Liczebność próby w ankiecie – ile odpowiedzi naprawdę potrzebujesz?

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 21 października 2026

Jak dobrać liczebność próby w ankiecie?

Liczebność próby w ankiecie (ang. survey sample size) to liczba pełnych, poprawnych odpowiedzi potrzebna, by odpowiedzieć na pytanie badawcze z założoną precyzją albo mocą. Nie ma jednej „dobrej” liczby. Zależy ona od tego, co chcesz policzyć: odsetek, korelację czy różnicę między grupami. Lakens (2022) opisuje kilka sposobów uzasadnienia liczebności, m.in. analizę mocy, planowaną dokładność oszacowania i ograniczenia zasobów. Tu znajdziesz skróconą ściągawkę. Pełny poradnik to wpis dobór liczebności próby.

Ściągawka

Wszystkie wartości policzono w R dla α = .05 (dwustronnie). Przy korelacji i porównaniu grup przyjęto moc .80. Cohen (1992) zestawił takie tabele dla typowych testów.

Wiersze z odsetkiem dotyczą marginesu błędu przy p = 50%, najbardziej zachowawczym założeniu. Wiersze z korelacją i grupami to analiza mocy a priori.

Przykład

Chcesz porównać kobiety i mężczyzn pod względem stresu i spodziewasz się efektu średniego, d Cohena = 0.5. Potrzebujesz 64 osób w każdej grupie, czyli 128 łącznie. Jeśli zakładasz, że po czyszczeniu danych odpadnie około 20% ankiet, zbierz ich 160.

Jak opisać w pracy

Na co uważać

• Margines błędu przy próbie wygodnej. Wzór zakłada próbę losową. Przy rekrutacji przez media społecznościowe większa próba nie usuwa obciążenia.
• Liczebność dla całej próby, a analiza w podgrupach. Jeśli porównujesz pięć kierunków studiów, licz moc dla każdej porównywanej grupy, nie dla całej ankiety.
• Efekt „z sufitu”. Uzasadnij przyjęte d lub r wcześniejszymi badaniami albo najmniejszym interesującym efektem.

z <- qnorm(.975); z_moc <- qnorm(.80)                 # α = .05 (dwustronnie), moc .80
n_prop <- function(moe, p = .5) ceiling(z^2 * p * (1 - p) / moe^2)        # odsetek z marginesem błędu ±moe
sapply(c(moe_5 = .05, moe_3 = .03), n_prop)
n_prop_N <- function(moe, N) { n0 <- z^2 * .25 / moe^2; ceiling(n0 / (1 + (n0 - 1) / N)) }  # populacja skończona
n_prop_N(.05, N = 2000)
n_r <- function(r) ceiling(((z + z_moc) / atanh(r))^2 + 3)                  # korelacja (transformacja Fishera)
sapply(c(r_10 = .10, r_20 = .20, r_30 = .30), n_r)
sapply(c(d_0.2 = .2, d_0.5 = .5, d_0.8 = .8), function(d)
  ceiling(power.t.test(delta = d, sd = 1, power = .80)$n))                  # dwie grupy: n na grupę

moe_5 moe_3 
  385  1068 
[1] 323
r_10 r_20 r_30 
 783  194   85 
d_0.2 d_0.5 d_0.8 
  394    64    26 

Najczęstsze pytania

Ile osób musi wypełnić ankietę do pracy magisterskiej?

To zależy od analizy. Do korelacji r = .30 wystarczy 85 osób, do porównania dwóch grup przy średnim efekcie 64 w każdej grupie, a do oszacowania odsetka z marginesem ±5 pp – 385.

Skąd wziąć wielkość efektu do obliczenia liczebności próby ankiety?

Z metaanaliz lub badań na podobnej próbie albo z najmniejszego efektu, który uznasz za praktycznie ważny. Same konwencje „mały, średni, duży” traktuj jako ostateczność i napisz, że to założenie.

Czy większa próba z mediów społecznościowych jest bardziej reprezentatywna?

Nie. Liczebność zmniejsza błąd losowy, ale nie usuwa obciążenia doboru. Tysiąc osób z jednej grupy na Facebooku nadal opisuje głównie tę grupę.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

@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{lakens2022sample, author={Lakens, Daniël}, title={{Sample size justification}}, journal={Collabra: Psychology}, year={2022}, volume={8}, number={1}, eid={33267}, doi={10.1525/collabra.33267}}