Słownik metodologiczny · Projekt badania

Czynnik międzyobiektowy – co to jest, jak go analizować i ile osób potrzeba?

Czynnik międzyobiektowy to zmienna niezależna, której każdy poziom badasz na innych osobach. Pokazujemy, czym różni się czynnik manipulowany od klasyfikacyjnego, dlaczego różnice między osobami trafiają do błędu, ile osób potrzeba i jak opisać wynik – na przykładzie trzech warunków informacji zwrotnej z kodem R.

Strona główna / Słownik / Czynnik międzyobiektowy
W skrócie: Czynnik międzyobiektowy to zmienna niezależna, której każdy poziom realizuje się na innych osobach – każda osoba należy do jednego warunku. Efekt takiego czynnika ocenia się na tle różnic między osobami w tym samym warunku, dlatego schemat wymaga większych prób niż schemat wewnątrzobiektowy, ale nie grozi mu przeniesienie efektów między warunkami. Wniosek przyczynowy uzasadnia tylko losowy przydział; czynnik klasyfikacyjny (np. płeć, kierunek studiów) pozwala mówić o różnicach grup.

Co to jest czynnik międzyobiektowy?

Czynnik międzyobiektowy (ang. between-subjects factor; także czynnik międzygrupowy) to zmienna niezależna, której każdy poziom realizuje się na innych osobach. Każda osoba należy do dokładnie jednego poziomu czynnika i daje jeden wynik w analizowanym porównaniu. Jeśli sprawdzasz, czy pochwała, krytyka albo brak informacji zwrotnej zmieniają wyniki w zadaniu, a każda osoba trafia tylko do jednego z tych warunków, „warunek informacji zwrotnej” jest czynnikiem międzyobiektowym o trzech poziomach.

Przeciwieństwem jest czynnik wewnątrzobiektowy, którego wszystkie poziomy przechodzi ta sama osoba. Wiele badań łączy oba rodzaje w jednym planie: np. grupa (trening vs grupa kontrolna) jest czynnikiem międzyobiektowym, a pomiar (przed i po) – wewnątrzobiektowym. Taki układ nazywa się planem mieszanym (ang. mixed design, split-plot).

Czynnik manipulowany i czynnik klasyfikacyjny

Czynnik międzyobiektowy może powstać na dwa sposoby, a od tego zależy, jaki wniosek wolno z niego wyciągnąć.

Porównanie czynnika międzyobiektowego manipulowanego i klasyfikacyjnego
CechaCzynnik manipulowanyCzynnik klasyfikacyjny
Kto decyduje o poziomieBadacz, przez losowy przydziałNikt – osoby już należą do grup
PrzykładyRodzaj instrukcji, forma treningu, warunek nastrojuPłeć, kierunek studiów, diagnoza, miejsce zamieszkania
Czy grupy są porównywalne na starcieTak, w granicach przypadkuNie wiadomo – mogą różnić się wieloma cechami naraz
Język wniosku„Warunek wpłynął na wynik”„Grupy różniły się wynikiem”

Analiza statystyczna obu wersji jest identyczna, ale interpretacja nie. Porównanie studentów psychologii i informatyki to wciąż czynnik międzyobiektowy, tyle że różnica może wynikać z tysiąca innych cech tych grup (zob. schemat quasi-eksperymentalny).

Dlaczego w tym schemacie liczą się różnice między osobami

Test czynnika międzyobiektowego porównuje dwa źródła zmienności. Pierwsze to wariancja międzygrupowa – na ile średnie warunków różnią się od siebie. Drugie to wariancja wewnątrzgrupowa – na ile różnią się osoby w tym samym warunku.

F = MSmiędzy / MSwewnątrz

Kluczowe jest to, co trafia do mianownika. W schemacie międzyobiektowym każda osoba wnosi do porównania nie tylko efekt warunku, ale też całą swoją indywidualność: zdolności, zmęczenie, motywację tego dnia. Wszystko to staje się „szumem”, na którego tle oceniasz efekt. Greenwald (1976) wskazywał właśnie to jako główny koszt schematu międzyobiektowego: wariancja osób zostaje w członie błędu, podczas gdy schemat wewnątrzobiektowy usuwa ją z tego członu. W zamian schemat międzyobiektowy nie ma efektów praktyki, uwrażliwienia i przeniesienia – osoba poznaje tylko jeden warunek.

Przykład: trzy rodzaje informacji zwrotnej

W eksperymencie (dane symulowane) 90 osób losowo podzielono na trzy grupy po 30. Przed zadaniem z anagramami jedna grupa usłyszała pochwałę za wcześniejszy test, druga – krytykę, trzecia nie dostała żadnej informacji. Wynikiem była liczba rozwiązanych anagramów (0–20).

Wyniki trzech grup w zadaniu z anagramami
WaruneknMSD
Brak informacji3011.402.46
Pochwała3012.903.47
Krytyka3010.432.37

Jednoczynnikowa ANOVA pokazała różnice między warunkami, F(2, 87) = 5.87, p = .004, a warunek wyjaśniał 12% zmienności wyników (η² = .12). Odchylenia standardowe w grupach nie były równe (2.37–3.47), więc warto sprawdzić wynik testem Welcha: F(2, 56.76) = 5.16, p = .009 – wniosek się nie zmienia. Test Tukeya wskazał, że różnica dotyczy pochwały i krytyki: 2.47 anagramu, 95% CI [0.74, 4.20], p = .003. Pochwała w porównaniu z brakiem informacji (1.50, p = .103) i krytyka w porównaniu z brakiem informacji (−0.97, p = .381) nie różniły się istotnie.

Rysunek 1 pokazuje, dlaczego zmienność osób ma znaczenie. Panel A to dane z przykładu. W panelu B średnie grup są dokładnie te same, ale każda osoba leży dwa razy bliżej średniej swojej grupy. Różnica między warunkami jest identyczna, a statystyka F rośnie czterokrotnie: z 5.87 do 23.47. Mniejszy rozrzut osób w warunku osiągniesz, np. standaryzując procedurę, mierząc wynik rzetelniej albo badając bardziej jednorodną grupę – choć to ostatnie zawęża trafność zewnętrzną.

Dwa panele z wynikami 90 osób w trzech warunkach: brak informacji, pochwała, krytyka. Średnie 11.40, 12.90 i 10.43 są w obu panelach takie same. Panel A: dane z przykładu, F(2, 87) = 5.87, p = .004. Panel B: rozrzut osób wokół średnich grup o połowę mniejszy, F(2, 87) = 23.47, p < .001
Rysunek 1. Szare punkty to wyniki osób, czerwone – średnie warunków z 95% przedziałami ufności (niebieskie). Przy tych samych średnich test czynnika międzyobiektowego zależy od tego, jak bardzo różnią się osoby w obrębie warunku. Obliczenia: R (dane symulowane).

Ile osób potrzeba w schemacie międzyobiektowym?

Ponieważ każda osoba daje tylko jeden wynik, a różnice między osobami zostają w błędzie, schemat międzyobiektowy wymaga dużych prób. Przy efekcie d = 0.5, mocy 80% i α = .05 (test dwustronny) potrzeba 64 osób na grupę, czyli 128 przy dwóch warunkach. Brysbaert (2019), przyjmując d = 0.4 jako rozsądne pierwsze oszacowanie najmniejszego interesującego efektu w psychologii, pokazuje, że porównania międzyobiektowe i interakcje wymagają 100, 200 i więcej osób, podczas gdy porównanie dwóch warunków wewnątrzobiektowych – ponad 50. Planując badanie, policz moc testu dla porównania, które naprawdę Cię interesuje (zob. poradnik dobór liczebności próby).

Pamiętaj też, że wielkości efektu z obu schematów nie są wymienne. Lakens (2013) pokazuje, że d liczone dla porównania niezależnych grup i dla pomiarów powtarzanych opiera się na innym mianowniku; do analizy mocy i metaanalizy potrzebna jest miara zgodna ze schematem.

Jak opisać czynnik międzyobiektowy w pracy (APA)

W części „Metoda” nazwij czynnik, podaj jego poziomy, sposób przydziału i liczebność każdej grupy. W wynikach podaj średnie i odchylenia standardowe, test łączny z wielkością efektu i porównania szczegółowe z korektą. Wzór dla przykładu:

Zastosowano jednoczynnikowy schemat międzyobiektowy z trzema poziomami informacji zwrotnej (brak, pochwała, krytyka); 90 osób przydzielono losowo do warunków (po 30 osób). Warunek różnicował liczbę rozwiązanych anagramów, F(2, 87) = 5.87, p = .004, η² = .12; wynik potwierdził test Welcha, F(2, 56.76) = 5.16, p = .009. Porównania testem Tukeya wykazały, że po pochwale (M = 12.90, SD = 3.47) osoby rozwiązywały więcej anagramów niż po krytyce (M = 10.43, SD = 2.37), różnica = 2.47, 95% CI [0.74, 4.20], p = .003. Grupa bez informacji zwrotnej (M = 11.40, SD = 2.46) nie różniła się istotnie od pozostałych.

Dwie grupy porównasz testem t dla prób niezależnych, więcej grup – ANOVA, a kilka czynników międzyobiektowych naraz – ANOVA wieloczynnikową z efektami głównymi i efektem interakcji. Ten sam model to regresja z czynnikiem zakodowanym zmiennymi 0/1 (dummy coding). Cały tok analizy z przykładami znajdziesz w poradniku ANOVA krok po kroku.

Przykład reprodukowalny

Przykład w R

Kod tworzy dane z przykładu, liczy statystyki opisowe, ANOVA z czynnikiem międzyobiektowym, test Welcha, η², porównania Tukeya, liczebność potrzebną do porównania dwóch warunków i wariant z mniejszym rozrzutem osób z rysunku 1.

ANOVA z czynnikiem międzyobiektowym

Dane wejściowe: 90 osób (dane symulowane, set.seed(1813)), po jednym wierszu na osobę: identyfikator, warunek (brak, pochwała, krytyka) i liczba rozwiązanych anagramów (0–20).

Co odczytać: table() – każda osoba w jednym warunku; średnie i SD; w summary(model) wiersz warunek (F, p) i Residuals (MS błędu = zmienność osób w warunkach); test Welcha; η²; kolumny diff, lwr, upr, p adj w teście Tukeya; liczbę osób na grupę z power.t.test(); F dla danych o mniejszym rozrzucie.

R
# Dane symulowane: eksperyment z czynnikiem międzyobiektowym o trzech poziomach.
# Każda osoba losowo trafia do JEDNEGO warunku informacji zwrotnej (pochwała, krytyka, brak informacji),
# a potem rozwiązuje 20 anagramów (wynik: liczba poprawnie rozwiązanych, 0–20).
set.seed(1813)
n_grupa <- 30
warunek <- factor(rep(c("brak", "pochwała", "krytyka"), each = n_grupa),
                  levels = c("brak", "pochwała", "krytyka"))
srednie_pop <- c(brak = 11.0, `pochwała` = 12.6, krytyka = 10.2)
wynik <- round(pmin(pmax(srednie_pop[as.character(warunek)] + rnorm(3 * n_grupa, sd = 3.2), 0), 20))
dane <- data.frame(id = 1:(3 * n_grupa), warunek, wynik)   # format długi: jeden wiersz = jedna osoba
head(dane, 3)
table(dane$warunek)                                        # każda osoba tylko w jednym warunku

# 1. Statystyki opisowe w grupach
aggregate(wynik ~ warunek, data = dane, FUN = function(x) round(c(M = mean(x), SD = sd(x)), 2))

# 2. Jednoczynnikowa ANOVA międzyobiektowa (test Welcha jako wersja odporna na nierówne wariancje)
model <- aov(wynik ~ warunek, data = dane)
summary(model)
oneway.test(wynik ~ warunek, data = dane)
tab <- summary(model)[[1]]
eta2 <- tab[1, "Sum Sq"] / sum(tab[, "Sum Sq"])
round(c(eta_kwadrat = eta2), 3)

# 3. Porównania parami z kontrolą łącznego błędu (Tukey HSD)
TukeyHSD(model)

# 4. Ile osób potrzeba w schemacie międzyobiektowym? (moc 80%, alfa = .05, test dwustronny)
# d = 0.5 dla porównania dwóch poziomów czynnika
ceiling(power.t.test(delta = 0.5, sd = 1, power = 0.80, sig.level = 0.05)$n)   # osób NA GRUPĘ

# 5. Błąd w schemacie międzyobiektowym = różnice między osobami w tym samym warunku.
# Te same średnie grup, ale odchylenia osób od średniej swojej grupy o połowę mniejsze
# (np. bardziej jednorodna próba, lepiej wystandaryzowana procedura):
dane$wynik_pol <- ave(dane$wynik, dane$warunek) + 0.5 * (dane$wynik - ave(dane$wynik, dane$warunek))
aggregate(wynik_pol ~ warunek, data = dane, FUN = function(x) round(c(M = mean(x), SD = sd(x)), 2))
summary(aov(wynik_pol ~ warunek, data = dane))
Wynik w R
  id warunek wynik
1  1    brak    10
2  2    brak    15
3  3    brak    13

    brak pochwała  krytyka 
      30       30       30 
   warunek wynik.M wynik.SD
1     brak   11.40     2.46
2 pochwała   12.90     3.47
3  krytyka   10.43     2.37
            Df Sum Sq Mean Sq F value  Pr(>F)   
warunek      2   92.7   46.34   5.867 0.00407 **
Residuals   87  687.3    7.90                   
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

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

data:  wynik and warunek
F = 5.1572, num df = 2.000, denom df = 56.763, p-value = 0.00875

eta_kwadrat 
      0.119 
  Tukey multiple comparisons of means
    95% family-wise confidence level

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

$warunek
                       diff        lwr        upr     p adj
pochwała-brak     1.5000000 -0.2304179  3.2304179 0.1027579
krytyka-brak     -0.9666667 -2.6970845  0.7637512 0.3814011
krytyka-pochwała -2.4666667 -4.1970845 -0.7362488 0.0029108

[1] 64
   warunek wynik_pol.M wynik_pol.SD
1     brak       11.40         1.23
2 pochwała       12.90         1.73
3  krytyka       10.43         1.19
            Df Sum Sq Mean Sq F value   Pr(>F)    
warunek      2  92.69   46.34   23.47 7.07e-09 ***
Residuals   87 171.82    1.97                     
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (tylko funkcje bazowe); rysunek przygotowano w pakietach ggplot2 i patchwork.

  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
  3. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze błędy

  • Analiza powtarzanych pomiarów tak, jakby pochodziły od różnych osób. Jeśli ta sama osoba ma kilka wyników, czynnik nie jest międzyobiektowy, a obserwacje nie są niezależne. Przykład skutków pokazujemy w haśle o czynniku wewnątrzobiektowym.
  • Język przyczynowy przy czynniku klasyfikacyjnym. „Kobiety rozwiązywały więcej zadań” to opis różnicy grup, a nie dowód, że płeć ją spowodowała.
  • Brak opisu przydziału. Czytelnik musi wiedzieć, czy grupy powstały losowo, kto losował i jak zabezpieczono przydział przed badaczem.
  • Za mała próba. 20 osób na grupę wystarcza tylko do wykrycia bardzo dużych efektów; nieistotny wynik takiego badania mało mówi.
  • Interpretowanie samego F bez porównań szczegółowych. Istotny test łączny mówi tylko, że jakieś średnie się różnią. Które – pokazują porównania z korektą albo zaplanowane kontrasty.
  • Ignorowanie nierównych grup i wariancji. Przy wyraźnie różnych liczebnościach i SD klasyczne F może być zawodne; zgłoś test Welcha (zob. równoliczność grup).

Pełniejsze ujęcie planowania eksperymentów z czynnikami międzyobiektowymi, wewnątrzobiektowymi i mieszanymi jako porównywania modeli przedstawiają Maxwell i in. (2018).

Najczęstsze pytania

Co to jest czynnik międzyobiektowy?

To zmienna niezależna, której poziomy przypisuje się różnym osobom – każda osoba bierze udział tylko w jednym warunku, np. tylko w grupie z pochwałą albo tylko z krytyką. Porównuje się więc wyniki niezależnych grup, np. testem t dla prób niezależnych albo ANOVA.

Czym różni się czynnik międzyobiektowy od wewnątrzobiektowego?

Przy czynniku międzyobiektowym każdą osobę badasz w jednym warunku, a przy wewnątrzobiektowym – w każdym. Pierwszy wymaga większej próby, bo różnice między osobami zostają w błędzie, ale nie ma problemu kolejności i przeniesienia. Drugi jest oszczędniejszy, ale wymaga kontrbalansowania.

Czy płeć jest czynnikiem międzyobiektowym?

Tak – każda osoba należy do jednej kategorii, więc analiza jest taka jak dla czynnika międzyobiektowego. To jednak czynnik klasyfikacyjny, a nie manipulowany: grupy nie powstały losowo, więc wynik opisuje różnicę grup, a nie wpływ płci.

Ile osób potrzeba na grupę w schemacie międzyobiektowym?

To zależy od oczekiwanego efektu. Przy d = 0.5, mocy 80% i α = .05 test t dla dwóch niezależnych grup wymaga 64 osób na grupę, czyli 128 łącznie. Przy mniejszych efektach i interakcjach liczebności rosną do kilkuset osób.

Co to jest plan mieszany?

To schemat, w którym występuje co najmniej jeden czynnik międzyobiektowy i co najmniej jeden wewnątrzobiektowy, np. grupa (trening vs kontrola) i pomiar (przed vs po). Analizuje się go ANOVA w schemacie mieszanym albo modelem wielopoziomowym; kluczowym wynikiem jest zwykle interakcja grupy z pomiarem.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Brysbaert, M. (2019). How many participants do we have to include in properly powered experiments? A tutorial of power analysis with reference tables. Journal of Cognition, 2(1), Article 16. https://doi.org/10.5334/joc.72 ● Otwarty dostęp
  2. Greenwald, A. G. (1976). Within-subjects designs: To use or not to use? Psychological Bulletin, 83(2), 314–320. https://doi.org/10.1037/0033-2909.83.2.314
  3. Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, Article 863. https://doi.org/10.3389/fpsyg.2013.00863 ● Otwarty dostęp
  4. Maxwell, S. E., Delaney, H. D., & Kelley, K. (2018). Designing experiments and analyzing data: A model comparison perspective (3rd ed.). Routledge. https://doi.org/10.4324/9781315642956

Cytowania BibTeX

@article{brysbaert2019how, author={Brysbaert, Marc}, title={{How many participants do we have to include in properly powered experiments? A tutorial of power analysis with reference tables}}, journal={Journal of Cognition}, year={2019}, volume={2}, number={1}, eid={16}, doi={10.5334/joc.72}}
@article{greenwald1976within, author={Greenwald, Anthony G.}, title={{Within-subjects designs: To use or not to use?}}, journal={Psychological Bulletin}, year={1976}, volume={83}, number={2}, pages={314--320}, doi={10.1037/0033-2909.83.2.314}}
@article{lakens2013calculating, author={Lakens, Daniël}, title={{Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs}}, journal={Frontiers in Psychology}, year={2013}, volume={4}, eid={863}, doi={10.3389/fpsyg.2013.00863}}
@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}}
R