Co to jest wariancja wewnątrzgrupowa?
Wariancja wewnątrzgrupowa (ang. within-group variance) opisuje, jak bardzo wyniki osób rozrzucone są wokół średniej własnej grupy. W analizie wariancji to średni kwadrat wewnątrz grup, MSwewn, nazywany też wariancją błędu (MSbłędu, MSreszt). Przy założeniu równych wariancji w populacjach jest to wariancja połączona (ang. pooled variance) – ważona średnia wariancji z wszystkich grup. Stanowi mianownik statystyki F i podstawę błędów standardowych w porównaniach grup.
Na wariancję wewnątrzgrupową składa się wszystko, czego przynależność do grupy nie wyjaśnia: różnice indywidualne, błąd pomiaru i czynniki niekontrolowane w badaniu. Jej odpowiednikiem dla średnich grup jest wariancja międzygrupowa; na tej stronie kontynuujemy przykład z tamtego hasła, żeby pokazać obie części tej samej tabeli ANOVA.
Wzór: suma kwadratów i wariancja połączona
- xij – wynik osoby i w grupie j; Mj – średnia tej grupy,
- sj² – wariancja w grupie j (z mianownikiem nj − 1),
- N − k – stopnie swobody błędu: liczba osób minus liczba grup.
Oba wzory dają to samo: wariancja wewnątrzgrupowa to średnia z wariancji grup ważona ich stopniami swobody. Większa grupa daje dokładniejsze oszacowanie wariancji, więc ma większy wpływ na wynik. Z każdej grupy „tracimy” jeden stopień swobody, bo odchylenia liczymy od średniej oszacowanej w tej samej grupie.
Przykład: te same trzy metody powtórki
Osiemnaście osób przygotowywało się do testu wiedzy (0–20 punktów) metodą ponownego czytania (n = 6, M = 10), robienia notatek (n = 5, M = 12) albo samotestowania (n = 7, M = 15; dane symulowane). Od każdego wyniku odejmujemy średnią jego grupy:
| Metoda | Odchylenia x − Mj | SSj | df | sj² |
|---|---|---|---|---|
| Ponowne czytanie | 4, −4, 3, −2, 1, −2 | 50 | 5 | 10.00 |
| Notatki | 1, 4, −2, −5, 2 | 50 | 4 | 12.50 |
| Samotestowanie | 0, −1, −3, 4, 2, 2, −4 | 50 | 6 | 8.33 |
| Razem | 150 | 15 |
Przykładowo dla czytania: 4² + 4² + 3² + 2² + 1² + 2² = 50. Wariancja wewnątrzgrupowa wynosi więc:
Połączone odchylenie standardowe to √10 = 3.16 punktu – tyle typowo różnią się od siebie osoby stosujące tę samą metodę. Zwróć uwagę na dwie liczby, z którymi łatwo pomylić MSwewn. Zwykła średnia trzech wariancji wynosi 10.28 – przy nierównych grupach przecenia wagę małej grupy notatek. Wariancja wszystkich 18 wyników wynosi 13.68, bo zawiera też różnice między średnimi grup.
Założenie równych wariancji
Łączenie wariancji ma sens, gdy w populacjach są one równe – to założenie homogeniczności wariancji. W przykładzie wariancje grup (8.33–12.50) są podobne, a test Levene’a nie wskazuje różnic, F(2, 15) = 0.09, p = .912. Delacre i in. (2017) pokazują jednak, że w psychologii założenie to rzadko jest spełnione, a wybór testu na podstawie testu wstępnego często zawodzi. Dla ANOVA Delacre i in. (2019) zalecają domyślnie test F Welcha, który nie łączy wariancji. W naszym małym przykładzie dał on F(2, 9.10) = 4.20, p = .051 – wniosek na granicy istotności, co dobrze pokazuje, jak niepewne są wyniki grup liczących po kilka osób (zob. test Welcha i heterogeniczność wariancji).
Wariancja wewnątrzgrupowa a błąd standardowy
MSwewn jest punktem wyjścia do błędów standardowych w ANOVA. Błąd standardowy średniej grupy to √(MSwewn / nj): dla samotestowania √(10 / 7) = 1.20, dla czytania 1.29, dla notatek 1.41. Błąd standardowy różnicy dwóch średnich łączy obie grupy:
Dla różnicy samotestowanie − czytanie (5 punktów) daje to t(15) = 5 / 1.76 = 2.84 i 95% CI [1.25, 8.75] bez korekty na porównania wielokrotne. Test HSD Tukeya (zob. testy post hoc) korzysta z tego samego MSwewn i po korekcie daje p = .031. Połączone odchylenie standardowe jest też mianownikiem d Cohena: d = 5 / 3.16 = 1.58.
Wariancja wewnątrzgrupowa a moc testu
Im mniejsza wariancja wewnątrzgrupowa, tym większe F przy tych samych różnicach średnich i tym większa moc testu. Rysunek 2 pokazuje moc testu F dla średnich populacyjnych 10, 12 i 15 przy trzech poziomach wariancji błędu.
Przy wariancji błędu 10, jak w przykładzie, moc .80 wymaga 9 osób na grupę (dla układu 6, 5 i 7 osób moc wynosi .64). Gdy wariancja wewnątrzgrupowa jest dwa razy większa, potrzeba 17 osób, a gdy dwa razy mniejsza – tylko 5. Dlatego planując badanie, przyjmij realistyczne odchylenie standardowe z wcześniejszych badań; analizę mocy dla typowych planów eksperymentalnych krok po kroku pokazują Perugini i in. (2018). Wariancję błędu zmniejszają:
- rzetelny pomiar – mniej błędu pomiaru (zob. rzetelność);
- standaryzacja procedury – ta sama instrukcja, czas i warunki dla wszystkich;
- kontrola zmiennych towarzyszących – np. ANCOVA z pretestem usuwa część różnic indywidualnych z błędu;
- plan wewnątrzobiektowy – gdy każda osoba przechodzi przez wszystkie warunki, stałe różnice między osobami wypadają z błędu (zob. ANOVA z powtarzanymi pomiarami). Brysbaert (2019) szacuje, że przy d = 0.4 porównanie dwóch warunków wewnątrzobiektowych z mocą 80% wymaga ponad 50 osób, a przy zmiennej międzygrupowej – liczebności rzędu 100, 200 i więcej.
Jak opisać wynik w pracy (APA)
Wariancja wewnątrzgrupowa trafia do tabeli ANOVA jako wiersz „Wewnątrz grup” (lub „Błąd”). W tekście zwykle podaje się średnie i odchylenia standardowe grup – Lee i in. (2015) przypominają, że wariancja jest wyrażona w jednostkach do kwadratu, więc do opisu danych wygodniejsze jest odchylenie standardowe. Przykładowy opis:
Tabelę wyników w formacie APA przygotujesz według wzoru z hasła tabela ANOVA w APA, a o planowaniu liczebności próby przeczytasz w poradniku dobór liczebności próby.
Wariancja wewnątrzgrupowa w R i SPSS
Kod odtwarza dane z przykładu, liczy odchylenia od średnich grup, sumy kwadratów i wariancje grup, wariancję połączoną, błąd standardowy różnicy oraz liczebność potrzebną do mocy .80. Liczby w tekście pochodzą z tego kodu; test Levene’a, test Welcha, test Tukeya, krzywe mocy i rysunki – z pełnego skryptu strony.
SS i MS wewnątrz grup, wariancja połączona i moc
R
set.seed(1674410) # te same dane co w haśle o wariancji międzygrupowej
metody <- c("Ponowne czytanie", "Notatki", "Samotestowanie")
dane <- data.frame(metoda = factor(rep(metody, c(6, 5, 7)), levels = metody),
wynik = c(round(rnorm(6, 10, 3)), round(rnorm(5, 12, 3)), round(rnorm(7, 15, 3))))
reszta <- dane$wynik - ave(dane$wynik, dane$metoda) # odchylenie od średniej własnej grupy
n_j <- table(dane$metoda)
SS_j <- tapply(reszta^2, dane$metoda, sum) # suma kwadratów w każdej grupie
s2_j <- tapply(dane$wynik, dane$metoda, var) # wariancja w każdej grupie
cbind(n_j, SS_j, s2_j)
SS_wewn <- sum(SS_j)
MS_wewn <- SS_wewn / (nrow(dane) - length(n_j)) # wariancja wewnątrzgrupowa = połączona
c(SS_wewn = SS_wewn, MS_wewn = MS_wewn, SD_pooled = sqrt(MS_wewn), srednia_s2 = mean(s2_j))
SE_roz <- sqrt(MS_wewn * (1/7 + 1/6)) # SE różnicy: samotestowanie – czytanie
c(SE = SE_roz, t = (15 - 10) / SE_roz)
power.anova.test(groups = 3, between.var = var(c(10, 12, 15)),
within.var = MS_wewn, power = .80) # ile osób na grupę dla mocy .80?Wynik w R
n_j SS_j s2_j
Ponowne czytanie 6 50 10.000000
Notatki 5 50 12.500000
Samotestowanie 7 50 8.333333
SS_wewn MS_wewn SD_pooled srednia_s2
150.000000 10.000000 3.162278 10.277778
SE t
1.759329 2.841993
Balanced one-way analysis of variance power calculation
groups = 3
n = 8.687171
between.var = 6.333333
within.var = 10
sig.level = 0.05
power = 0.8
NOTE: n is number in each groupSPSS
Bibliografia oprogramowania
Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (test Levene’a – pakiet car); 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/
- car (wersja 3.1.5): Fox, J., & Weisberg, S. (2019). An R companion to applied regression (3rd ed.). Sage. https://www.john-fox.ca/Companion/
- 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
- Zwykła średnia wariancji grup zamiast wariancji połączonej – przy nierównych grupach wynik się różni (10.28 zamiast 10.00).
- Wariancja wszystkich wyników jako „błąd” – zawiera różnice między grupami (13.68 zamiast 10.00), więc zaniża F.
- Dzielenie SSwewn przez N − 1 zamiast przez N − k.
- Mylenie wariancji z odchyleniem standardowym – MSwewn = 10.00 to punkty do kwadratu; połączone SD to 3.16 punktu.
- Łączenie bardzo różnych wariancji przy nierównych grupach – wtedy wybierz test Welcha (Delacre i in., 2019).
- Planowanie próby bez założenia o rozrzucie wyników – moc zależy od różnic średnich w stosunku do wariancji wewnątrzgrupowej, nie od samych różnic.
Najczęstsze pytania
Co to jest wariancja wewnątrzgrupowa?
To miara tego, jak bardzo wyniki osób różnią się od średniej ich własnej grupy. W ANOVA liczy się ją jako średni kwadrat wewnątrz grup, MSwewn = SSwewn / (N − k). Nazywa się ją też wariancją błędu, bo obejmuje wszystko, czego przynależność do grupy nie wyjaśnia.
Jak obliczyć wariancję wewnątrzgrupową?
W każdej grupie odejmij średnią grupy od każdego wyniku, podnieś różnice do kwadratu i zsumuj. Zsumuj te wartości dla wszystkich grup (SSwewn) i podziel przez liczbę osób minus liczbę grup. W przykładzie z tej strony 150 / (18 − 3) = 10.00.
Co to jest wariancja połączona?
To średnia wariancji z kilku grup ważona ich stopniami swobody (n − 1). Przy założeniu równych wariancji w populacjach jest tym samym co MSwewn w ANOVA i podstawą testu t Studenta. Gdy wariancje i liczebności grup wyraźnie się różnią, lepiej użyć testu Welcha, który wariancji nie łączy.
Czym różni się wariancja wewnątrzgrupowa od międzygrupowej?
Wewnątrzgrupowa opisuje rozrzut osób wokół średnich ich grup, a międzygrupowa – rozrzut średnich grup wokół średniej ogólnej. Statystyka F to iloraz wariancji międzygrupowej i wewnątrzgrupowej.
Jak wariancja wewnątrzgrupowa wpływa na moc testu?
Im większa wariancja wewnątrzgrupowa, tym mniejsze F i mniejsza moc przy tych samych różnicach średnich. W przykładzie z tej strony moc .80 wymaga 9 osób na grupę przy wariancji błędu 10, ale 17 osób przy wariancji 20. Wariancję błędu zmniejszają m.in. rzetelny pomiar, standaryzacja procedury i plan wewnątrzobiektowy.
Gdzie znaleźć wariancję wewnątrzgrupową w SPSS?
W wyniku jednoczynnikowej ANOVA, w tabeli ANOVA w wierszu „Wewnątrz grup”: średni kwadrat z tego wiersza to wariancja wewnątrzgrupowa. W modelach ogólnego modelu liniowego ten sam wiersz nazywa się „Błąd”.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Efekty wewnątrz- i międzyosobowe
Centrowanie w osobie, model Mundlaka, losowe nachylenie i rzetelność średniej osoby – na danych dzienniczkowych o śnie i stresie w lme4.
Czytaj →PoradnikDobór liczebności próby
Analiza mocy a priori, SESOI i test równoważności, precyzja przedziału ufności, analiza wrażliwości i pułapka pilotażu – z obliczeniami w R.
Czytaj →PoradnikANOVA krok po kroku
Jednoczynnikowa i dwuczynnikowa ANOVA na przykładach: założenia, test Welcha, post hoc, η² i ω², efekty proste, typy sum kwadratów i opis APA.
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 →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)
- Brysbaert, M. (2019). How many participants do we have to include in properly powered experiments? A tutorial of power analysis with reference tables. Journal of Cognition, 2(1), Article 16. https://doi.org/10.5334/joc.72 ● Otwarty dostęp
- Delacre, M., Lakens, D., & Leys, C. (2017). Why psychologists should by default use Welch's t-test instead of Student's t-test. International Review of Social Psychology, 30(1), 92–101. https://doi.org/10.5334/irsp.82 ● Otwarty dostęp
- Delacre, M., Leys, C., Mora, Y. L., & Lakens, D. (2019). Taking parametric assumptions seriously: Arguments for the use of Welch's F-test instead of the classical F-test in one-way ANOVA. International Review of Social Psychology, 32(1), Article 13. https://doi.org/10.5334/irsp.198 ● Otwarty dostęp
- Lee, D. K., In, J., & Lee, S. (2015). Standard deviation and standard error of the mean. Korean Journal of Anesthesiology, 68(3), 220–223. https://doi.org/10.4097/kjae.2015.68.3.220 ● Otwarty dostęp
- Perugini, M., Gallucci, M., & Costantini, G. (2018). A practical primer to power analysis for simple experimental designs. International Review of Social Psychology, 31(1), Article 20. https://doi.org/10.5334/irsp.181 ● Otwarty dostęp
Cytowania BibTeX
@article{brysbaert2019how, author={Brysbaert, Marc}, title={{How many participants do we have to include in properly powered experiments? A tutorial of power analysis with reference tables}}, journal={Journal of Cognition}, year={2019}, volume={2}, number={1}, eid={16}, doi={10.5334/joc.72}}@article{delacre2017why, author={Delacre, Marie and Lakens, Daniël and Leys, Christophe}, title={{Why psychologists should by default use Welch's t-test instead of Student's t-test}}, journal={International Review of Social Psychology}, year={2017}, volume={30}, number={1}, pages={92--101}, doi={10.5334/irsp.82}}@article{delacre2019taking, author={Delacre, Marie and Leys, Christophe and Mora, Youri L. and Lakens, Daniël}, title={{Taking parametric assumptions seriously: Arguments for the use of Welch's F-test instead of the classical F-test in one-way ANOVA}}, journal={International Review of Social Psychology}, year={2019}, volume={32}, number={1}, eid={13}, doi={10.5334/irsp.198}}@article{lee2015standard, author={Lee, Dong Kyu and In, Junyong and Lee, Sangseok}, title={{Standard deviation and standard error of the mean}}, journal={Korean Journal of Anesthesiology}, year={2015}, volume={68}, number={3}, pages={220--223}, doi={10.4097/kjae.2015.68.3.220}}@article{perugini2018practical, author={Perugini, Marco and Gallucci, Marcello and Costantini, Giulio}, title={{A practical primer to power analysis for simple experimental designs}}, journal={International Review of Social Psychology}, year={2018}, volume={31}, number={1}, eid={20}, doi={10.5334/irsp.181}}