Co to jest eksperyment listowy?
Eksperyment listowy (ang. list experiment, item count technique, technika liczenia stwierdzeń) to pośredni sposób pytania o sprawy drażliwe. Respondent widzi listę stwierdzeń i podaje tylko, ile z nich go dotyczy, a nie które. Osoby losowo przydzielone do grupy kontrolnej dostają listę stwierdzeń neutralnych, a grupa eksperymentalna – tę samą listę z jednym stwierdzeniem drażliwym. Różnica średnich liczby wskazań między grupami szacuje odsetek osób z cechą drażliwą.
Jak zaprojektować listę
- Zwykle 3–5 stwierdzeń neutralnych. Unikaj takich, które prawie wszyscy potwierdzają lub odrzucają: kto wskaże wszystkie, ujawnia cechę drażliwą (efekt sufitu i podłogi).
- Stwierdzenie drażliwe dopisz tak, by nie wyróżniało się formą. Wersje listy losuje formularz, jak w eksperymencie winietowym.
- Analiza opiera się na dwóch założeniach: dodanie stwierdzenia nie zmienia odpowiedzi na pozostałe (brak efektu schematu) i respondenci nie kłamią w liczbie. Blair i Imai (2012) formułują te założenia, proponują regresję wielozmienną i metody wykrywania ich naruszeń.
Glynn (2013) zauważa, że standardowy eksperyment listowy wymaga dużej próby, i podaje zasady projektowania zmniejszające obciążenie i wariancję oraz wzory na liczebność próby.
Przykład
Tysiąc osób (dane symulowane, prawdziwy odsetek 20%) losowo podzielono na dwie grupy po 500. Średnia liczba wskazań wyniosła 1.968 przy pięciu stwierdzeniach i 1.866 przy czterech. Różnica, liczona testem Welcha, daje oszacowanie 10.2%, 95% CI [−2.0, 22.4]: przedział obejmuje prawdziwe 20%, ale także zero. Błąd standardowy (0.062) jest blisko pięć razy większy niż przy pytaniu wprost (0.013): za prywatność płaci się precyzją. Estymator największej wiarygodności Blaira i Imaia (2012) daje 11.6%, 95% CI [2.2, 21.1]; jest węższy, bo zakłada dwumianowy rozkład wskazań stwierdzeń neutralnych.
Jak opisać w pracy
Na co uważać
- Nadzieja na duży efekt. Metaanaliza eksperymentów listowych Blaira, Coppocka i Moor (2020) pokazała, że obciążenie pytań bezpośrednich jest zwykle mniejsze niż 10 punktów procentowych, a w niektórych dziedzinach bliskie zera. Przy dużej wariancji metoda pośrednia nie zawsze się opłaca.
- Ujemne oszacowanie. Przy małych próbach różnica może wyjść poniżej zera; raportuj ją z przedziałem, nie poprawiaj na 0.
Inną metodą pośrednią jest technika randomizowanych odpowiedzi; obie odpowiadają na problem aprobaty społecznej.
Eksperyment listowy w R
Kod losuje 1000 osób do dwóch wersji listy, liczy odpowiedzi jako sumę wskazanych stwierdzeń i porównuje średnie testem Welcha (t.test). Różnica średnich to oszacowany odsetek osób z cechą drażliwą. Tabela odsetków pokazuje, ile osób wskazało wszystkie stwierdzenia. Funkcja list::ictreg() z method = "ml" szacuje ten sam odsetek metodą największej wiarygodności; predyktory dopisuje się w formule (regresja wielozmienna). Liczby w tekście pochodzą z tego kodu.
Różnica średnich w eksperymencie listowym
R
set.seed(542) # 1000 osób, losowo do dwóch wersji listy
n <- 1000
grupa <- sample(rep(c("kontrolna", "eksperymentalna"), each = n / 2))
p_neutr <- c(0.70, 0.20, 0.55, 0.35) # 4 stwierdzenia neutralne
neutr <- sapply(p_neutr, function(p) rbinom(n, 1, p))
wrazl <- rbinom(n, 1, 0.20) # stwierdzenie drażliwe, prawdziwy odsetek 20%
liczba <- rowSums(neutr) + ifelse(grupa == "eksperymentalna", wrazl, 0)
tapply(liczba, grupa, mean)
t <- t.test(liczba[grupa == "eksperymentalna"], liczba[grupa == "kontrolna"])
round(c(roznica = unname(diff(rev(t$estimate))), se = t$stderr, dolna = t$conf.int[1], gorna = t$conf.int[2]), 3)
round(c(se_pytanie_bezposrednie = sqrt(0.2 * 0.8 / n)), 3) # dla porównania: ta sama n, odsetek 20%
round(prop.table(table(grupa, liczba), 1), 3) # odsetki odpowiedzi 0–5 (efekt sufitu: 5 ujawnia cechę)
# Model Blaira i Imaia (2012): list::ictreg(); predyktory dopisz po prawej stronie, np. liczba ~ wiek
d <- data.frame(liczba, eksp = as.numeric(grupa == "eksperymentalna"))
m <- list::ictreg(liczba ~ 1, treat = "eksp", J = 4, method = "ml", data = d)
round(unlist(predict(m, avg = TRUE, interval = "confidence")$fit), 3) # odsetek ML i 95% CIWynik w R
eksperymentalna kontrolna
1.968 1.866
roznica se dolna gorna
0.102 0.062 -0.020 0.224
se_pytanie_bezposrednie
0.013
liczba
grupa 0 1 2 3 4 5
eksperymentalna 0.064 0.286 0.348 0.228 0.068 0.006
kontrolna 0.050 0.298 0.426 0.188 0.038 0.000
fit lwr upr
0.116 0.022 0.211 Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje pakietów base i stats oraz pakiet list 9.2.6). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- 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/
- list (wersja 9.2.6): Blair, G., & Imai, K. (2024). list: Statistical methods for the item count technique and list experiment (R package version 9.2.6) [Computer software]. https://CRAN.R-project.org/package=list
Najczęstsze pytania
Ile stwierdzeń neutralnych dać w eksperymencie listowym?
Zwykle 3–5. Przy zbyt krótkiej liście łatwo zgadnąć odpowiedź na stwierdzenie drażliwe, a przy zbyt długiej rośnie wariancja i zmęczenie respondenta.
Dlaczego w eksperymencie listowym oszacowanie wyszło ujemne?
Bo różnica średnich z dwóch losowych grup ma dużą wariancję. Przy niskim odsetku i małej próbie może spaść poniżej zera. Raportuj ją z przedziałem ufności, bez obcinania do zera.
Czy eksperyment listowy działa w ankiecie online?
Tak, wystarczy losowy przydział do wersji formularza. Ważne, by respondent wpisywał tylko liczbę, a nie zaznaczał pojedynczych stwierdzeń, bo wtedy prywatność znika.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Pytania drażliwe: lista i RRT
Eksperyment listowy i randomizowane odpowiedzi w R: projekt listy, test błędu projektu, regresja z kowariantami i próg opłacalności metody pośredniej.
Czytaj →PoradnikRodzaje badań ankietowych
Czas, dobór, kanał i cel badania ankietowego oraz ich konsekwencje dla wniosków – z symulacją autoselekcji w R i wzorem opisu schematu.
Czytaj →PoradnikNajczęstsze błędy w ankietach
Pytania dwa w jednym, złe kafeterie, wielkie macierze i brak „nie dotyczy” – przykłady źle/dobrze z audytów ankiet i lista kontrolna przed startem.
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)
- Blair, G., & Imai, K. (2012). Statistical analysis of list experiments. Political Analysis, 20(1), 47–77. https://doi.org/10.1093/pan/mpr048 ● Otwarty dostęp
- Blair, G., Coppock, A., & Moor, M. (2020). When to worry about sensitivity bias: A social reference theory and evidence from 30 years of list experiments. American Political Science Review, 114(4), 1297–1315. https://doi.org/10.1017/s0003055420000374 ● Otwarty dostęp
- Glynn, A. N. (2013). What can we learn with statistical truth serum? Design and analysis of the list experiment. Public Opinion Quarterly, 77(S1), 159–172. https://doi.org/10.1093/poq/nfs070 ● Otwarty dostęp
Cytowania BibTeX
@article{blair2012statistical, author={Blair, Graeme and Imai, Kosuke}, title={{Statistical analysis of list experiments}}, journal={Political Analysis}, year={2012}, volume={20}, number={1}, pages={47--77}, doi={10.1093/pan/mpr048}}@article{blair2020when, author={Blair, Graeme and Coppock, Alexander and Moor, Margaret}, title={{When to worry about sensitivity bias: A social reference theory and evidence from 30 years of list experiments}}, journal={American Political Science Review}, year={2020}, volume={114}, number={4}, pages={1297--1315}, doi={10.1017/s0003055420000374}}@article{glynn2013what, author={Glynn, Adam N.}, title={{What can we learn with statistical truth serum? Design and analysis of the list experiment}}, journal={Public Opinion Quarterly}, year={2013}, volume={77}, number={S1}, pages={159--172}, doi={10.1093/poq/nfs070}}