Testy nieparametryczne

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

Co oznacza Testy nieparametryczne?

Testy nieparametryczne nie opierają wniosku na konkretnym modelu średniej i normalnego błędu; często wykorzystują rangi lub znaki.

Zastosowanie, warunki i dobre praktyki

Określenie „nieparametryczny” nie oznacza braku założeń. Testy rang i znaków zakładają m.in. właściwy schemat zależności, porządek danych, a niekiedy podobny kształt rozkładów lub symetrię różnic. Ich zaletą jest odpowiedź na pytania niewymagające klasycznego modelu średniej, lecz interpretacja musi odpowiadać dokładnej hipotezie procedury. Słabsze założenia nie oznaczają ich braku: nadal trzeba zapewnić niezależność lub prawidłowe parowanie, właściwą skalę oraz zrozumieć hipotezę o rozkładach rang.

Najważniejsze zastosowanie: Stosuj, gdy ich hipoteza odpowiada pytaniu i skali danych.

Jak poprawnie stosować i interpretować hasło „Testy nieparametryczne”?

Przy ocenie pojęcia „Testy nieparametryczne” trzeba ustalić, czy procedura odpowiada na pytanie o położenie, cały rozkład, rangi czy prawdopodobieństwo przewagi. Dla interpretacji hasła „Testy nieparametryczne” określenie „nieparametryczny” nie oznacza braku założeń. W odniesieniu do hasła „Testy nieparametryczne” ważne są niezależność albo poprawne parowanie obserwacji, skala co najmniej porządkowa, sposób traktowania remisów oraz podobieństwo kształtu rozkładów, jeśli wynik ma być interpretowany jako różnica median.

Ocena pojęcia „Testy nieparametryczne” powinna pokazać rozkłady i liczebności, ponieważ ta sama statystyka rangowa może wynikać z przesunięcia, różnicy rozproszenia albo obu zjawisk. Przy ocenie hasła „Testy nieparametryczne” przy wielu remisach lub małej próbie trzeba użyć właściwego wariantu dokładnego albo korekty. W analizie dotyczącej hasła „Testy nieparametryczne” wielkość efektu i jej przedział ufności są potrzebne do oceny znaczenia wyniku.

Co trzeba opisać w raporcie?

Raport dotyczący „Testy nieparametryczne” powinien podać wariant testu, liczebności, statystykę, sposób obsługi remisów, wartość p oraz miarę efektu z przedziałem ufności. Dla interpretacji hasła „Testy nieparametryczne” obok warto przedstawić mediany i kwartyle, lecz nie należy automatycznie nazywać testu rangowego testem różnicy median bez sprawdzenia kształtu rozkładów.

Zakres raportowania dla hasła „Testy nieparametryczne”: Podaj statystykę, dokładną hipotezę, efekt i CI.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Mann–Whitney, Wilcoxon, Kruskal–Wallis i Friedman odpowiadają różnym schematom.

Jak ją zinterpretować: Procedura odpowiada na pytanie o rangi, znaki lub rozkłady, a nie jest bezzałożeniowym odpowiednikiem dowolnego testu średnich. Wniosek musi odzwierciedlać dokładną hipotezę i pokazywać dane oraz efekt.

Najczęstsza pułapka i granica interpretacji

„Nieparametryczny” nie znaczy bez założeń ani automatycznie lepszy przy nienormalności.

Wynik dotyczący „Testy nieparametryczne” nie jest uniwersalnym zamiennikiem testu parametrycznego po istotnym teście normalności. Przy ocenie hasła „Testy nieparametryczne” wybór powinien wynikać z pytania, skali i struktury danych, a nie z samej etykiety rozkładu.

Przykład reprodukowalny dla tego hasła

Testy nieparametryczne dla grup i pomiarów zależnych

Przykład pokazuje różne testy rangowe, ale nie traktuje ich jako zamiennych — każdy odpowiada innemu schematowi danych.

Dane wejściowe: wynik — zmienna co najmniej porządkowa; grupa — kod grupy; przed/po/followup — powtarzane pomiary; mcnemar_przed i mcnemar_po — sparowane odpowiedzi 0/1.

Co sprawdzić w wyniku: Dobierz test do niezależności obserwacji. Raportuj także rozkłady/medianę i miarę efektu, a nie tylko p.

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

# Dwie grupy niezależne.
dwie_grupy <- subset(dane, grupa %in% c(0, 1))
dwie_grupy$grupa <- droplevels(factor(dwie_grupy$grupa))
wilcox.test(wynik ~ grupa, data = dwie_grupy, exact = FALSE, conf.int = TRUE)

# Trzy lub więcej grup niezależnych.
kruskal.test(wynik ~ factor(grupa), data = dane)

# Dwa pomiary tej samej osoby.
wilcox.test(dane$przed, dane$po, paired = TRUE, exact = FALSE, conf.int = TRUE)

# Trzy pomiary tej samej osoby.
friedman.test(as.matrix(dane[c("przed", "po", "followup")]))

# Dwie sparowane odpowiedzi dychotomiczne.
tab_mc <- table(dane$mcnemar_przed, dane$mcnemar_po)
mcnemar.test(tab_mc, correct = TRUE)

Python

import pandas as pd
from scipy import stats
from statsmodels.stats.contingency_tables import mcnemar

df = pd.read_csv("dane.csv")
grupy = [g["wynik"].dropna().to_numpy() for _, g in df.groupby("grupa")]
print("Mann-Whitney:", stats.mannwhitneyu(grupy[0], grupy[1], alternative="two-sided"))
print("Kruskal-Wallis:", stats.kruskal(*grupy))

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

trzy = df[["przed", "po", "followup"]].dropna()
print("Friedman:", stats.friedmanchisquare(trzy["przed"], trzy["po"], trzy["followup"]))

tab_mc = pd.crosstab(df["mcnemar_przed"], df["mcnemar_po"])
print("McNemar:", mcnemar(tab_mc.to_numpy(), exact=False, correction=True))

IBM SPSS Statistics — Syntax

NPAR TESTS
 /MANN-WHITNEY=wynik BY grupa(0 1)
 /MISSING ANALYSIS.

NPAR TESTS
 /K-W=wynik BY grupa(1 3)
 /MISSING ANALYSIS.

NPAR TESTS
 /WILCOXON=przed WITH po (PAIRED)
 /FRIEDMAN=przed po followup
 /MISSING ANALYSIS.

CROSSTABS
 /TABLES=mcnemar_przed BY mcnemar_po
 /STATISTICS=MCNEMAR
 /CELLS=COUNT ROW COLUMN.

Bibliografia oprogramowania i wykorzystanych pakietów

W przykładach użyto: R, Python, IBM SPSS Statistics, pandas, NumPy, SciPy, statsmodels. 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
NumPy: Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., Wieser, E., Taylor, J., Berg, S., Smith, N. J., Kern, R., Picus, M., Hoyer, S., van Kerkwijk, M. H., Brett, M., Haldane, A., del Río, J. F., Wiebe, M., Peterson, P., … Oliphant, T. E. (2020). Array programming with NumPy. Nature, 585, 357–362. https://doi.org/10.1038/s41586-020-2649-2
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
statsmodels: Seabold, S., & Perktold, J. (2010). Statsmodels: Econometric and statistical modeling with Python. In S. van der Walt & J. Millman (Eds.), Proceedings of the 9th Python in Science Conference (pp. 92–96). https://doi.org/10.25080/Majora-92bf1922-011

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{harris2020numpy,
  author = {Harris, Charles R. and Millman, K. Jarrod and van der Walt, Stéfan J. and Gommers, Ralf and Virtanen, Pauli and others},
  title = {Array Programming with NumPy},
  journal = {Nature},
  year = {2020},
  volume = {585},
  pages = {357--362},
  doi = {10.1038/s41586-020-2649-2}
}

@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}
}

@inproceedings{seabold2010statsmodels,
  author = {Seabold, Skipper and Perktold, Josef},
  title = {Statsmodels: Econometric and Statistical Modeling with Python},
  booktitle = {Proceedings of the 9th Python in Science Conference},
  year = {2010},
  pages = {92--96},
  doi = {10.25080/Majora-92bf1922-011}
}

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}}