Co to jest założenie sferyczności?
Założenie sferyczności (ang. sphericity, czasem circularity) to warunek poprawności klasycznego testu F w ANOVA z powtarzanymi pomiarami: wariancje różnic między wszystkimi parami pomiarów są w populacji równe. Dotyczy czynnika wewnątrzobiektowego z co najmniej trzema poziomami. Przy dwóch pomiarach istnieje tylko jedna różnica, więc założenie jest spełnione automatycznie i nie ma czego testować.
Przebieg całej analizy – podział zmienności, wielkość efektu i porównania parami – omawiamy w haśle o ANOVA z powtarzanymi pomiarami. Tu skupiamy się na samym założeniu: co znaczy, jak je ocenić, dlaczego test Mauchly’ego nie wystarcza i którą poprawkę ε wybrać. Nie myl go z testem sferyczności Bartletta z analizy czynnikowej – ten sprawdza, czy macierz korelacji pozycji różni się od macierzy jednostkowej, czyli zupełnie co innego.
Sferyczność to równe wariancje różnic
Dla każdej osoby można policzyć różnicę wyników między dwoma pomiarami, np. T3 − T1. Wariancja takiej różnicy zależy od wariancji obu pomiarów i ich kowariancji:
Sferyczność oznacza, że ta wielkość jest taka sama dla wszystkich par. Warunkiem wystarczającym jest tzw. symetria złożona (równe wariancje pomiarów i równe kowariancje), ale nie jest on konieczny. Odwrotnie też nie działa: równe odchylenia standardowe w kolejnych pomiarach nie gwarantują sferyczności, bo decyduje również to, jak silnie pomiary są ze sobą skorelowane.
W badaniach podłużnych (zob. schemat podłużny) założenie jest często naruszone w przewidywalny sposób: pomiary bliskie w czasie korelują silniej niż odległe, więc różnica między pierwszym a ostatnim pomiarem jest u różnych osób znacznie bardziej zróżnicowana niż różnica między sąsiednimi pomiarami. Konsekwencją jest zbyt liberalny test F: w symulacji Blanki i in. (2023) nieskorygowany test stawał się tym bardziej liberalny, im silniej naruszona była sferyczność, czyli częściej dawał fałszywe alarmy (błąd I rodzaju).
Test Mauchly’ego i jego ograniczenia
Klasycznym sposobem sprawdzania założenia jest test zaproponowany przez Mauchly’ego (1940). Jego hipoteza zerowa mówi, że sferyczność jest spełniona; statystyka W przyjmuje wartości od 0 do 1 (1 = pełna sferyczność) i jest przeliczana na χ² z k(k − 1)/2 − 1 stopniami swobody. Wiele podręczników zaleca: test istotny – zastosuj poprawkę, nieistotny – raportuj wynik bez poprawki. Ta reguła ma słabe punkty:
- mała moc w małych próbach – test często nie wykrywa realnego naruszenia (pokazuje to przykład niżej);
- nadwrażliwość w dużych próbach – wykrywa odstępstwa bez praktycznego znaczenia;
- wrażliwość na brak normalności – Blanca i in. (2023) przypominają wyniki wcześniejszych symulacji, według których test Mauchly’ego nie kontroluje błędu I rodzaju przy nienormalnych danych i jest mało czuły na niewielkie odstępstwa od sferyczności.
Dlatego ważniejsza od wyniku testu jest miara odstępstwa – epsilon (ε).
Epsilon: Greenhouse–Geisser, Huynh–Feldt i dolna granica
Epsilon mówi, jak bardzo dane odbiegają od sferyczności: ε = 1 oznacza pełną sferyczność, a najmniejsza możliwa wartość to 1/(k − 1), czyli .33 przy czterech pomiarach. Poprawka polega na pomnożeniu obu liczb stopni swobody przez oszacowanie ε; sama wartość F się nie zmienia, zmienia się rozkład, z którym ją porównujemy.
| Poprawka | Jak działa | Kiedy |
|---|---|---|
| Greenhouse–Geisser (εGG) | klasyczne oszacowanie ε, test zachowawczy (Greenhouse i Geisser, 1959) | wybór domyślny, zwłaszcza przy εGG < .60 |
| Huynh–Feldt (εHF) | mniej obciążone oszacowanie ε, gdy naruszenie nie jest duże (Huynh i Feldt, 1976); wartości powyżej 1 obcina się do 1 | umiarkowane naruszenie, εGG od .60 do .90 |
| Dolna granica | ε = 1/(k − 1), czyli df = 1 i n − 1 | najbardziej zachowawcza, rzadko potrzebna |
Najnowsze rekomendacje opierają się na symulacjach. Blanca i in. (2023) pokazali, że obie poprawki kontrolują błąd I rodzaju, a Greenhouse–Geisser jest bardziej zachowawcza. Zalecają ją jako wybór domyślny, a gdy poprawki prowadzą do różnych wniosków – Greenhouse’a–Geissera przy ε̂ < .60 i Huynha–Feldta przy ε̂ od .60 do .90; według autorów taka reguła może zastąpić wstępny test Mauchly’ego. Haverkamp i Beauducel (2017) również wskazują poprawkę Huynha–Feldta jako dobry wybór, zwłaszcza w małych próbach z wieloma pomiarami. Spotykaną w podręcznikach regułę z progiem .75 traktuj jako przybliżenie.
Przykład: lęk w czterech pomiarach
Dwadzieścia cztery osoby (dane symulowane) uczestniczyły w programie redukcji lęku. Nasilenie lęku mierzono kwestionariuszem GAD-7 (0–21) przed programem (T1), po 4 tygodniach (T2), po 8 tygodniach (T3) i 3 miesiące po zakończeniu (T4). Średnie wyniosły 11.96, 9.79, 7.83 i 8.25, a odchylenia standardowe – od 3.61 do 4.31, czyli były do siebie podobne. Sferyczność dotyczy jednak różnic:
| Para pomiarów | Odstęp | Wariancja różnicy | Korelacja pomiarów |
|---|---|---|---|
| T2 − T1 | sąsiednie | 7.97 | .72 |
| T3 − T2 | sąsiednie | 8.65 | .75 |
| T4 − T3 | sąsiednie | 7.91 | .78 |
| T3 − T1 | co drugi pomiar | 12.03 | .63 |
| T4 − T2 | co drugi pomiar | 14.52 | .56 |
| T4 − T1 | pierwszy i ostatni | 19.09 | .37 |
Wariancja różnicy T4 − T1 (19.09 = 17.24 + 13.00 − 2 × 5.58) jest 2.2–2.4 raza większa niż wariancje różnic sąsiednich pomiarów (7.91–8.65), bo T1 i T4 korelują tylko na poziomie .37. Przy sferyczności wszystkie słupki na rysunku 1 miałyby podobną wysokość.
Krok 1. Test Mauchly’ego i ε. Test nie był istotny: W = .62, χ²(5) = 10.42, p = .064. Mimo to εGG = .74, a εHF = .82 – odstępstwo jest wyraźne, a 24 osoby to za mało, by test Mauchly’ego je wykrył. Mechaniczna reguła „nieistotny test – brak poprawki” prowadziłaby tu do raportowania zbyt liberalnego testu.
Krok 2. Test główny z poprawkami. Wartość F = 14.32 jest we wszystkich wersjach taka sama; zmieniają się stopnie swobody:
| Wersja | ε | df | p |
|---|---|---|---|
| Bez poprawki | 1 | 3, 69 | < .001 |
| Greenhouse–Geisser | .74 | 2.23, 51.18 | < .001 |
| Huynh–Feldt | .82 | 2.47, 56.91 | < .001 |
| Dolna granica | .33 | 1, 23 | < .001 |
Efekt czasu jest istotny niezależnie od poprawki (η²G = .14; o tej mierze piszemy w haśle eta kwadrat), więc wybór poprawki nie zmienia wniosku. Zgodnie z regułą Blanki i in. (2023) przy εGG = .74 można raportować wynik z poprawką Greenhouse’a–Geissera albo – gdyby wnioski się różniły – Huynha–Feldta. Podejście wielowymiarowe (MANOVA na różnicach), które w ogóle nie wymaga sferyczności, daje ten sam wniosek: ślad Pillaia V = .60, F(3, 21) = 10.49, p < .001.
Co daje poprawka? Symulacja błędu I rodzaju
Żeby zobaczyć skutki naruszenia, wylosowaliśmy po 20 000 badań z 24 osobami i czterema pomiarami, w których hipoteza zerowa była prawdziwa (średnie we wszystkich pomiarach równe), dla trzech populacji: ze sferycznością, z umiarkowanym naruszeniem (ε = .71 – populacja, z której pochodzi nasz przykład) i z silnym naruszeniem (ε = .48).
Bez poprawki odsetek fałszywych alarmów rośnie z 4.7% przy sferyczności do 7.0% przy ε = .71 i 9.2% przy ε = .48. Obie poprawki utrzymują go blisko 5%; Greenhouse–Geisser jest nieco zachowawczy (4.0% przy spełnionej sferyczności). Ta sama symulacja pokazuje słabość testu Mauchly’ego: przy ε = .71 wykrył naruszenie w 83.2% badań, czyli w co szóstym badaniu przeoczyłby je – jak w naszym przykładzie.
Jak opisać wynik w pracy (APA)
Podaj wynik testu Mauchly’ego (jeśli go wykonano), wartość ε i nazwę poprawki, ułamkowe stopnie swobody z dwoma miejscami po przecinku oraz wielkość efektu:
Jeśli zgodnie z planem analizy stosujesz poprawkę Huynha–Feldta, wpisz F(2.47, 56.91) = 14.32, p < .001 i podaj εHF = .82. Pełny opis analizy z porównaniami parami znajdziesz w poradniku ANOVA krok po kroku, a gotowe zdania – w tekście jak opisać wyniki w stylu APA.
Sferyczność w R i SPSS
Kod generuje dane z przykładu (populacja o umiarkowanym naruszeniu sferyczności), liczy wariancje różnic dla sześciu par pomiarów i wykonuje ANOVA z powtarzanymi pomiarami w pakiecie afex z testem Mauchly’ego i poprawkami ε. Liczby w tekście pochodzą z tego kodu; statystykę χ² testu Mauchly’ego, podejście wielowymiarowe, rysunki i symulację zawiera pełny skrypt strony.
Test Mauchly’ego i poprawki Greenhouse’a–Geissera oraz Huynha–Feldta
R
library(MASS); library(afex)
sdv <- c(3.4, 4.0, 4.6, 5.2) # dane symulowane: lęk (GAD-7, 0–21)
Sigma <- diag(sdv) %*% (0.75^abs(outer(1:4, 1:4, "-"))) %*% diag(sdv)
set.seed(132)
x <- pmin(pmax(round(mvrnorm(24, mu = c(12, 9.6, 8.2, 8.6), Sigma = Sigma)), 0), 21)
colnames(x) <- c("T1", "T2", "T3", "T4") # wiersz = osoba, kolumna = pomiar
pary <- combn(4, 2) # wariancje różnic dla 6 par pomiarów
round(sapply(1:6, function(j) var(x[, pary[2, j]] - x[, pary[1, j]])), 2)
dane <- data.frame(id = factor(rep(1:24, 4)), czas = factor(rep(colnames(x), each = 24)),
lek = c(x)) # format długi
fit <- aov_ez(id = "id", dv = "lek", data = dane, within = "czas")
summary(fit) # test Mauchly'ego, epsilon GG i HF
nice(fit, es = "ges", correction = "GG") # wynik z poprawką Greenhouse'a–Geissera
nice(fit, es = "ges", correction = "HF") # wynik z poprawką Huynha–FeldtaWynik w R
[1] 7.97 12.03 19.09 8.65 14.52 7.91
Univariate Type III Repeated-Measures ANOVA Assuming Sphericity
Sum Sq num Df Error SS den Df F value Pr(>F)
(Intercept) 8588.2 1 1077.33 23 183.349 1.913e-12 ***
czas 251.1 3 403.42 69 14.315 2.383e-07 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Mauchly Tests for Sphericity
Test statistic p-value
czas 0.61904 0.064479
Greenhouse-Geisser and Huynh-Feldt Corrections
for Departure from Sphericity
GG eps Pr(>F[GG])
czas 0.7417 5.778e-06 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
HF eps Pr(>F[HF])
czas 0.8247553 2.066957e-06
Anova Table (Type 3 tests)
Response: lek
Effect df MSE F ges p.value
1 czas 2.23, 51.18 7.88 14.32 *** .145 <.001
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘+’ 0.1 ‘ ’ 1
Sphericity correction method: GG
Anova Table (Type 3 tests)
Response: lek
Effect df MSE F ges p.value
1 czas 2.47, 56.91 7.09 14.32 *** .145 <.001
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘+’ 0.1 ‘ ’ 1
Sphericity correction method: HFSPSS
Bibliografia oprogramowania
Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3; 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/
- afex (wersja 1.5.1): Singmann, H., Bolker, B., Westfall, J., Aust, F., & Ben-Shachar, M. S. (2025). afex: Analysis of factorial experiments [R package]. https://doi.org/10.32614/CRAN.package.afex
- MASS (wersja 7.3.65): Venables, W. N., & Ripley, B. D. (2002). Modern applied statistics with S (4th ed.). Springer. https://www.stats.ox.ac.uk/pub/MASS4/
- 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
- Decyzja wyłącznie na podstawie testu Mauchly’ego – w małej próbie przeoczy naruszenie, w dużej zgłosi nieistotne. Patrz na ε.
- Sprawdzanie równości wariancji pomiarów zamiast wariancji różnic – podobne odchylenia standardowe T1–T4 nie przesądzają o sferyczności; to nie jest założenie homogeniczności wariancji z ANOVA dla grup niezależnych.
- Raportowanie F(3, 69) po zastosowaniu poprawki – podaj ułamkowe stopnie swobody, np. F(2.23, 51.18), oraz nazwę poprawki i ε.
- Testowanie sferyczności przy dwóch pomiarach – jest wtedy spełniona z definicji; programy pokazują ε = 1.
- Poprawianie porównań parami poprawką ε – testy t dla par pomiarów korzystają z własnej wariancji różnic i nie wymagają sferyczności; potrzebują za to korekty na porównania wielokrotne.
- Przejście na test Friedmana tylko z powodu naruszonej sferyczności – wystarczy poprawka ε, MANOVA albo model wielopoziomowy z odpowiednią strukturą kowariancji.
Najczęstsze pytania
Co oznacza założenie sferyczności?
Że w populacji wariancje różnic między wszystkimi parami pomiarów są równe – np. różnica T2 − T1 jest u różnych osób tak samo zróżnicowana jak T4 − T1. Dotyczy ANOVA z powtarzanymi pomiarami z co najmniej trzema poziomami czynnika wewnątrzobiektowego; przy dwóch pomiarach jest spełnione automatycznie.
Jak raportować ANOVA z powtarzanymi pomiarami, gdy sferyczność jest naruszona?
Nie rezygnuj z analizy. Zastosuj poprawkę stopni swobody – domyślnie Greenhouse’a–Geissera – i podaj ε oraz ułamkowe df, np. F(2.23, 51.18). Alternatywą jest podejście wielowymiarowe (MANOVA) albo model wielopoziomowy z odpowiednią strukturą kowariancji.
Czy przy nieistotnym teście Mauchly’ego można pominąć poprawkę?
Nie zawsze. W małych próbach test Mauchly’ego często nie wykrywa realnego naruszenia – w przykładzie na tej stronie p = .064, choć εGG = .74. Blanca i in. (2023) proponują opierać wybór na wartości ε, a nie na wyniku testu.
Kiedy wybrać poprawkę Huynha–Feldta zamiast Greenhouse’a–Geissera?
Greenhouse–Geisser jest bardziej zachowawcza i jest bezpiecznym wyborem domyślnym. Gdy obie poprawki prowadzą do różnych wniosków, Blanca i in. (2023) zalecają Greenhouse’a–Geissera przy ε̂ < .60, a Huynha–Feldta przy ε̂ od .60 do .90. Zawsze napisz w pracy, którą poprawkę zastosowano.
Czym różni się sferyczność od homogeniczności wariancji?
Homogeniczność wariancji dotyczy grup niezależnych i sprawdza się ją np. testem Levene’a. Sferyczność dotyczy pomiarów powtarzanych i wariancji różnic między nimi, więc zależy też od korelacji pomiarów. Podobne odchylenia standardowe w kolejnych pomiarach nie gwarantują sferyczności.
Gdzie znaleźć test sferyczności w SPSS?
W oknie Analiza → Ogólny model liniowy → Powtarzane pomiary. SPSS automatycznie pokazuje tabelę „Test sferyczności Mauchly’ego” z wartościami epsilon, a w tabeli testów efektów wewnątrzobiektowych – wyniki bez poprawki i z poprawkami Greenhouse’a–Geissera, Huynha–Feldta oraz dolnej granicy.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
ANOVA z powtarzanymi pomiarami krok po kroku
Cztery warunki, te same osoby: sferyczność i poprawka GG, η²G, porównania parami w emmeans, wykres z CI wewnątrzosobowymi, schemat mieszany i opis APA.
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 →PoradnikStatystyka do pracy magisterskiej
Plan analiz, CFA i omega, regresja hierarchiczna, moderacja i mediacja z bootstrapem, wzory opisu APA i pytania na obronie – z danymi i kodem R.
Czytaj →PoradnikANOVA mieszana krok po kroku
Sferyczność, test M Boxa, interakcja grupa × czas, efekty proste w emmeans i wzór opisu APA – na przykładzie trzech grup i trzech pomiarów.
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)
- Blanca, M. J., Arnau, J., García-Castro, F. J., Alarcón, R., & Bono, R. (2023). Repeated measures ANOVA and adjusted F-tests when sphericity is violated: Which procedure is best? Frontiers in Psychology, 14, Article 1192453. https://doi.org/10.3389/fpsyg.2023.1192453 ● Otwarty dostęp
- Greenhouse, S. W., & Geisser, S. (1959). On methods in the analysis of profile data. Psychometrika, 24(2), 95–112. https://doi.org/10.1007/BF02289823
- Haverkamp, N., & Beauducel, A. (2017). Violation of the sphericity assumption and its effect on Type-I error rates in repeated measures ANOVA and multi-level linear models (MLM). Frontiers in Psychology, 8, Article 1841. https://doi.org/10.3389/fpsyg.2017.01841 ● Otwarty dostęp
- Huynh, H., & Feldt, L. S. (1976). Estimation of the Box correction for degrees of freedom from sample data in randomized block and split-plot designs. Journal of Educational Statistics, 1(1), 69–82. https://doi.org/10.3102/10769986001001069
- Mauchly, J. W. (1940). Significance test for sphericity of a normal n-variate distribution. The Annals of Mathematical Statistics, 11(2), 204–209. https://doi.org/10.1214/aoms/1177731915 ● Otwarty dostęp
Cytowania BibTeX
@article{blanca2023repeated, author={Blanca, María J. and Arnau, Jaume and García-Castro, F. Javier and Alarcón, Rafael and Bono, Roser}, title={{Repeated measures ANOVA and adjusted F-tests when sphericity is violated: Which procedure is best?}}, journal={Frontiers in Psychology}, year={2023}, volume={14}, eid={1192453}, doi={10.3389/fpsyg.2023.1192453}}@article{greenhouse1959methods, author={Greenhouse, Samuel W. and Geisser, Seymour}, title={{On methods in the analysis of profile data}}, journal={Psychometrika}, year={1959}, volume={24}, number={2}, pages={95--112}, doi={10.1007/bf02289823}}@article{haverkamp2017violation, author={Haverkamp, Nicolas and Beauducel, André}, title={{Violation of the sphericity assumption and its effect on Type-I error rates in repeated measures ANOVA and multi-level linear models (MLM)}}, journal={Frontiers in Psychology}, year={2017}, volume={8}, eid={1841}, doi={10.3389/fpsyg.2017.01841}}@article{huynh1976estimation, author={Huynh, Huynh and Feldt, Leonard S.}, title={{Estimation of the Box correction for degrees of freedom from sample data in randomized block and split-plot designs}}, journal={Journal of Educational Statistics}, year={1976}, volume={1}, number={1}, pages={69--82}, doi={10.3102/10769986001001069}}@article{mauchly1940significance, author={Mauchly, John W.}, title={{Significance test for sphericity of a normal n-variate distribution}}, journal={The Annals of Mathematical Statistics}, year={1940}, volume={11}, number={2}, pages={204--209}, doi={10.1214/aoms/1177731915}}