Słownik metodologiczny · Statystyka opisowa

Standaryzacja zmiennej

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

Strona główna / Słownik / Standaryzacja zmiennej

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Standaryzacja zmiennej?

Standaryzacja z-score odejmuje średnią i dzieli przez SD, dając średnią 0 i SD 1 w użytej próbie.

Zastosowanie, warunki i dobre praktyki

Standaryzacja z odejmuje średnią i dzieli przez odchylenie standardowe, przez co wynik opisuje odległość od średniej w jednostkach SD. Ułatwia porównanie skal i interpretację niektórych modeli, ale zależy od grupy odniesienia i obserwacji odstających. Nie normalizuje automatycznie kształtu rozkładu i nie usuwa nieliniowości ani błędu pomiaru. Parametry użyte do transformacji należy zachować, jeśli ten sam przelicznik ma objąć późniejsze dane.

Najważniejsze zastosowanie: Używaj do porównania skal i interakcji, pamiętając o populacji odniesienia.

Jak poprawnie stosować i interpretować hasło „Standaryzacja zmiennej”?

Przy ocenie pojęcia „Standaryzacja zmiennej” należy zapisać dokładną regułę transformacji, zakres wejściowy i znaczenie wyniku po przekształceniu. W odniesieniu do hasła „Standaryzacja zmiennej” trzeba zachować surową kolumnę i utworzyć nową zmienną, aby można było odtworzyć zmianę. Przy ocenie hasła „Standaryzacja zmiennej” reguła powinna wynikać z klucza narzędzia lub celu analizy, a nie z chęci uzyskania korzystniejszego rozkładu.

Ocena pojęcia „Standaryzacja zmiennej” wymaga ręcznego sprawdzenia kilku rekordów, kontroli braków i weryfikacji minimalnej oraz maksymalnej wartości. W analizie dotyczącej hasła „Standaryzacja zmiennej” warto porównać rozkład przed i po przekształceniu. Dla interpretacji hasła „Standaryzacja zmiennej”, jeśli transformacja wpływa na współczynniki albo kolejność osób, trzeba opisać tę konsekwencję i sprawdzić stabilność wniosku.

Co trzeba opisać w raporcie?

Raport dotyczący „Standaryzacja zmiennej” powinien podać wzór lub tabelę mapowania, nazwy zmiennych źródłowych, traktowanie braków oraz moment wykonania operacji. W odniesieniu do hasła „Standaryzacja zmiennej” w materiałach uzupełniających warto zachować syntax. Przy ocenie hasła „Standaryzacja zmiennej” wynik po transformacji należy interpretować w nowej skali, a nie przypisywać mu własności, których nie miały dane wejściowe.

Zakres raportowania dla hasła „Standaryzacja zmiennej”: Podaj, względem jakiej próby i jakich parametrów standaryzowano.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Wynik z=1,5 leży 1,5 SD powyżej średniej próby.

Jak ją zinterpretować: Wynik z mówi, o ile odchyleń standardowych obserwacja różni się od średniej użytego zbioru. Transformacja ułatwia porównanie skal, lecz nie normalizuje rozkładu ani nie usuwa wartości odstających.

Najczęstsza pułapka i granica interpretacji

Z-score nie normalizuje kształtu rozkładu; zmienia tylko położenie i skalę.

Poprawne technicznie „Standaryzacja zmiennej” nie poprawia automatycznie trafności i nie usuwa błędu pomiaru. W analizie dotyczącej hasła „Standaryzacja zmiennej” niejawna transformacja może utrudnić reprodukcję, a odwrócenie niewłaściwej pozycji lub błędna mapa kategorii zmienia sens całego wyniku.

Przykład reprodukowalny dla tego hasła

Standaryzacja, wyniki z, T, sten i ipsatyzacja

Kod przelicza jedną zmienną na wyniki z i kontroluje średnią oraz odchylenie po transformacji.

Dane wejściowe: wynik jest wynikiem surowym; cecha1–cecha4 tworzą profil osoby. Normy muszą być właściwe dla populacji i aktualne.

Co sprawdzić w wyniku: Transformacja zmienia skalę, ale nie poprawia trafności ani rzetelności. Wynik znormalizowany wymaga jawnej grupy odniesienia.

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

dane$z <- as.numeric(scale(dane$wynik))
dane$T <- 50 + 10 * dane$z
dane$sten_orientacyjny <- pmin(10, pmax(1, round(5.5 + 2*dane$z)))

# Ipsatyzacja: odjęcie średniej profilu danej osoby.
profil <- as.matrix(dane[c("cecha1", "cecha2", "cecha3", "cecha4")])
profil_ipsatywny <- profil - rowMeans(profil, na.rm = FALSE)
Python
import pandas as pd

df = pd.read_csv("dane.csv")
df["z"] = (df["wynik"] - df["wynik"].mean()) / df["wynik"].std(ddof=1)
df["T"] = 50 + 10 * df["z"]
df["sten_orientacyjny"] = (5.5 + 2*df["z"]).round().clip(1, 10)

cols = ["cecha1", "cecha2", "cecha3", "cecha4"]
profil_ipsatywny = df[cols].sub(df[cols].mean(axis=1), axis=0)
IBM SPSS Statistics — Syntax
DESCRIPTIVES VARIABLES=wynik /SAVE.
COMPUTE wynik_T=50+10*Zwynik.
COMPUTE sten_orientacyjny=RND(5.5+2*Zwynik).
IF (sten_orientacyjny<1) sten_orientacyjny=1.
IF (sten_orientacyjny>10) sten_orientacyjny=10.

COMPUTE srednia_profilu=MEAN.4(cecha1,cecha2,cecha3,cecha4).
COMPUTE cecha1_ips=cecha1-srednia_profilu.
COMPUTE cecha2_ips=cecha2-srednia_profilu.
COMPUTE cecha3_ips=cecha3-srednia_profilu.
COMPUTE cecha4_ips=cecha4-srednia_profilu.
EXECUTE.

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 (Appelbaum et al., 2018).

Powiązane hasła

Dominanta (modalna, moda)HistogramKanon jednej różnicyKryterium procenta wyjaśnianej wariancjiKrzywa ROCKurtoza

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. 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
  2. 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
  3. 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
  4. 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
  5. Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108
  6. Greenland, S., Senn, S. J., Rothman, K. J., Carlin, J. B., Poole, C., Goodman, S. N., & Altman, D. G. (2016). Statistical tests, P values, confidence intervals, and power: A guide to misinterpretations. European Journal of Epidemiology, 31(4), 337–350. https://doi.org/10.1007/s10654-016-0149-3

Cytowania BibTeX

@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{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{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{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}}
@article{wasserstein2016pvalues, author={Wasserstein, Ronald L. and Lazar, Nicole A.}, title={The ASA Statement on p-Values: Context, Process, and Purpose}, journal={The American Statistician}, year={2016}, volume={70}, number={2}, pages={129--133}, doi={10.1080/00031305.2016.1154108}}
@article{greenland2016misinterpretations, author={Greenland, Sander and Senn, Stephen J. and Rothman, Kenneth J. and Carlin, John B. and Poole, Charles and Goodman, Steven N. and Altman, Douglas G.}, title={Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations}, journal={European Journal of Epidemiology}, year={2016}, volume={31}, number={4}, pages={337--350}, doi={10.1007/s10654-016-0149-3}}
R