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:
| Pierwszy pomiar | Drugi pomiar: tak | Drugi pomiar: nie |
|---|---|---|
| Tak | a (tak → tak), para zgodna | b (tak → nie), para niezgodna |
| Nie | c (nie → tak), para niezgodna | d (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
- 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).
| Przed kampanią | Po: tak | Po: nie | Razem |
|---|---|---|---|
| Tak | 58 | 11 | 69 (46.0%) |
| Nie | 26 | 55 | 81 (54.0%) |
| Razem | 84 (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.
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:
| Wersja testu | Statystyka | p |
|---|---|---|
| Asymptotyczna bez poprawki | χ²(1) = 6.08 | .014 |
| Z poprawką na ciągłość | χ²(1) = 5.30 | .021 |
| Dokładna (dwumianowa) | 11 z 37 par niezgodnych | .020 |
| Mid-p | 11 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:
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:
Tabelę par przedstaw tak, by było widać pary niezgodne:
Tabela 1
Gotowość do skorzystania z pomocy psychologa przed kampanią i po niej
| Przed kampanią | Po kampanii | Razem | |
|---|---|---|---|
| Tak | Nie | ||
| Tak | 58 | 11a | 69 (46.0%) |
| Nie | 26a | 55 | 81 (54.0%) |
| Razem | 84 (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.
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
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 parWynik 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 5.300187SPSS
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()).
- 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/
- 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
- 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
Badanie wiedzy przed i po szkoleniu
Test t i Wilcoxona z d_z, McNemar z korektą Holma, znormalizowany przyrost, test Bowkera i pomiar odroczony – z danymi, kodem R i opisem APA.
Czytaj →PoradnikAnaliza ankiety do pracy dyplomowej
Od surowego eksportu do wyników hipotez: czyszczenie danych, wyniki skal, alfa i omega, opis próby, testy i opis APA – z danymi i kodem R.
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 →PoradnikJaki test statystyczny do jakiej hipotezy?
Tabela doboru: typ hipotezy, test, alternatywa nieparametryczna i miara efektu. Cztery przykłady w R z gotowym zapisem APA.
Czytaj →PoradnikTest McNemara – przed i po dla tak/nie
Tabela par, wybór wersji testu (asymptotyczna, dokładna, mid-p) i 95% CI dla sparowanej różnicy odsetków – z przykładem w R i wzorem opisu.
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)
- 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
- 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
- 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
- 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}}