Słownik metodologiczny · Zależności i efekty

d Cohena – interpretacja siły efektu

d Cohena mówi, o ile odchyleń standardowych różnią się dwie średnie. Zobacz, jak interpretować jego wartość, co pokazują wykresy rozkładów wykonane w R i jak policzyć d z przedziałem ufności w kalkulatorze, który od razu przygotuje opis wyniku.

Strona główna / Słownik / d Cohena (interpretacja)
W skrócie: d Cohena to standaryzowana różnica dwóch średnich — mówi, o ile odchyleń standardowych różnią się grupy. Według konwencji Cohena d ≈ 0,2 to efekt mały, 0,5 średni, a 0,8 duży, ale interpretacja zawsze wymaga przedziału ufności i kontekstu badania. Na dole strony znajdziesz kalkulator, który policzy d, g Hedgesa i przedział ufności oraz przygotuje gotowy opis wyniku.

Co to jest d Cohena?

d Cohena to miara siły efektu dla różnicy dwóch średnich. Różnicę średnich dzieli się przez łączone odchylenie standardowe, dzięki czemu wynik nie zależy od jednostek pomiaru. Można więc porównywać efekty mierzone na różnych skalach, np. w punktach testu, sekundach czy wynikach kwestionariusza.

d = (M₁ − M₂) / SDłączone
SDłączone = √[((n₁ − 1)·SD₁² + (n₂ − 1)·SD₂²) / (n₁ + n₂ − 2)]

Wartość d = 0,5 oznacza, że średnia jednej grupy jest wyższa o pół odchylenia standardowego. Znak pokazuje tylko kierunek: jeśli zamienisz kolejność grup, d zmieni znak, ale nie wielkość. d Cohena jest naturalnym uzupełnieniem testu t dla prób niezależnych: test mówi, czy różnica jest statystycznie istotna, a d — jak jest duża.

Jak interpretować d Cohena?

Jacob Cohen (1988) zaproponował orientacyjne progi: 0,2 — efekt mały, 0,5 — średni, 0,8 — duży. Te same granice stosuje funkcja interpret_cohens_d() z pakietu effectsize w R (Ben-Shachar i in., 2020). Wartości poniżej 0,2 opisuje się jako bardzo małe lub pomijalne. Sawilowsky (2009) dodał kategorie „bardzo duży” (od 1,2) i „ogromny” (od 2,0).

Interpretacja d Cohena i odpowiadające mu miary nakładania się rozkładów
d CohenaEtykieta (Cohen, 1988)U3Wspólna część rozkładówPS
poniżej 0,2bardzo mały (pomijalny)———
0,2mały57,9%92,0%55,6%
0,5średni69,1%80,3%63,8%
0,8duży78,8%68,9%71,4%
1,2duży („bardzo duży” według Sawilowsky’ego, 2009)88,5%54,9%80,2%

Kolumny tabeli tłumaczą d na język procentów. Przy założeniu rozkładów normalnych o równych wariancjach (McGraw i Wong, 1992):

  • U3 — odsetek osób z grupy porównawczej, które mają wynik niższy od średniej grupy z wyższymi wynikami. Przy d = 0,5 to 69,1% (a nie 50%, jak przy braku różnicy).
  • Wspólna część rozkładów — jaka część obu rozkładów się pokrywa. Nawet przy „dużym” efekcie d = 0,8 rozkłady pokrywają się w 68,9%.
  • PS (prawdopodobieństwo przewagi) — szansa, że losowo wybrana osoba z jednej grupy ma wyższy wynik niż losowo wybrana osoba z drugiej. Przy d = 0,5 wynosi 63,8%.
Progi Cohena to nie reguła. Sam Cohen traktował je jako punkt odniesienia na wypadek braku lepszej wiedzy. Funder i Ozer (2019) pokazują, że w psychologii nawet efekty uznawane za „małe” mogą mieć duże znaczenie, gdy kumulują się w czasie lub dotyczą wielu osób. Najlepiej porównać d z efektami w podobnych badaniach i z najmniejszą różnicą, która ma znaczenie praktyczne lub kliniczne.

d Cohena na wykresach

Poniższy rysunek, wykonany w R, pokazuje dwie grupy o rozkładzie normalnym i tym samym odchyleniu standardowym dla czterech wartości d. Szare pole to wspólna część rozkładów.

Cztery panele z parami krzywych rozkładu normalnego dla d Cohena równego 0,2, 0,5, 0,8 i 1,2 z zaznaczoną wspólną częścią rozkładów
Rysunek 1. Rozkłady wyników w grupie kontrolnej (niebieska linia) i eksperymentalnej (pomarańczowa linia) dla d = 0,2; 0,5; 0,8 i 1,2. Przy d = 0,2 rozkłady pokrywają się w 92,0%, a przy d = 1,2 — w 54,9%. Wartości U3, wspólnej części i PS obliczono funkcjami pakietu effectsize.

Wniosek z rysunku: nawet wyraźna różnica średnich oznacza duże nakładanie się wyników. Przy d = 0,8 wiele osób z grupy „słabszej” ma wyniki wyższe niż przeciętna osoba z grupy „lepszej”. Dlatego d opisuje różnicę przeciętnych wyników, a nie to, że każda osoba z jednej grupy przewyższa każdą osobę z drugiej.

Ta sama wartość d, różna precyzja

Wartość d z próby jest tylko oszacowaniem. Jej niepewność pokazuje przedział ufności, którego szerokość zależy przede wszystkim od liczebności grup. Na rysunku 2 każda próba ma dokładnie d = 0,5, ale 95% przedziały ufności (metoda niecentralnego rozkładu t, jak w pakiecie effectsize) bardzo się różnią.

Wykres przedziałów ufności dla d Cohena równego 0,5 przy liczebności od 10 do 500 osób w grupie
Rysunek 2. 95% przedziały ufności dla d = 0,5. Przy 20 osobach w grupie przedział wynosi [−0,13; 1,13], a przy 500 osobach — [0,37; 0,63]. Linie przerywane oznaczają progi Cohena.
Przedziały ufności dla d = 0,5 przy różnej liczebności grup
Liczebność w każdej grupied95% CIZakres zgodnych efektów
100,50[−0,40; 1,38]od efektu przeciwnego do dużego
200,50[−0,13; 1,13]od efektu przeciwnego do dużego
500,50[0,10; 0,90]od bardzo małego do dużego
1000,50[0,22; 0,78]od małego do średniego
2000,50[0,30; 0,70]od małego do średniego
5000,50[0,37; 0,63]od małego do średniego

Przy 20 osobach w grupie wynik d = 0,5 jest zgodny zarówno z brakiem różnicy, jak i z dużym efektem. Dopiero od około 100 osób w grupie przedział mieści się w zakresie efektów małych i średnich. Dlatego zamiast pisać „efekt był średni”, lepiej podać d z przedziałem ufności i opisać jego zakres. Planowanie liczebności pod oczekiwany efekt opisuje poradnik dobór liczebności próby.

Przykład: szkolenie a wynik testu wiedzy

W grupie po szkoleniu (n = 45) średni wynik testu wiedzy wyniósł M = 72,40 (SD = 11,80), a w grupie kontrolnej (n = 43) M = 66,10 (SD = 12,60). Łączone odchylenie standardowe wynosi 12,20, więc:

d = (72,40 − 66,10) / 12,20 = 0,52

W R (pakiet effectsize) otrzymujemy d = 0,52, 95% CI [0,09; 0,94], oraz g Hedgesa = 0,51, 95% CI [0,09; 0,93]. Test t Studenta: t(86) = 2,42, p = 0,018. Według konwencji Cohena to efekt średni. Średnia grupy po szkoleniu przewyższała wyniki 69,7% osób z grupy kontrolnej (U3), a rozkłady pokrywały się w 79,6%.

Przedział ufności sięga jednak od wartości bardzo małych (0,09) do dużych (0,94). Uczciwy wniosek brzmi więc: szkolenie prawdopodobnie poprawia wyniki, ale na podstawie tej próby nie da się precyzyjnie określić, jak bardzo.

Uczestnicy szkolenia (M = 72,40; SD = 11,80; n = 45) uzyskali wyższe wyniki testu wiedzy niż grupa kontrolna (M = 66,10; SD = 12,60; n = 43), t(86) = 2,42, p = 0,018, d = 0,52, 95% CI [0,09; 0,94]. Efekt był średni według konwencji Cohena, jednak szeroki przedział ufności wskazuje na ograniczoną precyzję oszacowania.

Kalkulator d Cohena z automatyczną interpretacją

Policz d Cohena dla dwóch grup niezależnych

Wpisz średnią, odchylenie standardowe i liczebność w obu grupach. Jako separatora dziesiętnego możesz użyć przecinka lub kropki.

Wpisz dane i kliknij „Oblicz d Cohena”. Kalkulator wymaga włączonej obsługi JavaScriptu.

Gotowy opis wyniku (APA 7)

Kalkulator liczy d z łączonym odchyleniem standardowym, 95% przedział ufności metodą niecentralnego rozkładu t, g Hedgesa z dokładną poprawką na małą próbę oraz test t Studenta. To te same metody, których domyślnie używa pakiet effectsize w R, więc wyniki zgadzają się z R do podanej liczby miejsc po przecinku. U3, wspólna część i PS zakładają rozkład normalny i równe wariancje.

Przykład reprodukowalny

Przykład w R

Te same obliczenia wykonasz w R. Wyniki poniżej pochodzą z uruchomienia kodu i są identyczne z liczbami w tekście oraz w kalkulatorze.

1. d Cohena, g Hedgesa i interpretacja w pakiecie effectsize

Dane wejściowe: dwa wektory z surowymi wynikami w grupach (tu: dane o zadanej średniej i SD).

Co odczytać: wartość d, 95% CI, etykietę słowną oraz miary U3, nakładania i PS.

R
library(effectsize)

# Dane przykładowe: wynik testu wiedzy (0–100) po szkoleniu i w grupie kontrolnej.
# Funkcja tworzy dane o dokładnie zadanej średniej i SD, więc wynik nie zależy od losowania.
dane_grupy <- function(n, m, s) m + s * as.numeric(scale(rnorm(n)))
set.seed(2026)
szkolenie <- dane_grupy(45, 72.4, 11.8)
kontrola  <- dane_grupy(43, 66.1, 12.6)

cohens_d(szkolenie, kontrola)                      # d Cohena z 95% CI
hedges_g(szkolenie, kontrola)                      # g Hedgesa (poprawka na małą próbę)
interpret_cohens_d(0.52, rules = "cohen1988")      # słowna etykieta według Cohena

d <- cohens_d(szkolenie, kontrola)$Cohens_d
sprintf("U3 = %.3f; nakładanie = %.3f; PS = %.3f",
        d_to_u3(d), d_to_overlap(d), d_to_p_superiority(d))
Wynik w R
Cohen's d |       95% CI
------------------------
0.52      | [0.09, 0.94]

- Estimated using pooled SD.

Hedges' g |       95% CI
------------------------
0.51      | [0.09, 0.93]

- Estimated using pooled SD.

[1] "medium"
(Rules: cohen1988)

U3 = 0.697; nakładanie = 0.796; PS = 0.643

2. d Cohena z samych statystyk opisowych

Dane wejściowe: średnie, odchylenia standardowe i liczebności obu grup.

Co odczytać: łączone odchylenie standardowe i wartość d.

R
# Gdy masz tylko średnie, odchylenia standardowe i liczebności
m1 <- 72.4; s1 <- 11.8; n1 <- 45
m2 <- 66.1; s2 <- 12.6; n2 <- 43
sp <- sqrt(((n1 - 1) * s1^2 + (n2 - 1) * s2^2) / (n1 + n2 - 2))   # łączone SD
d  <- (m1 - m2) / sp
cat(sprintf("sp = %.4f\nd  = %.4f\n", sp, d))
Wynik w R
sp = 12.1973
d  = 0.5165

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  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. effectsize (wersja 1.0.2): Ben-Shachar, M. S., Lüdecke, D., & Makowski, D. (2020). effectsize: Estimation of effect size indices and standardized parameters. Journal of Open Source Software, 5(56), 2815. https://doi.org/10.21105/joss.02815
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

d Cohena czy g Hedgesa?

W małych próbach d Cohena nieco przeszacowuje efekt w populacji. Hedges (1981) zaproponował poprawkę, która mnoży d przez współczynnik J zależny od liczby stopni swobody. Wynik nazywa się g Hedgesa. W naszym przykładzie z 88 osobami poprawka zmienia d = 0,517 na g = 0,512. Przy kilkunastu osobach w grupie różnica jest wyraźniejsza, a w metaanalizach standardem jest raportowanie g (Lakens, 2013).

Gdy odchylenia standardowe grup wyraźnie się różnią, np. interwencja zwiększyła zróżnicowanie wyników, łączone SD może być mylące. Wtedy rozważ Δ Glassa, która standaryzuje różnicę odchyleniem grupy kontrolnej, i opisz ten wybór w metodologii.

Najczęstsze błędy w interpretacji d Cohena

  1. Mechaniczne stosowanie progów 0,2/0,5/0,8 bez odniesienia do dziedziny, kosztów i korzyści (Funder i Ozer, 2019).
  2. Pomijanie przedziału ufności. Przy małych grupach ta sama wartość d jest zgodna z bardzo różnymi efektami w populacji (Cumming i Finch, 2001).
  3. Mylenie wariantów d, czyli porównywanie d dla grup niezależnych z dz dla pomiarów powtarzanych bez wyjaśnienia.
  4. Raportowanie samego d bez średnich, odchyleń standardowych i liczebności, które pozwalają innym przeliczyć wynik.
  5. Utożsamianie wielkości efektu z istotnością. Wartość p mówi o zgodności danych z hipotezą zerową, a d — o wielkości różnicy. Więcej w tekście o interpretacji wartości p.
  6. Interpretowanie U3 i PS bez założeń. Te przeliczenia zakładają rozkłady normalne i równe wariancje. Przy skośnych danych lepiej policzyć odpowiedniki nieparametryczne.

Jak zapisać d Cohena w pracy (APA 7)?

Grupa [A] (M = [ ]; SD = [ ]; n = [ ]) uzyskała [wyższe/niższe] wyniki niż grupa [B] (M = [ ]; SD = [ ]; n = [ ]), t([df]) = [ ], p = [ ], d = [ ], 95% CI [ ; ]. Wielkość efektu oceniono jako [małą/średnią/dużą] według konwencji Cohena (1988) oraz w odniesieniu do [efektów z wcześniejszych badań / minimalnej różnicy istotnej praktycznie].

Szersze omówienie miar efektu — od r Pearsona po η² — znajdziesz w poradniku wielkość efektu: interpretacja.

Najczęstsze pytania

Jaka wartość d Cohena jest duża?

Według konwencji Cohena (1988) d = 0,2 to efekt mały, 0,5 — średni, a 0,8 — duży. To jednak punkty orientacyjne na wypadek braku lepszego odniesienia. Lepiej porównać wynik z efektami z podobnych badań i z najmniejszą różnicą, która ma znaczenie praktyczne w danej dziedzinie.

Czy d Cohena może być ujemne?

Tak. Znak pokazuje tylko kierunek różnicy i zależy od tego, którą grupę odejmujemy od której. d = −0,5 oznacza, że średnia grupy 1 jest o pół odchylenia standardowego niższa niż średnia grupy 2. Wielkość efektu ocenia się na podstawie wartości bezwzględnej.

Czy d Cohena może być większe niż 1?

Tak. d nie ma górnej granicy. d = 1,2 oznacza, że średnie różnią się o 1,2 odchylenia standardowego. Bardzo duże wartości są jednak rzadkie w psychologii i warto je sprawdzić pod kątem błędów, małej próby lub skrajnie jednorodnych grup.

Czym różni się d Cohena od g Hedgesa?

g Hedgesa to d Cohena pomnożone przez poprawkę zmniejszającą dodatnie obciążenie d w małych próbach. Przy kilkudziesięciu osobach w grupie różnica jest zwykle widoczna dopiero na drugim miejscu po przecinku; w bardzo małych próbach i w metaanalizach lepiej raportować g.

Jak policzyć d dla prób zależnych (pomiar przed i po)?

W układzie z powtarzanym pomiarem często liczy się dz: średnią różnic podzieloną przez odchylenie standardowe różnic. Taka miara nie jest porównywalna z d dla grup niezależnych, dlatego w raporcie trzeba nazwać użyty wariant (Lakens, 2013).

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Poradnik

Wielkość efektu: jak ocenić znaczenie wyniku poza wartością p

Wielkość efektu wyjaśniona praktycznie: Cohen d, Hedges g, r, R², iloraz szans, eta², przedziały ufności i znaczenie praktyczne.

Czytaj →
Poradnik

Dobór 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 →
Poradnik

Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować

Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.

Czytaj →
Poradnik

Badanie pilotażowe: po co, ile osób, co sprawdzić

Pilotaż a pretest, ile osób zbadać, co sprawdzić w danych i dlaczego nie liczyć mocy z efektu z pilotażu. Z symulacją, kodem R i wzorem opisu.

Czytaj →
Poradnik

Analiza statystyczna w Excelu – możliwości i granice

Test t (Welch = T.TEST typ 3), chi-kwadrat, korelacja, regresja i Analysis ToolPak z polskimi nazwami funkcji, plikiem z formułami i listą tego, czego Excel nie policzy.

Czytaj →
Poradnik

Statystyka dla fizjoterapeuty

Pomiar przed i po terapii, test t i Wilcoxona, MCID dla skali NRS, ANCOVA, trzy pomiary, ICC i regresja do średniej – z danymi, kodem R i opisem APA.

Czytaj →
Poradnik

Analiza statystyczna w doktoracie

Seria badań z uzasadnioną liczebnością, harmonogram zgodny z IPB i oceną śródokresową, cykl publikacji bez salami slicing, dane, etyka i autorstwo.

Czytaj →
Poradnik

Hipoteza się nie potwierdziła – co dalej

Jak sprawdzić, co mówi wynik nieistotny: przedział ufności, analiza wrażliwości, test równoważności TOST, czynnik Bayesa i gotowe zdania do wyników.

Czytaj →
Poradnik

P value krok po kroku

Jak powstaje wartość p: rozkład z prób, centralne twierdzenie graniczne, błąd standardowy, statystyka Z i pole pod krzywą – z przykładem i tablicą Z.

Czytaj →
Poradnik

Test t Studenta krok po kroku

Jedna próba, próby niezależne i zależne na jednym przykładzie: założenia, test Welcha, d Cohena i d_z z 95% CI, wykres, zapis APA, R, SPSS i JASP.

Czytaj →
Poradnik

ANCOVA w badaniu przed i po

ANOVA mieszana, różnice wyników, ANCOVA i model mieszany na jednych danych: moc w RCT, paradoks Lorda, założenia, średnie skorygowane i wzór raportu.

Czytaj →
Poradnik

Statystyka do pracy licencjackiej

Typowe plany analiz w licencjacie, co przygotować przed analizą i przykład z danymi CSV: alfa, korelacja, test t Welcha, chi-kwadrat i skrócony rozdział wyników.

Czytaj →
Poradnik

Bezpłatne programy do statystyki

jamovi, JASP, R, PSPP i G*Power: licencje, wersje i możliwości, ustawienia domyślne zmieniające wynik testu oraz wzory cytowania programu w pracy.

Czytaj →
Poradnik

Metaanaliza krok po kroku

Od pytania do PRISMA 2020: g Hedgesa, model efektów losowych, heterogeniczność i przedział predykcji, moderatory, wykres lejkowy – z kodem metafor.

Czytaj →
Poradnik

Kontrasty planowane i analiza trendu

Od hipotez do wag kontrastów: trend liniowy i kwadratowy, kontrast interakcyjny, korekty, moc i tabela APA – na danych do pobrania, z kodem R.

Czytaj →
Poradnik

Tabele i rysunki do artykułu

Wymogi czasopism, wykresy z danymi zamiast słupków, kolory czytelne dla daltonistów, eksport z R w 300 dpi i materiały uzupełniające.

Czytaj →
Poradnik

Triangulacja w badaniach

Rodzaje triangulacji, triangulacja ilościowa, macierz zbieżności, co zrobić z rozbieżnymi wynikami i jak opisać triangulację w artykule i rozprawie.

Czytaj →
Poradnik

Kalkulator liczebności próby

Ile osób do testu t, korelacji albo ankiety z marginesem błędu? Kalkulator zgodny z R, wzory, przykład i gotowy opis analizy mocy.

Czytaj →
Poradnik

Konwerter wielkości efektu

Przelicz t na d Cohena, d na r i iloraz szans, η² na f albo d na NNT. Wzory ze źródłami, przykład w R i gotowe zdania do pracy.

Czytaj →
Poradnik

Kalkulator wartości p

Dokładne p z z, t, χ², F i r, jedno- i dwustronnie, z wartością krytyczną dla α, przykładem w R i gotowym zapisem APA.

Czytaj →
Poradnik

Testy statystyczne – przewodnik po wyborze

Schemat wyboru testu i osiem etapów od hipotezy do zapisu APA: test t, ANOVA, testy nieparametryczne, chi-kwadrat, korelacje, regresja i poprawki.

Czytaj →
Poradnik

jamovi krok po kroku

Descriptives, test t Welcha, Correlation Matrix i One-Way ANOVA na jednym zbiorze danych: nazwy opcji z dokumentacji, gotowe zdania APA, kod jmv.

Czytaj →
Poradnik

R dla początkujących

Od instalacji R i RStudio do pierwszego testu t: wczytanie CSV i .sav, ramka danych, wynik skali, statystyki opisowe, d Cohena. Dane i skrypt do pobrania.

Czytaj →
Poradnik

Wykresy w pracy dyplomowej

Jaki wykres do jakich danych, błędy źle → dobrze, podpis rysunku i gotowe zdania opisu wykresu w rozdziale wyników.

Czytaj →
Poradnik

Wynik istotny, ale efekt mały

Dlaczego przy dużej próbie słaby efekt daje p < .001, jak ocenić jego znaczenie praktyczne i jak go uczciwie opisać w pracy – przykład w R.

Czytaj →
Poradnik

Jak opisać wynik nieistotny

Co podać przy p > .05, jak odróżnić brak efektu od wyniku nierozstrzygającego, sformułowania źle i dobrze oraz gotowy wzór opisu w stylu APA.

Czytaj →
Poradnik

p = .06 – trend czy brak efektu?

Dlaczego p = .06 to ani trend, ani dowód braku efektu, co pokazuje symulacja replikacji i jak opisać taki wynik w pracy: efekt z CI i czułość badania.

Czytaj →
Poradnik

PSQI – jak policzyć wynik

Siedem komponentów 0–3, wynik globalny 0–21, próg powyżej 5, czas w łóżku przez północ, licencja i rzetelność – z przykładem w R i wzorem opisu.

Czytaj →
Poradnik

CBI – jak policzyć wynik wypalenia

Trzy skale wypalenia, przeliczenie odpowiedzi na 0–100, pozycja odwrócona, braki, licencja i rzetelność – z przykładem w R na danych pielęgniarek i wzorem opisu.

Czytaj →
Poradnik

EPDS – jak policzyć wynik

Punktacja 0–3 z pozycjami odwróconymi, wynik 0–30, progi 11–13 ze źródłami, pozycja 10 i plan bezpieczeństwa – z przykładem w R i wzorem opisu.

Czytaj →
Poradnik

Generator opisu wyników APA

Statystyka, df i liczebności zamienione w zdanie APA 7 z p i wielkością efektu oraz kontrolą, czy p zgadza się ze statystyką.

Czytaj →
Poradnik

Wielkość efektu w testach nieparametrycznych

r = Z/√N, korelacja rangowo-biseryjna, delta Cliffa, A Varghi–Delaneya, ε² i W Kendalla: co mierzą, jak je przeliczać i podać z CI – z kodem R.

Czytaj →
Poradnik

Prezentacja wyników na obronie

Ile slajdów i liczb, wykres zamiast tabeli z SPSS, wynik nieistotny jako efekt z przedziałem ufności – z dwiema parami slajdów „źle / dobrze” zrobionych w R.

Czytaj →
Poradnik

TSES – jak policzyć wynik

Poczucie skuteczności nauczyciela: 24 lub 12 pozycji, średnie 1–9, trzy podskale a wynik ogólny u studentów – z przykładem w R i wzorem opisu.

Czytaj →
Poradnik

MAAS – skala uważności: jak policzyć wynik

15 pozycji, wynik jako średnia 1–6, braki, alfa i omega, porównanie grup i warunki użycia – z przykładem w R i wzorem opisu w pracy.

Czytaj →
Poradnik

Test t w SPSS krok po kroku

Test t dla prób niezależnych i zależnych w SPSS: układ pliku, okna procedur, wiersz Welcha, wielkość efektu, jednostronne p i składnia T-TEST – z plikiem .sav do pobrania.

Czytaj →
Poradnik

eHEALS – jak policzyć wynik

8 pozycji 1–5, suma 8–40, pytania dodatkowe poza wynikiem, brak progów, struktura czynnikowa i licencja – z przykładem w R i wzorem opisu w pracy.

Czytaj →
Poradnik

JSS Spectora – jak policzyć wynik

Satysfakcja z pracy: 19 pozycji odwróconych, sumy 9 aspektów i wynik ogólny, warunki użycia i kontrola odwracania – z przykładem w R i wzorem opisu.

Czytaj →
Poradnik

RAND-36 – jak policzyć wynik

Oficjalny klucz RAND: przekodowanie na 0–100 i osiem skal, braki danych, różnica wobec SF-36 i wyników T, licencja, efekt sufitu i porównanie grup – z przykładem w R.

Czytaj →
Poradnik

Analiza na małej próbie

Moc i szerokość CI przy 10–30 osobach, przeszacowane efekty, test permutacyjny, Fisher i bootstrap oraz wzór opisu ograniczenia – na pilotażu 10 + 10 w R.

Czytaj →
Poradnik

Analizy pośrednie w praktyce

Plan grupowo-sekwencyjny w R: granice Pococka i OBF, wzrost N, symulacja błędu I rodzaju, daremność i zawyżony efekt po wczesnym zatrzymaniu.

Czytaj →
Poradnik

Liczebność próby z precyzji (AIPE)

Planowanie liczebności na szerokość przedziału ufności dla proporcji, d Cohena i korelacji, z pewnością osiągnięcia celu i kodem R.

Czytaj →
Poradnik

Zadania ze statystyki na psychologii

Dziesięć zadań jak na kolokwium: opisowe, steny i centyle, przedział ufności, testy t, korelacja, χ², ANOVA i regresja – z rozwiązaniami krok po kroku.

Czytaj →
Poradnik

Pytania ze statystyki na obronę magisterską

Pytania promotora i recenzenta ułożone według analizy – od testu t i chi-kwadrat po regresję, ANOVA i alfę Cronbacha – z krótkimi odpowiedziami na liczbach.

Czytaj →
Poradnik

Pytania na egzamin ze statystyki

66 krótkich pytań z odpowiedziami w 9 działach – od skal pomiarowych i SD po wartość p, moc, wybór testu, regresję i pytania „wyjaśnij różnicę”.

Czytaj →
Poradnik

Moc testu i liczebność próby – zadania

Dziesięć zadań: liczebność dla testu t, proporcji i korelacji, moc przy danym n, minimalny efekt, ubytek, efekt schematu, α i moc po fakcie.

Czytaj →
Poradnik

Analiza eksperymentu ankietowego

Kolejność analizy eksperymentu w ankiecie: SMD bez testów, różnica średnich z CI i d, ANCOVA i estymator Lina, kontrasty i AME, z kodem R.

Czytaj →
Poradnik

Eksperyment w ankiecie online krok po kroku

Dziewięć kroków od hipotezy do wyniku: bodziec i kontrola, układ ankiety, losowanie, liczebność, prerejestracja, test techniczny i analiza z d Cohena.

Czytaj →
Poradnik

Test t w jamovi krok po kroku

Trzy testy t w jamovi: które pola zaznaczyć, jak czytać tabele Student, Welch i Mann–Whitney, gdzie jest d Cohena i jak opisać wynik w APA – z danymi do pobrania.

Czytaj →
Poradnik

Przedziały ufności w pracy dyplomowej

Zapis APA, wybór przedziału dla średniej, odsetka, różnicy, korelacji i OR, poprawne i błędne zdania, nakładanie się przedziałów i słupki błędów – z tabelą wyników w R.

Czytaj →
Poradnik

Ten sam wynik w pięciu dziedzinach

Jedna fikcyjna tabela i pięć gotowych akapitów wyników: psychologia, pielęgniarstwo, fizjoterapia, pedagogika, zarządzanie – co jest zwyczajem, a co obowiązkiem.

Czytaj →
Poradnik

Statistica – jak czytać wyniki

Kolumny arkuszy Statistiki dla testu t, ANOVA, korelacji, chi-kwadrat i regresji, znaczenie koloru, p<.00000 i gotowe zdania APA – z danymi do pobrania.

Czytaj →
Poradnik

Analiza mocy w jamovi (jpower)

Moduł jpower: N, moc albo najmniejszy efekt dla testu t, tabele i wykresy mocy, δ w próbach zależnych i czego moduł nie liczy – z kontrolą w R.

Czytaj →
Poradnik

Wielkość efektu w obrazkach: d = 0.2, 0.5 i 0.8

Nakładanie rozkładów, U3 i przewaga sprawdzone symulacją, d z małej i dużej próby, r na wykresie rozrzutu i OR jako słupki ryzyka – z kodem R.

Czytaj →
Poradnik

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 →
Poradnik

Inwariancja pomiaru krok po kroku

Wielogrupowa CFA w lavaan: model konfiguracyjny, metryczny, skalarny i ścisły, kryteria ΔCFI i ΔRMSEA, testy punktowe, częściowa inwariancja i opis APA.

Czytaj →
Poradnik

Jak czytać wyniki z SPSS

Osiem najczęstszych tabel SPSS: co odczytać, który wiersz wybrać, co znaczy Sig. = .000 i jak przepisać wynik w stylu APA.

Czytaj →
Poradnik

Pakiet replikacyjny: dane i kod do artykułu

Struktura folderów, README, książka kodowa, skrypty R działające od zera, anonimizacja i RODO, licencje, OSF i deklaracja dostępności danych + szablon ZIP.

Czytaj →
Poradnik

Plan analizy statystycznej i prerejestracja

12 elementów planu analizy, moc i SESOI w R, OSF czy AsPredicted, registered reports, tabela odstępstw i wzór planu w Wordzie do pobrania.

Czytaj →

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. Ben-Shachar, M. S., Lüdecke, D., & Makowski, D. (2020). effectsize: Estimation of effect size indices and standardized parameters. Journal of Open Source Software, 5(56), 2815. https://doi.org/10.21105/joss.02815
  2. Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
  3. Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155–159. https://doi.org/10.1037/0033-2909.112.1.155
  4. Cumming, G., & Finch, S. (2001). A primer on the understanding, use, and calculation of confidence intervals that are based on central and noncentral distributions. Educational and Psychological Measurement, 61(4), 532–574. https://doi.org/10.1177/0013164401614002
  5. Funder, D. C., & Ozer, D. J. (2019). Evaluating effect size in psychological research: Sense and nonsense. Advances in Methods and Practices in Psychological Science, 2(2), 156–168. https://doi.org/10.1177/2515245919847202
  6. Hedges, L. V. (1981). Distribution theory for Glass's estimator of effect size and related estimators. Journal of Educational Statistics, 6(2), 107–128. https://doi.org/10.3102/10769986006002107
  7. Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, Artykuł 863. https://doi.org/10.3389/fpsyg.2013.00863
  8. McGraw, K. O., & Wong, S. P. (1992). A common language effect size statistic. Psychological Bulletin, 111(2), 361–365. https://doi.org/10.1037/0033-2909.111.2.361
  9. Sawilowsky, S. S. (2009). New effect size rules of thumb. Journal of Modern Applied Statistical Methods, 8(2), 597–599. https://doi.org/10.22237/jmasm/1257035100

Cytowania BibTeX

@article{benshachar2020effectsize, author={Ben-Shachar, Mattan S. and L{\"u}decke, Daniel and Makowski, Dominique}, title={effectsize: Estimation of effect size indices and standardized parameters}, journal={Journal of Open Source Software}, year={2020}, volume={5}, number={56}, pages={2815}, doi={10.21105/joss.02815}}
@book{cohen1988statistical, author={Cohen, Jacob}, title={Statistical Power Analysis for the Behavioral Sciences}, edition={2}, publisher={Lawrence Erlbaum Associates}, address={Hillsdale, NJ}, year={1988}}
@article{cohen1992power, author={Cohen, Jacob}, title={A power primer}, journal={Psychological Bulletin}, year={1992}, volume={112}, number={1}, pages={155--159}, doi={10.1037/0033-2909.112.1.155}}
@article{cumming2001primer, author={Cumming, Geoff and Finch, Sue}, title={A primer on the understanding, use, and calculation of confidence intervals that are based on central and noncentral distributions}, journal={Educational and Psychological Measurement}, year={2001}, volume={61}, number={4}, pages={532--574}, doi={10.1177/0013164401614002}}
@article{funder2019evaluating, author={Funder, David C. and Ozer, Daniel J.}, title={Evaluating effect size in psychological research: Sense and nonsense}, journal={Advances in Methods and Practices in Psychological Science}, year={2019}, volume={2}, number={2}, pages={156--168}, doi={10.1177/2515245919847202}}
@article{hedges1981distribution, author={Hedges, Larry V.}, title={Distribution theory for {G}lass's estimator of effect size and related estimators}, journal={Journal of Educational Statistics}, year={1981}, volume={6}, number={2}, pages={107--128}, doi={10.3102/10769986006002107}}
@article{lakens2013calculating, author={Lakens, Dani{\"e}l}, title={Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and {ANOVA}s}, journal={Frontiers in Psychology}, year={2013}, volume={4}, pages={863}, doi={10.3389/fpsyg.2013.00863}}
@article{mcgraw1992common, author={McGraw, Kenneth O. and Wong, S. P.}, title={A common language effect size statistic}, journal={Psychological Bulletin}, year={1992}, volume={111}, number={2}, pages={361--365}, doi={10.1037/0033-2909.111.2.361}}
@article{sawilowsky2009new, author={Sawilowsky, Shlomo S.}, title={New effect size rules of thumb}, journal={Journal of Modern Applied Statistical Methods}, year={2009}, volume={8}, number={2}, pages={597--599}, doi={10.22237/jmasm/1257035100}}
R