Słownik metodologiczny · Projekt badania

Schemat obserwacyjny – co to jest, jakie są rodzaje badań obserwacyjnych i jak ograniczyć zakłócanie?

Schemat obserwacyjny to plan badania, w którym badacz nie przydziela ekspozycji – rejestruje, kto czego doświadczył, i porównuje wyniki. Pokazujemy plany kohortowe, kliniczno-kontrolne i przekrojowe, porównanie grup na starcie za pomocą SMD, korektę o zmienne zakłócające w R oraz obserwację zachowania jako metodę pomiaru.

Strona główna / Słownik / Schemat obserwacyjny
W skrócie: Schemat obserwacyjny to plan badania, w którym badacz nie przydziela osób do warunków, tylko rejestruje ekspozycję (np. udział w terapii, pracę zmianową) i porównuje wyniki osób z ekspozycją i bez niej. Główne odmiany to badania kohortowe, kliniczno-kontrolne i przekrojowe. Ponieważ grupy dobierają się same, porównaj je na starcie (SMD), uwzględnij uzasadnione zmienne zakłócające i pisz ostrożnie o przyczynach. W drugim znaczeniu termin oznacza systematyczną obserwację zachowania.

Co to jest schemat obserwacyjny?

Schemat obserwacyjny (ang. observational design, observational study) to plan badania, w którym badacz nie przydziela osób do warunków. Rejestruje, kto był na coś narażony albo coś wybrał (tzw. ekspozycja), i porównuje dalsze losy lub wyniki tych osób. Ekspozycją może być palenie, praca zmianowa, korzystanie z terapii czy chodzenie na korepetycje. Kluczowe jest to, że o ekspozycji zdecydowało życie albo sami uczestnicy, a nie losowanie.

W psychologii termin ma dwa znaczenia i warto je rozróżniać:

  • Badanie obserwacyjne jako plan – każde badanie bez przydziału ekspozycji przez badacza. To znaczenie dominuje w epidemiologii i naukach o zdrowiu; bliskim odpowiednikiem w psychologii jest schemat korelacyjny.
  • Obserwacja jako metoda zbierania danych – systematyczne rejestrowanie zachowania (np. interakcji dziecka z rodzicem) przez wyszkolonych obserwatorów według ustalonego klucza kategorii, zamiast pytania ludzi o nie w kwestionariuszu.

Oba znaczenia łączy brak ingerencji badacza w badane zjawisko. Hasło omawia najpierw plan, a potem metodę.

Rodzaje badań obserwacyjnych

Lista STROBE, standard raportowania badań obserwacyjnych, wyróżnia trzy podstawowe plany i ma 22 punkty, z których 18 jest wspólnych dla wszystkich trzech (von Elm i in., 2007).

Rodzaje badań obserwacyjnych z przykładami i typowymi miarami
PlanLogikaPrzykład w psychologiiTypowa miara
KohortowyOd ekspozycji do wyniku: osoby z ekspozycją i bez obserwuje się w czasieStudenci chodzący i niechodzący na korepetycje – wynik egzaminu na koniec semestruRóżnica średnich, ryzyko względne
Kliniczno-kontrolnyOd wyniku wstecz do ekspozycji: porównuje się osoby z wynikiem i bez niegoOsoby z zaburzeniem lękowym i bez – czy częściej doświadczyły przemocy rówieśniczej?Iloraz szans
PrzekrojowyEkspozycja i wynik mierzone jednocześniePraca zmianowa a objawy bezsenności w jednym badaniu ankietowymCzęstość, korelacja, iloraz szans

Plan kohortowy może być prospektywny, gdy śledzisz osoby od teraz, albo retrospektywny, gdy korzystasz z istniejących danych. Badanie przekrojowe omawiamy szerzej w haśle schemat przekrojowy, a wielokrotny pomiar tych samych osób – w haśle schemat podłużny.

Główny problem: grupy dobierają się same

W eksperymencie losowanie sprawia, że grupy na starcie różnią się tylko przypadkowo. W badaniu obserwacyjnym osoby same trafiają do grupy z ekspozycją albo bez niej – i zwykle różnią się wieloma cechami naraz. Grimes i Schulz (2002) podkreślają, że w badaniach obserwacyjnych zawsze w jakimś stopniu występują trzy rodzaje błędów: selekcji (kto trafia do badania i do grup), informacji (jak mierzymy ekspozycję i wynik) i zakłócania (wspólne przyczyny ekspozycji i wyniku, zob. zmienna zakłócająca). Mogą one dawać wysoce istotne, ale pozorne wyniki, dlatego przypadek – czyli wartość p – rozważa się na końcu, a nie na początku.

Przykład: korepetycje rówieśnicze a wynik egzaminu

W badaniu kohortowym (dane symulowane) obserwowano 400 osób na drugim roku psychologii. Na początku semestru 121 z nich zdecydowało się chodzić na korepetycje rówieśnicze ze statystyki, a 279 nie. Wtedy też zmierzono średnią ocen z pierwszego roku, motywację (1–7) i lęk przed statystyką (1–5). Na koniec semestru odnotowano wynik egzaminu (0–100 punktów).

Krok 1: czy grupy były porównywalne na starcie? Do porównania używa się standaryzowanej różnicy średnich (SMD), a nie testów istotności, bo SMD nie zależy od liczebności. Austin (2009) przypomina, że SMD = 0.1 odpowiada znikomej korelacji z przynależnością do grupy (φ = .05) – stąd popularny próg 0.1 dla „zaniedbywalnej” różnicy. W przykładzie osoby, które wybrały korepetycje, miały wyraźnie wyższą średnią ocen (SMD = 0.96), wyższą motywację (SMD = 0.44) i nieco wyższy lęk (SMD = 0.21).

Krok 2: porównanie surowe i skorygowane. Uczestnicy korepetycji uzyskali średnio 70.68 punktu (SD = 12.83), pozostali 60.39 (SD = 11.61). Surowa różnica wynosi 10.28 punktu, 95% CI [7.72, 12.85]. Po uwzględnieniu w regresji wielorakiej średniej ocen, motywacji i lęku różnica maleje do 3.57 punktu, 95% CI [1.22, 5.92], p = .003. Większość surowej różnicy wynikała więc z tego, kto wybierał korepetycje, a nie z samych korepetycji.

Panel A: standaryzowane różnice średnich między uczestnikami korepetycji a pozostałymi na starcie: średnia ocen 0.96, motywacja 0.44, lęk przed statystyką 0.21, wszystkie poza szarym pasem od −0.1 do 0.1. Panel B: różnica w wyniku egzaminu z 95% przedziałem ufności – surowa 10.28 [7.72, 12.85], skorygowana o trzy zmienne 3.57 [1.22, 5.92]; linia przerywana oznacza efekt 4 wpisany w symulację
Rysunek 1. A: różnice między grupami przed ekspozycją (szary pas: |SMD| < 0.1). B: efekt korepetycji przed korektą i po korekcie o zmierzone zmienne zakłócające; linia przerywana to efekt wpisany w symulację. Obliczenia: R (dane symulowane).

W symulacji znamy prawdę (efekt korepetycji = 4 punkty) i wiemy, że zmierzyliśmy wszystkie zmienne zakłócające. W prawdziwym badaniu żadnej z tych rzeczy nie wiesz. Wynik skorygowany jest wiarygodny tylko wtedy, gdy nie ma ważnych niezmierzonych różnic, np. w zdolnościach matematycznych czy czasie na naukę. Dlatego wnioski z badania obserwacyjnego formułuje się ostrożnie, a o związku przyczynowym przemawia dopiero zbieżność wielu przesłanek. Grimes i Schulz (2002) wymieniają wśród nich kolejność w czasie, siłę i spójność związku oraz zależność „dawka–odpowiedź”.

Obserwacja zachowania jako metoda

W drugim znaczeniu schemat obserwacyjny to sposób pomiaru: zamiast pytać, obserwujesz. Dobrze zaplanowana obserwacja systematyczna wymaga kilku decyzji:

  1. Klucz kategorii – jasno zdefiniowane, rozłączne zachowania (np. „dziecko inicjuje kontakt”, „rodzic chwali”) z przykładami granicznymi, spisane w książce kodowej.
  2. Sposób próbkowania – rejestrowanie każdego zdarzenia, rejestrowanie w krótkich przedziałach czasu (np. co 10 sekund) albo próbki czasowe.
  3. Warunki – obserwacja naturalna (szkoła, dom) albo w sytuacji ustrukturyzowanej (laboratorium, zadanie wspólne).
  4. Zgodność obserwatorów – co najmniej część materiału koduje niezależnie dwóch obserwatorów. Hallgren (2012) omawia, jak zaplanować taki pomiar oraz jak policzyć i zaraportować kappę Cohena dla kategorii i ICC dla ocen ilościowych.

Obserwacja zmniejsza problemy samoopisu, np. aprobatę społeczną, ale wprowadza własne: reaktywność (ludzie zachowują się inaczej, gdy wiedzą, że są obserwowani) i oczekiwania obserwatora. Pomaga kodowanie nagrań przez osoby, które nie znają hipotez.

Jak opisać badanie obserwacyjne (APA)

Nazwij plan (kohortowy, kliniczno-kontrolny, przekrojowy), opisz, jak osoby trafiały do grup, pokaż porównanie grup na starcie i uzasadnij wybór zmiennych kontrolnych. Lista STROBE (von Elm i in., 2007) dobrze sprawdza się jako lista kontrolna także w pracy dyplomowej.

Badanie miało charakter obserwacyjny (kohortowy): udział w korepetycjach rówieśniczych zależał od decyzji uczestników. Osoby uczestniczące w korepetycjach (n = 121) różniły się na początku semestru od pozostałych (n = 279) średnią ocen z pierwszego roku (SMD = 0.96), motywacją (SMD = 0.44) i lękiem przed statystyką (SMD = 0.21). Surowa różnica w wyniku egzaminu wyniosła 10.28 punktu, 95% CI [7.72, 12.85]. Po uwzględnieniu tych trzech zmiennych w regresji wielorakiej różnica zmniejszyła się do 3.57 punktu, 95% CI [1.22, 5.92], p = .003. Ze względu na obserwacyjny charakter badania nie można wykluczyć wpływu niezmierzonych zmiennych zakłócających.

Wzór tabeli charakterystyki grup na starcie znajdziesz we wpisie jak opisać charakterystykę próby badawczej. Wymagania czasopism medycznych wobec badań obserwacyjnych omawia wpis statystyka w publikacji medycznej.

Przykład reprodukowalny

Przykład w R

Kod tworzy dane badania kohortowego z samodzielnym wyborem ekspozycji, liczy standaryzowane różnice średnich na starcie oraz surową i skorygowaną różnicę w wyniku egzaminu.

Porównanie grup na starcie i korekta o zmienne zakłócające

Dane wejściowe: 400 osób (dane symulowane, set.seed(1881)): udział w korepetycjach (tak/nie, wybór zależny od średniej ocen, motywacji i lęku), średnia ocen z 1. roku, motywacja (1–7), lęk przed statystyką (1–5), wynik egzaminu (0–100).

Co odczytać: liczebność grup; SMD dla trzech zmiennych; średnie egzaminu w grupach; w tabeli surowy/skorygowany różnicę z 95% CI; w pełnym modelu wiersz korepetycjetak.

R
# Dane symulowane: badanie obserwacyjne (kohortowe) – nikt nie przydziela „ekspozycji”.
# 400 osób na 2. roku psychologii; część SAMA zdecydowała się chodzić na korepetycje rówieśnicze
# ze statystyki. Na początku semestru zmierzono: średnią ocen z 1. roku, motywację (1–7)
# i lęk przed statystyką (1–5). Wynik: egzamin ze statystyki (0–100 pkt).
set.seed(1881)
n <- 400
srednia_ocen <- round(pmin(pmax(rnorm(n, 3.9, 0.45), 3), 5), 2)
motywacja <- round(pmin(pmax(rnorm(n, 4.5, 1.1), 1), 7), 1)
lek <- round(pmin(pmax(rnorm(n, 3, 0.8), 1), 5), 1)
szansa <- plogis(-1.2 + 1.3 * (srednia_ocen - 3.9) / 0.45 + 0.8 * (motywacja - 4.5) / 1.1 + 0.3 * (lek - 3) / 0.8)
korepetycje <- factor(ifelse(runif(n) < szansa, "tak", "nie"), levels = c("nie", "tak"))
egzamin <- round(pmin(pmax(62 + 4 * (korepetycje == "tak") + 7 * (srednia_ocen - 3.9) / 0.45 +
                             4 * (motywacja - 4.5) / 1.1 - 3 * (lek - 3) / 0.8 + rnorm(n, sd = 10), 0), 100))
dane <- data.frame(korepetycje, srednia_ocen, motywacja, lek, egzamin)
table(dane$korepetycje)

# 1. Czy grupy były porównywalne na starcie? Standaryzowana różnica średnich (SMD)
smd <- function(x, g) (mean(x[g == "tak"]) - mean(x[g == "nie"])) / sqrt((var(x[g == "tak"]) + var(x[g == "nie"])) / 2)
round(sapply(dane[, c("srednia_ocen", "motywacja", "lek")], smd, g = dane$korepetycje), 2)

# 2. Surowe porównanie wyników egzaminu
aggregate(egzamin ~ korepetycje, data = dane, FUN = function(x) round(c(M = mean(x), SD = sd(x)), 2))
m_surowy <- lm(egzamin ~ korepetycje, data = dane)
# 3. Model skorygowany o zmierzone zmienne zakłócające
m_skoryg <- lm(egzamin ~ korepetycje + srednia_ocen + motywacja + lek, data = dane)
round(rbind(surowy = c(b = coef(m_surowy)[["korepetycjetak"]], confint(m_surowy)["korepetycjetak", ]),
            skorygowany = c(b = coef(m_skoryg)[["korepetycjetak"]], confint(m_skoryg)["korepetycjetak", ])), 2)
summary(m_skoryg)$coefficients
Wynik w R

nie tak 
279 121 
srednia_ocen    motywacja          lek 
        0.96         0.44         0.21 
  korepetycje egzamin.M egzamin.SD
1         nie     60.39      11.61
2         tak     70.68      12.83
                b 2.5 % 97.5 %
surowy      10.28  7.72  12.85
skorygowany  3.57  1.22   5.92
                Estimate Std. Error   t value     Pr(>|t|)
(Intercept)    -3.340913  5.7808166 -0.577931 5.636400e-01
korepetycjetak  3.571105  1.1950151  2.988335 2.980212e-03
srednia_ocen   15.582804  1.2675506 12.293635 1.232928e-29
motywacja       3.466028  0.4858838  7.133450 4.707214e-12
lek            -3.539675  0.6136511 -5.768222 1.619045e-08

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (tylko funkcje bazowe); rysunek przygotowano w pakietach ggplot2 i patchwork.

  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/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze błędy

  • Porównanie surowe przedstawione jako efekt. Różnica 10 punktów w przykładzie to głównie efekt tego, kto wybiera korepetycje.
  • Testy istotności zamiast SMD przy porównaniu grup na starcie – przy dużej próbie wszystko jest „istotne”, przy małej nic.
  • Kontrolowanie zmiennych mierzonych po ekspozycji, np. liczby godzin nauki w trakcie semestru, która może być skutkiem korepetycji.
  • Brak opisu, jak osoby trafiały do grup i ile odpadło w trakcie obserwacji.
  • Obserwacja zachowania bez sprawdzenia zgodności obserwatorów – bez kappy lub ICC nie wiadomo, czy kategorie są rzetelne.
  • Mylenie badania obserwacyjnego z eksperymentem naturalnym. To drugie wymaga, by ekspozycja była „prawie losowa” (np. wynikała z daty urodzenia), czego w zwykłym badaniu obserwacyjnym brak.

Najczęstsze pytania

Co to jest badanie obserwacyjne?

To badanie, w którym badacz nie decyduje, kto doświadczy ekspozycji (np. terapii, pracy zmianowej, korepetycji), tylko rejestruje ją i porównuje dalsze wyniki. Ponieważ grupy dobierają się same, mogą różnić się wieloma cechami, co utrudnia wnioskowanie o przyczynach.

Czym różni się badanie obserwacyjne od eksperymentu?

W eksperymencie badacz losowo przydziela osoby do warunków, więc grupy różnią się na starcie tylko przypadkowo. W badaniu obserwacyjnym ekspozycję wybierają sami uczestnicy lub okoliczności, dlatego różnice w wyniku mogą wynikać ze zmiennych zakłócających, a nie z ekspozycji.

Jakie są rodzaje badań obserwacyjnych?

Podstawowe to badanie kohortowe (od ekspozycji do wyniku, obserwacja w czasie), kliniczno-kontrolne (od wyniku wstecz do ekspozycji) i przekrojowe (ekspozycja i wynik mierzone jednocześnie). Wszystkie trzy obejmuje lista STROBE.

Jak sprawdzić, czy grupy w badaniu obserwacyjnym są porównywalne?

Policz standaryzowane różnice średnich (SMD) dla ważnych zmiennych mierzonych przed ekspozycją; wartości powyżej około 0.1 wskazują na istotną nierównowagę. Testy istotności się tu nie sprawdzają, bo ich wynik zależy głównie od liczebności próby.

Co to jest obserwacja systematyczna w psychologii?

To metoda zbierania danych, w której wyszkoleni obserwatorzy rejestrują zachowanie według ustalonego klucza kategorii i zasad próbkowania czasu. Wymaga sprawdzenia zgodności obserwatorów, np. kappą Cohena albo ICC, na części materiału kodowanej niezależnie przez dwie osoby.

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. Austin, P. C. (2009). Using the standardized difference to compare the prevalence of a binary variable between two groups in observational research. Communications in Statistics – Simulation and Computation, 38(6), 1228–1234. https://doi.org/10.1080/03610910902859574
  2. Grimes, D. A., & Schulz, K. F. (2002). Bias and causal associations in observational research. The Lancet, 359(9302), 248–252. https://doi.org/10.1016/s0140-6736(02)07451-2
  3. Hallgren, K. A. (2012). Computing inter-rater reliability for observational data: An overview and tutorial. Tutorials in Quantitative Methods for Psychology, 8(1), 23–34. https://doi.org/10.20982/tqmp.08.1.p023 ● Otwarty dostęp
  4. von Elm, E., Altman, D. G., Egger, M., Pocock, S. J., Gøtzsche, P. C., Vandenbroucke, J. P., & STROBE Initiative. (2007). The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: Guidelines for reporting observational studies. PLOS Medicine, 4(10), Article e296. https://doi.org/10.1371/journal.pmed.0040296 ● Otwarty dostęp

Cytowania BibTeX

@article{austin2009using, author={Austin, Peter C.}, title={{Using the standardized difference to compare the prevalence of a binary variable between two groups in observational research}}, journal={Communications in Statistics – Simulation and Computation}, year={2009}, volume={38}, number={6}, pages={1228--1234}, doi={10.1080/03610910902859574}}
@article{grimes2002bias, author={Grimes, David A. and Schulz, Kenneth F.}, title={{Bias and causal associations in observational research}}, journal={The Lancet}, year={2002}, volume={359}, number={9302}, pages={248--252}, doi={10.1016/s0140-6736(02)07451-2}}
@article{hallgren2012computing, author={Hallgren, Kevin A.}, title={{Computing inter-rater reliability for observational data: An overview and tutorial}}, journal={Tutorials in Quantitative Methods for Psychology}, year={2012}, volume={8}, number={1}, pages={23--34}, doi={10.20982/tqmp.08.1.p023}}
@article{vonelm2007strengthening, author={von Elm, Erik and Altman, Douglas G. and Egger, Matthias and Pocock, Stuart J. and Gøtzsche, Peter C. and Vandenbroucke, Jan P. and {STROBE Initiative}}, title={{The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: Guidelines for reporting observational studies}}, journal={PLOS Medicine}, year={2007}, volume={4}, number={10}, eid={e296}, doi={10.1371/journal.pmed.0040296}}
R