Słownik metodologiczny · Open science i wnioskowanie

Prerejestracja badania – co zapisać przed zebraniem danych, żeby plan naprawdę coś znaczył?

Prerejestracja to zapisany z datą plan hipotez, próby i analizy, sporządzony przed danymi. Pokazujemy różnicę między planem ogólnikowym a precyzyjnym, regułę oceny hipotezy zapisaną w kodzie R, sposób raportowania odstępstw i gotowy opis do pracy.

Strona główna / Słownik / Prerejestracja
W skrócie: Prerejestracja to zapisanie hipotez, liczebności, reguł wykluczeń i planu analizy w publicznym rejestrze przed zebraniem danych. Działa tylko wtedy, gdy jest precyzyjna: wskazuje główną zmienną, regułę zakończenia badania i wynik, który obali hipotezę. Odstępstwa są dopuszczalne, ale opisz je jawnie – co zmieniono, kiedy, dlaczego i jak wpłynęło to na wynik.

Co to jest prerejestracja badania?

Prerejestracja (ang. preregistration) to zapisanie hipotez, planu doboru próby i planu analizy w publicznym rejestrze, z datą i bez możliwości późniejszej edycji, zanim zbierzesz albo przeanalizujesz dane. Nosek i in. (2018) wskazują, że jej główną funkcją jest odróżnienie testowania przewidywań (predykcji) od wyjaśniania wyników po fakcie (postdykcji). Oba rodzaje analiz są w nauce potrzebne, ale tylko pierwszy daje wynikom testów statystycznych ich deklarowane znaczenie.

Prerejestracja nie jest recenzowana i nie gwarantuje publikacji – tym różni się od registered report, w którym plan ocenia czasopismo. Nie jest też zakazem eksploracji. Nosek i in. (2019) podkreślają, że prerejestracja ogranicza niezauważoną elastyczność analizy i pozwala lepiej skalibrować niepewność wniosków. Przyznają przy tym, że podejmowanie decyzji przed analizą wymaga wprawy, a raport powinien uczciwie zestawić plan z tym, co faktycznie się wydarzyło.

Przed czym chroni prerejestracja

Każda decyzja odłożona do momentu, w którym widać dane, może – nawet bez złej woli – zostać podjęta w kierunku korzystnego wyniku. Prerejestracja zamyka trzy furtki:

  • p-hacking – wybór zmiennej zależnej, wykluczeń, kowariantów i momentu zakończenia badania po obejrzeniu p;
  • HARKing – przedstawianie hipotezy wymyślonej po wynikach jako postawionej przed badaniem;
  • wybiórcze raportowanie – pomijanie hipotez, które się nie potwierdziły, co w skali dziedziny tworzy efekt szuflady.

Dzięki temu wynik zaplanowanego testu znów kontroluje błąd I rodzaju na deklarowanym poziomie α, a czytelnik wie, które wyniki są konfirmacyjne, a które eksploracyjne.

Prerejestracja nie gwarantuje natomiast, że badanie jest dobre. Zarejestrowanie nietrafnej skali, zbyt małej próby albo hipotezy bez związku z teorią nie poprawi ani pomiaru, ani wnioskowania. Prerejestracja tylko ujawnia te słabości i robi to wcześniej, gdy można je jeszcze naprawić. Dlatego plan warto pokazać promotorowi albo współpracownikom przed rejestracją. Pytanie „jaki wynik obali tę hipotezę?” często obnaża braki teorii szybciej niż jakakolwiek analiza. Nie każdy element badania da się też przewidzieć. Gdy np. nie wiesz, czy rozkład pozwoli na test parametryczny, zapisz regułę wyboru („jeśli…, to…”) zamiast jednej z góry wybranej metody.

Prerejestracja ogólnikowa a precyzyjna

Najczęstszy problem nie polega na braku prerejestracji, tylko na prerejestracji tak ogólnej, że pozostawia te same furtki co jej brak. Porównaj dwa zapisy tej samej hipotezy o wsparciu społecznym i samotności studentów pierwszego roku:

Porównanie ogólnikowej i precyzyjnej prerejestracji tej samej hipotezy
ElementOgólnikowo (furtka otwarta)Precyzyjnie (furtka zamknięta)
Hipoteza„Wsparcie społeczne wiąże się z samotnością.”„Wyższy wynik skali wsparcia (1–7) koreluje z niższym wynikiem skali samotności (20–80): r < 0.”
Miary„Użyjemy skal wsparcia i samotności.”Nazwy narzędzi, sposób liczenia wyniku (średnia lub suma), pozycje odwrócone, reguła dla braków (min. 80% odpowiedzi).
Próba„Około 200 osób.”212 osób po wykluczeniach (moc .90 dla r = −.20); zbieranie do 230 ankiet albo do 15 grudnia.
Wykluczenia„Usuniemy nierzetelne odpowiedzi.”Wykluczenie osób, które nie zaliczyły pytania kontrolnego; bez innych wykluczeń.
Analiza„Analiza korelacji.”r Pearsona, test jednostronny, α = .05; jako analiza wrażliwości – ρ Spearmana.
WniosekbrakHipoteza potwierdzona, gdy p < .05; sfalsyfikowana, gdy 90% CI wyklucza efekt silniejszy niż r = −.10; w pozostałych przypadkach wynik nierozstrzygnięty.

Ostatni wiersz bywa pomijany, a jest najważniejszy. Lakens i DeBruine (2021) proponują zapisywać testy hipotez w postaci odczytywalnej maszynowo – tak, by komputer mógł sam ocenić, czy przewidywanie zostało potwierdzone. Jeśli z planu nie wynika, jaki wynik obali hipotezę, hipoteza nie jest w pełni falsyfikowalna.

Przykład: plan zapisany w kodzie i jego wykonanie

Studentka planuje badanie z poprzedniej tabeli. Przed zebraniem danych zapisuje w prerejestracji trzy elementy w formie, którą da się wykonać.

  1. Liczebność. Dla najmniejszego interesującego efektu r = −.20, α = .05 (test jednostronny) i mocy .90 potrzeba 212 osób. Studentka zakłada, że ok. 5% osób nie zaliczy pytania kontrolnego, więc planuje 230 ankiet (zob. analiza mocy a priori).
  2. Reguła wykluczeń: wyłącznie niezaliczone pytanie kontrolne.
  3. Reguła oceny hipotezy w postaci funkcji R (sekcja z kodem niżej): „potwierdzona”, „sfalsyfikowana” albo „nierozstrzygnięta”. Granica −.10 oznacza najmniejszy interesujący efekt w teście równoważności.

Zebrano 230 ankiet (dane symulowane). Czternaście osób nie zaliczyło pytania kontrolnego, więc analizowano 216. Korelacja wyniosła r(214) = −.23, 95% CI [−.35, −.10], a jednostronne p < .001. Funkcja zapisana przed danymi zwróciła werdykt „potwierdzona”. Gdyby korelacja wyszła np. −.05 z 90% CI w całości powyżej −.10, ta sama funkcja zwróciłaby „sfalsyfikowana” – i studentka musiałaby to napisać.

Odstępstwa od planu

Plan rzadko udaje się wykonać w stu procentach: ankieta zbiera się wolniej, skala ma nieoczekiwanie niską rzetelność, a model się nie zbiega. Willroth i Atherton (2024) piszą, że odstępstwa od prerejestracji są raczej regułą niż wyjątkiem, ale w psychologii zwykle nie są raportowane albo są raportowane niesystematycznie. Proponują standardowy sposób ich opisu. W praktyce dla każdego odstępstwa podaj:

  • co zaplanowano, a co zrobiono;
  • dlaczego i w którym momencie (przed obejrzeniem wyników czy po nim);
  • jak odstępstwo wpływa na wynik – najlepiej pokaż wynik według planu i według zmiany.

Odstępstwo opisane jawnie nie unieważnia prerejestracji. Unieważnia ją odstępstwo ukryte.

Gdzie i jak prerejestrować

Najczęściej używa się serwisu OSF (kilka szablonów, w tym szablon z ośmioma pytaniami w stylu AsPredicted) albo serwisu AsPredicted. Badania kliniczne rejestruje się w rejestrach badań klinicznych. Rejestrację można objąć embargiem, np. do obrony pracy. Dla analiz danych wtórnych, np. z dużych badań panelowych, Van den Akker i in. (2021) opracowali osobny szablon. Wymaga on m.in. opisania, co każdy autor już wie o zbiorze danych, i podania dat pierwszego dostępu do danych. Instrukcję krok po kroku, wzór planu analizy i opis mitów o prerejestracji znajdziesz we wpisie Plan analizy statystycznej i prerejestracja.

Jak opisać prerejestrację w pracy

W części metodologicznej podaj link do rejestracji, jej datę (wcześniejszą niż początek zbierania danych) i informację o odstępstwach. W wynikach oddziel analizy zaplanowane od eksploracyjnych.

Hipotezę, liczebność próby, regułę wykluczeń i plan analizy zarejestrowano przed rozpoczęciem zbierania danych (OSF, rejestracja z 14 października). Zgodnie z planem zebrano 230 ankiet; 14 osób, które nie zaliczyły pytania kontrolnego, wykluczono, a analizę przeprowadzono na 216 osobach (planowane minimum: 212). Zgodnie z hipotezą wyższe wsparcie społeczne wiązało się z mniejszą samotnością, r(214) = −.23, 95% CI [−.35, −.10], p < .001 (test jednostronny). Nie odnotowano odstępstw od planu. Analizy w podgrupach wyróżnionych ze względu na miejsce zamieszkania nie były planowane i przedstawiono je jako eksploracyjne.
Przykład reprodukowalny

Plan prerejestracji w R

Kod liczy liczebność z planu, zapisuje regułę oceny hipotezy jako funkcję (tę część dołącz do prerejestracji), a następnie stosuje regułę wykluczeń i regułę oceny do danych zebranych według planu. Liczby w tekście pochodzą z tego kodu.

Liczebność, reguła decyzji i jej wykonanie

Dane wejściowe: 230 studentów I roku: wsparcie społeczne (1–7), samotność (20–80), wynik pytania kontrolnego (dane symulowane, set.seed(213)).

Co odczytać: n_plan, liczbę wykluczonych osób, r, p_jednostronne, ci90 i werdykt oraz 95% CI z cor.test() do opisu w APA.

R
# R213 – prerejestracja jako zapis reguł decyzyjnych przed danymi:
# liczebność z analizy mocy, reguła wykluczeń i reguła oceny hipotezy zapisana w kodzie
# H1 (kierunkowa): im wyższe wsparcie społeczne, tym mniejsza samotność studentów I roku (r < 0)

# 1. Liczebność: r = −.20 (najmniejszy interesujący efekt), α = .05 jednostronnie, moc .90
r_min <- -0.20; alfa <- 0.05; moc <- 0.90
n_plan <- ceiling(((qnorm(1 - alfa) + qnorm(moc)) / atanh(abs(r_min)))^2 + 3)
n_plan

# 2. Reguła oceny hipotezy zapisana PRZED danymi (jak w planie)
ocen_hipoteze <- function(x, y, sesoi = -0.10, alfa = 0.05) {
  test <- cor.test(x, y, alternative = "less")                      # test jednostronny H1: r < 0
  ci90 <- cor.test(x, y, conf.level = 0.90)$conf.int                 # do testu równoważności (granica −.10)
  werdykt <- if (test$p.value < alfa) "potwierdzona" else
             if (ci90[1] > sesoi) "sfalsyfikowana (efekt mniejszy niż |r| = .10)" else "nierozstrzygnięta"
  list(r = unname(test$estimate), p_jednostronne = test$p.value, ci90 = ci90, werdykt = werdykt)
}

# 3. Dane (symulowane) zebrane według planu: 230 osób, z czego część nie zaliczyła pytania kontrolnego
set.seed(213)
N <- 230
dane <- data.frame(wsparcie = round(rnorm(N, 5.0, 1.1), 2),          # skala 1–7
                   kontrolne_ok = rbinom(N, 1, 0.95))
dane$samotnosc <- round(45 - 2.2 * (dane$wsparcie - 5) + rnorm(N, 0, 9.5))   # skala 20–80
dane$wsparcie  <- pmin(pmax(dane$wsparcie, 1), 7)
dane$samotnosc <- pmin(pmax(dane$samotnosc, 20), 80)

# 4. Reguła wykluczeń z planu: tylko osoby, które zaliczyły pytanie kontrolne
analiza <- subset(dane, kontrolne_ok == 1)
c(zebrano = nrow(dane), wykluczono = sum(dane$kontrolne_ok == 0), analizowano = nrow(analiza))

# 5. Ocena hipotezy dokładnie według zapisanej reguły
wynik <- ocen_hipoteze(analiza$wsparcie, analiza$samotnosc)
str(wynik)
cor.test(analiza$wsparcie, analiza$samotnosc)                         # r z 95% CI do raportu
Wynik w R
[1] 212
    zebrano  wykluczono analizowano 
        230          14         216 
List of 4
 $ r             : num -0.229
 $ p_jednostronne: num 0.000348
 $ ci90          : num [1:2] -0.333 -0.12
  ..- attr(*, "conf.level")= num 0.9
 $ werdykt       : chr "potwierdzona"

	Pearson's product-moment correlation

data:  analiza$wsparcie and analiza$samotnosc
t = -3.4413, df = 214, p-value = 0.0006961
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
 -0.3517308 -0.0985080
sample estimates:
       cor 
-0.2289897 

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje pakietu stats).

  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/

Najczęstsze błędy

  • Rejestracja po zebraniu danych (albo po „rzuceniu okiem” na nie) opisana jako prerejestracja. Data rejestracji musi poprzedzać dostęp do danych.
  • Plan bez reguły decyzji – brak informacji, jaki wynik obala hipotezę.
  • Kilka zmiennych zależnych bez wskazania głównej. To otwarta furtka do wyboru „najlepszej”.
  • Liczebność bez reguły zakończenia – „ok. 200 osób” pozwala zatrzymać badanie w dogodnym momencie.
  • Ukryte odstępstwa. Zmiana testu, skali czy wykluczeń bez słowa w pracy jest gorsza niż brak prerejestracji, bo daje fałszywe poczucie rygoru.
  • Traktowanie prerejestracji jako zakazu eksploracji. Nieplanowane analizy są dozwolone, trzeba je tylko oznaczyć.

Najczęstsze pytania

Czym prerejestracja różni się od registered report?

Prerejestrację zapisuje sam autor i nikt jej nie recenzuje przed badaniem. W registered report plan przechodzi recenzję w czasopiśmie, a po wstępnej akceptacji artykuł zostanie opublikowany niezależnie od wyniku, o ile badanie przeprowadzono zgodnie z protokołem.

Co musi zawierać dobra prerejestracja?

Konkretne hipotezy z kierunkiem, sposób pomiaru i liczenia wyników skal, liczebność z uzasadnieniem i regułę zakończenia zbierania danych, reguły wykluczeń, dokładny test lub model oraz regułę, jaki wynik potwierdza, a jaki obala hipotezę.

Czy po prerejestracji można zmienić plan analizy?

Można, ale każdą zmianę trzeba opisać w pracy: co zaplanowano, co zrobiono, dlaczego i czy decyzja zapadła przed obejrzeniem wyników. Najlepiej pokazać wynik zarówno według planu, jak i po zmianie.

Czy można prerejestrować analizę danych, które już istnieją?

Tak, istnieją szablony dla analiz danych wtórnych. Wymagają one uczciwego opisu, co autor już wie o zbiorze, kiedy uzyskał do niego dostęp i jakie analizy na nim wcześniej przeprowadzono.

Czy prerejestracja pracy magisterskiej ma sens?

Tak. Porządkuje plan przed rozmową z promotorem, chroni przed zarzutem dopasowania hipotez do wyników i ułatwia późniejszą publikację. Rejestrację można objąć embargiem do czasu obrony.

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. Lakens, D., & DeBruine, L. M. (2021). Improving transparency, falsifiability, and rigor by making hypothesis tests machine-readable. Advances in Methods and Practices in Psychological Science, 4(2), Article 2515245920970949. https://doi.org/10.1177/2515245920970949 ● Otwarty dostęp
  2. Nosek, B. A., Beck, E. D., Campbell, L., Flake, J. K., Hardwicke, T. E., Mellor, D. T., van ’t Veer, A. E., & Vazire, S. (2019). Preregistration is hard, and worthwhile. Trends in Cognitive Sciences, 23(10), 815–818. https://doi.org/10.1016/j.tics.2019.07.009 ● Otwarty dostęp: pełny tekst
  3. Nosek, B. A., Ebersole, C. R., DeHaven, A. C., & Mellor, D. T. (2018). The preregistration revolution. Proceedings of the National Academy of Sciences, 115(11), 2600–2606. https://doi.org/10.1073/pnas.1708274114 ● Otwarty dostęp: pełny tekst
  4. Van den Akker, O. R., Weston, S., Campbell, L., Chopik, B., Damian, R., Davis-Kean, P., Hall, A., Kosie, J., Kruse, E., Olsen, J., Ritchie, S., Valentine, K. D., Van 't Veer, A., & Bakker, M. (2021). Preregistration of secondary data analysis: A template and tutorial. Meta-Psychology, 5. https://doi.org/10.15626/mp.2020.2625 ● Otwarty dostęp
  5. Willroth, E. C., & Atherton, O. E. (2024). Best laid plans: A guide to reporting preregistration deviations. Advances in Methods and Practices in Psychological Science, 7(1), Article 25152459231213802. https://doi.org/10.1177/25152459231213802 ● Otwarty dostęp

Cytowania BibTeX

@article{lakens2021improving, author={Lakens, Daniël and DeBruine, Lisa M.}, title={{Improving transparency, falsifiability, and rigor by making hypothesis tests machine-readable}}, journal={Advances in Methods and Practices in Psychological Science}, year={2021}, volume={4}, number={2}, eid={2515245920970949}, doi={10.1177/2515245920970949}}
@article{nosek2019preregistration, author={Nosek, Brian A. and Beck, Emorie D. and Campbell, Lorne and Flake, Jessica K. and Hardwicke, Tom E. and Mellor, David T. and van ’t Veer, Anna E. and Vazire, Simine}, title={{Preregistration is hard, and worthwhile}}, journal={Trends in Cognitive Sciences}, year={2019}, volume={23}, number={10}, pages={815--818}, doi={10.1016/j.tics.2019.07.009}}
@article{nosek2018preregistration, author={Nosek, Brian A. and Ebersole, Charles R. and DeHaven, Alexander C. and Mellor, David T.}, title={{The preregistration revolution}}, journal={Proceedings of the National Academy of Sciences}, year={2018}, volume={115}, number={11}, pages={2600--2606}, doi={10.1073/pnas.1708274114}}
@article{vandenakker2021preregistration, author={Van den Akker, Olmo R. and Weston, Sara and Campbell, Lorne and Chopik, Bill and Damian, Rodica and Davis-Kean, Pamela and Hall, Andrew and Kosie, Jessica and Kruse, Elliott and Olsen, Jerome and Ritchie, Stuart and Valentine, KD and Van 't Veer, Anna and Bakker, Marjan}, title={{Preregistration of secondary data analysis: A template and tutorial}}, journal={Meta-Psychology}, year={2021}, volume={5}, doi={10.15626/mp.2020.2625}}
@article{willroth2024best, author={Willroth, Emily C. and Atherton, Olivia E.}, title={{Best laid plans: A guide to reporting preregistration deviations}}, journal={Advances in Methods and Practices in Psychological Science}, year={2024}, volume={7}, number={1}, eid={25152459231213802}, doi={10.1177/25152459231213802}}
R