Co to jest test Levene’a?
Test Levene’a (ang. Levene’s test) sprawdza, czy wariancje zmiennej w dwóch lub więcej niezależnych grupach są równe. Hipoteza zerowa brzmi: σ1² = σ2² = … = σk², a istotny wynik oznacza, że co najmniej jedna grupa ma inne rozproszenie wyników niż pozostałe. Równość wariancji to założenie klasycznego testu t Studenta i ANOVA, nazywane homogenicznością wariancji.
Howard Levene zaproponował w 1960 roku proste rozwiązanie: zamiast porównywać same wariancje, policzyć dla każdej osoby odchylenie bezwzględne jej wyniku od średniej grupy i porównać te odchylenia zwykłym testem F. Gastwirth i in. (2009), opisując historię i zastosowania tej metody, zwracają uwagę, że wiele testów równości wariancji zakłada normalność i nie jest odpornych na jej brak, a podejście Levene’a okazało się zarazem mocne i odporne – stąd jego popularność. SPSS wyświetla test Levene’a automatycznie przy teście t dla prób niezależnych, a w jednoczynnikowej ANOVA – po zaznaczeniu testu jednorodności wariancji.
Jak działa test Levene’a? Wzór i warianty
Test ma dwa kroki:
- Dla każdej osoby i w grupie j oblicz odchylenie bezwzględne od środka grupy: zij = |yij − ȳj|. Im większy rozrzut w grupie, tym większe przeciętne odchylenie.
- Porównaj średnie odchyleń z̄j między grupami jednoczynnikową ANOVA.
gdzie k to liczba grup, N – łączna liczebność, nj – liczebność grupy j, a z̄ – średnia wszystkich odchyleń. Przy prawdziwej hipotezie zerowej statystyka ma w przybliżeniu rozkład F z k − 1 i N − k stopniami swobody.
Środkiem grupy nie musi być średnia. Brown i Forsythe (1974) pokazali, że warianty, w których średnią zastąpiono odporniejszą miarą położenia, np. medianą, są odporne na odstępstwa od normalności, w przeciwieństwie do wersji niezmodyfikowanej. Wersję z medianą nazywa się testem Browna–Forsythe’a albo testem Levene’a z medianą.
| Test | Co porównuje | Gdzie go znajdziesz |
|---|---|---|
| Levene (wersja klasyczna) | odchylenia od średniej grupy | SPSS: test t i wiersz Based on Mean w ANOVA; R: leveneTest(…, center = mean) |
| Brown–Forsythe | odchylenia od mediany grupy | SPSS: wiersz Based on Median w ANOVA; R: leveneTest() – ustawienie domyślne |
| Levene ze średnią przyciętą | odchylenia od średniej przyciętej | SPSS: wiersz Based on trimmed mean; R: center = mean, trim = 0.1 |
| Test Bartletta | logarytmy wariancji; zakłada normalność | R: bartlett.test() |
| Test Flignera–Killeena | rangi odchyleń od mediany | R: fligner.test() |
Praktyczna konsekwencja: SPSS i R domyślnie podają różne wersje testu. SPSS przy teście t liczy wersję ze średnią, a funkcja leveneTest() z pakietu car – wersję z medianą. Wyniki mogą się więc różnić; w pracy napisz, której wersji użyto.
Przykład krok po kroku: trzy grupy wiekowe
Dziewięćdziesiąt osób w trzech grupach wiekowych (po 30) wykonało test szybkości przetwarzania; wynikiem była liczba poprawnych odpowiedzi w ciągu 90 sekund (dane symulowane). Średnie maleją z wiekiem, a rozrzut wyników rośnie:
| Grupa wiekowa | n | M | SD | Wariancja | Mediana | Średnie |odchylenie od mediany| |
|---|---|---|---|---|---|---|
| 20–39 lat | 30 | 68.83 | 7.04 | 49.59 | 68.0 | 5.17 |
| 40–59 lat | 30 | 61.50 | 8.94 | 79.84 | 61.5 | 7.10 |
| 60–79 lat | 30 | 51.57 | 12.49 | 156.05 | 50.0 | 9.90 |
Największa wariancja jest 3.15 razy większa od najmniejszej. Test Browna–Forsythe’a porównuje ostatnią kolumnę tabeli: przeciętne odchylenie od mediany wynosi 5.17 punktu w najmłodszej grupie i 9.90 punktu w najstarszej (rysunek 1B). Jednoczynnikowa ANOVA na tych odchyleniach daje F(2, 87) = 4.74, p = .011 – dokładnie to samo, co zwraca leveneTest(). Wersja ze średnią daje F(2, 87) = 5.14, p = .008, a wersja z 10% średnią przyciętą F(2, 87) = 5.29, p = .007. Test Bartletta, K²(2) = 9.50, p = .009, i test Flignera–Killeena, χ²(2) = 8.33, p = .016, prowadzą do tego samego wniosku: wariancje w grupach nie są równe.
Co z tego wynika dla porównania średnich? Klasyczna ANOVA zakłada równe wariancje, dlatego tu lepiej sprawdzi się ANOVA Welcha: F(2, 55.42) = 22.76, p < .001 (klasyczny test F dał F(2, 87) = 23.68). Przy równych liczebnościach i tak dużej różnicy średnich oba testy prowadzą do tego samego wniosku; jak bardzo nierówne wariancje szkodzą przy nierównych grupach, pokazujemy w haśle homogeniczność wariancji. Warto jednak zapamiętać: ANOVA Welcha powinna być wybrana z góry, a nie dlatego, że test Levene’a wyszedł istotny.
Czego test Levene’a nie widzi: moc i fałszywe alarmy
Test Levene’a jest testem istotności jak każdy inny, więc jego wynik zależy od liczebności. W symulacji (rysunek 2A) losowaliśmy po 4000 razy trzy grupy z rozkładu normalnego, w których wariancje różniły się w proporcji 1 : √VR : VR, gdzie VR to iloraz największej i najmniejszej wariancji. Przy 20 osobach w grupie test Browna–Forsythe’a wykrył dwukrotną różnicę wariancji tylko w 16.8% prób, a czterokrotną – w 58.2%. Przy 200 osobach w grupie wykrywał nawet niewielki iloraz 1.5 w 65.4% prób.
Panel B pokazuje drugi problem. Gdy dane są skośne, a wariancje równe, wersja ze średnią dawała 16–19% fałszywych alarmów zamiast 5%, niezależnie od liczebności. Wersja z medianą trzymała się poziomu 5%. To praktyczny argument za wariantem Browna i Forsythe’a (1974), zwłaszcza przy skośnych danych, takich jak czasy reakcji czy liczba objawów. Wpływ ciężkich ogonów na testy wariancji omawiamy w haśle kurtoza.
Dlaczego nie wybierać testu na podstawie testu Levene’a?
Popularna procedura dwuetapowa brzmi: „jeśli test Levene’a jest nieistotny, użyj testu Studenta lub klasycznej ANOVA; jeśli istotny – testu Welcha”. Zimmerman (2004) pokazał, że taka procedura nie chroni poziomu istotności i zwykle pogarsza sytuację, a najlepszą ochronę daje bezwarunkowe stosowanie testu dla oddzielnych wariancji, gdy liczebności grup są nierówne. Rysunek 2A pokazuje jedno ze źródeł problemu: w małych próbach – w których nierówne wariancje najbardziej szkodzą – test Levene’a przeoczy większość z nich, a w dużych „alarmuje” przy różnicach bez praktycznego znaczenia.
Dlatego Delacre i in. (2017) zalecają domyślnie test t Welcha przy dwóch grupach, a Delacre i in. (2019) – test F Welcha zamiast klasycznego testu F w jednoczynnikowej ANOVA. W praktyce:
- porównując średnie, od razu stosuj test Welcha, a do porównań par – test Gamesa–Howella (zob. test t dla prób niezależnych i testy post hoc);
- test Levene’a traktuj jako opis danych – razem z odchyleniami standardowymi grup i ilorazem wariancji;
- używaj go jako testu głównego, gdy samo zróżnicowanie jest pytaniem badawczym, np. czy po interwencji wyniki uczestników są mniej rozproszone. Gastwirth i in. (2009) opisują wiele zastosowań, w których to równość wariancji jest właściwym przedmiotem badania.
Jak opisać test Levene’a w pracy (APA)
Podaj wersję testu (od średniej czy od mediany), statystykę F z dwiema liczbami stopni swobody i wartość p. Dodaj odchylenia standardowe grup – to one mówią, jak duża jest różnica. Jeśli test Welcha zaplanowano z góry, napisz to wprost:
Więcej gotowych zdań do rozdziału z wynikami znajdziesz we wpisie jak opisać wyniki w stylu APA, a cały przykład ANOVA z założeniami – w poradniku ANOVA krok po kroku.
Test Levene’a w R
Kod odtwarza przykład: statystyki opisowe, obie wersje testu, ten sam wynik policzony „ręcznie” jako ANOVA na odchyleniach i ANOVA Welcha. Rysunki i symulację przygotowano w osobnym skrypcie. W SPSS test znajdziesz w oknie Analiza → Porównywanie średnich → Jednoczynnikowa ANOVA → Opcje → Test jednorodności wariancji; w tym samym oknie zaznaczysz test Welcha.
Levene, Brown–Forsythe i ANOVA Welcha
R
library(car) # leveneTest()
# Dane symulowane: szybkość przetwarzania (poprawne odpowiedzi w 90 s) w trzech grupach wiekowych
set.seed(12)
wiek <- factor(rep(c("20-39", "40-59", "60-79"), each = 30))
wynik <- round(c(rnorm(30, 70, 8), rnorm(30, 62, 10), rnorm(30, 50, 14)))
round(sapply(split(wynik, wiek), function(x) c(M = mean(x), SD = sd(x), wariancja = var(x), Me = median(x))), 2)
leveneTest(wynik ~ wiek, center = mean) # Levene: odchylenia od średniej (jak w SPSS)
leveneTest(wynik ~ wiek, center = median) # Brown–Forsythe: od mediany (domyślnie w car)
# To samo „ręcznie”: jednoczynnikowa ANOVA na odchyleniach bezwzględnych od mediany grupy
odchylenia <- abs(wynik - ave(wynik, wiek, FUN = median))
round(tapply(odchylenia, wiek, mean), 2) # średnie odchylenia w grupach
summary(aov(odchylenia ~ wiek))
oneway.test(wynik ~ wiek) # ANOVA Welcha – nie wymaga równych wariancjiWynik w R
Loading required package: carData
20-39 40-59 60-79
M 68.83 61.50 51.57
SD 7.04 8.94 12.49
wariancja 49.59 79.84 156.05
Me 68.00 61.50 50.00
Levene's Test for Homogeneity of Variance (center = mean)
Df F value Pr(>F)
group 2 5.1433 0.007741 **
87
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Levene's Test for Homogeneity of Variance (center = median)
Df F value Pr(>F)
group 2 4.7378 0.01114 *
87
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
20-39 40-59 60-79
5.17 7.10 9.90
Df Sum Sq Mean Sq F value Pr(>F)
wiek 2 339.8 169.91 4.738 0.0111 *
Residuals 87 3120.1 35.86
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
One-way analysis of means (not assuming equal variances)
data: wynik and wiek
F = 22.756, num df = 2.000, denom df = 55.417, p-value = 6.102e-08Bibliografia oprogramowania
Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (testy Bartletta, Flignera–Killeena i ANOVA Welcha – pakiet stats); rysunki przygotowano w pakietach ggplot2 i patchwork. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- 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/
- car (wersja 3.1.5): Fox, J., & Weisberg, S. (2019). An R companion to applied regression (3rd ed.). Sage. https://www.john-fox.ca/Companion/
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- 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
- Wybór testu t lub ANOVA na podstawie wyniku testu Levene’a – procedura dwuetapowa nie chroni poziomu istotności (Zimmerman, 2004); test Welcha zaplanuj od początku.
- „Wariancje są równe, bo p > .05” – przy 20 osobach w grupie test przeoczył dwukrotną różnicę wariancji w 83% prób; nieistotny wynik to brak dowodu, a nie dowód równości.
- Przepisanie niewłaściwej wersji testu – SPSS i R domyślnie liczą inne warianty; napisz, czy odchylenia liczono od średniej, czy od mediany.
- Wersja ze średnią przy skośnych danych – w symulacji dawała 16–19% fałszywych alarmów; wybierz wersję z medianą.
- Test Levene’a dla pomiarów powtarzanych – test zakłada niezależne grupy; w planach wewnątrzosobowych analogicznym założeniem jest sferyczność.
- Sama wartość p bez odchyleń standardowych – istotność nie mówi, która grupa jest bardziej zróżnicowana ani o ile.
Najczęstsze pytania
Co sprawdza test Levene’a?
Sprawdza hipotezę zerową, że wariancje zmiennej we wszystkich porównywanych grupach są równe. Istotny wynik (p < .05) oznacza, że co najmniej jedna grupa ma inne rozproszenie wyników. Test porównuje średnie odchylenia bezwzględne wyników od średniej (albo mediany) każdej grupy.
Jak interpretować test Levene’a w SPSS?
Przy teście t odczytaj kolumny F i Sig. w części Levene’s Test for Equality of Variances; Sig. < .05 wskazuje na różne wariancje. Nie wybieraj jednak na tej podstawie wiersza wyników – od razu korzystaj z wiersza Equal variances not assumed, czyli testu Welcha, który działa poprawnie przy równych i nierównych wariancjach.
Czym różni się test Levene’a od testu Browna-Forsythe’a?
Oba liczą odchylenia bezwzględne wyników od środka grupy i porównują je ANOVA. W klasycznym teście Levene’a środkiem jest średnia, w teście Browna–Forsythe’a – mediana. Wersja z medianą jest odporniejsza na skośne dane: w symulacji na tej stronie trzymała się 5% fałszywych alarmów, a wersja ze średnią dawała 16–19%.
Co zrobić, gdy test Levene’a jest istotny?
Porównuj średnie testem, który nie wymaga równych wariancji: testem t Welcha dla dwóch grup albo ANOVA Welcha z porównaniami Gamesa–Howella dla trzech i więcej. Najlepiej zaplanuj te testy z góry, niezależnie od wyniku testu Levene’a, a w raporcie podaj odchylenia standardowe grup.
Czy test Levene’a wymaga rozkładu normalnego?
Nie w takim stopniu jak test Bartletta czy test F dla dwóch wariancji, które są bardzo wrażliwe na nienormalność. Przy skośnych danych wersja ze średnią daje jednak za dużo fałszywych alarmów, dlatego wtedy wybierz wersję z medianą (Browna–Forsythe’a).
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
ANOVA krok po kroku
Jednoczynnikowa i dwuczynnikowa ANOVA na przykładach: założenia, test Welcha, post hoc, η² i ω², efekty proste, typy sum kwadratów i opis APA.
Czytaj →PoradnikJak sprawdzić normalność rozkładu
Co ma być normalne, wykres Q-Q reszt, skośność i kurtoza, granice testu Shapiro-Wilka i sześć strategii na brak normalności – z kodem R, SPSS i opisem APA.
Czytaj →PoradnikJak opisać wyniki w stylu APA – gotowe zdania
18 gotowych zdań APA – od testu t po mediację i moderację – z liczbami z jednego badania i kodem R, który pozwala sprawdzić każdą wartość.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Brown, M. B., & Forsythe, A. B. (1974). Robust tests for the equality of variances. Journal of the American Statistical Association, 69(346), 364–367. https://doi.org/10.1080/01621459.1974.10482955
- Delacre, M., Lakens, D., & Leys, C. (2017). Why psychologists should by default use Welch's t-test instead of Student's t-test. International Review of Social Psychology, 30(1), 92–101. https://doi.org/10.5334/irsp.82 ● Otwarty dostęp
- Delacre, M., Leys, C., Mora, Y. L., & Lakens, D. (2019). Taking parametric assumptions seriously: Arguments for the use of Welch's F-test instead of the classical F-test in one-way ANOVA. International Review of Social Psychology, 32(1), Article 13. https://doi.org/10.5334/irsp.198 ● Otwarty dostęp
- Gastwirth, J. L., Gel, Y. R., & Miao, W. (2009). The impact of Levene’s test of equality of variances on statistical theory and practice. Statistical Science, 24(3), 343–360. https://doi.org/10.1214/09-sts301 ● Otwarty dostęp
- Zimmerman, D. W. (2004). A note on preliminary tests of equality of variances. British Journal of Mathematical and Statistical Psychology, 57(1), 173–181. https://doi.org/10.1348/000711004849222
Cytowania BibTeX
@article{brown1974robust, author={Brown, Morton B. and Forsythe, Alan B.}, title={{Robust tests for the equality of variances}}, journal={Journal of the American Statistical Association}, year={1974}, volume={69}, number={346}, pages={364--367}, doi={10.1080/01621459.1974.10482955}}@article{delacre2017why, author={Delacre, Marie and Lakens, Daniël and Leys, Christophe}, title={{Why psychologists should by default use Welch's t-test instead of Student's t-test}}, journal={International Review of Social Psychology}, year={2017}, volume={30}, number={1}, pages={92--101}, doi={10.5334/irsp.82}}@article{delacre2019taking, author={Delacre, Marie and Leys, Christophe and Mora, Youri L. and Lakens, Daniël}, title={{Taking parametric assumptions seriously: Arguments for the use of Welch's F-test instead of the classical F-test in one-way ANOVA}}, journal={International Review of Social Psychology}, year={2019}, volume={32}, number={1}, eid={13}, doi={10.5334/irsp.198}}@article{gastwirth2009impact, author={Gastwirth, Joseph L. and Gel, Yulia R. and Miao, Weiwen}, title={{The impact of Levene’s test of equality of variances on statistical theory and practice}}, journal={Statistical Science}, year={2009}, volume={24}, number={3}, pages={343--360}, doi={10.1214/09-sts301}}@article{zimmerman2004note, author={Zimmerman, Donald W.}, title={{A note on preliminary tests of equality of variances}}, journal={British Journal of Mathematical and Statistical Psychology}, year={2004}, volume={57}, number={1}, pages={173--181}, doi={10.1348/000711004849222}}