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.
| Cecha | Czynnik manipulowany | Czynnik klasyfikacyjny |
|---|---|---|
| Kto decyduje o poziomie | Badacz, przez losowy przydział | Nikt – osoby już należą do grup |
| Przykłady | Rodzaj instrukcji, forma treningu, warunek nastroju | Płeć, kierunek studiów, diagnoza, miejsce zamieszkania |
| Czy grupy są porównywalne na starcie | Tak, w granicach przypadku | Nie 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.
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).
| Warunek | n | M | SD |
|---|---|---|---|
| Brak informacji | 30 | 11.40 | 2.46 |
| Pochwała | 30 | 12.90 | 3.47 |
| Krytyka | 30 | 10.43 | 2.37 |
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.
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:
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 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
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 ‘ ’ 1Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (tylko funkcje bazowe); rysunek przygotowano w pakietach ggplot2 i patchwork.
- 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/
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- 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
ANOVA krok po kroku
Jednoczynnikowa i dwuczynnikowa ANOVA na przykładach: założenia, test Welcha, post hoc, η² i ω², efekty proste, typy sum kwadratów i opis APA.
Czytaj →PoradnikDobór liczebności próby: moc, precyzja i uzasadnienie badania
Jak dobrać liczebność próby? Moc testu, precyzja, symulacja, przewidywane braki danych i zasady rzetelnego uzasadnienia liczby uczestników.
Czytaj →PoradnikJak dobrać test statystyczny do hipotezy?
Skala pomiaru, liczba grup i układ badania: tabela doboru testów, trzy przykłady, założenia, skala Likerta, kod R i checklista przed analizą.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- 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
- 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
- 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
- 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}}