ANOVA (analiza wariancji) – co to jest, jak działa test F i kiedy go stosować?

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 15 października 2026

Co to jest ANOVA?

ANOVA (analiza wariancji, ang. analysis of variance) to rodzina testów statystycznych, które porównują średnie w trzech lub więcej grupach albo w planach z kilkoma czynnikami. Podstawą testu jest statystyka F – stosunek zmienności między grupami do zmienności wewnątrz grup. Hipoteza zerowa mówi, że wszystkie średnie w populacji są równe, a alternatywna – że co najmniej jedna średnia różni się od pozostałych. W psychologii ANOVA służy zwykle do analizy eksperymentów z kilkoma warunkami oraz do porównań grup, np. osób z różnym wykształceniem.

Mishra i in. (2019) porządkują zastosowania tak: test t porównuje dwie średnie, a ANOVA – trzy lub więcej. Istotny wynik ogólny ANOVA oznacza, że różni się co najmniej jedna para średnich, więc trzeba go uzupełnić porównaniami wielokrotnymi. ANOVA z jednym czynnikiem to analiza jednoczynnikowa, z dwoma – dwuczynnikowa, a po dodaniu zmiennej towarzyszącej (kowariantu) – ANCOVA.

Dlaczego nie porównać grup serią testów t? Kim (2014) przypomina, że przy kilku porównaniach łączny błąd I rodzaju rośnie – do 1 − 0.95^k przy k niezależnych porównaniach na poziomie α = .05. Dla trzech grup (trzy pary) to już .143, a dla czterech grup (sześć par) – .265. ANOVA najpierw testuje jedną hipotezę ogólną, a pary sprawdza się dopiero w testach post hoc z kontrolą tego błędu (zob. korekta Bonferroniego).

Logika ANOVA: stosunek dwóch wariancji

Całkowite zróżnicowanie wyników (sumę kwadratów odchyleń od średniej ogólnej) dzielimy na dwie części:

• M_j, n_j – średnia i liczebność grupy j; M – średnia ogólna; x_ij – wynik osoby i w grupie j,
• SS_między – suma kwadratów między grupami, z której liczy się wariancję międzygrupową,
• SS_wewn – suma kwadratów wewnątrz grup, podstawa wariancji wewnątrzgrupowej (błędu),
• MS – średni kwadrat, czyli suma kwadratów podzielona przez stopnie swobody: k − 1 dla efektu i N − k dla błędu (k – liczba grup, N – liczba osób).

Gdy hipoteza zerowa jest prawdziwa, oba średnie kwadraty szacują tę samą wariancję błędu, więc F oscyluje wokół 1. Różnice między średnimi grup zwiększają licznik i F rośnie. Wartość p to prawdopodobieństwo uzyskania tak dużego lub większego F, gdyby H0 była prawdziwa – odczytujemy ją z rozkładu F o (k − 1, N − k) stopniach swobody. ANOVA jest szczególnym przypadkiem modelu liniowego: porównuje model z osobnymi średnimi grup z modelem z jedną wspólną średnią. Takie ujęcie porównywania modeli rozwijają Maxwell i in. (2018).

Przykład krok po kroku

Piętnaście osób oceniało listę słów na trzy sposoby (po pięć osób w warunku): pod względem wyglądu (czy słowo jest pisane wielkimi literami), brzmienia (czy rymuje się z podanym słowem) albo znaczenia (czy pasuje do zdania). Potem niespodziewanie poproszono je o odtworzenie słów. Wyniki (liczba odtworzonych słów, dane symulowane):

• wygląd: 6, 4, 5, 4, 6 – M = 5, SD = 1.00,
• brzmienie: 10, 4, 7, 8, 6 – M = 7, SD = 2.24,
• znaczenie: 8, 9, 8, 11, 9 – M = 9, SD = 1.22.

Średnia ogólna wynosi 7. Obliczenia:

1. Suma kwadratów między grupami: SS_między = 5 × (5 − 7)² + 5 × (7 − 7)² + 5 × (9 − 7)² = 20 + 0 + 20 = 40.
2. Suma kwadratów wewnątrz grup: suma kwadratów odchyleń osób od średnich ich grup wynosi 4 + 20 + 6 = 30.
3. Stopnie swobody: 3 − 1 = 2 dla efektu i 15 − 3 = 12 dla błędu.
4. Średnie kwadraty: MS_między = 40 / 2 = 20; MS_wewn = 30 / 12 = 2.5.
5. Statystyka F: F = 20 / 2.5 = 8.00. Wartość krytyczna F(2, 12) dla α = .05 wynosi 3.89, a p = .006.
6. Wielkość efektu: η² = 40 / 70 = .57, 95% CI [.10, .77]. W tak małej próbie η² jest wyraźnie zawyżone – mniej obciążona miara ω² wynosi .48.

Rysunek 1 pokazuje sedno ANOVA: o istotności decyduje nie sama różnica średnich, tylko jej stosunek do rozrzutu wyników wewnątrz grup. Te same średnie 5, 7 i 9 przy dwa razy większym rozrzucie dają F(2, 12) = 2.00 i p = .178. Rysunek 2 pokazuje, skąd pochodzą wartości p: to pole pod krzywą rozkładu F na prawo od uzyskanej wartości.

Istotne F nie mówi, które grupy się różnią. Test HSD Tukeya wskazał tylko jedną istotną różnicę: osoby oceniające znaczenie odtworzyły średnio o 4 słowa więcej niż osoby oceniające wygląd, 95% CI [1.33, 6.67], p = .005. Dwie pozostałe różnice (po 2 słowa) nie były istotne, p = .155.

Rodzaje ANOVA

Osobną kwestią jest rodzaj czynnika. Zwykle czynniki są stałe – interesują nas dokładnie te poziomy, które zbadaliśmy (np. trzy konkretne metody uczenia się). Czynnik jest losowy, gdy jego poziomy to próbka z szerszej populacji, np. bodźce, terapeuci czy szkoły. Grzeszkiewicz-Radulska (2023) w polskiej monografii pokazuje, kiedy pytanie badawcze wymaga uwzględnienia czynnika losowego i że błędnie dobrany schemat analizy obniża trafność wniosków i prowadzi do ustaleń fałszywie pozytywnych. Takie dane analizuje się dziś zwykle w modelach wielopoziomowych.

Założenia ANOVA w skrócie

• Niezależność obserwacji – wynika z planu badania; przy pomiarach powtarzanych użyj odpowiedniej odmiany ANOVA.
• Normalność reszt – oceniaj ją na wykresie kwantylowym (Q-Q) reszt, a nie zmiennej zależnej w całej próbie. Test F jest odporny na typowe odstępstwa: Blanca i in. (2017) w symulacji z trzema grupami pokazali, że zachował poprawny poziom błędu I rodzaju we wszystkich warunkach z rozkładami typowymi dla nauk społecznych i nauk o zdrowiu.
• Jednorodność wariancji – ważna zwłaszcza przy nierównych liczebnościach. Delacre i in. (2019) zalecają domyślne stosowanie testu F Welcha, który tego założenia nie wymaga. Nie uzależniaj wyboru testu od wyniku testu Levene’a.

W naszym przykładzie test F Welcha daje F(2, 7.48) = 14.76, p = .003, więc wniosek się nie zmienia. Przy pięciu osobach w grupie testy założeń mają bardzo małą moc, dlatego ważniejsze od nich są plan badania i wykresy. Jak sprawdzić założenia na prawdziwych danych, pokazujemy w poradniku ANOVA krok po kroku.

Jak opisać wynik ANOVA (APA)

Podaj statystykę F z dwiema liczbami stopni swobody, dokładną wartość p, wielkość efektu z przedziałem ufności oraz wyniki porównań post hoc ze średnimi i odchyleniami standardowymi:

Jeśli zgodnie z planem analizy raportujesz test Welcha, w miejsce klasycznego wyniku wpisz F(2, 7.48) = 14.76, p = .003 – ułamkowe stopnie swobody podaj z dwoma miejscami po przecinku. Wzór tabeli znajdziesz w haśle tabela ANOVA w APA.

library(effectsize)   # eta_squared()

# Dane symulowane: liczba odtworzonych słów (z 15) po trzech sposobach przetwarzania, po 5 osób
set.seed(2533)
slowa <- unlist(lapply(c(5, 7, 9), function(m) round(rnorm(5, m, 1.7))))
warunek <- factor(rep(c("Wygląd", "Brzmienie", "Znaczenie"), each = 5),
                  levels = c("Wygląd", "Brzmienie", "Znaczenie"))
dane <- data.frame(warunek, slowa)
tapply(dane$slowa, dane$warunek, mean)   # średnie grup

# Sumy kwadratów i F „ręcznie”
M_ogolna  <- mean(dane$slowa)
SS_miedzy <- sum(5 * (tapply(dane$slowa, dane$warunek, mean) - M_ogolna)^2)
SS_wewn   <- sum((dane$slowa - ave(dane$slowa, dane$warunek))^2)
F_obs     <- (SS_miedzy / 2) / (SS_wewn / 12)
c(SS_miedzy = SS_miedzy, SS_wewn = SS_wewn, F = F_obs, p = pf(F_obs, 2, 12, lower.tail = FALSE))

# To samo funkcją aov(), wielkość efektu, wariant Welcha i post hoc Tukeya
model <- aov(slowa ~ warunek, data = dane)
summary(model)
eta_squared(model, partial = FALSE, alternative = "two.sided")
oneway.test(slowa ~ warunek, data = dane)
TukeyHSD(model)

   Wygląd Brzmienie Znaczenie 
        5         7         9 
   SS_miedzy      SS_wewn            F            p 
40.000000000 30.000000000  8.000000000  0.006196398 
            Df Sum Sq Mean Sq F value Pr(>F)   
warunek      2     40    20.0       8 0.0062 **
Residuals   12     30     2.5                  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
# Effect Size for ANOVA (Type I)

Parameter | Eta2 |       95% CI
-------------------------------
warunek   | 0.57 | [0.10, 0.77]

	One-way analysis of means (not assuming equal variances)

data:  slowa and warunek
F = 14.756, num df = 2.00, denom df = 7.48, p-value = 0.002533

  Tukey multiple comparisons of means
    95% family-wise confidence level

Fit: aov(formula = slowa ~ warunek, data = dane)

$warunek
                    diff        lwr      upr     p adj
Brzmienie-Wygląd       2 -0.6678637 4.667864 0.1545800
Znaczenie-Wygląd       4  1.3321363 6.667864 0.0046341
Znaczenie-Brzmienie    2 -0.6678637 4.667864 0.1545800

Najczęstsze błędy

• Uznanie istotnego F za dowód, że wszystkie grupy się różnią – istotny wynik mówi tylko, że różni się co najmniej jedna para; które, pokażą testy post hoc.
• Seria testów t bez korekty – przy czterech grupach i sześciu porównaniach ryzyko co najmniej jednego fałszywego alarmu sięga .265.
• Zwykła ANOVA dla pomiarów powtarzanych – wyniki tych samych osób nie są niezależne; potrzebna jest ANOVA z powtarzanymi pomiarami albo model mieszany.
• Sprawdzanie normalności zmiennej zależnej w całej próbie zamiast reszt modelu.
• Brak wielkości efektu – samo p nie mówi, jak duży jest efekt; podaj η² lub ω² z przedziałem ufności.
• Opis efektów głównych mimo istotnej interakcji w ANOVA dwuczynnikowej – najpierw zinterpretuj interakcję i efekty proste.

Najczęstsze pytania

Co to jest ANOVA w statystyce?

ANOVA (analiza wariancji) to test porównujący średnie trzech lub więcej grup. Dzieli zmienność wyników na część między grupami i część wewnątrz grup, a ich stosunek – statystyka F – pokazuje, czy różnice średnich są większe, niż wynikałoby z przypadkowego rozrzutu wyników.

Kiedy stosować ANOVA, a kiedy test t?

Test t porównuje dwie średnie, a ANOVA – trzy lub więcej (Mishra i in., 2019). Seria testów t dla kilku grup zawyża łączny błąd I rodzaju: przy trzech porównaniach do .143 (Kim, 2014). Przy dwóch grupach oba podejścia dają ten sam wynik, bo F = t².

Co oznacza wynik F w ANOVA?

F to stosunek średniego kwadratu między grupami do średniego kwadratu wewnątrz grup. Wartość bliska 1 oznacza, że średnie różnią się tyle, ile można oczekiwać przy prawdziwej H0, a duże F (z małym p) – że co najmniej jedna średnia odstaje. W przykładzie z tego hasła F(2, 12) = 8.00, p = .006.

Co zrobić po istotnym wyniku ANOVA?

Sprawdź, które grupy się różnią, testami post hoc: Tukeya przy równych wariancjach albo Gamesa–Howella przy nierównych (zob. testy post hoc). Podaj też wielkość efektu, np. η² lub ω² z przedziałem ufności, i opisz kierunek różnic na podstawie średnich.

Jakie są założenia ANOVA?

Niezależność obserwacji, normalność reszt i równość wariancji w grupach. Test F jest odporny na umiarkowane odstępstwa od normalności (Blanca i in., 2017), a przy nierównych wariancjach lepiej od razu użyć testu F Welcha (Delacre i in., 2019).

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

@article{blanca2017nonnormal, author={Blanca, María J. and Alarcón, Rafael and Arnau, Jaume and Bono, Roser and Bendayan, Rebecca}, title={{Non-normal data: Is ANOVA still a valid option?}}, journal={Psicothema}, year={2017}, volume={29}, number={4}, pages={552--557}, doi={10.7334/psicothema2016.383}}

@article{delacre2019taking, author={Delacre, Marie and Leys, Christophe and Mora, Youri L. and Lakens, Daniël}, title={{Taking parametric assumptions seriously: Arguments for the use of Welch's F-test instead of the classical F-test in one-way ANOVA}}, journal={International Review of Social Psychology}, year={2019}, volume={32}, number={1}, eid={13}, doi={10.5334/irsp.198}}

@book{grzeszkiewicz2023wprowadzenie, author={Grzeszkiewicz-Radulska, Katarzyna}, title={{Wprowadzenie do analizy wariancji z czynnikami losowymi}}, year={2023}, publisher={Wydawnictwo Uniwersytetu Łódzkiego}, doi={10.18778/8331-176-0}}

@article{kim2014analysis, author={Kim, Hae-Young}, title={{Analysis of variance (ANOVA) comparing means of more than two groups}}, journal={Restorative Dentistry \& Endodontics}, year={2014}, volume={39}, number={1}, pages={74--77}, doi={10.5395/rde.2014.39.1.74}}

@book{maxwell2018designing, author={Maxwell, Scott E. and Delaney, Harold D. and Kelley, Ken}, title={{Designing experiments and analyzing data: A model comparison perspective}}, year={2018}, edition={3rd}, publisher={Routledge}, doi={10.4324/9781315642956}}

@article{mishra2019application, author={Mishra, Prabhaker and Singh, Uttam and Pandey, Chandra M. and Mishra, Priyadarshni and Pandey, Gaurav}, title={{Application of Student's t-test, analysis of variance, and covariance}}, journal={Annals of Cardiac Anaesthesia}, year={2019}, volume={22}, number={4}, pages={407--411}, doi={10.4103/aca.aca_94_19}}