka = smd_c(B$nauka, B$grupa)), 2)

## C. Eksperyment z losowym przydziałem do trzech warunków
C <- data.frame(warunek = factor(sample(rep(c("kontrolny", "uważność", "relaksacja"), c(41, 40, 42))),
                                 levels = c("kontrolny", "uważność", "relaksacja")))
C$wiek <- 19 + rpois(123, 2.4); C$kob <- rbinom(123, 1, .68); C$nastroj <- round(rnorm(123, 4.6, 1.1), 1)
cat("C: n =", table(C$warunek), "\n")
range(C$wiek)
rbind(wiek = c(tapply(C$wiek, C$warunek, f_msd), ogolem = f_msd(C$wiek)),
      kobiety = c(tapply(C$kob, C$warunek, f_np, k = 1), ogolem = f_np(C$kob, 1)),
      nastroj_przed = c(tapply(C$nastroj, C$warunek, f_msd), ogolem = f_msd(C$nastroj)))

## D. Badanie podłużne: kto został do drugiego pomiaru
zaproszeni <- 1150
rozpoczeli <- rbinom(1, zaproszeni, .27)
ukonczyli_T1 <- rbinom(1, rozpoczeli, .90)
D <- data.frame(wiek = 19 + rpois(ukonczyli_T1, 3), kob = rbinom(ukonczyli_T1, 1, .66),
                stres_T1 = round(pmin(pmax(rnorm(ukonczyli_T1, 3.1, .75), 1), 5), 2),
                kontrola_ok = rbinom(ukonczyli_T1, 1, .93))
D <- D[D$kontrola_ok == 1, ]
D$T2 <- factor(ifelse(rbinom(nrow(D), 1, plogis(1.1 - 0.45 * scale(D$stres_T1)[, 1] + 0.3 * D$kob)) == 1,
                      "zostali", "odpadli"), levels = c("zostali", "odpadli"))
c(zaproszeni = zaproszeni, nie_odpowiedzieli = zaproszeni - rozpoczeli, rozpoczeli = rozpoczeli,
  przerwali = rozpoczeli - ukonczyli_T1, ukonczyli_T1 = ukonczyli_T1,
  wykluczeni_kontrola = ukonczyli_T1 - nrow(D), analiza_T1 = nrow(D), T2 = sum(D$T2 == "zostali"),
  odpadli = sum(D$T2 == "odpadli"))
round(c(proc_rozpoczelo = 100 * rozpoczeli / zaproszeni, proc_T2 = 100 * mean(D$T2 == "zostali")), 1)
rbind(wiek = c(tapply(D$wiek, D$T2, f_msd), ogolem = f_msd(D$wiek)),
      kobiety = c(tapply(D$kob, D$T2, f_np, k = 1), ogolem = f_np(D$kob, 1)),
      stres_T1 = c(tapply(D$stres_T1, D$T2, f_msd), ogolem = f_msd(D$stres_T1)))
round(c(SMD_wiek = smd_c(D$wiek, D$T2), SMD_kobiety = smd_p(D$kob, D$T2), SMD_stres = smd_c(D$stres_T1, D$T2)), 2)
tt <- t.test(stres_T1 ~ T2, data = D)
round(c(t = unname(tt$statistic), df = unname(tt$parameter), p = tt$p.value), 3)
ch <- chisq.test(table(D$T2, D$kob), correct = FALSE)
round(c(chi2 = unname(ch$statistic), p = ch$p.value), 3)
Wynik w R
A: N = 402 
      wiek_M_SD    wiek_Mdn_IQR          zakres 
"35.88 (11.20)"   "34 [27, 42]"         "20–67" 
               inna             kobieta           mężczyzna wolę nie odpowiadać 
          "8 (2.0)"        "221 (55.0)"        "167 (41.5)"           "6 (1.5)" 
podstawowe lub zasadnicze zawodowe                            średnie 
                       "48 (11.9)"                       "154 (38.3)" 
                            wyższe 
                      "200 (49.8)" 
     miasto do 100 tys. miasto powyżej 100 tys.                    wieś 
           "137 (34.1)"            "141 (35.1)"            "124 (30.8)" 
  emerytura lub renta           nie pracuje               pracuje 
           "35 (8.7)"           "45 (11.2)"          "235 (58.5)" 
uczy się lub studiuje 
          "87 (21.6)" 
B: n = 46 50 
           kliniczna      kontrolna      ogolem        
wiek       "33.72 (8.32)" "32.94 (8.93)" "33.31 (8.60)"
kobiety    "32 (69.6)"    "27 (54.0)"    "59 (61.5)"   
lata_nauki "14.17 (2.51)" "15.36 (2.00)" "14.79 (2.33)"
od_diagnozy_Mdn_IQR                leki 
         "4 [2, 7]"         "27 (58.7)" 
   SMD_wiek SMD_kobiety   SMD_nauka 
       0.09        0.32       -0.52 
C: n = 41 40 42 
[1] 19 27
              kontrolny      uważność       relaksacja     ogolem        
wiek          "21.32 (1.71)" "21.30 (1.56)" "21.62 (1.59)" "21.41 (1.61)"
kobiety       "28 (68.3)"    "29 (72.5)"    "29 (69.0)"    "86 (69.9)"   
nastroj_przed "4.69 (1.07)"  "4.36 (1.04)"  "4.61 (1.11)"  "4.56 (1.07)" 
         zaproszeni   nie_odpowiedzieli          rozpoczeli           przerwali 
               1150                 853                 297                  26 
       ukonczyli_T1 wykluczeni_kontrola          analiza_T1                  T2 
                271                  18                 253                 197 
            odpadli 
                 56 
proc_rozpoczelo         proc_T2 
           25.8            77.9 
         zostali        odpadli        ogolem        
wiek     "22.13 (1.73)" "22.25 (1.80)" "22.15 (1.74)"
kobiety  "140 (71.1)"   "31 (55.4)"    "171 (67.6)"  
stres_T1 "3.06 (0.75)"  "3.13 (0.87)"  "3.08 (0.77)" 
   SMD_wiek SMD_kobiety   SMD_stres 
      -0.07        0.33       -0.08 
     t     df      p 
-0.537 79.095  0.593 
 chi2     p 
4.912 0.027 

2. Plik .docx z tabelami w stylu APA

Dane wejściowe: obiekty z przepisu 1 (skrypt wczytuje je przez source()).

Co odczytać: tytuły i noty czterech tabel odczytane z gotowego pliku, liczbę tabel i metadane (autor pliku), które sprawdzamy po zapisie.

R
# Plik .docx z czterema wzorami tabel charakterystyki próby – uruchom z katalogu strony
suppressPackageStartupMessages({ library(officer); library(flextable) })
invisible(capture.output(source("kod/p22-1-tabele.R")))

apa_ft <- function(df, szer) {
  ft <- flextable(df)
  ft <- font(ft, fontname = "Times New Roman", part = "all"); ft <- fontsize(ft, size = 11, part = "all")
  ft <- border_remove(ft)
  ft <- hline_top(ft, border = fp_border(width = 1.5), part = "header")
  ft <- hline_bottom(ft, border = fp_border(width = 1), part = "header")
  ft <- hline_bottom(ft, border = fp_border(width = 1.5), part = "body")
  ft <- align(ft, j = 1, align = "left", part = "all"); ft <- align(ft, j = -1, align = "center", part = "all")
  ft <- width(ft, width = szer); ft <- padding(ft, padding.top = 2, padding.bottom = 2, part = "all")
  ft
}
naglowek <- function(doc, nr, tytul) {
  doc <- body_add_fpar(doc, fpar(ftext(paste("Tabela", nr), fp_text(bold = TRUE, font.family = "Times New Roman", font.size = 12))))
  body_add_fpar(doc, fpar(ftext(tytul, fp_text(italic = TRUE, font.family = "Times New Roman", font.size = 12))))
}
uwaga <- function(doc, tekst) {
  doc <- body_add_fpar(doc, fpar(ftext("Uwaga. ", fp_text(italic = TRUE, font.family = "Times New Roman", font.size = 10)),
                                 ftext(tekst, fp_text(font.family = "Times New Roman", font.size = 10))))
  body_add_par(doc, "")
}
ord <- function(x, poziomy) sapply(poziomy, function(k) f_np(x, k))

# Tabela 1 – jedna grupa
t1 <- data.frame(Cecha = c("Wiek w latach, M (SD)", "Wiek w latach, Mdn [Q1, Q3]", "Wiek w latach, zakres", "Płeć",
                           "  kobieta", "  mężczyzna", "  inna", "  wolę nie odpowiadać", "Wykształcenie",
                           "  podstawowe lub zasadnicze zawodowe", "  średnie", "  wyższe", "Miejsce zamieszkania",
                           "  wieś", "  miasto do 100 tys.", "  miasto powyżej 100 tys.", "Sytuacja zawodowa",
                           "  pracuje", "  uczy się lub studiuje", "  nie pracuje", "  emerytura lub renta"),
                 Wartosc = c(f_msd(A$wiek), f_mdn(A$wiek), paste(range(A$wiek), collapse = "–"), "",
                             ord(A$plec, c("kobieta", "mężczyzna", "inna", "wolę nie odpowiadać")), "",
                             ord(A$wykszt, c("podstawowe lub zasadnicze zawodowe", "średnie", "wyższe")), "",
                             ord(A$miejsce, c("wieś", "miasto do 100 tys.", "miasto powyżej 100 tys.")), "",
                             ord(A$praca, c("pracuje", "uczy się lub studiuje", "nie pracuje", "emerytura lub renta"))))
names(t1) <- c("Cecha", "n (%) lub M (SD)")
# Tabela 2 – dwie grupy
t2 <- data.frame(Cecha = c("Wiek w latach, M (SD)", "Kobiety, n (%)", "Lata nauki, M (SD)",
                           "Czas od diagnozy w latach, Mdn [Q1, Q3]", "Przyjmowanie leków, n (%)"),
                 K = c(f_msd(B$wiek[B$grupa == "kliniczna"]), f_np(B$kob[B$grupa == "kliniczna"], 1),
                       f_msd(B$nauka[B$grupa == "kliniczna"]), f_mdn(B$od_diagnozy[B$grupa == "kliniczna"]),
                       f_np(B$leki[B$grupa == "kliniczna"], 1)),
                 Kt = c(f_msd(B$wiek[B$grupa == "kontrolna"]), f_np(B$kob[B$grupa == "kontrolna"], 1),
                        f_msd(B$nauka[B$grupa == "kontrolna"]), "–", "–"),
                 SMD = c(sprintf("%.2f", smd_c(B$wiek, B$grupa)), sprintf("%.2f", smd_p(B$kob, B$grupa)),
                         sub("-", "−", sprintf("%.2f", smd_c(B$nauka, B$grupa))), "–", "–"))
names(t2) <- c("Cecha", "Grupa kliniczna (n = 46)", "Grupa kontrolna (n = 50)", "SMD")
# Tabela 3 – eksperyment
t3 <- data.frame(Cecha = c("Wiek w latach, M (SD)", "Kobiety, n (%)", "Nastrój przed manipulacją, M (SD)"),
                 a = c(f_msd(C$wiek[C$warunek == "kontrolny"]), f_np(C$kob[C$warunek == "kontrolny"], 1), f_msd(C$nastroj[C$warunek == "kontrolny"])),
                 b = c(f_msd(C$wiek[C$warunek == "uważność"]), f_np(C$kob[C$warunek == "uważność"], 1), f_msd(C$nastroj[C$warunek == "uważność"])),
                 c = c(f_msd(C$wiek[C$warunek == "relaksacja"]), f_np(C$kob[C$warunek == "relaksacja"], 1), f_msd(C$nastroj[C$warunek == "relaksacja"])),
                 d = c(f_msd(C$wiek), f_np(C$kob, 1), f_msd(C$nastroj)))
names(t3) <- c("Cecha", "Kontrolny (n = 41)", "Uważność (n = 40)", "Relaksacja (n = 42)", "Ogółem (N = 123)")
# Tabela 4 – podłużne
t4 <- data.frame(Cecha = c("Wiek w latach, M (SD)", "Kobiety, n (%)", "Stres w pierwszym pomiarze, M (SD)"),
                 a = c(f_msd(D$wiek[D$T2 == "zostali"]), f_np(D$kob[D$T2 == "zostali"], 1), f_msd(D$stres_T1[D$T2 == "zostali"])),
                 b = c(f_msd(D$wiek[D$T2 == "odpadli"]), f_np(D$kob[D$T2 == "odpadli"], 1), f_msd(D$stres_T1[D$T2 == "odpadli"])),
                 SMD = sub("-", "−", sprintf("%.2f", c(smd_c(D$wiek, D$T2), smd_p(D$kob, D$T2), smd_c(D$stres_T1, D$T2)))))
names(t4) <- c("Cecha", "Oba pomiary (n = 197)", "Tylko pierwszy pomiar (n = 56)", "SMD")

doc <- read_docx()
doc <- body_add_fpar(doc, fpar(ftext("Wzory tabel charakterystyki próby (APA 7) – dane symulowane, metodolog.pl",
                                      fp_text(bold = TRUE, font.family = "Times New Roman", font.size = 13))))
doc <- body_add_par(doc, "Zastąp liczby własnymi wynikami. Wiersze z wcięciem to kategorie zmiennej podanej wyżej.")
doc <- naglowek(doc, 1, "Charakterystyka socjodemograficzna uczestników badania (N = 402)")
doc <- body_add_flextable(doc, apa_ft(t1, c(3.6, 2.0)), align = "left")
doc <- uwaga(doc, "Procenty obliczono od liczebności całej próby. Q1 i Q3 – pierwszy i trzeci kwartyl.")
doc <- naglowek(doc, 2, "Charakterystyka grupy klinicznej i kontrolnej")
doc <- body_add_flextable(doc, apa_ft(t2, c(2.4, 1.45, 1.45, 0.7)), align = "left")
doc <- uwaga(doc, "SMD – standaryzowana różnica (grupa kliniczna minus kontrolna); dla odsetka kobiet obliczona z proporcji. Kreska – nie dotyczy.")
doc <- naglowek(doc, 3, "Charakterystyka uczestników w trzech warunkach eksperymentu")
doc <- body_add_flextable(doc, apa_ft(t3, c(2.1, 1.1, 1.1, 1.1, 1.1)), align = "left")
doc <- uwaga(doc, "Uczestników przydzielono do warunków losowo, dlatego nie podano testów istotności różnic między warunkami.")
doc <- naglowek(doc, 4, "Porównanie osób, które wzięły udział w obu pomiarach, z osobami, które zrezygnowały po pierwszym")
doc <- body_add_flextable(doc, apa_ft(t4, c(2.4, 1.45, 1.45, 0.7)), align = "left")
doc <- uwaga(doc, "SMD – standaryzowana różnica (osoby z obu pomiarów minus osoby z jednym pomiarem).")
doc <- set_doc_properties(doc, title = "Wzory tabel charakterystyki próby", creator = "Metodolog.pl",
                          description = "Wzory tabel APA 7; dane symulowane", created = as.POSIXct("2026-10-21 12:00:00", tz = "UTC"))
print(doc, target = "wzor-przedstawienia-charakterystyki-proby-tabele.docx")

# Metadane: autor i ostatnia modyfikacja = Metodolog.pl (officer wpisuje nazwę użytkownika systemu)
plik <- normalizePath("wzor-przedstawienia-charakterystyki-proby-tabele.docx")
tmp <- tempfile("docx_"); dir.create(tmp); utils::unzip(plik, exdir = tmp)
core_f <- file.path(tmp, "docProps", "core.xml")
core <- paste(readLines(core_f, warn = FALSE, encoding = "UTF-8"), collapse = "")
core <- sub("<cp:lastModifiedBy>.*?</cp:lastModifiedBy>", "<cp:lastModifiedBy>Metodolog.pl</cp:lastModifiedBy>", core)
writeLines(core, core_f, useBytes = TRUE)
pliki <- list.files(tmp, recursive = TRUE, all.files = TRUE)
unlink(plik); zip::zip(plik, files = pliki, root = tmp)

# Kontrola: ponowne wczytanie pliku
spr <- officer::docx_summary(officer::read_docx(plik))
print(head(unique(spr$text[spr$content_type == "paragraph" & grepl("^Tabela|^Uwaga", spr$text)]), 8))
tmp2 <- tempfile("docx_"); dir.create(tmp2); utils::unzip(plik, exdir = tmp2)
core2 <- paste(readLines(file.path(tmp2, "docProps", "core.xml"), warn = FALSE, encoding = "UTF-8"), collapse = "")
cat("creator:", sub(".*<dc:creator>(.*?)</dc:creator>.*", "\\1", core2), "| lastModifiedBy:",
    sub(".*<cp:lastModifiedBy>(.*?)</cp:lastModifiedBy>.*", "\\1", core2), "\n")
wszystko <- paste(unlist(lapply(list.files(tmp2, recursive = TRUE, full.names = TRUE), function(f)
  paste(readLines(f, warn = FALSE, encoding = "UTF-8"), collapse = ""))), collapse = "")
cat("Tabele w pliku:", lengths(regmatches(wszystko, gregexpr("<w:tbl[ >]", wszystko))), "\n")
cat("Nazwa użytkownika systemu w pliku:", grepl(Sys.getenv("USER"), wszystko, fixed = TRUE), "\n")
Wynik w R
[1] "Tabela 1"                                                                                                                              
[2] "Uwaga. Procenty obliczono od liczebności całej próby. Q1 i Q3 – pierwszy i trzeci kwartyl."                                            
[3] "Tabela 2"                                                                                                                              
[4] "Uwaga. SMD – standaryzowana różnica (grupa kliniczna minus kontrolna); dla odsetka kobiet obliczona z proporcji. Kreska – nie dotyczy."
[5] "Tabela 3"                                                                                                                              
[6] "Uwaga. Uczestników przydzielono do warunków losowo, dlatego nie podano testów istotności różnic między warunkami."                     
[7] "Tabela 4"                                                                                                                              
[8] "Uwaga. SMD – standaryzowana różnica (osoby z obu pomiarów minus osoby z jednym pomiarem)."                                             
creator: Metodolog.pl | lastModifiedBy: Metodolog.pl 
Tabele w pliku: 4 
Nazwa użytkownika systemu w pliku: FALSE 

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3; plik .docx utworzono w pakietach officer i flextable, a schemat przepływu – 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. officer (wersja 0.7.4): Gohel, D., Moog, S., & Heckmann, M. (2026). officer: Manipulation of Microsoft Word and PowerPoint documents [R package]. https://doi.org/10.32614/CRAN.package.officer
  3. flextable (wersja 0.9.11): Gohel, D., & Skintzos, P. (2026). flextable: Functions for tabular reporting [R package]. https://doi.org/10.32614/CRAN.package.flextable
  4. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Najczęstsze pytania

Jak powinna wyglądać tabela charakterystyki próby w APA 7?

Nad tabelą pogrubiony numer („Tabela 1”) i tytuł kursywą, w tabeli tylko linie poziome (nad i pod nagłówkiem oraz na końcu), w wierszach cechy, a w kolumnach wartości dla całej próby albo dla grup. Pod tabelą nota zaczynająca się od „Uwaga.” wyjaśnia skróty i mianownik procentów.

Czy w tabeli charakterystyki grup podawać wartości p?

W eksperymencie z losowym przydziałem nie – różnice po losowaniu są przypadkowe, a testy niczego nie sprawdzają. Przy grupach dobranych osobno (np. kliniczna i kontrolna) lepiej podać standaryzowane różnice (SMD), które nie zależą od liczebności. Testy są uzasadnione przy porównaniu osób, które zostały w badaniu, z tymi, które odpadły.

Jak opisać w pracy osoby, które zrezygnowały z drugiego pomiaru?

Podaj liczbę i odsetek osób w każdym pomiarze, najlepiej na schemacie przepływu uczestników, i porównaj osoby z obu pomiarów z osobami, które odpadły, pod względem cech z pierwszego pomiaru. Jeśli odpadanie wiązało się z wynikiem, opisz to w ograniczeniach.

Ile cech socjodemograficznych umieścić w tabeli opisu próby?

Tyle, ile potrzeba, by czytelnik wiedział, kogo zbadano: zwykle wiek, płeć oraz 2–4 cechy określające populację lub związane z pytaniem badawczym. Gdy cech jest najwyżej trzy, wystarczy akapit bez tabeli.

Czy charakterystykę próby umieścić w metodzie czy w wynikach?

W układzie APA opis uczestników należy do metody (podrozdział „Uczestnicy”), razem z rekrutacją, kryteriami i przepływem uczestników. W wynikach umieszcza się statystyki opisowe zmiennych badanych, a nie cech próby.

Powiązane hasła

Przeczytaj też

Chcesz, żeby ktoś sprawdził opis Twojej próby?

Przygotujemy tabele i opis uczestników do Twojego schematu badania i wyjaśnimy każdą liczbę, tak abyś mógł(mogła) je samodzielnie omówić w pracy i na obronie.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Altman, D. G., & Bland, J. M. (2005). Standard deviations and standard errors. BMJ, 331(7521), 903. https://doi.org/10.1136/bmj.331.7521.903 ● Otwarty dostęp
  2. Austin, P. C. (2009). Balance diagnostics for comparing the distribution of baseline covariates between treatment groups in propensity-score matched samples. Statistics in Medicine, 28(25), 3083–3107. https://doi.org/10.1002/sim.3697 ● Otwarty dostęp
  3. de Boer, M. R., Waterlander, W. E., Kuijper, L. D. J., Steenhuis, I. H. M., & Twisk, J. W. R. (2015). Testing for baseline differences in randomized controlled trials: An unhealthy research behavior that is hard to eradicate. International Journal of Behavioral Nutrition and Physical Activity, 12(1), Article 4. https://doi.org/10.1186/s12966-015-0162-z ● Otwarty dostęp
  4. Eysenbach, G. (2004). Improving the quality of web surveys: The Checklist for Reporting Results of Internet E-Surveys (CHERRIES). Journal of Medical Internet Research, 6(3), Article e34. https://doi.org/10.2196/jmir.6.3.e34 ● Otwarty dostęp
  5. Hayes-Larson, E., Kezios, K. L., Mooney, S. J., & Lovasi, G. (2019). Who is in this study, anyway? Guidelines for a useful Table 1. Journal of Clinical Epidemiology, 114, 125–132. https://doi.org/10.1016/j.jclinepi.2019.06.011 ● Otwarty dostęp: pełny tekst
  6. Hughes, J. L., Camden, A. A., Yangchen, T., Smith, G. P. A., Domenech Rodríguez, M. M., Rouse, S. V., McDonald, C. P., & Lopez, S. (2022). Guidance for researchers when using inclusive demographic questions for surveys: Improved and updated questions. Psi Chi Journal of Psychological Research, 27(4), 232–255. https://doi.org/10.24839/2325-7342.JN27.4.232 ● Otwarty dostęp
  7. Nagele, P. (2003). Misuse of standard error of the mean (SEM) when reporting variability of a sample. A critical evaluation of four anaesthesia journals. British Journal of Anaesthesia, 90(4), 514–516. https://doi.org/10.1093/bja/aeg087 ● Otwarty dostęp
  8. Schulz, K. F., Altman, D. G., Moher, D., & CONSORT Group. (2010). CONSORT 2010 statement: Updated guidelines for reporting parallel group randomised trials. BMJ, 340, Article c332. https://doi.org/10.1136/bmj.c332 ● Otwarty dostęp
  9. Zhou, H., & Fishbach, A. (2016). The pitfall of experimenting on the web: How unattended selective attrition leads to surprising (yet false) research conclusions. Journal of Personality and Social Psychology, 111(4), 493–504. https://doi.org/10.1037/pspa0000056

Cytowania BibTeX

@article{altman2005standard, author={Altman, Douglas G. and Bland, J. Martin}, title={{Standard deviations and standard errors}}, journal={BMJ}, year={2005}, volume={331}, number={7521}, pages={903}, doi={10.1136/bmj.331.7521.903}}
@article{austin2009balance, author={Austin, Peter C.}, title={{Balance diagnostics for comparing the distribution of baseline covariates between treatment groups in propensity-score matched samples}}, journal={Statistics in Medicine}, year={2009}, volume={28}, number={25}, pages={3083--3107}, doi={10.1002/sim.3697}}
@article{deboer2015testing, author={de Boer, Michiel R. and Waterlander, Wilma E. and Kuijper, Lothar D. J. and Steenhuis, Ingrid H. M. and Twisk, Jos W. R.}, title={{Testing for baseline differences in randomized controlled trials: An unhealthy research behavior that is hard to eradicate}}, journal={International Journal of Behavioral Nutrition and Physical Activity}, year={2015}, volume={12}, number={1}, eid={4}, doi={10.1186/s12966-015-0162-z}}
@article{eysenbach2004improving, author={Eysenbach, Gunther}, title={{Improving the quality of web surveys: The Checklist for Reporting Results of Internet E-Surveys (CHERRIES)}}, journal={Journal of Medical Internet Research}, year={2004}, volume={6}, number={3}, eid={e34}, doi={10.2196/jmir.6.3.e34}}
@article{hayeslarson2019who, author={Hayes-Larson, Eleanor and Kezios, Katrina L. and Mooney, Stephen J. and Lovasi, Gina}, title={{Who is in this study, anyway? Guidelines for a useful Table 1}}, journal={Journal of Clinical Epidemiology}, year={2019}, volume={114}, pages={125--132}, doi={10.1016/j.jclinepi.2019.06.011}}
@article{hughes2022guidance, author={Hughes, Jennifer L. and Camden, Abigail A. and Yangchen, Tenzin and Smith, Gabrielle P. A. and Domenech Rodríguez, Melanie M. and Rouse, Steven V. and McDonald, C. Peeper and Lopez, Stella}, title={{Guidance for researchers when using inclusive demographic questions for surveys: Improved and updated questions}}, journal={Psi Chi Journal of Psychological Research}, year={2022}, volume={27}, number={4}, pages={232--255}, doi={10.24839/2325-7342.jn27.4.232}}
@article{nagele2003misuse, author={Nagele, Peter}, title={{Misuse of standard error of the mean (SEM) when reporting variability of a sample. A critical evaluation of four anaesthesia journals}}, journal={British Journal of Anaesthesia}, year={2003}, volume={90}, number={4}, pages={514--516}, doi={10.1093/bja/aeg087}}
@article{schulz2010consort, author={Schulz, Kenneth F. and Altman, Douglas G. and Moher, David and {CONSORT Group}}, title={{CONSORT 2010 statement: Updated guidelines for reporting parallel group randomised trials}}, journal={BMJ}, year={2010}, volume={340}, eid={c332}, doi={10.1136/bmj.c332}}
@article{zhou2016pitfall, author={Zhou, Haotian and Fishbach, Ayelet}, title={{The pitfall of experimenting on the web: How unattended selective attrition leads to surprising (yet false) research conclusions}}, journal={Journal of Personality and Social Psychology}, year={2016}, volume={111}, number={4}, pages={493--504}, doi={10.1037/pspa0000056}}
R