Ilu badanych potrzebujesz do pracy magisterskiej? Jak dobrać test statystyczny do hipotezy? Kiedy użyć testu t-Studenta, a kiedy korelacji Spearmana? Jak sprawdzić normalność rozkładu i poprawnie zapisać wyniki zgodnie z APA 7? W tym poradniku znajdziesz odpowiedzi na wszystkie najczęściej zadawane pytania.
Najczęstsze zdanie, jakie słyszę od studentów, brzmi:
„Mam już zebrane dane, ale nie wiem, co dalej."
W rzeczywistości analiza statystyczna wcale nie jest tak skomplikowana, jak może się wydawać. W większości prac magisterskich i licencjackich wybór odpowiedniego testu sprowadza się do odpowiedzi na kilka prostych pytań: co chcesz sprawdzić, jakie masz zmienne i czy dane spełniają założenia testów parametrycznych.
W tym artykule pokażę cały proces krok po kroku. Dowiesz się, ilu badanych warto zebrać, jak dobrać test statystyczny do rodzaju hipotezy, w jakiej kolejności wykonywać analizy oraz jak raportować wyniki zgodnie ze standardem APA 7, aby uniknąć najczęstszych błędów pojawiających się w pracach dyplomowych.
Choć przykłady pochodzą z psychologii, opisane zasady są uniwersalne. Z powodzeniem wykorzystasz je również na pedagogice, socjologii, naukach o zdrowiu, zarządzaniu oraz większości kierunków, na których prowadzi się badania ilościowe.
Jeżeli jesteś na wcześniejszym etapie pisania pracy, zajrzyj również do pozostałych poradników z tej serii:
- Jak dobrać narzędzia badawcze – wybór kwestionariuszy, opis narzędzi i najczęstsze błędy.
- Jak napisać pracę magisterską i licencjacką – struktura pracy, część teoretyczna i empiryczna oraz przykładowe spisy treści.
Jak dobrać test statystyczny do hipotezy
To pytanie pojawia się praktycznie u każdego studenta. Dobra wiadomość jest taka, że w większości prac magisterskich i licencjackich nie musisz znać kilkudziesięciu testów statystycznych. W praktyce wystarczy odpowiedzieć na dwa pytania: co chcesz sprawdzić i jakiego rodzaju dane analizujesz. Od odpowiedzi na te dwa pytania zależy praktycznie cały wybór analizy.
Na końcu artykułu pokażę jeszcze, jak sprawdzić normalność rozkładu, ilu uczestników potrzebujesz i jak poprawnie zapisać wyniki zgodnie z APA 7.
Krok 1. Określ, co sprawdza Twoja hipoteza
Większość hipotez w pracach dyplomowych można sprowadzić do jednego z czterech typów.
1. Czy dwie grupy różnią się między sobą? Na przykład: "Kobiety osiągają wyższy poziom stresu niż mężczyźni", "Osoby pracujące fizycznie różnią się satysfakcją z życia od osób pracujących umysłowo". Tutaj porównujesz dwie grupy.
2. Czy kilka grup różni się między sobą? Na przykład: "Poziom stresu różni się między osobami z wykształceniem podstawowym, średnim i wyższym", "Trzy grupy wiekowe różnią się poziomem wypalenia zawodowego". Tutaj porównujesz trzy lub więcej grup.
3. Czy dwie zmienne są ze sobą powiązane? Na przykład: "Wyższy poziom stresu wiąże się z niższą satysfakcją z życia", "Osoby o wyższej samoocenie osiągają wyższą wydajność zawodową". Tutaj nie dzielisz na grupy – sprawdzasz jedynie, czy dwie zmienne zmieniają się razem.
4. Czy jedna zmienna przewiduje drugą? Na przykład: "Strategie radzenia sobie pozwalają przewidywać poziom stresu", "Wybrane czynniki najlepiej przewidują wydajność zawodową". Tutaj przechodzisz z prostego związku do modelu predykcyjnego i wykorzystujesz analizę regresji – najbardziej zaawansowany typ analizy spotykany w większości prac magisterskich.
Krok 2. Jakiego rodzaju zmienne masz w badaniu
To właśnie rodzaj zmiennej decyduje o wyborze testu statystycznego. W praktyce większość danych pochodzi z dwóch źródeł.
Kwestionariusze psychologiczne dają wynik liczbowy – na przykład wynik PSS-10 = 27 punktów, wynik SWLS = 22 punkty, wynik SES = 31 punktów. Są to zmienne ilościowe.
Metryczka socjodemograficzna (ankieta) to informacje opisujące badaną osobę: płeć, wiek, wykształcenie, miejsce zamieszkania, stan cywilny, rodzaj wykonywanej pracy. Najczęściej są to zmienne nominalne lub porządkowe.
Typ zmiennej wskazuje rodzinę testu, a normalność rozkładu decyduje, którą wersję z tej rodziny wybierzesz – parametryczną czy nieparametryczną. O normalności piszę w dalszej części artykułu.
Krok 3. Wybierz odpowiedni test
Najważniejsze są dwie informacje: czy porównujesz grupy, czy analizujesz związek, oraz czy dane mają rozkład normalny.
Porównanie grup
Jeżeli Twoja hipoteza brzmi "kobiety różnią się poziomem stresu od mężczyzn", porównujesz dwie grupy.
Jeżeli rozkład jest normalny, wykorzystujesz test t-Studenta dla prób niezależnych. Jeżeli normalności nie ma – jego odpowiednik nieparametryczny, czyli test U Manna-Whitneya.
Jeżeli grup jest więcej niż dwie (np. trzy poziomy wykształcenia), stosujesz jednoczynnikową analizę wariancji (ANOVA) przy rozkładzie normalnym albo test Kruskala-Wallisa przy jego braku. Po istotnym wyniku ANOVA wykonuje się jeszcze testy post hoc (najczęściej Tukeya lub Bonferroniego), które pokazują, które grupy rzeczywiście różnią się od siebie.
Wskazówka: jeśli dzielisz próbę na grupy kliniczne albo opisujesz badanych z rozpoznaniem, kryteria diagnostyczne warto opierać na aktualnych klasyfikacjach ICD-11 lub DSM-5, a nie na starszych podręcznikach. W ICD Diagnostica znajdziesz pełne tłumaczenie klasyfikacji ICD-11 oraz ICD-10 w języku polskim, wraz z możliwością wyszukiwania jednostek po nazwach i objawach. Dzięki temu łatwo zweryfikujesz aktualne kryteria rozpoznania i przygotujesz opis grupy klinicznej zgodny z obowiązującą klasyfikacją.
Analiza zależności między zmiennymi
Większość hipotez w psychologii wygląda mniej więcej tak: im wyższy poziom X, tym wyższy (lub niższy) poziom Y. Na przykład: im wyższy stres, tym niższa satysfakcja z życia; im wyższa samoocena, tym wyższa nadzieja na sukces. Tutaj nie porównujesz grup – sprawdzasz jedynie, czy dwie zmienne są ze sobą powiązane.
Jeżeli rozkład jest normalny, stosujesz korelację Pearsona. Jeżeli rozkład odbiega od normalnego – korelację Spearmana.
Jak interpretować korelację
Każdy współczynnik korelacji przekazuje dwie informacje: kierunek i siłę związku.
Korelacja dodatnia oznacza, że wraz ze wzrostem jednej zmiennej rośnie również druga – np. im wyższa samoocena, tym wyższa satysfakcja z życia. Korelacja ujemna oznacza sytuację odwrotną – np. im wyższy poziom stresu, tym niższa satysfakcja z życia. Minus przy współczynniku nie oznacza, że wynik jest "gorszy" – informuje jedynie o kierunku zależności.
Siłę związku ocenia się niezależnie od znaku. Orientacyjnie: około 0,10 – słaba zależność, około 0,30 – umiarkowana, około 0,50 i więcej – silna.
Pamiętaj jednak, że nawet bardzo silna korelacja nie oznacza związku przyczynowo-skutkowego. Jeżeli stres koreluje z depresją, nie możesz napisać, że stres powoduje depresję – możesz jedynie stwierdzić, że obie zmienne są ze sobą powiązane.
Regresja – krok dalej niż korelacja
Korelacja odpowiada na pytanie, czy dwie zmienne są ze sobą związane. Regresja odpowiada na pytanie, które zmienne najlepiej przewidują wynik i jak silny jest ich wpływ. To właśnie dlatego analiza regresji zwykle pojawia się na końcu rozdziału wyników.
Typowa tabela regresji zawiera współczynniki B, współczynniki standaryzowane beta, wartości t, poziomy istotności, współczynnik R² oraz test F dla całego modelu. Najważniejsze, co z niej odczytujesz:
- czy cały model jest istotny statystycznie,
- jaki procent zmienności wyjaśnia (R²),
- które predyktory są istotne,
- który predyktor ma największy wpływ (wartość beta).
W psychologii modele wyjaśniające około 20–30% wariancji często uznawane są za całkowicie satysfakcjonujące.
Zwróć uwagę, że mówiliśmy do tej pory o testach parametrycznych i nieparametrycznych, rozkładzie normalnym i nienormalnym – teraz wytłumaczę, o co z tym chodzi.
Rozkład normalny: co to jest i po co go sprawdzasz
Jeżeli dane mają rozkład zbliżony do normalnego, najczęściej stosuje się testy parametryczne: test t-Studenta, analizę wariancji (ANOVA), korelację Pearsona i regresję liniową. Jeżeli rozkład wyraźnie odbiega od normalnego, sięga się po ich odpowiedniki nieparametryczne: test U Manna-Whitneya, test Kruskala-Wallisa i korelację Spearmana.
Co to właściwie jest rozkład normalny
Rozkład normalny to sytuacja, w której większość osób osiąga wyniki zbliżone do średniej, a wyniki bardzo wysokie i bardzo niskie pojawiają się coraz rzadziej. Na wykresie przypomina charakterystyczny dzwon.
Najważniejsze cechy rozkładu normalnego: jest symetryczny, średnia, mediana i dominanta znajdują się praktycznie w tym samym miejscu, około 68% wyników mieści się w granicach jednego odchylenia standardowego od średniej, a około 95% w granicach dwóch. W praktyce niewiele zmiennych ma idealnie normalny rozkład – wystarczy jednak, że rozkład jest w przybliżeniu normalny.
Jak sprawdzić normalność rozkładu
Najczęściej wykorzystuje się trzy źródła informacji.
1. Test Shapiro-Wilka. To obecnie najczęściej rekomendowany test normalności. Interpretacja jest prosta: jeśli p > 0,05, nie ma podstaw do stwierdzenia odchylenia od normalności; jeśli p < 0,05, rozkład różni się od normalnego. To odwrotna logika niż przy większości analiz statystycznych – tutaj nieistotny wynik jest dobrą wiadomością.
Promotorzy często stosują dodatkowo prostą zasadę: do około 100 osób – test Shapiro-Wilka, powyżej 100 osób – test Kołmogorowa-Smirnowa (z poprawką Lillieforsa). Jeżeli Twój promotor tego oczekuje, warto się zastosować – to nie błąd, a spór o wyższość jednego testu nad drugim rzadko ma znaczenie na obronie. Historycznie reguła wynika z układu tabeli w SPSS, który wyświetla oba testy obok siebie, oraz z faktu, że pierwsze wersje Shapiro-Wilka miały ograniczenia dotyczące liczebności próby – dziś nieaktualne. Badania porównujące moc obu testów (Razali i Wah, 2011) pokazują, że Shapiro-Wilk jest zazwyczaj mocniejszy, niezależnie od liczebności próby.
2. Skośność i kurtoza. Sam test Shapiro-Wilka nie powinien być jedynym kryterium. Często przyjmuje się, że wartości skośności w przedziale od −2 do 2 i kurtozy w przedziale od −7 do 7 świadczą o rozkładzie wystarczająco zbliżonym do normalnego dla większości analiz (West, Finch i Curran, 1995).
3. Histogram i wykres Q-Q. Na końcu warto po prostu obejrzeć dane – histogram oraz wykres Q-Q często pokazują więcej niż sama wartość p. Przy dużych próbach nawet niewielkie odchylenia od normalności mogą prowadzić do wyniku p < 0,001, mimo że rozkład wygląda niemal idealnie. Dlatego decyzję warto podejmować na podstawie wszystkich trzech źródeł naraz.
Ważna uwaga: normalności nie sprawdza się "dla całej bazy danych". W teście t dla prób niezależnych ocenia się rozkład w każdej grupie osobno. W teście t dla prób zależnych analizuje się rozkład różnic. W regresji i analizie wariancji założenie normalności dotyczy przede wszystkim reszt modelu, a nie samych zmiennych. To jeden z najczęściej popełnianych błędów w pracach dyplomowych.
Dodatkowo: testy nieparametryczne nie ratują małej próby. Mają niższą moc niż parametryczne, więc nieistotny wynik przy N = 40 nie znaczy "efektu nie ma", tylko "to badanie nie było w stanie go wykryć".
Ilu badanych potrzeba do pracy magisterskiej
To prawdopodobnie najczęściej zadawane pytanie podczas seminariów, a odpowiedź brzmi: to zależy od planowanych analiz. Nie istnieje żaden przepis ani ogólnopolska norma określająca minimalną liczebność próby w pracy dyplomowej.
Jeżeli jednak miałbym wskazać jedną liczbę, byłoby to około 100 uczestników – nie dlatego, że wymaga tego uczelnia, ale dlatego, że przy takiej liczebności większość analiz stosowanych w psychologii ma rozsądną moc statystyczną.
A co z zasadą 10 obserwacji na predyktor
Prawdopodobnie spotkasz się z regułą mówiącą, że w analizie regresji wystarczy 10 obserwacji na każdy predyktor. To popularna zasada praktyczna i w wielu prostych analizach można ją uznać za akceptowalne minimum. Coraz częściej zaleca się jednak bardziej konserwatywne podejście i planowanie około 15 obserwacji na każdy predyktor, co zwiększa stabilność oszacowań i zmniejsza ryzyko uzyskania niestabilnych wyników.
Sama reguła – czy to 10, czy 15 – to jednak reguła kciuka bez mocnych podstaw statystycznych. Klasyczna rekomendacja Greena (1991) mówi, że dla regresji trzeba wziąć większą z dwóch liczb: 50 + 8 × liczba predyktorów (dla testu całego modelu) oraz 104 + liczba predyktorów (dla testu pojedynczych predyktorów). Przy 5 predyktorach wychodzi więc N ≥ 109, a nie 50 czy 75.
Jak powinna wyglądać kolejność analiz
Jednym z najczęstszych błędów jest wykonywanie analiz w przypadkowej kolejności. Dobry rozdział wyników wygląda zwykle tak:
Przygotowanie danych ↓ Charakterystyka próby ↓ Statystyki opisowe ↓ Rzetelność narzędzi (jeżeli liczona) ↓ Sprawdzenie założeń analiz ↓ Porównania między grupami ↓ Korelacje ↓ Analiza regresji ↓ Podsumowanie hipotez (APA 7)
1. Przygotowanie danych. Zanim rozpoczniesz właściwe analizy, upewnij się, że baza jest poprawnie przygotowana: braki danych, przekodowanie pozycji odwróconych (koniecznie przed liczeniem rzetelności), wartości odstające z jasno podanym kryterium.
2. Charakterystyka próby. N, płeć, wiek (średnia, odchylenie, zakres), sposób doboru próby, kryteria włączenia i wyłączenia, ile osób odpadło i dlaczego.
3. Statystyki opisowe. Tabela ze średnią, odchyleniem standardowym, minimum, maksimum, skośnością i kurtozą dla każdej zmiennej – plus akapit pod nią, który wskazuje, która zmienna miała najwyższą średnią i co to znaczy. Sama tabela nikomu nie wystarczy.
4. Rzetelność narzędzi. Jeżeli liczysz alfa Cronbacha lub inny wskaźnik rzetelności, to właśnie tu jest na to miejsce – po przekodowaniu pozycji odwróconych, przed dalszymi analizami.
5. Sprawdzenie założeń analiz. Normalność rozkładu decyduje, czy w kolejnych krokach idziesz w testy parametryczne, czy w ich nieparametryczne odpowiedniki – patrz sekcja wyżej.
6. Porównania między grupami. Najpierw przedstaw tabelę zbiorczą ze wszystkimi wykonanymi porównaniami między grupami. Dla każdej zmiennej socjodemograficznej podaj wartość statystyki testowej (t dla dwóch grup lub F dla trzech i więcej), poziom istotności (p) oraz – jeśli to możliwe – wielkość efektu. Jeżeli któreś porównanie okaże się istotne statystycznie, dodaj drugą tabelę zawierającą średnie i odchylenia standardowe dla każdej grupy – dzięki temu czytelnik od razu zobaczy, która grupa uzyskała wyższy wynik i jak duża była różnica między nimi. Sama informacja, że wynik był istotny (np. p = ,028), nie mówi jeszcze, w jakim kierunku wystąpiła różnica – dopiero zestawienie średnich pozwala stwierdzić np., że osoby w wieku 18–24 lata częściej stosowały styl unikowy niż osoby starsze.
7. Korelacje i analiza regresji. W kolejnym kroku sprawdź zależności między zmiennymi ilościowymi za pomocą analizy korelacji. Następnie, jeśli wynika to z celu badania lub postawionych hipotez, przeprowadź analizę regresji, aby określić, które zmienne najlepiej przewidują badaną zmienną zależną. Zasady doboru odpowiednich testów oraz ich interpretacji zostały omówione w poprzedniej części artykułu.
8. Podsumowanie hipotez. Na końcu rozdziału empirycznego podsumuj wyniki w odniesieniu do wszystkich hipotez. Zachowaj tę samą kolejność i numerację, które zostały przedstawione w rozdziale metodologicznym – dzięki temu czytelnik łatwo odnajdzie, której hipotezy dotyczą poszczególne analizy. Przy każdej hipotezie podaj zastosowany test statystyczny, krótko uzasadnij jego wybór, przedstaw wynik zgodnie ze standardem APA 7, uwzględnij wielkość efektu oraz krótko zinterpretuj otrzymany rezultat. Na końcu jednoznacznie wskaż, czy hipoteza została potwierdzona, czy niepotwierdzona (unikaj sformułowania "udowodniona"). Dobrym rozwiązaniem jest również zamieszczenie tabeli zbiorczej ze wszystkimi hipotezami i informacją o wyniku ich weryfikacji – ułatwia to czytelnikowi orientację i stanowi przejrzyste zakończenie części empirycznej.
Jak zapisywać wyniki zgodnie z APA 7
Większość uwag promotorów dotyczy nie samych analiz, lecz sposobu ich opisania. Najważniejsze zasady:
- Symbole statystyczne kursywą: t, F, p, r, M, SD, d, N, R². Litery greckie (np. beta, alfa) – nie.
- Bez zera wiodącego przy wartościach, które nie mogą przekroczyć jedynki: p = ,024; r = ,41. Ale d = 0,61 i M = 3,42 – z zerem.
- Nigdy p = ,000. To artefakt SPSS. Piszesz: p < ,001.
- Zawsze podawaj wielkość efektu. Sama wartość p informuje jedynie o istotności statystycznej, a nie o sile zjawiska.
- Unikaj określenia "wynik na granicy istotności". Przy przyjętym poziomie istotności α = ,05 wynik p = ,06 jest po prostu nieistotny statystycznie. Jeżeli wartość p jest zbliżona do progu istotności (np. p = ,06 lub p = ,07), można napisać, że zaobserwowano tendencję lub że wynik wskazuje na tendencję statystyczną – nie należy jednak interpretować go jako istotnego statystycznie.
Przykładowe zapisy:
Osoby z grupy eksperymentalnej (M = 4,21; SD = 0,83) uzyskały wyższe wyniki niż osoby z grupy kontrolnej (M = 3,65; SD = 0,91), t(58) = 2,34; p = ,023; d = 0,61.
Poziom stresu korelował dodatnio z nasileniem objawów depresyjnych, r(98) = ,42; p < ,001.
Analiza wariancji wykazała istotny efekt grupy, F(2, 87) = 5,42; p = ,006; eta-kwadrat = ,11. Test post hoc Tukeya wykazał, że grupa A uzyskała wyższe wyniki niż grupa C (p = ,004).
Model regresji był istotny, F(3, 96) = 12,45; p < ,001, i wyjaśniał 28% wariancji (R² = ,28; skorygowane R² = ,26). Istotnym predyktorem okazał się poziom stresu (beta = ,34; p < ,001).
Najczęściej zadawane pytania
Czy 100 osób wystarczy? W większości prac opartych na korelacjach, prostych regresjach i porównaniach dwóch grup – zwykle tak. Do porównania sześciu podgrup, mediacji z małymi efektami albo regresji z ośmioma predyktorami – niekoniecznie. Sprawdź to, zanim zbierzesz dane, bo później jest za późno.
Mam tylko 40 osób. Czy mogę napisać pracę? Tak. Trzeba jednak dobrać odpowiednie analizy, uczciwie opisać ograniczenia badania i pamiętać, że mała próba oznacza mniejszą moc statystyczną – nieistotny wynik nie znaczy automatycznie, że efektu nie ma.
Ile narzędzi to za dużo? Powyżej pięciu kwestionariuszy (albo powyżej 150 pozycji łącznie) zaczynasz płacić jakością danych. Jeśli nie umiesz przypisać narzędzia do konkretnej hipotezy – to jest o jedno za dużo.
Czy muszę załączyć kwestionariusz do pracy? Metryczkę i zgodę – tak. Przy narzędziach zastrzeżonych (np. testach PTP) zwykle podaje się tylko przykładowe pozycje z powołaniem na źródło, a nie cały arkusz. Zapytaj promotora, jak to widzi na Twoim wydziale.
Promotor wymaga testu Kołmogorowa-Smirnowa, a ja czytałem, że lepszy jest Shapiro-Wilk. Co zrobić? Jeżeli takie są wymagania promotora, najlepiej się do nich zastosować. SPSS liczy oba testy automatycznie, więc możesz bez problemu zaprezentować je razem.
Czy muszę znać wszystkie testy statystyczne? Nie. W zdecydowanej większości prac magisterskich wystarczają: test t-Studenta, test U Manna-Whitneya, ANOVA, test Kruskala-Wallisa, korelacja Pearsona, korelacja Spearmana i regresja liniowa bądź krokowa postępująca. Na nich opiera się większość analiz wykonywanych w pracach z psychologii.
Kiedy najlepiej zgłosić się do statystyka po pomoc? Najlepiej przed zebraniem danych – wtedy da się jeszcze poprawić konstrukcję ankiety i dobrać narzędzia tak, żeby hipotezy dało się w ogóle przetestować. Drugi dobry moment to zaraz po zebraniu danych. Najgorszy: tydzień przed oddaniem pracy, gdy okazuje się, że kluczowej hipotezy nie da się zweryfikować, bo ankieta nie zbiera danych, które byłyby do tego potrzebne.
Co dalej
- Jak dobrać narzędzia badawcze – wybór kwestionariuszy, opis narzędzi i najczęstsze błędy.
- Jak napisać pracę magisterską i licencjacką – struktura pracy, część teoretyczna i empiryczna oraz przykładowe spisy treści.
Potrzebujesz pomocy z analizą statystyczną
Pomagam studentom na każdym etapie przygotowywania części empirycznej – od planowania badań, przez dobór narzędzi i analiz statystycznych, aż po interpretację wyników oraz przygotowanie opisów zgodnych z APA 7.
Wycena jest bezpłatna i niezobowiązująca. Wyślij hipotezy, kwestionariusz, bazę danych albo uwagi promotora – odpiszę z konkretną ceną i terminem. Cenę ustalamy z góry – bez żadnych dodatkowych opłat. Wszystkie poprawki wynikające z uwag promotora dotyczące wykonanych analiz są wliczone w cenę usługi.
Możesz też po prostu zapytać o coś na maila albo sprawdzić orientacyjny koszt w kalkulatorze. A jeśli szukasz opisu konkretnego narzędzia – z autorami, polską adaptacją, sposobem liczenia wyniku i przykładowymi hipotezami – zajrzyj do bazy testów psychologicznych.