Predyktor – co to jest i czym może być w psychologii?

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 21 sierpnia 2026 · Aktualizacja: 7 października 2026

Predyktor — co to jest?

Predyktor (zmienna objaśniająca, zmienna przewidująca) to zmienna, której wartości wykorzystujemy do przewidywania wartości innej zmiennej. Zmienną przewidywaną nazywa się kryterium, zmienną objaśnianą lub zmienną zależną. W regresji liniowej predyktory stoją po prawej stronie równania:

Współczynnik b przy predyktorze pokazuje, o ile zmienia się przewidywana wartość kryterium, gdy predyktor wzrasta o jedną jednostkę, a pozostałe predyktory pozostają stałe.

Termin „predyktor” bywa używany zamiennie ze zmienną niezależną, ale jest od niej ostrożniejszy. W eksperymencie zmienną niezależną manipulujemy, więc możemy mówić o jej wpływie. W badaniu korelacyjnym zmienne jedynie współwystępują, dlatego mówimy o predyktorach i przewidywaniu, a nie o przyczynach.

Czym może być predyktor w psychologii?

W psychologii predyktorem może być niemal każda cecha, którą da się rzetelnie zmierzyć. Poniższa tabela pokazuje typowe rodzaje predyktorów z przykładami z badań:

Kilka przykładów z literatury:

• Sumienność należy do najsilniejszych osobowościowych predyktorów osiągnięć w nauce (Poropat, 2009).
• Ogólne zdolności umysłowe należą do najtrafniejszych predyktorów efektywności zawodowej, a inne metody selekcji porównuje się z nimi pod kątem trafności przyrostowej (Schmidt i Hunter, 1998).
• Wcześniejsze zachowanie dobrze przewiduje przyszłe, zwłaszcza gdy zachowanie powtarza się w stabilnym kontekście i staje się nawykiem (Ouellette i Wood, 1998).
• Intencja jest głównym predyktorem zachowania w teorii planowanego zachowania, a postawy, normy subiektywne i spostrzegana kontrola są predyktorami intencji (Ajzen, 1991).
• Relacje społeczne — w metaanalizie Holt-Lunstad i in. (2010) silniejsze więzi społeczne wiązały się z około 50% większymi szansami przeżycia w okresie obserwacji.

Rodzaje predyktorów w modelu

• Ilościowe (np. wiek, wynik skali) wprowadza się bezpośrednio, a jakościowe (np. płeć, forma terapii) — jako zmienne zero-jedynkowe (kodowanie dummy).
• Zmienne kontrolne to predyktory, które wprowadzamy, by oddzielić ich wpływ od predyktora głównego (zob. zmienna kontrolna).
• Interakcje sprawdzają, czy związek predyktora z kryterium zależy od innej zmiennej (moderacja).
• Mediatory to zmienne pośredniczące między predyktorem a kryterium (mediacja).

Przykład w R: trzy predyktory wyniku egzaminu

Na danych symulowanych dla 300 studentów sprawdziłem, w jakim stopniu wynik egzaminu (0–100) przewidują tygodniowa liczba godzin nauki, sumienność i lęk egzaminacyjny. W pierwszym modelu predyktorem były tylko godziny nauki (R² = 0,274). Dodanie sumienności i lęku zwiększyło R² do 0,406, czyli ΔR² = 0,132, F(2, 296) = 32,95, p < 0,001.

Jak czytać tę tabelę:

• Współczynnik b: każda dodatkowa godzina nauki tygodniowo wiąże się z wynikiem wyższym średnio o 2,03 punktu, przy tej samej sumienności i tym samym poziomie lęku. Wzrost lęku o 1 punkt skali wiąże się z wynikiem niższym o 4,90 punktu.
• Współczynnik β (standaryzowany) pozwala porównać predyktory mierzone w różnych jednostkach. Najsilniejszym predyktorem są godziny nauki (β = 0,45), następnie lęk (β = −0,36) i sumienność (β = 0,15).
• Zmiana współczynnika: w modelu z jednym predyktorem b dla godzin nauki wynosiło 2,35, a po dodaniu sumienności spadło do 2,03. Godziny nauki i sumienność są skorelowane (r = 0,55), więc część „zasługi” godzin przypadała w istocie sumiennym studentom.

Zmiana współczynnika po dodaniu predyktora to codzienność regresji wielorakiej. Każdy współczynnik opisuje unikalny związek predyktora z kryterium przy kontroli pozostałych, a nie związek „w ogóle”.

set.seed(2026)
n <- 300
sumiennosc <- round(pmin(5, pmax(1, rnorm(n, 3.4, 0.7))), 2)          # skala 1–5
lek        <- round(pmin(5, pmax(1, rnorm(n, 2.8, 0.8))), 2)          # lęk egzaminacyjny 1–5
godziny    <- round(pmax(0, 2 + 2.2 * sumiennosc - 0.4 * lek + rnorm(n, 0, 2.2)), 1)  # godziny nauki / tydzień
wynik      <- round(pmin(100, pmax(0, 28 + 2.0 * godziny + 4.0 * sumiennosc - 5.0 * lek + rnorm(n, 0, 9))))
dane <- data.frame(wynik, godziny, sumiennosc, lek)

m1 <- lm(wynik ~ godziny, data = dane)                              # jeden predyktor
m2 <- lm(wynik ~ godziny + sumiennosc + lek, data = dane)           # trzy predyktory
summary(m2)
anova(m1, m2)                                                       # przyrost R² (ΔR²)
round(coef(lm(scale(wynik) ~ scale(godziny) + scale(sumiennosc) + scale(lek), data = dane))[-1], 3)  # beta
round(cor(dane), 2)

Call:
lm(formula = wynik ~ godziny + sumiennosc + lek, data = dane)

Residuals:
     Min       1Q   Median       3Q      Max 
-26.3712  -5.5009   0.1355   5.6285  22.1734 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)  32.1694     3.0595  10.515  < 2e-16 ***
godziny       2.0326     0.2407   8.445 1.39e-15 ***
sumiennosc    2.6541     0.9340   2.842   0.0048 ** 
lek          -4.8984     0.6177  -7.930 4.53e-14 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 8.874 on 296 degrees of freedom
Multiple R-squared:  0.406,	Adjusted R-squared:    0.4 
F-statistic: 67.44 on 3 and 296 DF,  p-value: < 2.2e-16

Analysis of Variance Table

Model 1: wynik ~ godziny
Model 2: wynik ~ godziny + sumiennosc + lek
  Res.Df   RSS Df Sum of Sq      F    Pr(>F)    
1    298 28501                                  
2    296 23311  2    5190.4 32.954 1.199e-13 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
   scale(godziny) scale(sumiennosc)        scale(lek) 
            0.452             0.154            -0.359 
           wynik godziny sumiennosc   lek
wynik       1.00    0.52       0.35 -0.32
godziny     0.52    1.00       0.55  0.04
sumiennosc  0.35    0.55       1.00  0.14
lek        -0.32    0.04       0.14  1.00

Predyktor to nie przyczyna

To, że zmienna dobrze przewiduje wynik, nie oznacza, że go wywołuje. Shmueli (2010) odróżnia modele wyjaśniające (pytanie „dlaczego?”, nacisk na nieobciążone oszacowanie efektów) od predykcyjnych (pytanie „co się stanie?”, nacisk na trafność przewidywań dla nowych osób). Yarkoni i Westfall (2017) zachęcają psychologów, by częściej oceniali modele po ich zdolności przewidywania na nowych danych, np. w walidacji krzyżowej.

Przy interpretacji predyktorów pamiętaj też, że:

• kolejność w czasie ma znaczenie — predyktor zmierzony po kryterium nie „przewiduje” go w sensie prognostycznym;
• kontrola zmiennych mierzonych z błędem jest niepełna — jeśli zmienna kontrolna jest zmierzona nierzetelnie, jej wpływ „przecieka” do innych predyktorów (Westfall i Yarkoni, 2016);
• silnie skorelowane predyktory utrudniają oddzielenie ich unikalnych efektów (zob. współliniowość i VIF).

Jak dobierać predyktory?

1. Wybieraj na podstawie teorii i pytania badawczego, a nie wyników testów istotności.
2. Dbaj o rzetelny pomiar — słabo zmierzony predyktor zaniża swoje współczynniki.
3. Dostosuj liczbę predyktorów do liczebności próby, by nie przeuczyć modelu; przy modelach predykcyjnych sprawdź trafność na nowych danych.
4. Sprawdzaj trafność przyrostową — czy nowy predyktor zwiększa R² ponad to, co wyjaśniają już inne (zob. regresja hierarchiczna).
5. Kontroluj założenia modelu, m.in. liniowość i homoskedastyczność reszt.

Jak opisać predyktory w pracy (APA 7)?

Najczęstsze błędy

1. Język przyczynowy w badaniu korelacyjnym („sumienność powoduje lepsze wyniki”).
2. Porównywanie surowych współczynników b predyktorów mierzonych w różnych jednostkach zamiast β lub ΔR².
3. Interpretacja współczynnika bez kontekstu modelu — wartość b zależy od tego, jakie inne predyktory uwzględniono.
4. Dobór predyktorów metodą krokową bez uzasadnienia teoretycznego i bez walidacji.
5. Utożsamianie istotności z ważnością — przy dużej próbie nawet znikome efekty są istotne.

Najczęstsze pytania

Co to jest predyktor?

Predyktor to zmienna wykorzystywana do przewidywania wartości innej zmiennej, nazywanej kryterium lub zmienną zależną. W regresji predyktory to zmienne po prawej stronie równania, np. godziny nauki przewidujące wynik egzaminu.

Czym różni się predyktor od zmiennej niezależnej?

W eksperymencie zmienną niezależną badacz manipuluje, więc można mówić o jej wpływie. W badaniach korelacyjnych mówi się raczej o predyktorach, bo zmienne tylko współwystępują i nie wiadomo, co jest przyczyną. Wiele osób używa obu nazw zamiennie, ale „predyktor” lepiej oddaje brak założeń przyczynowych.

Czym może być predyktor w psychologii?

Prawie każdą mierzoną cechą: cechą osobowości, zdolnością poznawczą, postawą, intencją, wcześniejszym zachowaniem, wsparciem społecznym, stresem, wynikiem testu przesiewowego, zmienną demograficzną czy warunkiem eksperymentalnym. Ważne, by wybór predyktorów wynikał z teorii i pytania badawczego.

Co oznacza „istotny predyktor”?

Że w danym modelu współczynnik predyktora istotnie różni się od zera przy kontroli pozostałych predyktorów. Nie oznacza to, że predyktor jest przyczyną ani że ma duże znaczenie praktyczne — o tym mówią wielkość współczynnika, przyrost R² i kontekst.

Czy predyktor może być zmienną jakościową?

Tak. Zmienne jakościowe, np. płeć czy forma terapii, wprowadza się do regresji jako zmienne zero-jedynkowe (kodowanie dummy). Współczynnik pokazuje wtedy różnicę między daną kategorią a kategorią odniesienia.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

@article{ajzen1991theory, author={Ajzen, Icek}, title={The theory of planned behavior}, journal={Organizational Behavior and Human Decision Processes}, year={1991}, volume={50}, number={2}, pages={179--211}, doi={10.1016/0749-5978(91)90020-T}}

@article{holtlunstad2010social, author={Holt-Lunstad, Julianne and Smith, Timothy B. and Layton, J. Bradley}, title={Social relationships and mortality risk: A meta-analytic review}, journal={PLoS Medicine}, year={2010}, volume={7}, number={7}, pages={e1000316}, doi={10.1371/journal.pmed.1000316}}

@article{ouellette1998habit, author={Ouellette, Judith A. and Wood, Wendy}, title={Habit and intention in everyday life: The multiple processes by which past behavior predicts future behavior}, journal={Psychological Bulletin}, year={1998}, volume={124}, number={1}, pages={54--74}, doi={10.1037/0033-2909.124.1.54}}

@article{poropat2009metaanalysis, author={Poropat, Arthur E.}, title={A meta-analysis of the five-factor model of personality and academic performance}, journal={Psychological Bulletin}, year={2009}, volume={135}, number={2}, pages={322--338}, doi={10.1037/a0014996}}

@article{schmidt1998validity, author={Schmidt, Frank L. and Hunter, John E.}, title={The validity and utility of selection methods in personnel psychology: Practical and theoretical implications of 85 years of research findings}, journal={Psychological Bulletin}, year={1998}, volume={124}, number={2}, pages={262--274}, doi={10.1037/0033-2909.124.2.262}}

@article{shmueli2010explain, author={Shmueli, Galit}, title={To explain or to predict?}, journal={Statistical Science}, year={2010}, volume={25}, number={3}, pages={289--310}, doi={10.1214/10-STS330}}

@article{westfall2016statistically, author={Westfall, Jacob and Yarkoni, Tal}, title={Statistically controlling for confounding constructs is harder than you think}, journal={PLoS ONE}, year={2016}, volume={11}, number={3}, pages={e0152719}, doi={10.1371/journal.pone.0152719}}

@article{yarkoni2017choosing, author={Yarkoni, Tal and Westfall, Jacob}, title={Choosing prediction over explanation in psychology: Lessons from machine learning}, journal={Perspectives on Psychological Science}, year={2017}, volume={12}, number={6}, pages={1100--1122}, doi={10.1177/1745691617693393}}