Słownik metodologiczny · Projekt badania

Schemat międzyobiektowy czy wewnątrzobiektowy – jak wybrać plan eksperymentu?

Ta sama osoba we wszystkich warunkach czy osobne grupy? Pokazujemy, co decyduje o wyborze schematu i ile osób potrzeba w każdym z nich przy tym samym efekcie.

Strona główna / Słownik / Schemat międzyobiektowy i wewnątrzobiektowy

Opracowanie merytoryczne: · Opublikowano:

W skrócie: W schemacie międzyobiektowym każda osoba przechodzi jeden warunek, a w wewnątrzobiektowym wszystkie. Wewnątrzobiektowy daje większą moc przy mniejszej próbie, ale jest narażony na przeniesienie, zmęczenie i domyślanie się celu badania.

Co to jest schemat międzyobiektowy i wewnątrzobiektowy?

Schemat międzyobiektowy (ang. between-subjects design) to plan badania, w którym każda osoba przechodzi tylko jeden warunek, a warunki porównuje się między grupami. W schemacie wewnątrzobiektowym (ang. within-subjects design) ta sama osoba przechodzi wszystkie warunki. Własności pojedynczych zmiennych opisują hasła czynnik międzyobiektowy i czynnik wewnątrzobiektowy. Tutaj chodzi o decyzję, który plan wybrać do eksperymentu.

Jak wybrać schemat

  • Moc. W schemacie wewnątrzobiektowym stałe różnice między ludźmi znikają z członu błędu, więc ta sama liczba osób daje większą moc (Greenwald, 1976). Zysk rośnie wraz z korelacją między pomiarami.
  • Przeniesienie. Czy jeden warunek może zmienić reakcję na następny, np. przez poznaną strategię? Wtedy grozi efekt przeniesienia, którego nie usunie nawet kontrbalansowanie.
  • Wprawa i zmęczenie. Długą procedurę powtarzaną kilka razy uczestnicy wykonują coraz sprawniej albo coraz mniej starannie.
  • Domyślanie się celu. Kto widzi wszystkie warunki, łatwiej odgaduje hipotezę i może odpowiadać „pod badacza” (ang. demand characteristics).

Gdy warunek zostawia trwały ślad (nauka, wprowadzenie w błąd, terapia), wybierz schemat międzyobiektowy. Gdy warunki są krótkie i odwracalne, np. różne bodźce w zadaniu na czas reakcji, zwykle opłaca się wewnątrzobiektowy.

Przykład: ile osób potrzeba

Chcesz wykryć efekt d = 0.5 z mocą .80 przy α = .05. W schemacie międzyobiektowym potrzebujesz 64 osób na grupę, razem 128. W wewnątrzobiektowym liczebność zależy od korelacji r między pomiarami, bo dz = d/√(2(1 − r)): przy r = .30 wystarczy 46 osób, przy r = .50 – 34, a przy r = .70 – 21. Brysbaert (2019) podaje podobne tabele dla typowych schematów. Korelację weź z pilotażu albo z wcześniejszych badań (zob. analiza mocy a priori).

Jak opisać w pracy

Zastosowano schemat wewnątrzobiektowy: każda osoba wykonała zadanie w ciszy i w hałasie, a kolejność warunków kontrbalansowano. Przy d = 0.5, mocy .80, α = .05 i oczekiwanej korelacji pomiarów r = .50 analiza mocy wskazała 34 osoby, wobec 128 w schemacie międzyobiektowym.

Na co uważać

  • Dane ze schematu wewnątrzobiektowego analizuj testami dla pomiarów zależnych, a nie jak grupy niezależne (zob. ANOVA z powtarzanymi pomiarami czy model mieszany).
  • Greenwald (1976) zauważa, że wybór schematu zależy też od tego, na jaki kontekst chcesz uogólniać. Jeśli w życiu ludzie spotykają tylko jeden warunek, schemat międzyobiektowy bywa trafniejszy.
  • Oba schematy można połączyć w planie mieszanym, np. grupa × pomiar przed i po interwencji.
Przykład reprodukowalny

Liczebność próby w obu schematach w R

Funkcja power.t.test() liczy liczebność dla testu t dla grup niezależnych i dla pomiarów zależnych, więc pakiet pwr nie jest potrzebny. Liczby z przykładu pochodzą z tego kodu.

Ile osób przy d = 0.5 i mocy .80

Dane wejściowe: efekt d = 0.5, moc .80, α = .05 (test dwustronny), korelacje między pomiarami .30, .50 i .70.

Co odczytać: liczbę osób na grupę w schemacie międzyobiektowym oraz dz i liczbę osób w schemacie wewnątrzobiektowym dla każdej korelacji.

R
# Ile osób potrzeba w schemacie międzyobiektowym i wewnątrzobiektowym
# przy tym samym efekcie d = 0.5, mocy .80 i alfa = .05 (test dwustronny).
# W schemacie wewnątrzobiektowym d_z = d / sqrt(2 * (1 - r)), gdzie r to korelacja między pomiarami.
d <- 0.5
miedzy <- power.t.test(delta = d, sd = 1, power = 0.80, sig.level = 0.05)$n
cat("Międzyobiektowy: n na grupę =", ceiling(miedzy), "; razem =", 2 * ceiling(miedzy), "\n")
for (r in c(0.3, 0.5, 0.7)) {
  dz <- d / sqrt(2 * (1 - r))
  n <- power.t.test(delta = dz, sd = 1, power = 0.80, sig.level = 0.05, type = "paired")$n
  cat(sprintf("Wewnątrzobiektowy, r = %s: d_z = %.3f, n = %d osób\n", sub("^0", "", sprintf("%.2f", r)), dz, ceiling(n)))
}
Wynik w R
Międzyobiektowy: n na grupę = 64 ; razem = 128 
Wewnątrzobiektowy, r = .30: d_z = 0.423, n = 46 osób
Wewnątrzobiektowy, r = .50: d_z = 0.500, n = 34 osób
Wewnątrzobiektowy, r = .70: d_z = 0.645, n = 21 osób

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcja power.t.test() pakietu stats). W pracy podaj wersję R, której faktycznie użyto (sessionInfo()).

  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 pytania

Który schemat eksperymentu wymaga mniej osób badanych?

Zwykle wewnątrzobiektowy, bo różnice między ludźmi nie trafiają do błędu. Przy d = 0.5 i korelacji pomiarów .50 wystarczą 34 osoby, a w schemacie międzyobiektowym potrzeba 128.

Kiedy lepszy jest schemat międzyobiektowy?

Gdy warunek zostawia trwały ślad (nauka strategii, wprowadzenie w błąd, terapia), gdy procedura jest długa i męcząca albo gdy porównanie warunków zdradziłoby uczestnikom hipotezę.

Czy w jednym eksperymencie można połączyć schemat międzyobiektowy i wewnątrzobiektowy?

Tak, to plan mieszany: jeden czynnik jest międzyobiektowy (np. grupa eksperymentalna i kontrolna), a drugi wewnątrzobiektowy (np. pomiar przed i po interwencji).

Powiązane hasła

Czynnik międzyobiektowyCzynnik wewnątrzobiektowyKontrbalansowanieEfekt przeniesienia (carryover)Analiza mocy a priori (G*Power)Schemat eksperymentalny

Poradniki, w których użyjesz tego pojęcia

Poradnik

ANOVA z powtarzanymi pomiarami czy model mieszany?

Ten sam przykład 2 × 4 w afex i lmerTest, symulacja odpadania MAR, struktura efektów losowych, stopnie swobody, R² i gotowy opis do artykułu.

Czytaj →Poradnik

Dobór liczebności próby: moc, precyzja i uzasadnienie badania

Jak dobrać liczebność próby? Moc testu, precyzja, symulacja, przewidywane braki danych i zasady rzetelnego uzasadnienia liczby uczestników.

Czytaj →

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. Brysbaert, M. (2019). How many participants do we have to include in properly powered experiments? A tutorial of power analysis with reference tables. Journal of Cognition, 2(1), Article 16. https://doi.org/10.5334/joc.72 ● Otwarty dostęp
  2. Greenwald, A. G. (1976). Within-subjects designs: To use or not to use? Psychological Bulletin, 83(2), 314–320. https://doi.org/10.1037/0033-2909.83.2.314

Cytowania BibTeX

@article{brysbaert2019how, author={Brysbaert, Marc}, title={{How many participants do we have to include in properly powered experiments? A tutorial of power analysis with reference tables}}, journal={Journal of Cognition}, year={2019}, volume={2}, number={1}, eid={16}, doi={10.5334/joc.72}}
@article{greenwald1976within, author={Greenwald, Anthony G.}, title={{Within-subjects designs: To use or not to use?}}, journal={Psychological Bulletin}, year={1976}, volume={83}, number={2}, pages={314--320}, doi={10.1037/0033-2909.83.2.314}}
R