Kontrbalansowanie – kwadrat łaciński i efekt kolejności

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 18 października 2026

W skrócie: Kontrbalansowanie to takie rozplanowanie kolejności warunków, by każdy równie często występował na każdej pozycji – efekty wprawy, zmęczenia i przeniesienia rozkładają się wtedy po równo na warunki. Przy trzech warunkach użyj kwadratu łacińskiego (3 kolejności) albo wszystkich 6 kolejności, jeśli trzeba zrównoważyć także przeniesienie.

Co to jest kontrbalansowanie?

Kontrbalansowanie (ang. counterbalancing) to takie rozplanowanie kolejności warunków w schemacie wewnątrzobiektowym, by każdy warunek równie często występował na każdej pozycji. Gdy ta sama osoba przechodzi kilka warunków (czynnik wewnątrzobiektowy), wynik zależy też od kolejności: od wprawy, zmęczenia, znudzenia i od wpływu poprzedniego warunku na następny (efekt przeniesienia, ang. carryover). Kontrbalansowanie nie usuwa tych efektów, ale rozkłada je po równo na warunki, dzięki czemu nie mieszają się z efektem manipulacji w eksperymencie.

Pełne kontrbalansowanie i kwadrat łaciński

Pełne kontrbalansowanie wykorzystuje wszystkie możliwe kolejności: przy 3 warunkach jest ich 3! = 6, przy 4 już 24. Kwadrat łaciński wystarcza w k kolejnościach, bo każdy z k warunków pojawia się raz na każdej pozycji:

Kwadrat łaciński dla trzech warunków A, B i C
Kolejność	Sesja 1	Sesja 2	Sesja 3
1	A	B	C
2	B	C	A
3	C	A	B

Prosty kwadrat ma jednak słabość: poza pierwszą sesją A zawsze występuje po C, B po A, a C po B, więc efekty przeniesienia nie są zrównoważone. W zrównoważonym kwadracie łacińskim (schemacie Williamsa) każdy warunek tyle samo razy bezpośrednio poprzedza każdy inny. Przy parzystej liczbie warunków wystarczy k kolejności, przy nieparzystej potrzeba 2k (Williams, 1949) – dla 3 warunków to 6 kolejności, czyli pełne kontrbalansowanie. Gdy warunki powtarzają się w wielu próbach, zrównoważone sekwencje można wygenerować algorytmicznie (Brooks, 2012). Kolejność da się też losować osobno dla każdej osoby (zob. randomizacja), ale wtedy równowaga jest zachowana tylko przeciętnie.

Przykład

W symulacji 24 osoby wykonały zadanie na czas reakcji w ciszy (A), przy muzyce (B) i w hałasie (C). Hałas wydłużał reakcję o 40 ms, a każda kolejna sesja skracała ją o 30 ms dzięki wprawie (dane symulowane). Gdy wszyscy przechodzili warunki w kolejności A–B–C, różnica hałas − cisza wyniosła −22.6 ms, t(23) = −2.63, p = .015, więc hałas pozornie przyspieszał reakcje. W kwadracie łacińskim, po 8 osób na kolejność, różnica wyniosła 43.1 ms, t(23) = 3.33, p = .003.

Jak zapisać w pracy

Kolejność warunków (cisza, muzyka, hałas) kontrbalansowano za pomocą kwadratu łacińskiego 3 × 3: uczestników (N = 24) przydzielono losowo po 8 osób do kolejności ABC, BCA i CAB.

Na co uważać

Kontrbalansowanie nie naprawia asymetrycznego przeniesienia. Jeśli A zmienia reakcję na B silniej niż B na A (np. poznanej strategii nie da się „oduczyć”), średnie warunków pozostaną obciążone. Wtedy zaplanuj przerwę między sesjami albo porównanie międzyobiektowe.
Uwzględnij kolejność w analizie. Pomijanie kontrbalansowania w analizie obniża moc eksperymentu (Pollatsek i Well, 1995). Kolejność dodaj jako czynnik międzyobiektowy w ANOVA z powtarzanymi pomiarami albo jako efekt stały w modelu mieszanym (zob. ANOVA z powtarzanymi pomiarami czy model mieszany).
Liczba osób powinna być wielokrotnością liczby kolejności, inaczej równowaga się rozpada.

Przykład reprodukowalny

Kwadrat łaciński w R

Kod buduje kwadrat łaciński 3 × 3, dokłada kolejności odwrócone (schemat Williamsa) i losowo przydziela 24 osoby do trzech kolejności kwadratu.

Kolejności warunków i przydział osób

Dane wejściowe: trzy warunki A, B i C oraz 24 osoby (set.seed(80)).

Co odczytać: wiersze kwadratu łacińskiego (kolejności), sześć kolejności schematu Williamsa i liczbę osób przydzielonych do każdej kolejności.

# Kwadrat łaciński 3 × 3, schemat Williamsa i losowy przydział 24 osób do kolejności
warunki <- c("A", "B", "C")
kwadrat <- t(sapply(0:2, function(s) warunki[(0:2 + s) %% 3 + 1]))   # wiersz = kolejność, kolumna = sesja
kwadrat
williams <- rbind(kwadrat, kwadrat[, 3:1])   # + kolejności odwrócone: każda para sąsiadów 2 razy
apply(williams, 1, paste, collapse = "")
set.seed(80)
kolejnosc <- sample(rep(1:3, each = 8))      # 24 osoby, po 8 na każdą kolejność kwadratu
table(kolejnosc)

Wynik w R

     [,1] [,2] [,3]
[1,] "A"  "B"  "C" 
[2,] "B"  "C"  "A" 
[3,] "C"  "A"  "B" 
[1] "ABC" "BCA" "CAB" "CBA" "ACB" "BAC"
kolejnosc
1 2 3 
8 8 8

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje pakietów base i stats). W pracy podaj wersję R, której faktycznie użyto (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/

Najczęstsze pytania

Czym różni się kontrbalansowanie od losowej kolejności warunków?

Kontrbalansowanie z góry ustala kolejności tak, by każdy warunek równie często był na każdej pozycji. Losowa kolejność dla każdej osoby daje tę równowagę tylko przeciętnie, a w małej próbie może ją zaburzyć.

Ile kolejności potrzeba przy trzech warunkach?

Kwadrat łaciński wymaga trzech kolejności (ABC, BCA, CAB). Aby każdy warunek równie często następował po każdym innym, potrzeba sześciu, czyli wszystkich możliwych kolejności.

Czy kontrbalansowanie usuwa efekt przeniesienia?

Nie. Rozkłada efekty kolejności po równo na warunki, ale gdy przeniesienie jest asymetryczne, średnie warunków nadal są obciążone. Pomaga przerwa między sesjami, a czasem tylko schemat międzyobiektowy.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Poradnik

ANOVA z powtarzanymi pomiarami czy model mieszany?

Ten sam przykład 2 × 4 w afex i lmerTest, symulacja odpadania MAR, struktura efektów losowych, stopnie swobody, R² i gotowy opis do artykułu.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizę Oferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

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
Pollatsek, A., & Well, A. D. (1995). On the use of counterbalanced designs in cognitive research: A suggestion for a better and more powerful analysis. Journal of Experimental Psychology: Learning, Memory, and Cognition, 21(3), 785–794. https://doi.org/10.1037/0278-7393.21.3.785
Williams, E. J. (1949). Experimental designs balanced for the estimation of residual effects of treatments. Australian Journal of Scientific Research Series A: Physical Sciences, 2(2), 149–168. https://doi.org/10.1071/ch9490149

Cytowania BibTeX

@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{pollatsek1995use, author={Pollatsek, Alexander and Well, Arnold D.}, title={{On the use of counterbalanced designs in cognitive research: A suggestion for a better and more powerful analysis}}, journal={Journal of Experimental Psychology: Learning, Memory, and Cognition}, year={1995}, volume={21}, number={3}, pages={785--794}, doi={10.1037/0278-7393.21.3.785}}

@article{williams1949experimental, author={Williams, E. J.}, title={{Experimental designs balanced for the estimation of residual effects of treatments}}, journal={Australian Journal of Scientific Research Series A: Physical Sciences}, year={1949}, volume={2}, number={2}, pages={149--168}, doi={10.1071/ch9490149}}