Słownik metodologiczny · Projekt badania

Czynnik wewnątrzobiektowy – co to jest, kiedy go wybrać i jak analizować powtarzane pomiary?

Czynnik wewnątrzobiektowy to zmienna niezależna, której wszystkie poziomy przechodzi każda osoba. Pokazujemy, dlaczego taki schemat potrzebuje mniej osób, czym grożą efekty kolejności, jak bardzo myli analiza „jak dla niezależnych grup” i jak opisać wynik – na przykładzie hałasu i zapamiętywania słów z kodem R.

Strona główna / Słownik / Czynnik wewnątrzobiektowy
W skrócie: Czynnik wewnątrzobiektowy to zmienna niezależna, której wszystkie poziomy przechodzi każda osoba – np. każdy uczestnik uczy się w ciszy, przy szumie i przy muzyce. Ponieważ porównujesz wyniki tej samej osoby, stałe różnice między ludźmi nie trafiają do błędu i potrzeba znacznie mniejszej próby. Ceną są efekty kolejności (praktyka, zmęczenie, przeniesienie), dlatego kolejność warunków kontrbalansuj, a dane analizuj metodą dla pomiarów zależnych.

Co to jest czynnik wewnątrzobiektowy?

Czynnik wewnątrzobiektowy (ang. within-subjects factor; także czynnik wewnątrzgrupowy, czynnik powtarzanego pomiaru) to zmienna niezależna, której wszystkie poziomy przechodzi każda osoba badana. Jeśli każda uczestniczka i każdy uczestnik uczy się listy słów w ciszy, przy szumie i przy muzyce z tekstem, „warunek hałasu” jest czynnikiem wewnątrzobiektowym o trzech poziomach. Każda osoba daje tyle wyników, ile poziomów ma czynnik.

Czynnikiem wewnątrzobiektowym bywa warunek eksperymentalny (jak w przykładzie), ale też czas: pomiar przed interwencją, po niej i po trzech miesiącach. Drugim przypadkiem jest porównanie różnych bodźców lub skal ocenianych przez te same osoby. Przeciwieństwem jest czynnik międzyobiektowy, którego każdy poziom badasz na innych osobach.

Każda osoba jest swoją własną kontrolą

Największa zaleta tego schematu bierze się z tego, że porównujesz wyniki tej samej osoby. Stałe różnice między ludźmi – zdolności, pamięć, nastawienie do badań – są obecne w każdym warunku, więc przy porównaniu się znoszą. Greenwald (1976) nazywa to efektywnością statystyczną: wariancja osób zostaje usunięta z członu błędu, na którego tle ocenia się efekt warunku. W ANOVA z powtarzanymi pomiarami zmienność dzieli się na trzy części: między warunkami, między osobami i resztową. Do testu efektu warunku trafia tylko część resztowa.

Siła tego zysku zależy od korelacji między pomiarami tych samych osób. Gdy pomiary korelują wysoko, różnica między warunkami jest dla każdej osoby mierzona bardzo precyzyjnie. Dla dwóch warunków wielkość efektu potrzebna do analizy mocy wynosi:

dz = d / √(2(1 − r))

gdzie d to różnica średnich w jednostkach odchylenia standardowego wyniku, a r – korelacja między pomiarami. Przy r = .50 obie miary są równe, przy r = .70 dz jest już o 29% większe od d. Lakens (2013) przypomina, że d z pomiarów powtarzanych i d dla grup niezależnych mają inne mianowniki i trzeba jasno podać, które zostało policzone.

Ceną są efekty kolejności

Osoba, która przechodzi kilka warunków, zmienia się po drodze: ćwiczy, męczy się, nudzi, domyśla się celu badania. Greenwald (1976) wymienia trzy efekty kontekstu: praktykę, uwrażliwienie i przeniesienie (ang. carry-over) skutków jednego warunku na następny. Jeśli wszyscy zaczynają od ciszy, a kończą na muzyce, gorszy wynik przy muzyce może wynikać ze zmęczenia, a nie z hałasu.

  • Kontrbalansowanie rozkłada kolejności równo między osoby, tak że efekt kolejności nie sprzyja żadnemu warunkowi. Brooks (2012) podkreśla, że możliwość przeniesienia z warunku na warunek czyni kontrbalansowanie niezbędnym elementem schematu.
  • Przerwy i różne wersje materiału (inne listy słów o tej samej trudności) zmniejszają praktykę i przeniesienie.
  • Schemat międzyobiektowy wybierz, gdy przeniesienie jest nieodwracalne – np. gdy po nauczeniu strategii nie da się jej „oduczyć” albo gdy manipulacja polega na wprowadzeniu w błąd.

Przykład: hałas a zapamiętywanie słów

W badaniu (dane symulowane) 24 osoby uczyły się trzech list słów: w ciszy, przy szumie i przy muzyce z tekstem. Każda z sześciu możliwych kolejności warunków przypadła czterem osobom. Średnia liczba przypomnianych słów wyniosła 18.46 (SD = 4.19) w ciszy, 17.96 (SD = 4.84) przy szumie i 15.46 (SD = 4.74) przy muzyce. Wyniki tych samych osób silnie ze sobą korelowały (r od .70 do .80): kto dobrze zapamiętywał w ciszy, dobrze radził sobie też w hałasie.

ANOVA z powtarzanymi pomiarami z poprawką Greenhouse’a–Geissera (na wypadek naruszenia założenia sferyczności) wykazała efekt warunku, F(1.95, 44.87) = 11.14, p < .001, η²G = .08. Porównania parami testem t dla prób zależnych z korektą Holma pokazały, że muzyka z tekstem obniżała wynik w porównaniu z ciszą (p = .001) i z szumem (p = .001), a cisza i szum się nie różniły (p = .482).

Co by się stało, gdyby te same 72 wyniki potraktować jak wyniki 72 różnych osób? Zwykła jednoczynnikowa ANOVA daje F(2, 69) = 2.93, p = .060. Średnie są te same, ale stałe różnice między osobami wracają do błędu i zagłuszają efekt. Analiza niezgodna ze schematem to nie drobna nieścisłość – zmienia wniosek. Odwrotny błąd jest równie poważny: przy pomiarach zależnych zwykłe testy zakładają niezależność, której nie ma.

Panel A: linie 24 osób łączące ich wyniki w trzech warunkach (cisza, szum, muzyka z tekstem) i czerwona linia średnich 18.46, 17.96, 15.46. Panel B: łączna liczba osób potrzebna do wykrycia efektu d = 0.5 z mocą 80% w zależności od korelacji pomiarów: 65 osób przy r = 0, 46 przy r = .3, 34 przy r = .5 i 21 przy r = .7, wobec 128 osób w schemacie międzyobiektowym
Rysunek 1. A: osoby różnią się ogólnym poziomem (wysokość linii), ale większość linii opada przy muzyce – czynnik wewnątrzobiektowy wykorzystuje ten wzór. B: liczebność potrzebna w schemacie wewnątrzobiektowym maleje wraz z korelacją między pomiarami (niebieska linia); linia przerywana to schemat z dwiema niezależnymi grupami. Obliczenia: R (dane symulowane).

Ile osób potrzeba?

Rysunek 1B pokazuje skalę oszczędności. Przy efekcie d = 0.5, mocy 80% i α = .05 porównanie dwóch niezależnych grup wymaga 128 osób. Ten sam efekt w schemacie wewnątrzobiektowym wykryjesz na 65 osobach nawet przy zerowej korelacji pomiarów, bo każda osoba daje dwa wyniki. Przy r = .50 wystarczą 34 osoby, a przy r = .70 – 21. Brysbaert (2019) podaje podobny rząd wielkości: dla d = 0.4 i dwóch warunków wewnątrzobiektowych potrzeba ponad 50 osób, przy zmiennej międzygrupowej – kilkukrotnie więcej. Korelację pomiarów oszacuj z badania pilotażowego albo z literatury i podaj ją w uzasadnieniu liczebności.

Jak opisać czynnik wewnątrzobiektowy w pracy (APA)

W „Metodzie” wymień poziomy czynnika, sposób ustalenia kolejności i liczbę osób z kompletem pomiarów. W wynikach podaj średnie, test z poprawką na sferyczność, wielkość efektu i porównania parami. Bakeman (2005) zaleca dla schematów z pomiarami powtarzanymi uogólnione eta kwadrat (η²G), bo – w przeciwieństwie do cząstkowego η² – pozwala porównywać efekty między schematami.

Zastosowano jednoczynnikowy schemat wewnątrzobiektowy: każda z 24 osób uczyła się listy słów w trzech warunkach (cisza, szum, muzyka z tekstem), a kolejność warunków była kontrbalansowana (6 kolejności po 4 osoby). Warunek wpływał na liczbę przypomnianych słów, F(1.95, 44.87) = 11.14, p < .001, η²G = .08 (poprawka Greenhouse’a–Geissera). Przy muzyce z tekstem osoby przypominały sobie mniej słów (M = 15.46, SD = 4.74) niż w ciszy (M = 18.46, SD = 4.19; p = .001) i przy szumie (M = 17.96, SD = 4.84; p = .001; testy t dla prób zależnych z korektą Holma). Wyniki w ciszy i przy szumie nie różniły się istotnie (p = .482).

Dane do takiej analizy przygotuj w formacie długim albo szerokim – zależnie od programu: SPSS w procedurze powtarzanych pomiarów oczekuje jednej kolumny na warunek, a R i modele mieszane – jednego wiersza na pomiar. Przy brakach danych i nieregularnych pomiarach lepszy od klasycznej ANOVA bywa model wielopoziomowy; porównanie obu podejść znajdziesz we wpisie ANOVA z powtarzanymi pomiarami czy model mieszany? Dla danych porządkowych odpowiednikiem jest test Friedmana.

Przykład reprodukowalny

Przykład w R

Kod tworzy dane z przykładu z kontrbalansowaną kolejnością, liczy średnie i korelacje pomiarów, ANOVA z powtarzanymi pomiarami, porównania parami, błędną analizę „jak dla niezależnych grup” oraz liczebności z rysunku 1B.

ANOVA z czynnikiem wewnątrzobiektowym (afex)

Dane wejściowe: 24 osoby × 3 warunki = 72 wiersze w formacie długim (dane symulowane, set.seed(1802)): identyfikator osoby, warunek, kolejność warunków i liczba przypomnianych słów (0–30).

Co odczytać: macierz korelacji pomiarów; w tabeli aov_ez() skorygowane stopnie swobody, F, ges (η²G) i p; wartości p z korektą Holma w pairwise.t.test(); F i p z błędnej analizy aov(); liczebności z power.t.test().

R
# Dane symulowane: czynnik wewnątrzobiektowy o trzech poziomach.
# Każda z 24 osób uczy się listy słów w KAŻDYM z trzech warunków hałasu (cisza, szum, muzyka z tekstem);
# kolejność warunków kontrbalansowana (6 kolejności × 4 osoby). Wynik: liczba przypomnianych słów (0–30).
suppressPackageStartupMessages(library(afex))
set.seed(1802)
n <- 24
warunki <- c("cisza", "szum", "muzyka")
kolejnosci <- list(c(1, 2, 3), c(1, 3, 2), c(2, 1, 3), c(2, 3, 1), c(3, 1, 2), c(3, 2, 1))
osoba <- rnorm(n, sd = 4)                                     # stałe różnice między osobami
dane <- expand.grid(id = factor(1:n), warunek = factor(warunki, levels = warunki))
dane$kolejnosc <- sapply(as.integer(dane$id), function(i) paste(warunki[kolejnosci[[(i - 1) %% 6 + 1]]], collapse = "-"))
srednie_pop <- c(cisza = 18.0, szum = 17.0, muzyka = 15.2)
dane$slowa <- round(pmin(pmax(srednie_pop[as.character(dane$warunek)] + osoba[as.integer(dane$id)] +
                                rnorm(nrow(dane), sd = 2.4), 0), 30))
head(dane[order(dane$id), ], 6)                               # format długi: 3 wiersze na osobę

# 1. Średnie i korelacje między pomiarami tych samych osób
aggregate(slowa ~ warunek, data = dane, FUN = function(x) round(c(M = mean(x), SD = sd(x)), 2))
szeroki <- reshape(dane[, c("id", "warunek", "slowa")], idvar = "id", timevar = "warunek", direction = "wide")
round(cor(szeroki[, -1]), 2)

# 2. ANOVA z powtarzanymi pomiarami (korekta Greenhouse'a–Geissera, uogólnione eta kwadrat)
aov_ez(id = "id", dv = "slowa", within = "warunek", data = dane,
       anova_table = list(correction = "GG", es = "ges"))

# 3. Porównania parami: testy t dla prób zależnych z korektą Holma
pairwise.t.test(dane$slowa, dane$warunek, paired = TRUE, p.adjust.method = "holm")

# 4. BŁĄD: te same dane analizowane tak, jakby każdy wynik pochodził od innej osoby
summary(aov(slowa ~ warunek, data = dane))

# 5. Ile osób potrzeba? d = 0.5 (różnica w jednostkach SD wyniku), moc 80%, alfa = .05, test dwustronny
# Schemat międzyobiektowy: dwie niezależne grupy; wewnątrzobiektowy: d_z = d / sqrt(2 * (1 - r))
n_miedzy <- ceiling(power.t.test(delta = 0.5, power = 0.80)$n)
n_wew <- sapply(c(0, 0.3, 0.5, 0.7), function(r)
  ceiling(power.t.test(delta = 0.5 / sqrt(2 * (1 - r)), power = 0.80, type = "paired")$n))
c(miedzyobiektowy_lacznie = 2 * n_miedzy, wewnatrz_r0 = n_wew[1], wewnatrz_r.3 = n_wew[2], wewnatrz_r.5 = n_wew[3], wewnatrz_r.7 = n_wew[4])
Wynik w R
   id warunek         kolejnosc slowa
1   1   cisza cisza-szum-muzyka    17
25  1    szum cisza-szum-muzyka    20
49  1  muzyka cisza-szum-muzyka    17
2   2   cisza cisza-muzyka-szum    25
26  2    szum cisza-muzyka-szum    25
50  2  muzyka cisza-muzyka-szum    23
  warunek slowa.M slowa.SD
1   cisza   18.46     4.19
2    szum   17.96     4.84
3  muzyka   15.46     4.74
             slowa.cisza slowa.szum slowa.muzyka
slowa.cisza         1.00       0.72          0.7
slowa.szum          0.72       1.00          0.8
slowa.muzyka        0.70       0.80          1.0
Anova Table (Type 3 tests)

Response: slowa
   Effect          df  MSE         F  ges p.value
1 warunek 1.95, 44.87 5.71 11.14 *** .078   <.001
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘+’ 0.1 ‘ ’ 1

Sphericity correction method: GG 

	Pairwise comparisons using paired t tests 

data:  dane$slowa and dane$warunek 

       cisza  szum  
szum   0.4819 -     
muzyka 0.0010 0.0011

P value adjustment method: holm 
            Df Sum Sq Mean Sq F value Pr(>F)  
warunek      2    124   62.00   2.932 0.0599 .
Residuals   69   1459   21.14                 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
miedzyobiektowy_lacznie             wewnatrz_r0            wewnatrz_r.3 
                    128                      65                      46 
           wewnatrz_r.5            wewnatrz_r.7 
                     34                      21 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 z pakietem afex; 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. afex (wersja 1.5.1): Singmann, H., Bolker, B., Westfall, J., Aust, F., & Ben-Shachar, M. S. (2025). afex: Analysis of factorial experiments [R package]. https://doi.org/10.32614/CRAN.package.afex
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  4. 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 jak dla niezależnych grup. Jak w przykładzie: efekt istotny w ANOVA z powtarzanymi pomiarami (p < .001) „znika” w zwykłej ANOVA (p = .060).
  • Stała kolejność warunków. Bez kontrbalansowania efekt warunku miesza się z praktyką i zmęczeniem; sprawdź też, czy kolejność nie wchodzi w interakcję z warunkiem.
  • Brak poprawki na sferyczność przy trzech i więcej poziomach – klasyczne F bywa wtedy zbyt liberalne.
  • Wielkość efektu z niewłaściwym mianownikiem. Podaj, czy d liczono z odchylenia standardowego różnic (dz), czy z SD wyników; do metaanalizy z badaniami międzyobiektowymi potrzebna jest ta druga.
  • Usuwanie całej osoby z powodu jednego braku bez opisu w tekście. Liczba osób z kompletem danych powinna być jawna; przy wielu brakach rozważ model wielopoziomowy.
  • Wybór schematu wewnątrzobiektowego przy nieodwracalnym przeniesieniu. Jeśli pierwszy warunek trwale zmienia osobę (np. nauka strategii, wprowadzenie w błąd), porównanie kolejnych warunków traci sens.

Najczęstsze pytania

Co to jest czynnik wewnątrzobiektowy?

To zmienna niezależna, której wszystkie poziomy przechodzi każda osoba badana, np. wszyscy uczestnicy wykonują zadanie w trzech warunkach hałasu albo są mierzeni przed i po interwencji. Każda osoba daje więc kilka wyników, które analizuje się metodami dla pomiarów zależnych.

Dlaczego schemat wewnątrzobiektowy wymaga mniej osób?

Bo stałe różnice między ludźmi występują w każdym warunku i przy porównaniu się znoszą – nie trafiają do błędu. Zysk rośnie z korelacją pomiarów: przy d = 0.5 i mocy 80% zamiast 128 osób w dwóch grupach wystarczą 34 osoby przy r = .50 i 21 przy r = .70.

Co to jest efekt przeniesienia?

To wpływ wcześniejszego warunku na wynik w kolejnym, np. strategia wyuczona w pierwszym zadaniu poprawia wynik w drugim. Przeniesienie miesza się z efektem warunku; ogranicza się je przerwami i kontrbalansowaniem, a gdy jest nieodwracalne – wybiera się schemat międzyobiektowy.

Jaki test wybrać dla czynnika wewnątrzobiektowego?

Dla dwóch poziomów – test t dla prób zależnych (albo test Wilcoxona), dla trzech i więcej – ANOVA z powtarzanymi pomiarami z poprawką na sferyczność (albo test Friedmana). Przy brakach danych, nierównych odstępach czasu lub zagnieżdżeniu użyj modelu wielopoziomowego.

Czy czas pomiaru jest czynnikiem wewnątrzobiektowym?

Tak – gdy te same osoby mierzysz kilka razy (np. przed, po i po trzech miesiącach), moment pomiaru jest czynnikiem wewnątrzobiektowym. Jego poziomów nie da się jednak kontrbalansować, więc zmiany w czasie mogą wynikać także z praktyki, dojrzewania czy regresji do średniej.

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. Bakeman, R. (2005). Recommended effect size statistics for repeated measures designs. Behavior Research Methods, 37(3), 379–384. https://doi.org/10.3758/BF03192707 ● Otwarty dostęp
  2. Brooks, J. L. (2012). Counterbalancing for serial order carryover effects in experimental condition orders. Psychological Methods, 17(4), 600–614. https://doi.org/10.1037/a0029310 ● Otwarty dostęp: pełny tekst
  3. 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
  4. 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
  5. 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

Cytowania BibTeX

@article{bakeman2005recommended, author={Bakeman, Roger}, title={{Recommended effect size statistics for repeated measures designs}}, journal={Behavior Research Methods}, year={2005}, volume={37}, number={3}, pages={379--384}, doi={10.3758/bf03192707}}
@article{brooks2012counterbalancing, author={Brooks, Joseph L.}, title={{Counterbalancing for serial order carryover effects in experimental condition orders}}, journal={Psychological Methods}, year={2012}, volume={17}, number={4}, pages={600--614}, doi={10.1037/a0029310}}
@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}}
R