Słownik metodologiczny · Wielkość efektu

Eta kwadrat (η²) – co to jest, jak ją obliczyć i czym różni się od cząstkowego η²?

Eta kwadrat mówi, jaką część zmienności wyników wyjaśnia efekt w ANOVA. Wyjaśniamy η², cząstkowe η², ω² i uogólnione η² na przykładzie z tabeli ANOVA, pokazujemy, dlaczego η² zawyża efekt w małych próbach i dlaczego progi .01, .06 i .14 to tylko konwencja.

Strona główna / Słownik / Eta kwadrat (η²)
W skrócie: Eta kwadrat (η²) to odsetek całkowitej zmienności zmiennej zależnej związany z efektem w ANOVA: η² = SSefekt/SScałk. Cząstkowe η² (η²p) pomija zmienność innych efektów, więc w planach czynnikowych jest zwykle większe, a ω² koryguje zawyżenie η² w małych próbach. Zawsze podaj nazwę miary i przedział ufności, a progi .01, .06 i .14 traktuj tylko jako konwencję.

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

η² = SSefekt / SScałk
η²p = SSefekt / (SSefekt + SSbłąd) = F × dfefekt / (F × dfefekt + dfbłąd)
ω²p = dfefekt(F − 1) / [dfefekt(F − 1) + N]
η²G = SSefekt / (δ × SSefekt + ΣSSmierzone + ΣSSbłąd)
  • 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:

Tabela dwuczynnikowej ANOVA dla przykładu z treningiem uważności
Źródło zmiennościSSdfMSFp
Trening (A)662.701662.7018.93< .001
Doświadczenie z medytacją (B)2576.1312576.1373.61< .001
A × B8.5318.530.24.622
Błąd4059.9311635.00
Ogółem7307.30119

Wielkość efektu treningu policzona na cztery sposoby:

  1. η² = 662.70 / 7307.30 = .091 – trening wiąże się z 9.1% całkowitej zmienności stresu.
  2. η²p = 662.70 / (662.70 + 4059.93) = .140 – to samo z samego F: 18.93 × 1 / (18.93 × 1 + 116) = .140.
  3. ω²p = 1 × (18.93 − 1) / [1 × (18.93 − 1) + 120] = .130 – wersja skorygowana o zawyżenie.
  4. η²G = 662.70 / (662.70 + 2576.13 + 8.53 + 4059.93) = .091 – doświadczenie z medytacją jest czynnikiem mierzonym, więc jego zmienność zostaje w mianowniku.
Paski sum kwadratów pokazujące, co trafia do licznika i mianownika: η² treningu = .091, cząstkowe η² treningu = .140 (bez zmienności doświadczenia z medytacją w mianowniku), uogólnione η² treningu = .091 i uogólnione η² doświadczenia = .388
Rysunek 1. Każdy pasek to suma kwadratów całego modelu podzielona na efekt treningu, efekt doświadczenia z medytacją, interakcję (SS = 8.5, niewidoczna) i błąd. Kolor czerwony to licznik miary, niebieski – pozostała część mianownika, szary – zmienność pomijana. Obliczenia: R (dane symulowane).

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.

Wykres średnich oszacowań wielkości efektu w zależności od liczebności grup: przy braku efektu η² wynosi średnio .141 dla 5 osób w grupie i maleje do .009 dla 80 osób, a ω² i ε² są bliskie 0; przy prawdziwym η² = .06 średnie η² wynosi .190 dla 5 osób, a ω² .054
Rysunek 2. Średnie wartości η², ε² i ω² w 10 000 symulowanych badań z trzema grupami, gdy w populacji nie ma efektu (lewy panel) i gdy η² = .06 (prawy panel). Linie ε² i ω² prawie się pokrywają. Obliczenia: R (dane symulowane).

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

Porównanie miar wielkości efektu w ANOVA
MiaraMianownikKiedy używaćUwagi
η²Cała zmienność (SScałk)Opis próby, ANOVA jednoczynnikowaZawyżone w małych próbach; w planach czynnikowych zależy od innych czynników
η²pSSefekt + SSbłądPlany czynnikowe; domyślne w SPSSWartości kilku efektów mogą sumować się powyżej 1; słabo porównywalne między planami
ω² / ω²pJak η² / η²p, z korektąWnioskowanie o populacji, małe próby, analiza mocyMniej obciążone; mogą wyjść ujemne (raportuj 0)
ε²Jak η², z korektąJak ω²Wartości bardzo zbliżone do ω²
η²GBłąd + zmienność czynników mierzonychPorównania między planami, pomiary powtarzane, metaanalizyTrzeba 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:

Przeprowadzono dwuczynnikową analizę wariancji 2 (warunek: trening uważności vs kontrola) × 2 (doświadczenie z medytacją: tak vs nie). Osoby po treningu uważności zgłaszały niższy poziom stresu niż osoby z grupy kontrolnej (M = 15.50, SD = 7.11 vs M = 20.20, SD = 7.88), F(1, 116) = 18.93, p < .001, η²p = .14, 95% CI [.04, .26], η²G = .09. Interakcja warunku z doświadczeniem nie była istotna, F(1, 116) = 0.24, p = .622.

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.

Przykład reprodukowalny

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

Dane wejściowe: poziom stresu u 120 osób w planie 2 × 2: trening uważności (manipulowany) × doświadczenie z medytacją (mierzone) (dane symulowane, set.seed(6)).

Co odczytać: SS i F w tabeli ANOVA; kolumny Eta2, Eta2 (partial), Eta2 (generalized) i Omega2 (partial) z przedziałami; wynik F_to_eta2().

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()).

  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. 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/
  3. 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
  4. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  5. 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

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. 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
  2. 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
  3. Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155–159. https://doi.org/10.1037/0033-2909.112.1.155
  4. 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
  5. 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
  6. 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}}
R