Co to jest eta kwadrat?
Eta kwadrat (η², ang. eta squared) to miara wielkości efektu w analizie wariancji. Mówi, jaka część całkowitej zmienności zmiennej zależnej wiąże się z przynależnością do grup, czyli z danym efektem. Przyjmuje wartości od 0 do 1: η² = .09 oznacza, że 9% wariancji wyników wiąże się z czynnikiem. W ANOVA jednoczynnikowej η² jest tym samym co R² regresji z czynnikiem jako jedynym predyktorem.
Richardson (2011) definiuje eta kwadrat właśnie jako odsetek całkowitej wariancji związany z przynależnością do grup, a cząstkowe eta kwadrat (η²p, ang. partial eta squared) – jako miarę z wyłączeniem wpływu innych czynników i interakcji. Zwraca też uwagę, że obie miary często mylono, m.in. przez błędne etykiety w niektórych wersjach SPSS. W planach z jednym czynnikiem obie są równe; w planach czynnikowych mogą się wyraźnie różnić, dlatego zawsze pisz, którą podajesz.
Wzory: η², cząstkowe η², ω² i uogólnione η²
- SS – sumy kwadratów z tabeli ANOVA (efektu, błędu i całkowita); df – stopnie swobody; N – liczba osób,
- ω² (omega kwadrat) – wersja skorygowana o zawyżenie η² w próbie; dla ANOVA jednoczynnikowej ω² = (SSefekt − dfefekt × MSbłąd) / (SScałk + MSbłąd),
- η²G (uogólnione η²) – w mianowniku zostaje zmienność błędu i zmienność czynników mierzonych (niemanipulowanych, np. płci, doświadczenia), a pomija się tylko efekty innych czynników manipulowanych; δ = 0, gdy sam efekt dotyczy czynnika mierzonego, i 1 w pozostałych przypadkach.
Uogólnione miary zaproponowali Olejnik i Algina (2003). Pokazali, że cechy planu badania silnie wpływają na oszacowany odsetek wyjaśnionej wariancji, przez co cząstkowe η² i ω² mogą wprowadzać w błąd, i podali wzory na uogólnione η² i ω², porównywalne między różnymi planami. Bakeman (2005) zaleca rutynowe raportowanie η²G w ANOVA z powtarzanymi pomiarami, bo – w odróżnieniu od η² i cząstkowego η² – zapewnia porównywalność planów z czynnikami międzyobiektowymi i wewnątrzobiektowymi, a łatwo je obliczyć z wydruków standardowych programów.
Przykład: obliczenia z tabeli ANOVA
Sto dwadzieścia osób losowo przydzielono do ośmiotygodniowego treningu uważności albo do grupy kontrolnej (czynnik manipulowany). Drugim czynnikiem jest wcześniejsze doświadczenie z medytacją (tak/nie) – czynnik mierzony, bo badacz go nie przydzielał. Zmienną zależną jest poziom stresu (0–40 punktów), po 30 osób w każdej komórce (dane symulowane). Średnie: kontrola bez doświadczenia 25.10, trening bez doświadczenia 19.87, kontrola z doświadczeniem 15.30, trening z doświadczeniem 11.13. Tabela ANOVA:
| Źródło zmienności | SS | df | MS | F | p |
|---|---|---|---|---|---|
| Trening (A) | 662.70 | 1 | 662.70 | 18.93 | < .001 |
| Doświadczenie z medytacją (B) | 2576.13 | 1 | 2576.13 | 73.61 | < .001 |
| A × B | 8.53 | 1 | 8.53 | 0.24 | .622 |
| Błąd | 4059.93 | 116 | 35.00 | ||
| Ogółem | 7307.30 | 119 |
Wielkość efektu treningu policzona na cztery sposoby:
- η² = 662.70 / 7307.30 = .091 – trening wiąże się z 9.1% całkowitej zmienności stresu.
- η²p = 662.70 / (662.70 + 4059.93) = .140 – to samo z samego F: 18.93 × 1 / (18.93 × 1 + 116) = .140.
- ω²p = 1 × (18.93 − 1) / [1 × (18.93 − 1) + 120] = .130 – wersja skorygowana o zawyżenie.
- η²G = 662.70 / (662.70 + 2576.13 + 8.53 + 4059.93) = .091 – doświadczenie z medytacją jest czynnikiem mierzonym, więc jego zmienność zostaje w mianowniku.
Rysunek 1 pokazuje, skąd biorą się różnice. Cząstkowe η² usuwa z mianownika zmienność wyjaśnianą przez doświadczenie z medytacją, więc przy silnym drugim czynniku wychodzi wyraźnie większe (.140) niż η² (.091). Uogólnione η² traktuje doświadczenie jako naturalne źródło różnic między ludźmi i zostawia je w mianowniku – dzięki temu wynik treningu jest porównywalny z badaniem, w którym nikt nie mierzył doświadczenia. Dla samego doświadczenia z medytacją η²G wynosi .388, a η² = .353.
Dlaczego η² zawyża efekt: ω² i ε²
η² opisuje próbę, ale jako oszacowanie wielkości efektu w populacji jest systematycznie zawyżone – tym bardziej, im mniejsze grupy. Rysunek 2 pokazuje symulację: dla trzech grup po 5 osób średnie η² wyniosło .141, choć w populacji nie było żadnego efektu. Miary ω² i ε² (epsilon kwadrat) korygują to zawyżenie: ich średnie trzymały się prawdziwej wartości już przy małych próbach. Ceną jest to, że w pojedynczej próbie mogą wyjść ujemne – przy braku efektu ω² było ujemne w 61–63% symulowanych prób; ujemny wynik raportuje się wtedy jako 0.
Ma to praktyczne konsekwencje przy planowaniu badań. Albers i Lakens (2018) porównali η², ω² i ε² jako podstawę analizy mocy a priori na danych pilotażowych i odradzają używanie η². Opisują też tzw. obciążenie kontynuacji (ang. follow-up bias), które prowadzi do niedoszacowania mocy badań głównych.
Progi .01, .06 i .14 to tylko konwencja
W pracach często czytamy, że η² = .01 to efekt mały, .06 – średni, a .14 – duży. Progi te pochodzą od Cohena, który w zestawieniu dla analizy mocy (Cohen, 1992) podał konwencjonalne wartości małego, średniego i dużego efektu m.in. dla jednoczynnikowej ANOVA – jako f = .10, .25 i .40. Po przeliczeniu η² = f²/(1 + f²) daje to .0099, .0588 i .1379. Traktuj je ostrożnie:
- Wynik zależy od miary. W naszym przykładzie ten sam efekt treningu jest „duży” według η²p (.140), ale „średni” według η² i η²G (.091). Konwencje dotyczyły η² w planie jednoczynnikowym, a stosuje się je do cząstkowego η², które w planach czynnikowych jest zwykle większe.
- Wynik zależy od planu badania. Olejnik i Algina (2003) pokazali, że ta sama wielkość efektu daje różne wartości miar w zależności od schematu badania – dlatego zaproponowali miary uogólnione.
- Liczy się kontekst. Efekt rzędu η² = .02 może mieć znaczenie przy tanim i powszechnym działaniu profilaktycznym, a η² = .20 – nie mieć znaczenia przy wąskim wyniku laboratoryjnym. Porównuj wynik z efektami w Twojej dziedzinie i z wcześniejszymi badaniami.
Lakens (2013) pokazuje, jak liczyć i raportować wielkości efektu dla testów t i ANOVA – z uwzględnieniem różnic między planami międzyobiektowymi i wewnątrzobiektowymi – tak, by wyniki mogły służyć metaanalizom i analizom mocy. Do tego potrzebna jest dokładna wartość z nazwą miary, a nie etykieta „średni efekt”. Więcej o interpretacji piszemy we wpisie wielkość efektu: jak ocenić znaczenie wyniku.
Którą miarę wybrać? Porównanie
| Miara | Mianownik | Kiedy używać | Uwagi |
|---|---|---|---|
| η² | Cała zmienność (SScałk) | Opis próby, ANOVA jednoczynnikowa | Zawyżone w małych próbach; w planach czynnikowych zależy od innych czynników |
| η²p | SSefekt + SSbłąd | Plany czynnikowe; domyślne w SPSS | Wartości kilku efektów mogą sumować się powyżej 1; słabo porównywalne między planami |
| ω² / ω²p | Jak η² / η²p, z korektą | Wnioskowanie o populacji, małe próby, analiza mocy | Mniej obciążone; mogą wyjść ujemne (raportuj 0) |
| ε² | Jak η², z korektą | Jak ω² | Wartości bardzo zbliżone do ω² |
| η²G | Błąd + zmienność czynników mierzonych | Porównania między planami, pomiary powtarzane, metaanalizy | Trzeba wskazać, które czynniki są mierzone |
Do porównań dwóch konkretnych grup lepsza od miar odsetka wariancji jest standaryzowana różnica średnich – d Cohena.
Jak opisać eta kwadrat w pracy (APA)
Podaj nazwę miary (η², η²p, ω² lub η²G), jej wartość bez zera przed kropką i – jeśli to możliwe – przedział ufności:
W tabeli ANOVA dodaj kolumnę z wielkością efektu i opisz ją w nocie, np. „η²p = cząstkowe eta kwadrat” (wzór: tabela ANOVA w APA). Pełny przykład analizy z wielkościami efektu znajdziesz w poradniku ANOVA krok po kroku.
Eta kwadrat w R
Kod liczy tabelę ANOVA i cztery miary wielkości efektu z 95% przedziałami ufności, a na końcu cząstkowe η² z samej statystyki F i stopni swobody. Liczby w haśle i na rysunku 1 pochodzą z tego kodu.
η², η²p, η²G i ω²p w pakiecie effectsize
R
library(car) # Anova()
library(effectsize) # eta_squared(), omega_squared(), F_to_eta2()
# Dane symulowane: stres (0–40 pkt); trening uważności × doświadczenie z medytacją, po 30 osób w komórce
set.seed(6)
dane <- data.frame(warunek = rep(c("Kontrola", "Kontrola", "Trening", "Trening"), each = 30),
medytacja = rep(c("Nie", "Tak", "Nie", "Tak"), each = 30))
dane$stres <- pmin(pmax(round(rnorm(120, rep(c(24, 16, 20, 12.5), each = 30), 6)), 0), 40)
options(contrasts = c("contr.sum", "contr.poly"))
tabela <- Anova(lm(stres ~ warunek * medytacja, data = dane), type = 2)
tabela
eta_squared(tabela, partial = FALSE, alternative = "two.sided") # η²
eta_squared(tabela, partial = TRUE, alternative = "two.sided") # cząstkowe η²
eta_squared(tabela, generalized = "medytacja", alternative = "two.sided") # uogólnione η²
omega_squared(tabela, partial = TRUE, alternative = "two.sided") # cząstkowe ω²
# Cząstkowe η² tylko z F i stopni swobody (np. z opublikowanego artykułu)
F_to_eta2(f = 18.93, df = 1, df_error = 116, alternative = "two.sided")Wynik w R
Anova Table (Type II tests)
Response: stres
Sum Sq Df F value Pr(>F)
warunek 662.7 1 18.9346 2.927e-05 ***
medytacja 2576.1 1 73.6050 4.919e-14 ***
warunek:medytacja 8.5 1 0.2438 0.6224
Residuals 4059.9 116
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
# Effect Size for ANOVA (Type II)
Parameter | Eta2 | 95% CI
-------------------------------------------
warunek | 0.09 | [0.02, 0.20]
medytacja | 0.35 | [0.22, 0.47]
warunek:medytacja | 1.17e-03 | [0.00, 0.04]
# Effect Size for ANOVA (Type II)
Parameter | Eta2 (partial) | 95% CI
-------------------------------------------------
warunek | 0.14 | [0.04, 0.26]
medytacja | 0.39 | [0.26, 0.50]
warunek:medytacja | 2.10e-03 | [0.00, 0.05]
# Effect Size for ANOVA (Type II)
Parameter | Eta2 (generalized) | 95% CI
-----------------------------------------------------
warunek | 0.09 | [0.02, 0.20]
medytacja | 0.39 | [0.26, 0.50]
warunek:medytacja | 1.28e-03 | [0.00, 0.04]
- Observed variables: medytacja# Effect Size for ANOVA (Type II)
Parameter | Omega2 (partial) | 95% CI
---------------------------------------------------
warunek | 0.13 | [0.04, 0.25]
medytacja | 0.38 | [0.24, 0.49]
warunek:medytacja | 0.00 | [0.00, 0.00]
Eta2 (partial) | 95% CI
-----------------------------
0.14 | [0.04, 0.26]Bibliografia oprogramowania
Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3; rysunki przygotowano w pakietach ggplot2 i patchwork. 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/
- car (wersja 3.1.5): Fox, J., & Weisberg, S. (2019). An R companion to applied regression (3rd ed.). Sage. https://www.john-fox.ca/Companion/
- 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
- 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
- Cząstkowe η² podpisane jako η² – SPSS podaje Partial Eta Squared; w planach czynnikowych to inna, zwykle większa wartość (Richardson, 2011).
- Sumowanie η²p kilku efektów – cząstkowe miary mają różne mianowniki, więc ich suma nie jest odsetkiem wyjaśnionej wariancji i może przekroczyć 1.
- Porównywanie η²p między badaniami o różnych planach – do porównań lepsze jest η²G (Olejnik i Algina, 2003).
- Mechaniczne etykiety „mały–średni–duży” bez nazwy miary i bez odniesienia do dziedziny.
- η² z małego badania pilotażowego jako podstawa analizy mocy – zawyżone η² daje zbyt małą zaplanowaną próbę (Albers i Lakens, 2018).
- Brak przedziału ufności – przy małych próbach przedział dla η² bywa bardzo szeroki, np. [.04, .26] w przykładzie ze 120 osobami.
Najczęstsze pytania
Jak interpretować eta kwadrat?
η² mówi, jaka część całkowitej zmienności wyników wiąże się z efektem: η² = .09 oznacza 9% wariancji. Konwencjonalne progi .01, .06 i .14 (efekt mały, średni, duży) to przeliczenie wartości f Cohena (Cohen, 1992) i są tylko orientacyjne – porównuj wynik z efektami w Twojej dziedzinie i zawsze podawaj nazwę miary.
Czym różni się eta kwadrat od cząstkowego eta kwadrat?
η² dzieli sumę kwadratów efektu przez całkowitą sumę kwadratów, a cząstkowe η² – przez sumę kwadratów efektu i błędu, pomijając pozostałe efekty (Richardson, 2011). W ANOVA jednoczynnikowej obie są równe, w planach czynnikowych η²p jest zwykle większe. SPSS podaje cząstkowe η² jako Partial Eta Squared.
Jak obliczyć cząstkowe eta kwadrat z wartości F?
Użyj wzoru η²p = F × dfefekt / (F × dfefekt + dfbłąd). Dla F(1, 116) = 18.93 daje to 18.93 / (18.93 + 116) = .140. W R zrobisz to funkcją effectsize::F_to_eta2().
Kiedy używać omega kwadrat zamiast eta kwadrat?
Gdy wnioskujesz o wielkości efektu w populacji, zwłaszcza przy małych próbach i w analizie mocy. η² jest systematycznie zawyżone, a ω² prawie nie; Albers i Lakens (2018) odradzają używanie η² jako podstawy analizy mocy na danych pilotażowych.
Co to jest uogólnione eta kwadrat?
To miara zaproponowana przez Olejnika i Alginę (2003), porównywalna między różnymi planami badań. W mianowniku zostawia zmienność błędu i czynników mierzonych (np. doświadczenia, płci), a pomija tylko efekty innych czynników manipulowanych. Bakeman (2005) zaleca ją zwłaszcza w ANOVA z powtarzanymi pomiarami.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
ANOVA – zadania z rozwiązaniami
Dziesięć zadań: tabela ANOVA, Tukey HSD, Levene i Welch, ANOVA 2 × 2 z interakcją, η² i ω², pomiary powtarzane, kontrast planowany i F = t².
Czytaj →PoradnikANOVA 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 →PoradnikWielkość efektu – interpretacja
d, g, r, η², OR i NNT na jednym przykładzie, przeliczenia, przedziały ufności, progi Cohena i interpretacja na tle SESOI – z kodem R.
Czytaj →PoradnikJak opisać wyniki w stylu APA – gotowe zdania
18 gotowych zdań APA – od testu t po mediację i moderację – z liczbami z jednego badania i kodem R, który pozwala sprawdzić każdą wartość.
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)
- Albers, C., & Lakens, D. (2018). When power analyses based on pilot data are biased: Inaccurate effect size estimators and follow-up bias. Journal of Experimental Social Psychology, 74, 187–195. https://doi.org/10.1016/j.jesp.2017.09.004 ● Otwarty dostęp
- 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
- Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155–159. https://doi.org/10.1037/0033-2909.112.1.155
- 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
- Olejnik, S., & Algina, J. (2003). Generalized eta and omega squared statistics: Measures of effect size for some common research designs. Psychological Methods, 8(4), 434–447. https://doi.org/10.1037/1082-989X.8.4.434
- Richardson, J. T. E. (2011). Eta squared and partial eta squared as measures of effect size in educational research. Educational Research Review, 6(2), 135–147. https://doi.org/10.1016/j.edurev.2010.12.001
Cytowania BibTeX
@article{albers2018power, author={Albers, Casper and Lakens, Daniël}, title={{When power analyses based on pilot data are biased: Inaccurate effect size estimators and follow-up bias}}, journal={Journal of Experimental Social Psychology}, year={2018}, volume={74}, pages={187--195}, doi={10.1016/j.jesp.2017.09.004}}@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{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{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}}@article{olejnik2003generalized, author={Olejnik, Stephen and Algina, James}, title={{Generalized eta and omega squared statistics: Measures of effect size for some common research designs}}, journal={Psychological Methods}, year={2003}, volume={8}, number={4}, pages={434--447}, doi={10.1037/1082-989x.8.4.434}}@article{richardson2011eta, author={Richardson, John T. E.}, title={{Eta squared and partial eta squared as measures of effect size in educational research}}, journal={Educational Research Review}, year={2011}, volume={6}, number={2}, pages={135--147}, doi={10.1016/j.edurev.2010.12.001}}