Test t Studenta

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 21 sierpnia 2026 · Aktualizacja: 22 sierpnia 2026

Co oznacza Test t Studenta?

Test t ocenia średnią różnicę względem jej błędu standardowego przy określonym schemacie.

Zastosowanie, warunki i dobre praktyki

Rodzina testów t ocenia oszacowaną różnicę względem jej błędu standardowego przy odpowiednim modelu zależności obserwacji. Nazwa ogólna nie wystarcza: inny mianownik i df ma test jednej próby, prób zależnych, klasyczny test niezależny oraz wariant Welcha. Raport powinien zawierać różnicę, przedział, statystykę, df i właściwą miarę efektu.

Najważniejsze zastosowanie: Wybierz wariant jednej próby, niezależny Welcha lub zależny zgodnie z projektem.

Jak to się oblicza i co oznaczają symbole?

t = (oszacowanie − wartość H₀) / SE(oszacowania)

Statystyka t jest stosunkiem oszacowanej różnicy do jej błędu standardowego. To, jak wyznacza się licznik, SE i stopnie swobody, zależy od wariantu testu: jednej próby, dwóch grup niezależnych albo par. Nazwa „test t” bez wskazania wariantu nie wystarcza do odtworzenia analizy.

Jak poprawnie stosować i interpretować hasło „Test t Studenta”?

Przy ocenie pojęcia „Test t Studenta” trzeba określić, czy porównanie dotyczy jednej średniej, dwóch niezależnych grup czy pomiarów tej samej osoby. Przy ocenie hasła „Test t Studenta” ta decyzja wyznacza źródło wariancji i stopnie swobody. W analizie dotyczącej hasła „Test t Studenta” w wariancie dla grup niezależnych test Welcha jest często bezpieczniejszym wyborem niż automatyczne zakładanie równych wariancji, natomiast w próbach zależnych analizuje się rozkład różnic.

Ocena pojęcia „Test t Studenta” obejmuje wykres danych, obserwacje wpływowe, niezależność lub poprawne parowanie i praktyczne znaczenie różnicy. Dla interpretacji hasła „Test t Studenta” normalność dotyczy rozkładu błędu lub różnic, a nie wymogu idealnie normalnych surowych wyników w każdej grupie. W odniesieniu do hasła „Test t Studenta” przy małej próbie analiza wrażliwości może porównać wariant parametryczny, odporny i rangowy.

Co trzeba opisać w raporcie?

Raport dotyczący „Test t Studenta” powinien podać wariant testu, liczebności, średnie i odchylenia standardowe, różnicę średnich z 95% przedziałem ufności, statystykę t, stopnie swobody, wartość p i miarę efektu. Przy ocenie hasła „Test t Studenta” w próbach zależnych należy jasno nazwać kierunek odejmowania pomiarów.

Zakres raportowania dla hasła „Test t Studenta”: t(df)=…, p=…, różnica=…, 95% CI […], miara efektu=….

Przykład praktyczny i gotowa interpretacja

Sytuacja: Ta sama nazwa „test t” może oznaczać trzy różne struktury danych.

Jak ją zinterpretować: Wartość t jest oszacowaną różnicą podzieloną przez jej błąd standardowy. Interpretacja zależy od wariantu testu i df, a znaczenie wyniku pokazują przede wszystkim różnica z przedziałem i miara efektu.

Najczęstsza pułapka i granica interpretacji

Prawidłowy wariant wynika z zależności obserwacji, nie tylko liczby grup.

Istotny wynik „Test t Studenta” nie oznacza dużej lub ważnej różnicy, a wynik nieistotny nie dowodzi równości średnich. Dla interpretacji hasła „Test t Studenta” do takiego wniosku potrzebne są przedział ufności i ewentualnie wcześniej zdefiniowany margines równoważności.

Przykład reprodukowalny dla tego hasła

Test t: jedna próba, grupy niezależne i pomiar sparowany

Kod rozdziela trzy odmienne projekty testu t; przed uruchomieniem wybierz tylko wariant odpowiadający badaniu.

Dane wejściowe: wynik — zmienna liczbowa; grupa — 0/1; przed i po — dwa pomiary tej samej osoby.

Co sprawdzić w wyniku: Wybierz wariant zgodny z projektem. Dla grup niezależnych domyślnie stosuj test Welcha, jeśli nie uzasadniono równości wariancji.

dane <- read.csv("dane.csv")

# Jedna próba: H0, że średnia wynosi 50.
t.test(dane$wynik, mu = 50, conf.level = .95)

# Dwie niezależne grupy; var.equal = FALSE oznacza test Welcha.
dwie_grupy <- subset(dane, grupa %in% c(0, 1))
dwie_grupy$grupa <- droplevels(factor(dwie_grupy$grupa))
t.test(wynik ~ grupa, data = dwie_grupy, var.equal = FALSE, conf.level = .95)

# Dwa pomiary tych samych osób.
t.test(dane$przed, dane$po, paired = TRUE, conf.level = .95)

Python

import pandas as pd
from scipy import stats

df = pd.read_csv("dane.csv")
print("jedna proba:", stats.ttest_1samp(df["wynik"].dropna(), popmean=50))

g0 = df.loc[df["grupa"] == 0, "wynik"].dropna()
g1 = df.loc[df["grupa"] == 1, "wynik"].dropna()
print("Welch:", stats.ttest_ind(g0, g1, equal_var=False))

pary = df[["przed", "po"]].dropna()
print("sparowany:", stats.ttest_rel(pary["przed"], pary["po"]))

IBM SPSS Statistics — Syntax

T-TEST TESTVAL=50
 /VARIABLES=wynik
 /CRITERIA=CI(.95).

T-TEST GROUPS=grupa(0 1)
 /VARIABLES=wynik
 /CRITERIA=CI(.95).

T-TEST PAIRS=przed WITH po (PAIRED)
 /CRITERIA=CI(.95).

Bibliografia oprogramowania i wykorzystanych pakietów

W przykładach użyto: R, Python, IBM SPSS Statistics, pandas, SciPy. W pracy badawczej podaj również faktycznie użyte wersje, które można odczytać poleceniami sessionInfo() w R oraz pip freeze lub importlib.metadata.version() w Pythonie. Cytuj wyłącznie narzędzia rzeczywiście użyte w końcowej analizie.

R: R Core Team. (2026). R: A language and environment for statistical computing [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
Python: Van Rossum, G., & Drake, F. L., Jr. (2009). Python 3 reference manual. CreateSpace.
IBM SPSS Statistics: IBM Corp. (2025). IBM SPSS Statistics for Macintosh (Version 31.0) [Computer software]. IBM Corp.
pandas: McKinney, W. (2010). Data structures for statistical computing in Python. In S. van der Walt & J. Millman (Eds.), Proceedings of the 9th Python in Science Conference (pp. 56–61). https://doi.org/10.25080/Majora-92bf1922-00a
SciPy: Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., Burovski, E., Peterson, P., Weckesser, W., Bright, J., van der Walt, S. J., Brett, M., Wilson, J., Millman, K. J., Mayorov, N., Nelson, A. R. J., Jones, E., Kern, R., Larson, E., … SciPy 1.0 Contributors. (2020). SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, 17, 261–272. https://doi.org/10.1038/s41592-019-0686-2

BibTeX dla oprogramowania i pakietów

@manual{r-core-2026,
  author = {{R Core Team}},
  title = {R: A Language and Environment for Statistical Computing},
  organization = {R Foundation for Statistical Computing},
  address = {Vienna, Austria},
  year = {2026},
  url = {https://www.R-project.org/}
}

@book{vanrossum2009python,
  author = {Van Rossum, Guido and Drake, Fred L., Jr.},
  title = {Python 3 Reference Manual},
  publisher = {CreateSpace},
  year = {2009},
  isbn = {978-1-4414-1269-0}
}

@software{ibm2025spss,
  author = {{IBM Corp.}},
  title = {IBM SPSS Statistics for Macintosh},
  year = {2025},
  version = {31.0},
  publisher = {IBM Corp.}
}

@inproceedings{mckinney2010pandas,
  author = {McKinney, Wes},
  title = {Data Structures for Statistical Computing in Python},
  booktitle = {Proceedings of the 9th Python in Science Conference},
  editor = {van der Walt, Stéfan and Millman, Jarrod},
  year = {2010},
  pages = {56--61},
  doi = {10.25080/Majora-92bf1922-00a}
}

@article{virtanen2020scipy,
  author = {Virtanen, Pauli and Gommers, Ralf and Oliphant, Travis E. and Haberland, Matt and Reddy, Tyler and others},
  title = {SciPy 1.0: Fundamental Algorithms for Scientific Computing in Python},
  journal = {Nature Methods},
  year = {2020},
  volume = {17},
  pages = {261--272},
  doi = {10.1038/s41592-019-0686-2}
}

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Wasserstein i Lazar, 2016).

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Poradnik

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczy Oferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108
Greenland, S., Senn, S. J., Rothman, K. J., Carlin, J. B., Poole, C., Goodman, S. N., & Altman, D. G. (2016). Statistical tests, P values, confidence intervals, and power: A guide to misinterpretations. European Journal of Epidemiology, 31(4), 337–350. https://doi.org/10.1007/s10654-016-0149-3
Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594
Sullivan, G. M., & Feinn, R. (2012). Using effect size—or why the P value is not enough. Journal of Graduate Medical Education, 4(3), 279–282. https://doi.org/10.4300/JGME-D-12-00156.1
Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, 863. https://doi.org/10.3389/fpsyg.2013.00863
Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191

Cytowania BibTeX

@article{wasserstein2016pvalues, author={Wasserstein, Ronald L. and Lazar, Nicole A.}, title={The ASA Statement on p-Values: Context, Process, and Purpose}, journal={The American Statistician}, year={2016}, volume={70}, number={2}, pages={129--133}, doi={10.1080/00031305.2016.1154108}}

@article{greenland2016misinterpretations, author={Greenland, Sander and Senn, Stephen J. and Rothman, Kenneth J. and Carlin, John B. and Poole, Charles and Goodman, Steven N. and Altman, Douglas G.}, title={Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations}, journal={European Journal of Epidemiology}, year={2016}, volume={31}, number={4}, pages={337--350}, doi={10.1007/s10654-016-0149-3}}

@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}

@article{sullivan2012effectsize, author={Sullivan, Gail M. and Feinn, Richard}, title={Using effect size—or why the P value is not enough}, journal={Journal of Graduate Medical Education}, year={2012}, volume={4}, number={3}, pages={279--282}, doi={10.4300/JGME-D-12-00156.1}}

@article{lakens2013effect, author={Lakens, Daniël}, title={Calculating and reporting effect sizes to facilitate cumulative science}, journal={Frontiers in Psychology}, year={2013}, volume={4}, pages={863}, doi={10.3389/fpsyg.2013.00863}}

@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}