Słownik metodologiczny · Testy statystyczne

Test McNemara – jak porównać odpowiedzi tak/nie przed i po?

Test McNemara sprawdza, czy zmienił się odsetek odpowiedzi „tak” u tych samych osób w dwóch pomiarach. Pokazujemy tabelę par, rolę par niezgodnych, wersje z poprawką na ciągłość, dokładną i mid-p oraz opis wyniku w APA – na przykładzie kampanii policzonym w R.

Strona główna / Słownik / Test McNemara
W skrócie: Test McNemara porównuje odsetek odpowiedzi „tak” w dwóch pomiarach tych samych osób (np. przed kampanią i po niej). Liczą się tylko pary niezgodne – osoby, które zmieniły odpowiedź: χ² = (b − c)² / (b + c), df = 1. Raportuj wersję bez poprawki na ciągłość albo mid-p, podaj liczbę zmian w obu kierunkach i miarę efektu, np. różnicę odsetków lub iloraz szans dla par z 95% CI.

Co to jest test McNemara?

Test McNemara (ang. McNemar’s test) sprawdza, czy odsetek odpowiedzi „tak” zmienił się między dwoma pomiarami tej samej zmiennej dychotomicznej u tych samych osób – przed kampanią i po niej, przed szkoleniem i po nim albo w dwóch warunkach, przez które przechodzi każda osoba. Działa też dla par dobranych, np. osoby z grupy klinicznej i dopasowanej do niej osoby z grupy kontrolnej. McNemar (1947) przedstawił wzór na istotność różnicy między skorelowanymi proporcjami i wskazał jego odpowiednik chi-kwadrat – stąd nazwa „chi-kwadrat McNemara”.

To test dla danych zależnych: każda osoba daje dwie odpowiedzi, więc obserwacje nie są niezależne. Dlatego do danych przed–po nie nadaje się zwykły test chi-kwadrat niezależności, a do dwóch niezależnych grup w tabeli krzyżowej 2 × 2 – test McNemara. Test McNemara odgrywa dla zmiennej dwukategorialnej tę rolę, jaką dla zmiennej ilościowej pełni test t dla prób zależnych, a dla porządkowej – test Wilcoxona dla par.

Tabela par: liczą się tylko pary niezgodne

Dane układa się w tabeli 2 × 2, w której wiersze to odpowiedź w pierwszym pomiarze, a kolumny – w drugim. Każda osoba trafia do dokładnie jednej komórki:

Układ tabeli par dla testu McNemara
Pierwszy pomiarDrugi pomiar: takDrugi pomiar: nie
Taka (tak → tak), para zgodnab (tak → nie), para niezgodna
Niec (nie → tak), para niezgodnad (nie → nie), para zgodna

Odsetek „tak” w pierwszym pomiarze wynosi (a + b) / N, a w drugim (a + c) / N. Ich różnica to (c − b) / N: komórki zgodne a i d się znoszą, a o zmianie decydują wyłącznie pary niezgodne b i c. Na tych dwóch komórkach skupiają się też Pembury Smith i Ruxton (2020), wyjaśniając, kiedy i jak używać testu. Hipoteza zerowa mówi, że zmiana „tak → nie” jest tak samo prawdopodobna jak „nie → tak” – wśród b + c par niezgodnych kierunek zmiany jest jak wynik rzutu monetą.

Wzory: χ², poprawka na ciągłość i test dokładny

χ² = (b − c)² / (b + c),   df = 1
χ²popr = (|b − c| − 1)² / (b + c)
  • Wersja asymptotyczna porównuje χ² z rozkładem χ² z 1 stopniem swobody.
  • Wersja z poprawką na ciągłość, zaproponowaną przez Edwardsa (1948), odejmuje 1 od |b − c|. Tę wersję wykonuje domyślnie funkcja mcnemar.test() w R.
  • Test dokładny traktuje liczbę zmian jednego rodzaju jak wynik b + c rzutów monetą i liczy wartość p z rozkładu dwumianowego z prawdopodobieństwem .5. Mid-p to ten sam test, w którym prawdopodobieństwo obserwowanego wyniku liczy się tylko w połowie.

Którą wersję wybrać? Fagerland i in. (2013) porównali je w 9595 scenariuszach. Dokładny test warunkowy i wersja z poprawką na ciągłość nie sprawdziły się w żadnym scenariuszu (autorzy opisują metody dokładne jako nadmiernie zachowawcze). Mid-p ani razu nie przekroczył nominalnego α i miał moc niemal taką jak test asymptotyczny, a test asymptotyczny bez poprawki autorzy zalecają, jeśli akceptuje się niewielkie, choć częste przekroczenia α. W praktyce raportuj test bez poprawki albo mid-p i zawsze napisz, którą wersję wybrano – według przeglądu Pembury Smith i Ruxtona (2020) w publikacjach rzadko się to podaje.

Przykład: gotowość do skorzystania z pomocy psychologa

Przed kampanią przeciw stygmatyzacji osób korzystających z pomocy psychologicznej i miesiąc po niej 150 studentów odpowiedziało na pytanie „Czy w razie problemów emocjonalnych zgłosił(a)byś się do psychologa?” (dane symulowane).

Odpowiedzi tych samych 150 osób przed kampanią i po niej
Przed kampaniąPo: takPo: nieRazem
Tak581169 (46.0%)
Nie265581 (54.0%)
Razem84 (56.0%)66 (44.0%)150

Odsetek odpowiedzi „tak” wzrósł z 46.0% do 56.0%. Zmianę „nie → tak” zadeklarowało 26 osób, zmianę „tak → nie” – 11, a pozostałe 113 osób odpowiedziało tak samo. Rysunek 1 pokazuje tabelę par i logikę testu dokładnego.

Panel A: tabela par z 58 osobami tak → tak, 11 tak → nie, 26 nie → tak i 55 nie → nie; panel B: rozkład dwumianowy liczby zmian nie → tak wśród 37 par niezgodnych przy H0 z zaznaczonymi ogonami, dokładne p = .020
Rysunek 1. A: tabela par – szare komórki to pary zgodne, kolorowe – niezgodne. B: przy prawdziwej H0 liczba zmian „nie → tak” wśród 37 par niezgodnych ma rozkład dwumianowy z p = .5; niebieskie słupki to wyniki co najmniej tak skrajne jak obserwowany (czerwony słupek: 26). Ich łączne prawdopodobieństwo to dokładna wartość p. Obliczenia: R (dane symulowane).

Statystyka bez poprawki wynosi (11 − 26)² / 37 = 225 / 37 = 6.08, a z poprawką (15 − 1)² / 37 = 196 / 37 = 5.30. Cztery wersje testu dają podobny obraz:

Wyniki czterech wersji testu McNemara dla danych z przykładu
Wersja testuStatystykap
Asymptotyczna bez poprawkiχ²(1) = 6.08.014
Z poprawką na ciągłośćχ²(1) = 5.30.021
Dokładna (dwumianowa)11 z 37 par niezgodnych.020
Mid-p11 z 37 par niezgodnych.014

Zgodnie z wynikami Fagerlanda i in. (2013) wersja asymptotyczna bez poprawki i mid-p dają tu niemal ten sam wynik (.014), a obie wersje zachowawcze – nieco większe p. Sam test nie mówi, jak duża jest zmiana. Różnica odsetków wynosi 10.0 punktu procentowego, 95% CI [2.2, 17.8]. Drugą miarą jest iloraz szans dla par, c / b = 26 / 11 = 2.36, 95% CI [1.13, 5.30]: wśród osób, które zmieniły odpowiedź, zmiana na „tak” była 2.36 razy częstsza niż zmiana na „nie”. Badanie nie miało grupy kontrolnej, więc wynik opisuje zmianę odpowiedzi, a nie dowodzi skuteczności kampanii (zob. trafność wewnętrzna badania).

Dlaczego nie wystarczy porównać dwóch odsetków?

Ten sam wzrost z 46.0% do 56.0% może powstać na różne sposoby. W hipotetycznym badaniu B odpowiedź zmieniło aż 79 osób: 32 na „nie” i 47 na „tak”. Różnica 15 zmian ginie wtedy na tle dużej liczby zmian w obie strony:

Dwa badania z tym samym wzrostem odsetka odpowiedzi tak z 46.0% do 56.0%: w badaniu A 11 i 26 zmian daje chi-kwadrat 6.08, p = .014; w badaniu B 32 i 47 zmian daje chi-kwadrat 2.85, p = .091
Rysunek 2. Te same odsetki przed i po, różna liczba par niezgodnych. W badaniu A przewaga zmian „nie → tak” jest wyraźna, w badaniu B – nie. Wynik testu McNemara (bez poprawki) nad słupkami. Obliczenia: R (badanie A – dane symulowane, badanie B – tabela hipotetyczna).

Z tego samego powodu zawodzą dwa popularne skróty. Porównanie 69 ze 150 i 84 ze 150 jak dwóch niezależnych prób ignoruje sparowanie i daje χ²(1) = 3.00, p = .083 – test traci moc, bo nie wykorzystuje tego, że większość osób odpowiada konsekwentnie. Z kolei test chi-kwadrat niezależności na tabeli par daje χ²(1) = 40.83, p < .001, φ = .52, ale odpowiada na inne pytanie: czy odpowiedzi przed i po są ze sobą związane, czyli czy ludzie są konsekwentni. O zmianie odsetka nie mówi nic. Pembury Smith i Ruxton (2020) zwracają uwagę, że badacze odruchowo sięgają po ten test, choć sprawdza on inną hipotezę zerową niż test McNemara.

Jak opisać wynik w pracy (APA)

Podaj odsetki w obu pomiarach, liczbę par niezgodnych w każdym kierunku, wersję testu, statystykę, p i miarę wielkości efektu z przedziałem ufności:

Odsetek studentów deklarujących gotowość do skorzystania z pomocy psychologa wzrósł z 46.0% przed kampanią do 56.0% po niej (N = 150). Zmianę odpowiedzi z „nie” na „tak” zadeklarowało 26 osób, a z „tak” na „nie” – 11 osób. Test McNemara (wersja asymptotyczna bez poprawki na ciągłość) wykazał, że zmiana była istotna statystycznie, χ²(1, N = 150) = 6.08, p = .014. Różnica odsetków wyniosła 10.0 punktu procentowego, 95% CI [2.2, 17.8], a iloraz szans dla par OR = 2.36, 95% CI [1.13, 5.30].

Tabelę par przedstaw tak, by było widać pary niezgodne:

Tabela 1

Gotowość do skorzystania z pomocy psychologa przed kampanią i po niej

Przed kampaniąPo kampaniiRazem
TakNie
Tak5811a69 (46.0%)
Nie26a5581 (54.0%)
Razem84 (56.0%)66 (44.0%)150

Uwaga. N = 150. Liczby osób; w nawiasach odsetki z całej próby. Test McNemara bez poprawki na ciągłość: χ²(1, N = 150) = 6.08, p = .014.
a Pary niezgodne, na których opiera się test.

Jeśli analizujesz kilka pytań ankiety, zbierz je w jednej tabeli z odsetkami przed i po oraz wynikami testów, a przy wielu pytaniach rozważ korektę na porównania wielokrotne. Więcej wzorów znajdziesz w poradnikach analiza ankiety i jak opisać wyniki w stylu APA.

Przykład reprodukowalny

Test McNemara w R i SPSS

Kod generuje dane z przykładu, buduje tabelę par i wykonuje test McNemara w czterech wersjach, a na końcu liczy iloraz szans dla par z dokładnym 95% CI. Liczby w tekście pochodzą z tego kodu; rysunki, przedział dla różnicy odsetków i błędne analizy – z pełnego skryptu strony.

Test McNemara: χ², poprawka, test dokładny i mid-p

Dane wejściowe: odpowiedzi tak/nie 150 osób przed kampanią i po niej (dane symulowane, set.seed(26)).

Co odczytać: McNemar's chi-squared i p-value w obu wersjach, dokładne p, mid-p oraz iloraz szans z granicami przedziału.

R
set.seed(26)                                   # dane symulowane: 150 osób, odpowiedź tak/nie
przed <- rbinom(150, 1, 0.45)
po <- ifelse(przed == 1, rbinom(150, 1, 0.88), rbinom(150, 1, 0.30))
przed <- factor(przed, levels = 1:0, labels = c("tak", "nie"))
po <- factor(po, levels = 1:0, labels = c("tak", "nie"))
tab <- table(przed, po)                        # tabela par 2 × 2
addmargins(tab)

mcnemar.test(tab, correct = FALSE)             # test asymptotyczny bez poprawki
mcnemar.test(tab)                              # domyślnie: z poprawką na ciągłość

b <- tab["tak", "nie"]; c <- tab["nie", "tak"] # pary niezgodne
binom.test(b, b + c)$p.value                   # test dokładny (dwumianowy)
2 * (pbinom(b, b + c, .5) - .5 * dbinom(b, b + c, .5))   # mid-p (dla b < c)
ci <- binom.test(c, b + c)$conf.int
c(OR = c / b, dolna = ci[1] / (1 - ci[1]), gorna = ci[2] / (1 - ci[2]))  # iloraz szans dla par
Wynik w R
     po
przed tak nie Sum
  tak  58  11  69
  nie  26  55  81
  Sum  84  66 150

	McNemar's Chi-squared test

data:  tab
McNemar's chi-squared = 6.0811, df = 1, p-value = 0.01366


	McNemar's Chi-squared test with continuity correction

data:  tab
McNemar's chi-squared = 5.2973, df = 1, p-value = 0.02136

[1] 0.02007385
[1] 0.01385297
      OR    dolna    gorna 
2.363636 1.128567 5.300187

SPSS

Ścieżka: Analiza → Opis statystyczny → Tabele krzyżowe (ang. Analyze → Descriptive Statistics → Crosstabs); zmienną z pierwszego pomiaru przenieś do wierszy, z drugiego – do kolumn, a w oknie Statystyki zaznacz McNemar. Ten sam test jest w oknie Analiza → Testy nieparametryczne → Testy tradycyjne → Dwie próby zależne.

Co odczytać: w tabeli krzyżowej sprawdź liczebności par niezgodnych, a w tabeli testów – istotność testu McNemara. Dla tabeli 2 × 2 SPSS podaje dokładną wartość p z rozkładu dwumianowego (tu .020), czyli wersję zachowawczą; jeśli raportujesz wersję bez poprawki lub mid-p, policz ją w R albo ze wzoru.

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (pakiet stats); 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. 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

  • Test chi-kwadrat niezależności albo test Fishera dla danych przed–po – sprawdzają związek odpowiedzi w dwóch pomiarach, a nie zmianę odsetka.
  • Porównanie dwóch odsetków jak dla grup niezależnych – ignoruje sparowanie; w przykładzie p wzrosłoby z .014 do .083.
  • Brak informacji o wersji testu – napisz, czy to test bez poprawki, z poprawką na ciągłość, dokładny czy mid-p.
  • Same odsetki bez liczby par niezgodnych – czytelnik nie oceni, ile osób naprawdę zmieniło zdanie.
  • Test McNemara dla zmiennej o trzech lub więcej kategoriach – wtedy potrzebny jest jego uogólniony odpowiednik, np. test symetrii Bowkera.
  • Seria testów McNemara dla trzech lub więcej pomiarów 0/1 – gdy te same osoby odpowiadają tak/nie w kilku pomiarach, zacznij od testu Q Cochrana, a testy McNemara traktuj jako porównania post hoc z korektą.
  • Wniosek przyczynowy bez grupy kontrolnej – zmiana mogła wynikać z upływu czasu albo innych wydarzeń; porównaj ją ze zmianą w grupie, która nie widziała kampanii.
  • Mylenie testu McNemara z miarą zgodności – do oceny zgodności dwóch sędziów kodujących te same odpowiedzi służy kappa Cohena, nie test McNemara.

Najczęstsze pytania

Kiedy stosować test McNemara?

Gdy ta sama zmienna tak/nie jest mierzona dwa razy u tych samych osób (przed i po interwencji, w dwóch warunkach) albo w parach dobranych. Test sprawdza, czy odsetek odpowiedzi „tak” się zmienił. Dla dwóch niezależnych grup użyj testu chi-kwadrat lub testu Fishera dla tabeli krzyżowej 2 × 2.

Czym różni się test McNemara od testu chi-kwadrat?

Test chi-kwadrat niezależności sprawdza, czy dwie zmienne są ze sobą związane, i wymaga niezależnych obserwacji. Test McNemara dotyczy dwóch pomiarów tych samych osób i sprawdza, czy zmiany „nie → tak” i „tak → nie” są równie częste. Na tej samej tabeli par oba testy mogą dać zupełnie różne wyniki, bo odpowiadają na różne pytania.

Test McNemara z poprawką na ciągłość czy bez?

W symulacjach Fagerlanda i in. (2013) wersja z poprawką na ciągłość i dokładny test warunkowy były zbyt zachowawcze, a test mid-p i test asymptotyczny bez poprawki wypadły dobrze. Funkcja mcnemar.test() w R domyślnie stosuje poprawkę, więc ustaw correct = FALSE albo policz mid-p. W pracy napisz, którą wersję wybrano.

Co zrobić, gdy par niezgodnych jest mało?

Przy kilku lub kilkunastu parach niezgodnych przybliżenie χ² jest mniej wiarygodne. Policz wtedy test dokładny z rozkładu dwumianowego, najlepiej w wersji mid-p, która w symulacjach nie przekraczała nominalnego poziomu α. Pamiętaj, że przy małej liczbie zmian test ma małą moc.

Jak obliczyć wielkość efektu dla testu McNemara?

Najprościej podaj różnicę odsetków z 95% przedziałem ufności (w przykładzie 10.0 punktu procentowego, 95% CI [2.2, 17.8]) albo iloraz szans dla par, czyli stosunek liczby zmian w obu kierunkach: c / b = 26 / 11 = 2.36, 95% CI [1.13, 5.30].

Jak zapisać test McNemara w APA?

Podaj odsetki w obu pomiarach, liczbę zmian w każdym kierunku, wersję testu i wynik, np. χ²(1, N = 150) = 6.08, p = .014, oraz miarę efektu z 95% CI. Przy teście dokładnym podaj samą wartość p i liczbę par niezgodnych.

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. Edwards, A. L. (1948). Note on the “correction for continuity” in testing the significance of the difference between correlated proportions. Psychometrika, 13(3), 185–187. https://doi.org/10.1007/BF02289261
  2. Fagerland, M. W., Lydersen, S., & Laake, P. (2013). The McNemar test for binary matched-pairs data: Mid-p and asymptotic are better than exact conditional. BMC Medical Research Methodology, 13(1), Article 91. https://doi.org/10.1186/1471-2288-13-91 ● Otwarty dostęp
  3. McNemar, Q. (1947). Note on the sampling error of the difference between correlated proportions or percentages. Psychometrika, 12(2), 153–157. https://doi.org/10.1007/BF02295996
  4. Pembury Smith, M. Q. R., & Ruxton, G. D. (2020). Effective use of the McNemar test. Behavioral Ecology and Sociobiology, 74(11), Article 133. https://doi.org/10.1007/s00265-020-02916-y ● Otwarty dostęp

Cytowania BibTeX

@article{edwards1948note, author={Edwards, Allen L.}, title={{Note on the “correction for continuity” in testing the significance of the difference between correlated proportions}}, journal={Psychometrika}, year={1948}, volume={13}, number={3}, pages={185--187}, doi={10.1007/bf02289261}}
@article{fagerland2013mcnemar, author={Fagerland, Morten W. and Lydersen, Stian and Laake, Petter}, title={{The McNemar test for binary matched-pairs data: Mid-p and asymptotic are better than exact conditional}}, journal={BMC Medical Research Methodology}, year={2013}, volume={13}, number={1}, eid={91}, doi={10.1186/1471-2288-13-91}}
@article{mcnemar1947note, author={McNemar, Quinn}, title={{Note on the sampling error of the difference between correlated proportions or percentages}}, journal={Psychometrika}, year={1947}, volume={12}, number={2}, pages={153--157}, doi={10.1007/bf02295996}}
@article{pemburysmith2020effective, author={Pembury Smith, Matilda Q. R. and Ruxton, Graeme D.}, title={{Effective use of the McNemar test}}, journal={Behavioral Ecology and Sociobiology}, year={2020}, volume={74}, number={11}, eid={133}, doi={10.1007/s00265-020-02916-y}}
R