Moc testu

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 21 sierpnia 2026 · Aktualizacja: 22 sierpnia 2026

Co oznacza Moc testu?

Moc to prawdopodobieństwo odrzucenia H0 dla określonego prawdziwego efektu, modelu, N i poziomu alfa.

Zastosowanie, warunki i dobre praktyki

Moc to prawdopodobieństwo odrzucenia H₀ dla z góry określonego efektu, modelu, alfa i planu badania. Nie jest stałą właściwością badania niezależną od alternatywy i nie należy jej „obliczać po fakcie” z zaobserwowanego efektu jako miary jakości wyniku. Planowanie powinno używać minimalnego efektu ważnego merytorycznie oraz uwzględniać braki, wielokrotność i rzeczywisty model.

Najważniejsze zastosowanie: Używaj a priori do planowania oraz w analizie wrażliwości do określenia wykrywalnych efektów.

Jak to się oblicza i co oznaczają symbole?

moc = 1 − β

β oznacza prawdopodobieństwo nieodrzucenia H₀ dla konkretnej wartości efektu należącej do H₁. Moc zależy jednocześnie od N, szumu, alfa, modelu i zakładanego efektu, więc nie jest stałą cechą testu.

Jak poprawnie stosować i interpretować hasło „Moc testu”?

W odniesieniu do pojęcia „Moc testu” najpierw definiuje się parametr, populację i procedurę, względem której oceniana jest niepewność. Przy ocenie hasła „Moc testu” wynik testu albo przedział nie ma samodzielnego znaczenia bez oszacowania efektu w jednostkach badania. W analizie dotyczącej hasła „Moc testu” warto rozdzielić pytanie o zgodność danych z modelem zerowym od pytania o wielkość, precyzję i praktyczne znaczenie obserwowanego efektu.

Ocena pojęcia „Moc testu” wymaga sprawdzenia założeń modelu, planu doboru próby i wszystkich decyzji podjętych po obejrzeniu danych. Dla interpretacji hasła „Moc testu” wielokrotne testy, opcjonalne zatrzymywanie zbierania danych lub wybór korzystnego wariantu zmieniają częstość błędów. W odniesieniu do hasła „Moc testu” analiza wrażliwości i jawne odróżnienie analiz potwierdzających od eksploracyjnych pomagają ocenić wiarygodność wniosku.

Co trzeba opisać w raporcie?

W raporcie dotyczącym „Moc testu” należy podać estymatę, jednostkę, przedział ufności oraz — jeśli wykonywano test — statystykę, stopnie swobody i dokładną wartość p. Przy ocenie hasła „Moc testu” ostatnie zdanie powinno odpowiadać na pytanie merytoryczne, ale nie zamieniać nieodrzucenia hipotezy zerowej w dowód braku efektu.

Zakres raportowania dla hasła „Moc testu”: Podaj test, efekt, α, moc, N, założenia i program.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Moc .80 dla d=.4 oznacza 80% szans uzyskania p<.05, jeśli wszystkie założenia i efekt d=.4 są prawdziwe.

Jak ją zinterpretować: Podana moc dotyczy konkretnego efektu, alfa, N i modelu; zmiana któregokolwiek elementu daje inną wartość. Powinna uzasadniać plan przed badaniem, a nie służyć do reinterpretacji nieistotnego wyniku po fakcie.

Najczęstsza pułapka i granica interpretacji

„Moc post hoc” obliczona z obserwowanego efektu niewiele dodaje ponad wartość p.

Wniosek oparty na „Moc testu” jest warunkowy względem modelu, sposobu zebrania danych i przyjętej procedury. Dla interpretacji hasła „Moc testu” istotność statystyczna nie mierzy ważności efektu, a brak istotności nie ustanawia równoważności.

Przykład reprodukowalny dla tego hasła

Planowanie liczebności i mocy

Blok służy do planowania liczebności dla określonego efektu, alfa i mocy; nie uzasadnia przyjętej wielkości efektu.

Dane wejściowe: Przed analizą określ minimalny interesujący efekt, alfa, moc, liczbę grup/parametrów oraz przewidywane braki.

Co sprawdzić w wyniku: Wynik jest liczbą osób na grupę lub łącznie — sprawdź definicję funkcji. Wykonaj analizę wrażliwości dla kilku efektów.

# Dwie równe grupy, test dwustronny; d = delta/sd = 0.40.
plan <- power.t.test(delta = .40, sd = 1, sig.level = .05,
                     power = .80, type = "two.sample",
                     alternative = "two.sided")
plan
ceiling(plan$n)  # liczba osób na grupę

# Analiza wrażliwości.
sapply(c(.20, .30, .40, .50), function(d) {
  ceiling(power.t.test(delta = d, sd = 1, sig.level = .05,
                       power = .80, type = "two.sample")$n)
})

Python

from statsmodels.stats.power import TTestIndPower

analiza = TTestIndPower()
n_na_grupe = analiza.solve_power(
    effect_size=.40, alpha=.05, power=.80,
    ratio=1, alternative="two-sided"
)
print("n na grupe =", n_na_grupe)

for d in [.20, .30, .40, .50]:
    n = analiza.solve_power(effect_size=d, alpha=.05, power=.80, ratio=1)
    print(d, n)

IBM SPSS Statistics — Syntax

POWER MEANS INDEPENDENT
 /PARAMETERS TEST=NONDIRECTIONAL SIGNIFICANCE=.05 POWER=.80 EFFECT_SIZE=.40
 /PLOT TOTAL_N.

Bibliografia oprogramowania i wykorzystanych pakietów

W przykładach użyto: R, Python, IBM SPSS Statistics, statsmodels. W pracy badawczej podaj również faktycznie użyte wersje, które można odczytać poleceniami sessionInfo() w R oraz pip freeze lub importlib.metadata.version() w Pythonie. Cytuj wyłącznie narzędzia rzeczywiście użyte w końcowej analizie.

R: R Core Team. (2026). R: A language and environment for statistical computing [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
Python: Van Rossum, G., & Drake, F. L., Jr. (2009). Python 3 reference manual. CreateSpace.
IBM SPSS Statistics: IBM Corp. (2025). IBM SPSS Statistics for Macintosh (Version 31.0) [Computer software]. IBM Corp.
statsmodels: Seabold, S., & Perktold, J. (2010). Statsmodels: Econometric and statistical modeling with Python. In S. van der Walt & J. Millman (Eds.), Proceedings of the 9th Python in Science Conference (pp. 92–96). https://doi.org/10.25080/Majora-92bf1922-011

BibTeX dla oprogramowania i pakietów

@manual{r-core-2026,
  author = {{R Core Team}},
  title = {R: A Language and Environment for Statistical Computing},
  organization = {R Foundation for Statistical Computing},
  address = {Vienna, Austria},
  year = {2026},
  url = {https://www.R-project.org/}
}

@book{vanrossum2009python,
  author = {Van Rossum, Guido and Drake, Fred L., Jr.},
  title = {Python 3 Reference Manual},
  publisher = {CreateSpace},
  year = {2009},
  isbn = {978-1-4414-1269-0}
}

@software{ibm2025spss,
  author = {{IBM Corp.}},
  title = {IBM SPSS Statistics for Macintosh},
  year = {2025},
  version = {31.0},
  publisher = {IBM Corp.}
}

@inproceedings{seabold2010statsmodels,
  author = {Seabold, Skipper and Perktold, Josef},
  title = {Statsmodels: Econometric and Statistical Modeling with Python},
  booktitle = {Proceedings of the 9th Python in Science Conference},
  year = {2010},
  pages = {92--96},
  doi = {10.25080/Majora-92bf1922-011}
}

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Lakens, 2022).

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Poradnik

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczy Oferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

Lakens, D. (2022). Sample size justification. Collabra: Psychology, 8(1), 33267. https://doi.org/10.1525/collabra.33267
Maxwell, S. E., Kelley, K., & Rausch, J. R. (2008). Sample size planning for statistical power and accuracy in parameter estimation. Annual Review of Psychology, 59, 537–563. https://doi.org/10.1146/annurev.psych.59.103006.093735
Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
Lang, T. A., & Altman, D. G. (2015). Basic statistical reporting for articles published in biomedical journals: The SAMPL guidelines. International Journal of Nursing Studies, 52(1), 5–9. https://doi.org/10.1016/j.ijnurstu.2014.09.006
Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594
Altman, D. G. (2015). Making research articles fit for purpose: Structured reporting of key methods and findings. Trials, 16, 53. https://doi.org/10.1186/s13063-015-0575-7

Cytowania BibTeX

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

@article{maxwell2008samplesize, author={Maxwell, Scott E. and Kelley, Ken and Rausch, Joseph R.}, title={Sample size planning for statistical power and accuracy in parameter estimation}, journal={Annual Review of Psychology}, year={2008}, volume={59}, pages={537--563}, doi={10.1146/annurev.psych.59.103006.093735}}

@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}

@article{lang2015sampl, author={Lang, Thomas A. and Altman, Douglas G.}, title={Basic statistical reporting for articles published in biomedical journals: the SAMPL guidelines}, journal={International Journal of Nursing Studies}, year={2015}, volume={52}, number={1}, pages={5--9}, doi={10.1016/j.ijnurstu.2014.09.006}}

@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}

@article{altman2015reporting, author={Altman, Douglas G.}, title={Making research articles fit for purpose: structured reporting of key methods and findings}, journal={Trials}, year={2015}, volume={16}, pages={53}, doi={10.1186/s13063-015-0575-7}}