Słownik metodologiczny · Dobór próby

Próba

Pełne wyjaśnienie, zastosowanie naukowe i praktyczne, przykład, dobre praktyki oraz gotowy zapis wyniku w APA 7.

Strona główna / Słownik / Próba

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Próba?

Próba to obserwowane jednostki wybrane z populacji według określonego schematu.
Co odróżnia to pojęcie? Próba jest faktycznie obserwowanym podzbiorem jednostek, a jej statystyki służą do opisu danych i ewentualnego wnioskowania o populacji. Należy pokazać drogę od osób kwalifikujących się przez zaproszone do analizowanych. Duża próba zmniejsza błąd losowy, lecz nie usuwa selekcji, braku odpowiedzi ani błędu pomiaru. Końcowe N może różnić się między analizami.

Zastosowanie, warunki i dobre praktyki

Najważniejsze zastosowanie: Opisuj próbę jako jednostki rzeczywiście obserwowane i analizowane, pokazując rekrutację, wykluczenia oraz braki danych.

Próba jest zbiorem jednostek faktycznie obserwowanych lub włączonych do analizy, dlatego trzeba opisać drogę od osób kwalifikujących się do końcowego N. Oceniaj mechanizm rekrutacji, wykluczenia i braki danych, ponieważ duża liczebność zmniejsza błąd losowy, lecz nie usuwa selekcji.

Jak poprawnie stosować i interpretować hasło „Próba”?

Przy ocenie pojęcia „Próba” trzeba odróżnić populację docelową, ramę doboru i osoby faktycznie przeanalizowane. Przy ocenie hasła „Próba” wielkość próby jest tylko jednym elementem jakości: sposób rekrutacji wyznacza ryzyko selekcji i zakres uogólnienia. W analizie dotyczącej hasła „Próba” plan liczebności powinien wynikać z głównego parametru, wymaganej precyzji albo mocy dla najmniejszego ważnego efektu, a także uwzględniać odpływ i strukturę klastrów.

Ocena pojęcia „Próba” obejmuje pokrycie populacji, odsetek odpowiedzi, różnice między uczestnikami i osobami utraconymi oraz zgodność liczebności z planem. Dla interpretacji hasła „Próba” wagi mogą korygować znane różnice, lecz nie usuwają automatycznie selekcji według cech niezmierzonych. W odniesieniu do hasła „Próba” dla doboru złożonego analiza musi zachować informację o warstwach, klastrach i prawdopodobieństwach włączenia.

Co trzeba opisać w raporcie?

Opis pojęcia „Próba” powinien podać populację, kryteria włączenia, kanały rekrutacji, okres zbierania danych, liczebność na każdym etapie i uzasadnienie planowanego N. Przy ocenie hasła „Próba” należy wskazać odpływ, wyłączenia oraz sposób uwzględnienia schematu doboru. W analizie dotyczącej hasła „Próba” określenie „reprezentatywna” wymaga konkretnych dowodów, nie samej dużej liczby osób.

Zakres raportowania dla hasła „Próba”: Podaj miejsce, czas, kryteria, sposób rekrutacji, przepływ i ograniczenia uogólnienia.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Spośród 480 zaproszonych osób odpowiedziało 214. To właśnie te 214 obserwacji tworzy próbę analityczną, a jej strukturę trzeba porównać z populacją docelową.

Jak ją zinterpretować: Wynik opisuje bezpośrednio przeanalizowane osoby lub jednostki, a uogólnienie zależy od ich drogi do badania. Liczebność poprawia precyzję, lecz nie usuwa selekcji, niepełnej ramy ani braku odpowiedzi.

Najczęstsza pułapka i granica interpretacji

Duże N zmniejsza błąd losowy, lecz nie usuwa obciążenia sposobu rekrutacji.

Duża „Próba” zmniejsza część niepewności losowej, ale nie usuwa systematycznego obciążenia rekrutacji ani błędu pomiaru. Dla interpretacji hasła „Próba” uogólnienie jest uzasadnione przez projekt doboru, a nie przez samą liczebność.

Przykład reprodukowalny dla tego hasła

Charakterystyka próby

Ten blok tworzy charakterystykę konkretnej próby; nie służy do wnioskowania o reprezentatywności ani doborze próby.

Dane wejściowe: Kolumny: wiek (liczbowa), plec i grupa (kategorie). Każdy wiersz oznacza jednego uczestnika.

Co sprawdzić w wyniku: Raportuj N, braki, M i SD lub Me i kwartyle oraz n (%) dla kategorii — dla całej próby i grup.

R
dane <- read.csv("dane.csv")

# Cała próba.
c(N = nrow(dane), braki_wiek = sum(is.na(dane$wiek)))
with(dane, c(M = mean(wiek, na.rm = TRUE),
             SD = sd(wiek, na.rm = TRUE),
             Me = median(wiek, na.rm = TRUE)))
prop.table(table(dane$plec, useNA = "ifany")) * 100

# Wiek według grup.
aggregate(wiek ~ grupa, data = dane,
          FUN = function(x) c(N = sum(!is.na(x)), M = mean(x, na.rm = TRUE),
                              SD = sd(x, na.rm = TRUE)))
Python
import pandas as pd

df = pd.read_csv("dane.csv")
print("N =", len(df))
print(df["wiek"].describe(percentiles=[.25, .50, .75]))
print(pd.crosstab(df["plec"], columns="n", margins=True))
print(pd.crosstab(df["plec"], columns="procent", normalize=True) * 100)

tabela_grup = df.groupby("grupa", dropna=False)["wiek"].agg(
    N="count", M="mean", SD="std", Me="median"
)
print(tabela_grup)
IBM SPSS Statistics — Syntax
GET DATA /TYPE=TXT
 /FILE='dane.csv'
 /DELCASE=LINE /DELIMITERS="," /FIRSTCASE=2
 /VARIABLES=wiek F8.2 plec A20 grupa A20.

FREQUENCIES VARIABLES=plec grupa
 /ORDER=ANALYSIS.

MEANS TABLES=wiek BY grupa
 /CELLS=COUNT MEAN STDDEV MEDIAN MIN MAX.

Bibliografia oprogramowania i wykorzystanych pakietów

W przykładach użyto: R, Python, IBM SPSS Statistics, pandas. 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.

  1. 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/
  2. Python: Van Rossum, G., & Drake, F. L., Jr. (2009). Python 3 reference manual. CreateSpace.
  3. IBM SPSS Statistics: IBM Corp. (2025). IBM SPSS Statistics for Macintosh (Version 31.0) [Computer software]. IBM Corp.
  4. pandas: McKinney, W. (2010). Data structures for statistical computing in Python. In S. van der Walt & J. Millman (Eds.), Proceedings of the 9th Python in Science Conference (pp. 56–61). https://doi.org/10.25080/Majora-92bf1922-00a
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{mckinney2010pandas,
  author = {McKinney, Wes},
  title = {Data Structures for Statistical Computing in Python},
  booktitle = {Proceedings of the 9th Python in Science Conference},
  editor = {van der Walt, Stéfan and Millman, Jarrod},
  year = {2010},
  pages = {56--61},
  doi = {10.25080/Majora-92bf1922-00a}
}

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

Powiązane hasła

Podwójnie ślepa próbaPróba kwotowaPróba losowaMoc testuPlan SalomonaPopulacja

Poradniki, w których użyjesz tego pojęcia

Poradnik

Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować

Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.

Czytaj →Poradnik

Regresja logistyczna: założenia, interpretacja i raportowanie modelu

Regresja logistyczna w praktyce: założenia, iloraz szans, diagnostyka, kalibracja, AUC oraz zasady rzetelnego raportowania modelu.

Czytaj →Poradnik

Modelowanie równań strukturalnych (SEM): od teorii do raportu

SEM bez skrótów myślowych: model pomiarowy i strukturalny, CB-SEM a PLS-SEM, dopasowanie, założenia oraz raportowanie wyników.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczyOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Lakens, D. (2022). Sample size justification. Collabra: Psychology, 8(1), 33267. https://doi.org/10.1525/collabra.33267
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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}}
R