Słownik metodologiczny · Testy statystyczne

Test t dla jednej próby – jak porównać średnią z wartością odniesienia?

Test t dla jednej próby sprawdza, czy średnia w populacji różni się od z góry ustalonej wartości – normy, poziomu przypadku albo punktu środkowego skali. Wyjaśniamy wzór, liczymy przykład ze skalą Likerta, d Cohena z przedziałem ufności i pokazujemy opis wyniku w APA.

Strona główna / Słownik / Test t dla jednej próby
W skrócie: test t dla jednej próby sprawdza, czy średnia w populacji różni się od wartości ustalonej przed badaniem (μ0): normy testowej, poziomu przypadku albo punktu środkowego skali. Liczysz go ze wzoru t = (M − μ0) / (SD/√n) przy n − 1 stopniach swobody. Wartość odniesienia musi mieć sens merytoryczny, a obok t i p podaj d z 95% CI.

Co to jest test t dla jednej próby?

Test t dla jednej próby (ang. one-sample t-test) sprawdza, czy średnia zmiennej ilościowej w populacji różni się od konkretnej wartości μ0, ustalonej przed zebraniem danych. To najprostszy wariant testu t Studenta: zamiast dwóch grup jest jedna próba i liczba, z którą się ją porównuje.

Hipotezy mają postać H0: μ = μ0 oraz – w wersji dwustronnej – H1: μ ≠ μ0 (zob. hipoteza zerowa i alternatywna). Test nie mówi, czy średnia jest „wysoka” w sensie absolutnym. Mówi tylko, czy dane są zgodne z tym, że średnia w populacji wynosi dokładnie μ0. Dlatego wartość tego testu zależy przede wszystkim od tego, czy wartość odniesienia ma sens merytoryczny.

Z czym porównywać średnią?

Wartość μ0 musi pochodzić spoza danych i mieć jasną interpretację. W psychologii najczęściej jest to jedna z poniższych wartości:

Typowe wartości odniesienia w teście t dla jednej próby
Wartość odniesieniaPrzykładNa co uważać
Norma populacyjnaśrednia 100 w teście inteligencji, średnia z norm testowychnorma musi dotyczyć porównywalnej populacji i tej samej wersji testu (przykład w haśle błąd standardowy)
Poziom przypadku50% trafnych odpowiedzi w zadaniu z dwiema opcjamisprawdź, czy zgadywanie rzeczywiście daje 50%, np. przy nierównych proporcjach bodźców
Punkt środkowy skali3 na skali 1–5 („ani się zgadzam, ani nie”)ma sens tylko na skali dwubiegunowej z neutralnym środkiem
Próg klinicznypunkt odcięcia kwestionariusza przesiewowegopróg dotyczy pojedynczych osób, a test – średniej grupy

Jeśli z normą porównujesz wynik jednej osoby, a nie średnią grupy, a próba normalizacyjna była mała, użyj zmodyfikowanego testu t Crawforda i Howella (1998) zamiast przeliczania wyniku na wynik z i tablic rozkładu normalnego. Jeśli wartość odniesienia pochodzi z innej, niewielkiej próby, potraktuj ją jako drugą grupę i użyj testu t dla prób niezależnych.

Wzór i założenia

t = (M − μ0) / (SD / √n), df = n − 1

Rozkład t z n − 1 stopniami swobody pojawia się dlatego, że wariancji w populacji nie znamy i szacujemy ją z próby (Kim, 2015). Z tych samych składników powstaje 95% przedział ufności dla średniej: M ± tkryt × SE. Jeśli przedział nie obejmuje μ0, test dwustronny daje p < .05 – to dwa sposoby przedstawienia tej samej informacji.

Założenia są proste: niezależne obserwacje, zmienna ilościowa i w przybliżeniu normalny rozkład średnich z prób. Przy kilkudziesięciu osobach test znosi umiarkowaną skośność; przy małej próbie obejrzyj wykres Q-Q i poszukaj obserwacji odstających.

Przykład: średnia skali Likerta a punkt środkowy

Czterdzieścioro studentów psychologii wypełniło sześciopozycyjną skalę przekonania o przydatności statystyki (np. „Statystyka przyda mi się w pracy psychologa”). Odpowiedzi zapisano na skali od 1 (zdecydowanie się nie zgadzam) do 5 (zdecydowanie się zgadzam), a wynikiem osoby jest średnia z sześciu pozycji, więc mieści się w tym samym zakresie 1–5. Rzetelność skali była dobra (α = .87). Pytanie badawcze: czy studenci przeciętnie raczej zgadzają się, że statystyka jest przydatna – czyli czy średnia jest wyższa od neutralnego 3? (dane symulowane)

  1. Statystyki opisowe: n = 40, M = 3.346, SD = 0.830 (mediana 3.42, zakres 1.33–4.67).
  2. Błąd standardowy: SE = 0.830 / √40 = 0.131.
  3. Statystyka testowa: t = (3.346 − 3) / 0.131 = 2.64 przy 39 stopniach swobody.
  4. Decyzja: wartość krytyczna t(39) dla α = .05 wynosi 2.02, a dwustronne p = .012, więc odrzucamy H0.
  5. Przedział ufności: 95% CI dla średniej [3.08, 3.61] nie obejmuje 3.

Przeciętnie studenci skłaniali się więc ku zgodzie z twierdzeniami skali – ale średnia przewyższała punkt neutralny tylko o 0.35 punktu, czyli o około jedną trzecią odległości między „ani się zgadzam, ani nie” a „raczej się zgadzam”. Rysunek 1 pokazuje, że wyniki są mocno rozproszone: część osób ma wyniki wyraźnie poniżej 3.

Rozkład wyników 40 osób na skali 1–5 z zaznaczonym punktem środkowym 3; średnia 3.35 z 95% przedziałem ufności od 3.08 do 3.61 leży na prawo od punktu środkowego, t(39) = 2.64, p = .012, d = 0.42
Rysunek 1. Wyniki 40 osób (szare punkty), ich rozkład (szare pole), średnia (czerwony punkt) z 95% przedziałem ufności (niebieski odcinek) i punkt środkowy skali (linia przerywana). Obliczenia: R (dane symulowane).

Kiedy porównanie z punktem środkowym skali ma sens?

  • Skala jest dwubiegunowa (od niezgody do zgody), a środek oznacza postawę neutralną. Na skalach jednobiegunowych („wcale – bardzo”, „nigdy – zawsze”) środek nie jest neutralny: „czasami” to już pewne nasilenie.
  • Wynik skali jest średnią, a nie sumą pozycji – wtedy punkt środkowy nadal wynosi 3. Przy sumie sześciu pozycji środkiem byłoby 18.
  • Interpretujesz wynik względem formatu odpowiedzi, a nie normy. „Średnia powyżej 3” znaczy „więcej zgody niż niezgody”, a nie „wysoki poziom cechy w porównaniu z populacją” – do takich wniosków potrzebne są normy.
  • Pamiętasz o stylu odpowiadania – skłonność do zgadzania się z twierdzeniami podnosi średnią, zwłaszcza gdy w skali brakuje pozycji odwróconych.

Analiza średniej z kilku pozycji testem parametrycznym jest powszechna i zwykle uzasadniona. Sullivan i Artino (2013) zaznaczają, że testy parametryczne można stosować do wyników skal Likerta, ale łączenie pozycji w skalę trzeba poprzeć dowodami rzetelności lub struktury. Norman (2010) przypomina, że metody parametryczne są odporne na naruszenia założeń, także przy danych z takich skal. Liddell i Kruschke (2018) przestrzegają jednak, że analiza danych porządkowych modelami metrycznymi może dawać fałszywe alarmy, a nawet odwracać kierunek efektu i że uśrednianie pozycji nie usuwa tego problemu. Przy pojedynczym pytaniu rozważ więc test Wilcoxona dla jednej próby albo regresję porządkową. W przykładzie test Wilcoxona dał zgodny wynik: V = 524.5, p = .009.

d Cohena dla jednej próby

d = (M − μ0) / SD = (3.346 − 3) / 0.830 = 0.42

d mówi, o ile odchyleń standardowych średnia odbiega od wartości odniesienia. W przykładzie d = 0.42, 95% CI [0.09, 0.74], a g Hedgesa (z poprawką na małą próbę) wynosi 0.41. Według konwencji Cohena (1992) to efekt pomiędzy małym a średnim. Przedział ufności jest jednak szeroki: dane są zgodne zarówno z ledwie zauważalnym, jak i z wyraźnym odchyleniem od punktu środkowego. Więcej o interpretacji – w haśle d Cohena.

Istotność zależy od liczebności, wielkość efektu – nie

W teście dla jednej próby statystykę t i d łączy prosty związek: t = d × √n. Ta sama różnica (d = 0.42) daje więc różne wyniki testu przy różnej liczebności (rysunek 2): przy 15 osobach t(14) = 1.61, p = .129, przy 40 osobach p = .012, a przy 80 – p < .001. Próg istotności zostaje przekroczony dopiero od 25 osób.

Wykres statystyki t w zależności od liczebności próby przy stałym d = 0.42: przy 15 osobach t = 1.61 i p = .129, przy 40 osobach t = 2.64 i p = .012, przy 80 osobach t = 3.73 i p poniżej .001; wynik jest istotny od 25 osób
Rysunek 2. Statystyka t = d × √n dla stałej wielkości efektu d = 0.42 (niebieska linia) i wartość krytyczna t dla α = .05 (linia przerywana). Niebieskie pole oznacza liczebności, przy których wynik jest istotny. Obliczenia: R.

Wniosek praktyczny: wynik nieistotny w małej próbie nie dowodzi, że średnia równa się wartości odniesienia, a wynik istotny w dużej próbie nie oznacza jeszcze ważnej różnicy. Liczebność planuj z góry na podstawie mocy testu (zob. analiza mocy a priori w G*Power).

Jak opisać wynik w pracy (APA)

Średni wynik skali przekonania o przydatności statystyki (n = 40) wyniósł M = 3.35 (SD = 0.83), 95% CI [3.08, 3.61], i był istotnie wyższy od punktu środkowego skali (3 = „ani się zgadzam, ani nie”), t(39) = 2.64, p = .012, d = 0.42, 95% CI [0.09, 0.74].

W części metodologicznej napisz, dlaczego porównujesz średnią właśnie z tą wartością (np. „punkt środkowy oznacza postawę neutralną”). Gdy wynik jest nieistotny, nie pisz, że „średnia była równa 3” – napisz, że nie stwierdzono istotnej różnicy, i podaj przedział ufności. Więcej gotowych zdań znajdziesz w poradniku jak opisać wyniki w stylu APA.

Przykład reprodukowalny

Przykład w R i SPSS

Kod generuje dane z przykładu, sprawdza rzetelność skali, wykonuje test t dla jednej próby z wartością odniesienia 3, liczy d z przedziałem ufności i dla porównania test Wilcoxona.

Test t dla jednej próby i d Cohena

Dane wejściowe: odpowiedzi 40 osób na 6 pozycji skali 1–5 (dane symulowane, set.seed(77)).

Co odczytać: t, df, p, 95% CI dla średniej oraz d z przedziałem ufności.

R
library(effectsize)
set.seed(77)
postawa <- rnorm(40, 0.3, 0.75)                 # 40 osób; odpowiedzi na 6 pozycji (1–5)
odp <- sapply(1:6, function(j)
  as.integer(cut(postawa + rnorm(40, 0, 0.8), c(-Inf, -1.5, -0.5, 0.5, 1.5, Inf))))
wynik <- rowMeans(odp)                          # wynik skali = średnia z 6 pozycji
round(psych::alpha(odp)$total$raw_alpha, 3)     # rzetelność skali (alfa Cronbacha)
round(c(M = mean(wynik), SD = sd(wynik), SE = sd(wynik) / sqrt(40)), 3)
t.test(wynik, mu = 3)                           # porównanie z punktem środkowym skali
cohens_d(wynik, mu = 3)                         # d dla jednej próby z 95% CI
wilcox.test(wynik, mu = 3, exact = FALSE)       # nieparametryczna alternatywa
Wynik w R
[1] 0.865
    M    SD    SE 
3.346 0.830 0.131 

	One Sample t-test

data:  wynik
t = 2.6358, df = 39, p-value = 0.01198
alternative hypothesis: true mean is not equal to 3
95 percent confidence interval:
 3.080447 3.611220
sample estimates:
mean of x 
 3.345833 

Cohen's d |       95% CI
------------------------
0.42      | [0.09, 0.74]

- Deviation from a difference of 3.
	Wilcoxon signed rank test with continuity correction

data:  wynik
V = 524.5, p-value = 0.009079
alternative hypothesis: true location is not equal to 3

SPSS

Ścieżka: Analiza → Porównywanie średnich → Test t dla jednej próby (ang. Analyze → Compare Means → One-Sample T Test). Przenieś zmienną do pola „Zmienne testowane” i wpisz 3 jako „Wartość testowana”.

Co odczytać: w tabeli „Test dla jednej próby” – t, df, istotność dwustronną, różnicę średnich i 95% przedział ufności dla różnicy (tu [0.08, 0.61], czyli przedział dla średniej przesunięty o 3). Od wersji 27 SPSS podaje też tabelę wielkości efektu z d Cohena.

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3; rysunki przygotowano w pakietach ggplot2 i ggdist. 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. effectsize (wersja 1.0.2): Ben-Shachar, M. S., Lüdecke, D., & Makowski, D. (2020). effectsize: Estimation of effect size indices and standardized parameters. Journal of Open Source Software, 5(56), 2815. https://doi.org/10.21105/joss.02815
  3. psych (wersja 2.6.5): Revelle, W. (2026). psych: Procedures for psychological, psychometric, and personality research [R package]. Northwestern University. https://CRAN.R-project.org/package=psych
  4. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  5. ggdist (wersja 3.3.3): Kay, M. (2024). ggdist: Visualizations of distributions and uncertainty in the grammar of graphics. IEEE Transactions on Visualization and Computer Graphics, 30(1), 414–424. https://doi.org/10.1109/TVCG.2023.3327195

Najczęstsze błędy

  • Wartość odniesienia wybrana po obejrzeniu danych – μ0 ustala się przed analizą; dopasowanie jej do wyniku odbiera testowi sens.
  • Porównanie z punktem środkowym skali jednobiegunowej albo z „normą” opracowaną w innej populacji.
  • Traktowanie punktu środkowego jak normy – średnia powyżej 3 nie znaczy „wysoki poziom cechy”.
  • Porównywanie pojedynczej osoby z normą jak średniej grupy – do tego służy test Crawforda i Howella (1998) albo wynik na skali standaryzowanej.
  • Brak wielkości efektu – w dużej próbie nawet minimalne odchylenie od μ0 będzie istotne.
  • Test jednostronny bez uzasadnienia zapisanego przed badaniem – zob. test jednostronny i dwustronny.

Najczęstsze pytania

Kiedy stosuje się test t dla jednej próby?

Gdy chcesz sprawdzić, czy średnia zmiennej ilościowej w populacji różni się od konkretnej wartości ustalonej przed badaniem: normy testowej, poziomu przypadku (np. 50% trafień), progu klinicznego albo punktu środkowego skali. Wartość odniesienia nie może pochodzić z tych samych danych.

Jak obliczyć test t dla jednej próby?

Odejmij wartość odniesienia od średniej i podziel wynik przez błąd standardowy średniej: t = (M − μ0) / (SD/√n). Na przykład przy M = 3.346, SD = 0.830 i n = 40: t = 0.346 / 0.131 = 2.64 przy 39 stopniach swobody, p = .012. W R: t.test(x, mu = 3).

Czy można porównać średnią skali Likerta z punktem środkowym?

Tak, jeśli skala jest dwubiegunowa (od niezgody do zgody), środek oznacza postawę neutralną, a wynikiem jest średnia z pozycji. Wynik interpretuj względem formatu odpowiedzi („więcej zgody niż niezgody”), a nie jako wysoki poziom cechy w populacji – do tego potrzebne są normy.

Jak obliczyć d Cohena dla jednej próby?

Podziel różnicę między średnią a wartością odniesienia przez odchylenie standardowe: d = (M − μ0) / SD. W przykładzie ze strony d = 0.346 / 0.830 = 0.42, 95% CI [0.09, 0.74]. W R przedział ufności policzysz funkcją cohens_d(x, mu = 3) z pakietu effectsize.

Co zamiast testu t dla jednej próby, gdy rozkład nie jest normalny?

Przy kilkudziesięciu osobach test t zwykle wystarcza, bo jest odporny na umiarkowaną skośność. Przy małej próbie z silną skośnością albo dla pojedynczej pozycji porządkowej użyj testu Wilcoxona dla jednej próby (w R: wilcox.test(x, mu = 3)).

Jak wykonać test t dla jednej próby w SPSS?

Wybierz Analiza → Porównywanie średnich → Test t dla jednej próby, przenieś zmienną do pola „Zmienne testowane” i wpisz wartość odniesienia jako „Wartość testowana”. W tabeli „Test dla jednej próby” odczytaj t, df, istotność dwustronną i 95% przedział ufności różnicy.

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. Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155–159. https://doi.org/10.1037/0033-2909.112.1.155
  2. Crawford, J. R., & Howell, D. C. (1998). Comparing an individual’s test score against norms derived from small samples. The Clinical Neuropsychologist, 12(4), 482–486. https://doi.org/10.1076/clin.12.4.482.7241
  3. Kim, T. K. (2015). T test as a parametric statistic. Korean Journal of Anesthesiology, 68(6), 540–546. https://doi.org/10.4097/kjae.2015.68.6.540 ● Otwarty dostęp
  4. Liddell, T. M., & Kruschke, J. K. (2018). Analyzing ordinal data with metric models: What could possibly go wrong? Journal of Experimental Social Psychology, 79, 328–348. https://doi.org/10.1016/j.jesp.2018.08.009 ● Otwarty dostęp: pełny tekst
  5. Norman, G. (2010). Likert scales, levels of measurement and the “laws” of statistics. Advances in Health Sciences Education, 15(5), 625–632. https://doi.org/10.1007/s10459-010-9222-y
  6. Sullivan, G. M., & Artino, A. R., Jr. (2013). Analyzing and interpreting data from Likert-type scales. Journal of Graduate Medical Education, 5(4), 541–542. https://doi.org/10.4300/JGME-5-4-18 ● Otwarty dostęp

Cytowania BibTeX

@article{cohen1992power, author={Cohen, Jacob}, title={{A power primer}}, journal={Psychological Bulletin}, year={1992}, volume={112}, number={1}, pages={155--159}, doi={10.1037/0033-2909.112.1.155}}
@article{crawford1998comparing, author={Crawford, John R. and Howell, David C.}, title={{Comparing an individual’s test score against norms derived from small samples}}, journal={The Clinical Neuropsychologist}, year={1998}, volume={12}, number={4}, pages={482--486}, doi={10.1076/clin.12.4.482.7241}}
@article{kim2015ttest, author={Kim, Tae Kyun}, title={{T test as a parametric statistic}}, journal={Korean Journal of Anesthesiology}, year={2015}, volume={68}, number={6}, pages={540--546}, doi={10.4097/kjae.2015.68.6.540}}
@article{liddell2018analyzing, author={Liddell, Torrin M. and Kruschke, John K.}, title={{Analyzing ordinal data with metric models: What could possibly go wrong?}}, journal={Journal of Experimental Social Psychology}, year={2018}, volume={79}, pages={328--348}, doi={10.1016/j.jesp.2018.08.009}}
@article{norman2010likert, author={Norman, Geoff}, title={{Likert scales, levels of measurement and the “laws” of statistics}}, journal={Advances in Health Sciences Education}, year={2010}, volume={15}, number={5}, pages={625--632}, doi={10.1007/s10459-010-9222-y}}
@article{sullivan2013analyzing, author={Sullivan, Gail M. and Artino, Jr., Anthony R.}, title={{Analyzing and interpreting data from Likert-type scales}}, journal={Journal of Graduate Medical Education}, year={2013}, volume={5}, number={4}, pages={541--542}, doi={10.4300/jgme-5-4-18}}
R