Słownik metodologiczny · Testy statystyczne

Test Friedmana – kiedy go stosować, jak liczyć i jak opisać wynik?

Test Friedmana porównuje trzy lub więcej pomiarów tych samych osób na podstawie rang nadawanych w obrębie każdej osoby. Pokazujemy statystykę χ²F, W Kendalla, porównania post hoc z korektą Holma i opis wyniku w APA – na przykładzie z czterema warunkami policzonym w R.

Strona główna / Słownik / Test Friedmana
W skrócie: Test Friedmana porównuje co najmniej trzy pomiary tych samych osób na podstawie rang nadawanych osobno w obrębie każdej osoby; jego statystyka χ²F ma w przybliżeniu rozkład χ² z k − 1 stopniami swobody. To nieparametryczny odpowiednik ANOVA z powtarzanymi pomiarami – nie wymaga normalności ani sferyczności, ale ma mniejszą moc. Wielkość efektu opisz W Kendalla, a różnice między warunkami sprawdź testami Wilcoxona dla par z korektą Holma.

Co to jest test Friedmana?

Test Friedmana (ang. Friedman test, także Friedman’s two-way analysis of variance by ranks) to test nieparametryczny do porównania trzech lub więcej powiązanych pomiarów: tych samych osób w kilku warunkach eksperymentu albo w kilku momentach. Jest rangowym odpowiednikiem ANOVA z powtarzanymi pomiarami – zamiast surowych wyników analizuje rangi nadawane osobno w obrębie każdej osoby. Zaproponował go Milton Friedman (1937) jako sposób porównania warunków bez założenia normalności rozkładu.

W psychologii sięga się po niego najczęściej wtedy, gdy zmienną zależną jest pojedyncza pozycja skali Likerta albo inna ocena na skali porządkowej: trudność trzech wersji zadania, atrakcyjność czterech bodźców, nasilenie objawu w kolejnych tygodniach. Każda osoba stanowi „blok”, a porównywane warunki to poziomy czynnika wewnątrzobiektowego. Przy dwóch pomiarach zamiast testu Friedmana użyj testu Wilcoxona dla par, a dla grup niezależnych – testu Kruskala-Wallisa.

Jak działa: rangi w obrębie osób

  1. Dla każdej osoby uszereguj jej wyniki we wszystkich k warunkach od najniższego (ranga 1) do najwyższego (ranga k); równym wynikom przypisz średnią rangę.
  2. Dla każdego warunku zsumuj rangi wszystkich n osób (Rj).
  3. Porównaj sumy rang z sumą oczekiwaną przy braku różnic, czyli n(k + 1) / 2.
χ²F = [12 / (n × k × (k + 1))] × Σ Rj² − 3n(k + 1),   df = k − 1

Rangowanie wewnątrz osób to sedno testu: znika poziom, na którym dana osoba używa skali, a zostaje kolejność warunków. Ktoś, kto wszystko ocenia na 2–3, i ktoś, kto odpowiada 5–7, wnoszą tę samą informację: który warunek jest u nich lepszy, a który gorszy. Gdy hipoteza zerowa jest prawdziwa (żaden warunek nie jest systematycznie oceniany wyżej), każda kolejność rang jest u każdej osoby jednakowo prawdopodobna, a χ²F ma w przybliżeniu rozkład χ² z k − 1 stopniami swobody. Przy wielu rangach wiązanych, częstych na krótkich skalach, program dzieli statystykę przez poprawkę na wiązania.

Wielkość efektu opisuje współczynnik zgodności W Kendalla, wywodzący się z pracy Kendalla i Babington Smitha (1939) o zgodności wielu uporządkowań:

W = χ²F / (n(k − 1))

W przyjmuje wartości od 0 (osoby porządkują warunki zupełnie różnie) do 1 (wszyscy ustawiają warunki w tej samej kolejności). Nie myl go z korelacją tau Kendalla, która opisuje związek dwóch zmiennych.

Kiedy stosować test Friedmana?

  • Te same osoby we wszystkich warunkach (albo dobrane bloki, np. trójki osób dopasowane pod względem wieku). Osoba z brakiem w jednym warunku wypada z analizy.
  • Co najmniej trzy warunki i zmienna co najmniej porządkowa.
  • Niezależne osoby – wynik jednej osoby nie wpływa na wynik innej.

Test nie wymaga normalności ani założenia sferyczności, ale ma swoją cenę. Zimmerman i Zumbo (1993) przypominają, że test Friedmana jest uogólnieniem testu znaków, i pokazują w symulacjach, że ma podobnie skromną moc – wyraźnie mniejszą niż ANOVA z powtarzanymi pomiarami wykonana na rangach, która zachowywała się jak test Wilcoxona. Dlatego przy danych ilościowych o rozkładzie zbliżonym do normalnego wybierz ANOVA z powtarzanymi pomiarami, a test Friedmana zostaw dla danych porządkowych oraz małych prób z silnie skośnymi rozkładami lub obserwacjami odstającymi. Zdecyduj o tym przed analizą, a nie po porównaniu wartości p obu testów.

Przykład: skupienie w czterech warunkach dźwiękowych

Dwadzieścia osób (dane symulowane) czytało cztery teksty w czterech warunkach: w ciszy, przy szumie, przy muzyce instrumentalnej i przy muzyce z tekstem; kolejność warunków losowano. Po każdym tekście oceniały na skali 1–7, jak łatwo było im się skupić. Pojedyncza pozycja i mała próba to typowa sytuacja dla testu Friedmana.

Mediany, kwartyle i rangi ocen łatwości skupienia w czterech warunkach
WarunekMe [Q1, Q3]Suma rang RjŚrednia ranga
Cisza5.0 [4.75, 6.00]62.53.13
Szum4.0 [4.00, 5.25]53.02.65
Muzyka instrumentalna4.5 [4.00, 5.00]54.02.70
Muzyka z tekstem3.0 [3.00, 4.00]30.51.53
Profile ocen łatwości skupienia 20 osób w czterech warunkach dźwiękowych: mediany 5 w ciszy, 4 przy szumie, 4.5 przy muzyce instrumentalnej i 3 przy muzyce z tekstem; średnie rangi 3.13, 2.65, 2.70 i 1.53
Rysunek 1. Każda szara linia to jedna osoba (punkty lekko rozsunięto w pionie, bo oceny są liczbami całkowitymi), czerwone romby to mediany. Osoby bardzo różnią się poziomem ocen, ale u większości ocena przy muzyce z tekstem jest najniższa. Obliczenia: R (dane symulowane).

Rysunek 1 pokazuje, dlaczego warto rangować w obrębie osób. Osoba 7 oceniła wszystkie warunki na 6, a osoba 20 żadnego nie oceniła wyżej niż na 4 – różnice w używaniu skali są duże. Rysunek 2 pokazuje te same dane po zamianie na rangi: każdy wiersz to jedna osoba, a rangi 1–4 mówią tylko, który warunek był u niej najgorszy, a który najlepszy.

Tabela cieplna rang w obrębie 20 osób: przy każdej ocenie podano rangę od 1 do 4; sumy rang wynoszą 62.5 dla ciszy, 53 dla szumu, 54 dla muzyki instrumentalnej i 30.5 dla muzyki z tekstem
Rysunek 2. Zamiana ocen na rangi w wierszu każdej osoby (zapis „ocena → ranga”; ciemniejszy kolor = wyższa ranga). Na dole sumy rang R i średnie rangi warunków. Osoba 7 ma we wszystkich warunkach rangę 2.5, więc nie wnosi informacji o różnicach. Obliczenia: R (dane symulowane).

Krok 1. Statystyka testu. Przy braku różnic każda suma rang wynosiłaby 20 × 5 / 2 = 50. Podstawiamy obserwowane sumy:

χ²F = [12 / (20 × 4 × 5)] × (62.5² + 53² + 54² + 30.5²) − 3 × 20 × 5 = 0.03 × 10 561.5 − 300 = 16.85

Oceny na skali 1–7 dają wiele wiązań, więc poprawka jest tu wyraźna: C = 0.795, a χ²F = 16.85 / 0.795 = 21.19. Przy 3 stopniach swobody p < .001 – warunki dźwiękowe różnicowały łatwość skupienia.

Krok 2. Wielkość efektu. W = 21.19 / (20 × 3) = .35. Pakiet rstatix opisuje taką wartość jako umiarkowaną (progi .1, .3 i .5): osoby w dużej części zgadzały się co do kolejności warunków, ale daleko im do pełnej zgodności.

Porównania post hoc po teście Friedmana

Istotny wynik oznacza tylko, że co najmniej jeden warunek różni się od pozostałych. Który – sprawdzają testy post hoc. Cztery warunki to sześć par, więc wartości p trzeba skorygować, np. procedurą Holma (1979), mniej zachowawczą niż klasyczna korekta Bonferroniego. Do wyboru masz dwie rodziny procedur:

  • test Wilcoxona dla par dla każdej pary warunków – porównanie zależy tylko od dwóch warunków, których dotyczy;
  • testy na sumach lub średnich rangach z rangowania wszystkich warunków: Nemenyiego, Conovera albo test dokładny (Eisinga i in., 2017); jego autorzy pokazali, że przybliżenie χ² dla różnic sum rang wypada gorzej niż obliczenia dokładne.

Procedury różnią się konserwatywnością. W symulacji, którą przeprowadzili Pereira i in. (2015), test znaków był bardzo zachowawczy, a testy LSD Fishera i HSD Tukeya liczone na rangach – najbardziej liberalne. Wybierz procedurę przed analizą i podaj jej nazwę w pracy. W przykładzie użyliśmy testu Wilcoxona dla par z korektą Holma:

Porównania parami po teście Friedmana: liczba osób z wyższą, niższą i równą oceną oraz wartości p
Para warunkówWyżej / niżej / równop (Wilcoxon, Holm)p (Conover, Holm)
Cisza – muzyka z tekstem14 / 2 / 4.009< .001
Szum – muzyka z tekstem14 / 0 / 6.004.002
Muzyka instrumentalna – muzyka z tekstem15 / 2 / 3.008.001
Cisza – szum10 / 4 / 6.419.358
Cisza – muzyka instrumentalna11 / 4 / 5.419.358
Szum – muzyka instrumentalna5 / 7 / 8.902.868

„Wyżej / niżej / równo” to liczba osób, które oceniły pierwszy warunek pary wyżej, niżej albo tak samo jak drugi. Wniosek: muzyka z tekstem utrudniała skupienie w porównaniu z każdym z trzech pozostałych warunków, a cisza, szum i muzyka instrumentalna nie różniły się istotnie. Test Conovera daje mniejsze wartości p, ale ten sam wzór wyników; to samo pokazują test Nemenyiego i test dokładny (pełny skrypt strony).

Jak opisać wynik w pracy (APA)

Podaj statystykę χ² ze stopniami swobody i liczebnością, wartość p, W Kendalla, mediany warunków oraz wyniki porównań parami z nazwą testu i korekty:

Łatwość skupienia różniła się istotnie między czterema warunkami dźwiękowymi, test Friedmana: χ²(3, N = 20) = 21.19, p < .001, W Kendalla = .35. Porównania parami testem Wilcoxona dla par z korektą Holma wykazały, że przy muzyce z tekstem (Me = 3.0) skupienie oceniano jako trudniejsze niż w ciszy (Me = 5.0; p = .009), przy szumie (Me = 4.0; p = .004) i przy muzyce instrumentalnej (Me = 4.5; p = .008). Pozostałe warunki nie różniły się istotnie (p ≥ .419).

Przy kilku zmiennych zależnych wygodniej zebrać wyniki w tabeli:

Tabela 1

Łatwość skupienia (1–7) w czterech warunkach dźwiękowych

WarunekMe[Q1, Q3]Średnia ranga
Cisza5.0a[4.75, 6.00]3.13
Szum4.0a[4.00, 5.25]2.65
Muzyka instrumentalna4.5a[4.00, 5.00]2.70
Muzyka z tekstem3.0b[3.00, 4.00]1.53

Uwaga. N = 20. Me – mediana; Q1, Q3 – pierwszy i trzeci kwartyl. Test Friedmana: χ²(3, N = 20) = 21.19, p < .001, W = .35. Warunki oznaczone różnymi literami różnią się istotnie (test Wilcoxona dla par z korektą Holma, p < .05).

Więcej wzorów zdań znajdziesz w poradniku jak opisać wyniki w stylu APA, a o wyborze między testem Friedmana a ANOVA – w tekście jak dobrać test statystyczny do hipotezy.

Przykład reprodukowalny

Test Friedmana w R i SPSS

Kod generuje dane z przykładu (wiersz = osoba, kolumna = warunek), liczy mediany i średnie rangi, wykonuje test Friedmana, oblicza W Kendalla i porównania parami. Liczby w tekście pochodzą z tego kodu; rysunki i pozostałe procedury post hoc – z pełnego skryptu strony.

Test Friedmana, W Kendalla i porównania post hoc

Dane wejściowe: oceny łatwości skupienia (1–7) 20 osób w czterech warunkach (dane symulowane, set.seed(19)).

Co odczytać: Friedman chi-squared, df i p-value, wartość W oraz macierze skorygowanych wartości p dla par warunków.

R
library(PMCMRplus)
set.seed(19)                                       # dane symulowane
n <- 20
osoba <- rnorm(n, 0, 0.9)                          # stałe różnice między osobami
efekt <- c(0.7, 0.15, 0.35, -0.7)                  # cisza, szum, muzyka instr., muzyka z tekstem
oceny <- pmin(pmax(round(4.2 + outer(osoba, efekt, "+") + rnorm(n * 4, 0, 0.75)), 1), 7)
warunki <- c("Cisza", "Szum", "Muzyka instr.", "Muzyka z tekstem")
colnames(oceny) <- warunki                         # wiersz = osoba, kolumna = warunek

apply(oceny, 2, median)                            # mediany ocen (1–7)
colMeans(t(apply(oceny, 1, rank)))                 # średnie rangi (rangi w obrębie osoby)

ft <- friedman.test(oceny)                         # test Friedmana (z poprawką na rangi wiązane)
ft
unname(ft$statistic) / (n * (ncol(oceny) - 1))     # W Kendalla = chi2 / (n(k - 1))

dl <- data.frame(id = factor(rep(1:n, 4)), ocena = c(oceny),
                 warunek = factor(rep(warunki, each = n), levels = warunki))
pairwise.wilcox.test(dl$ocena, dl$warunek, paired = TRUE,
                     p.adjust.method = "holm", exact = FALSE)   # pary: Wilcoxon + Holm
frdAllPairsConoverTest(dl$ocena, dl$warunek, dl$id, p.adjust.method = "holm")  # alternatywa
Wynik w R
           Cisza             Szum    Muzyka instr. Muzyka z tekstem 
             5.0              4.0              4.5              3.0 
           Cisza             Szum    Muzyka instr. Muzyka z tekstem 
           3.125            2.650            2.700            1.525 

	Friedman rank sum test

data:  oceny
Friedman chi-squared = 21.189, df = 3, p-value = 9.619e-05

[1] 0.3531447

	Pairwise comparisons using Wilcoxon signed rank test with continuity correction 

data:  dl$ocena and dl$warunek 

                 Cisza  Szum   Muzyka instr.
Szum             0.4187 -      -            
Muzyka instr.    0.4187 0.9015 -            
Muzyka z tekstem 0.0087 0.0039 0.0079       

P value adjustment method: holm 

	Pairwise comparisons using Conover's all-pairs test for a two-way balanced complete block design

data: y, groups and blocks

                 Cisza   Szum   Muzyka instr.
Szum             0.3580  -      -            
Muzyka instr.    0.3580  0.8684 -            
Muzyka z tekstem 1.1e-05 0.0017 0.0012       

P value adjustment method: holm

SPSS

Ścieżka: Analiza → Testy nieparametryczne → Testy tradycyjne → K prób zależnych (ang. Analyze → Nonparametric Tests → Legacy Dialogs → K Related Samples); przenieś cztery zmienne z ocenami i zaznacz test Friedmana oraz W Kendalla.

Co odczytać: tabela „Rangi” podaje średnie rangi warunków, a „Statystyki testu” – N, chi-kwadrat, df i istotność asymptotyczną. Porównania parami uzyskasz w oknie Analiza → Testy nieparametryczne → Próby zależne (ang. Related Samples), wybierając test Friedmana i porównania wszystkich par; SPSS porównuje wtedy średnie rangi i koryguje p metodą Bonferroniego. Jeśli chcesz użyć testu Wilcoxona z korektą Holma, wykonaj sześć testów dla dwóch prób zależnych i skoryguj p samodzielnie.

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (W Kendalla sprawdzono dodatkowo w pakiecie rstatix); rysunki przygotowano w pakietach ggplot2 i patchwork. W pracy podaj wersje faktycznie użytych pakietów (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/
  2. PMCMRplus (wersja 1.9.12): Pohlert, T. (2024). PMCMRplus: Calculate pairwise multiple comparisons of mean rank sums extended [R package]. https://doi.org/10.32614/CRAN.package.PMCMRplus
  3. rstatix (wersja 0.7.3): Kassambara, A. (2025). rstatix: Pipe-friendly framework for basic statistical tests [R package]. https://doi.org/10.32614/CRAN.package.rstatix
  4. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  5. 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

  • Test Friedmana dla grup niezależnych (albo test Kruskala-Wallisa dla pomiarów powtarzanych) – sprawdź, czy te same osoby występują we wszystkich warunkach.
  • Zdanie „mediany różniły się istotnie” – test dotyczy kolejności warunków w obrębie osób. Podaj mediany i średnie rangi jako opis, a wniosek sformułuj jako różnicę w ocenach warunków.
  • Seria testów Wilcoxona bez korekty – przy sześciu parach ryzyko fałszywego alarmu wyraźnie rośnie; zastosuj korektę Holma.
  • Automatyczne zastąpienie ANOVA testem Friedmana przy danych ilościowych zbliżonych do normalnych – tracisz moc (Zimmerman i Zumbo, 1993).
  • Brak wielkości efektu – samo p nie mówi, jak zgodnie osoby porządkują warunki; podaj W Kendalla.
  • Usuwanie osób z brakami bez informacji – test wymaga kompletu pomiarów; napisz, ile osób wykluczono i dlaczego.

Najczęstsze pytania

Kiedy stosować test Friedmana?

Gdy te same osoby mierzysz w co najmniej trzech warunkach lub momentach, a zmienna jest porządkowa (np. pojedyncza pozycja skali Likerta) albo ilościowa, ale silnie skośna w małej próbie. Przy dwóch pomiarach użyj testu Wilcoxona dla par, a dla grup niezależnych – testu Kruskala-Wallisa.

Czym test Friedmana różni się od ANOVA z powtarzanymi pomiarami?

ANOVA porównuje średnie i wymaga m.in. normalności oraz sferyczności. Test Friedmana analizuje rangi nadane w obrębie każdej osoby, więc tych założeń nie potrzebuje, ale ma mniejszą moc – w symulacjach zbliżoną do testu znaków (Zimmerman i Zumbo, 1993). Przy danych ilościowych o rozkładzie zbliżonym do normalnego zwykle lepsza jest ANOVA.

Jaki test post hoc po teście Friedmana?

Najprostszy wybór to test Wilcoxona dla par dla każdej pary warunków z korektą Holma. Alternatywą są testy na średnich rangach: Nemenyiego, Conovera albo test dokładny (w R pakiet PMCMRplus). Procedury różnią się konserwatywnością, dlatego w pracy podaj nazwę testu i korekty.

Jak obliczyć W Kendalla dla testu Friedmana?

Podziel statystykę testu przez n(k − 1), gdzie n to liczba osób, a k – liczba warunków. W przykładzie z tej strony W = 21.19 / (20 × 3) = .35. Wartość 0 oznacza brak zgodności osób co do kolejności warunków, a 1 – identyczną kolejność u wszystkich.

Czy test Friedmana porównuje mediany?

Nie wprost. Test sprawdza, czy rangi nadawane w obrębie osób układają się systematycznie, czyli czy któryś warunek jest u większości osób oceniany wyżej lub niżej. Mediany i kwartyle podawaj jako opis danych, a wniosek formułuj jako różnicę w ocenach warunków.

Jak zapisać wynik testu Friedmana w APA?

Podaj statystykę ze stopniami swobody i liczebnością, wartość p i W Kendalla, np. χ²(3, N = 20) = 21.19, p < .001, W = .35, a także mediany warunków. Następnie opisz porównania parami z nazwą testu i korekty, np. test Wilcoxona dla par z korektą Holma.

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. Eisinga, R., Heskes, T., Pelzer, B., & Te Grotenhuis, M. (2017). Exact p-values for pairwise comparison of Friedman rank sums, with application to comparing classifiers. BMC Bioinformatics, 18(1), Article 68. https://doi.org/10.1186/s12859-017-1486-2 ● Otwarty dostęp
  2. Friedman, M. (1937). The use of ranks to avoid the assumption of normality implicit in the analysis of variance. Journal of the American Statistical Association, 32(200), 675–701. https://doi.org/10.1080/01621459.1937.10503522
  3. Holm, S. (1979). A simple sequentially rejective multiple test procedure. Scandinavian Journal of Statistics, 6(2), 65–70. https://www.jstor.org/stable/4615733
  4. Kendall, M. G., & Babington Smith, B. (1939). The problem of m rankings. The Annals of Mathematical Statistics, 10(3), 275–287. https://doi.org/10.1214/aoms/1177732186 ● Otwarty dostęp
  5. Pereira, D. G., Afonso, A., & Medeiros, F. M. (2015). Overview of Friedman’s test and post-hoc analysis. Communications in Statistics - Simulation and Computation, 44(10), 2636–2653. https://doi.org/10.1080/03610918.2014.931971
  6. Zimmerman, D. W., & Zumbo, B. D. (1993). Relative power of the Wilcoxon test, the Friedman test, and repeated-measures ANOVA on ranks. The Journal of Experimental Education, 62(1), 75–86. https://doi.org/10.1080/00220973.1993.9943832

Cytowania BibTeX

@article{eisinga2017exact, author={Eisinga, Rob and Heskes, Tom and Pelzer, Ben and Te Grotenhuis, Manfred}, title={{Exact p-values for pairwise comparison of Friedman rank sums, with application to comparing classifiers}}, journal={BMC Bioinformatics}, year={2017}, volume={18}, number={1}, eid={68}, doi={10.1186/s12859-017-1486-2}}
@article{friedman1937use, author={Friedman, Milton}, title={{The use of ranks to avoid the assumption of normality implicit in the analysis of variance}}, journal={Journal of the American Statistical Association}, year={1937}, volume={32}, number={200}, pages={675--701}, doi={10.1080/01621459.1937.10503522}}
@article{holm1979simple, author={Holm, Sture}, title={{A simple sequentially rejective multiple test procedure}}, journal={Scandinavian Journal of Statistics}, year={1979}, volume={6}, number={2}, pages={65--70}, url={https://www.jstor.org/stable/4615733}}
@article{kendall1939problem, author={Kendall, M. G. and Babington Smith, B.}, title={{The problem of m rankings}}, journal={The Annals of Mathematical Statistics}, year={1939}, volume={10}, number={3}, pages={275--287}, doi={10.1214/aoms/1177732186}}
@article{pereira2015overview, author={Pereira, Dulce G. and Afonso, Anabela and Medeiros, Fátima Melo}, title={{Overview of Friedman’s test and post-hoc analysis}}, journal={Communications in Statistics - Simulation and Computation}, year={2015}, volume={44}, number={10}, pages={2636--2653}, doi={10.1080/03610918.2014.931971}}
@article{zimmerman1993relative, author={Zimmerman, Donald W. and Zumbo, Bruno D.}, title={{Relative power of the Wilcoxon test, the Friedman test, and repeated-measures ANOVA on ranks}}, journal={The Journal of Experimental Education}, year={1993}, volume={62}, number={1}, pages={75--86}, doi={10.1080/00220973.1993.9943832}}
R