Dlaczego pokochałem odchylenie standardowe

Co to jest: Miara rzetelności (spójności wewnętrznej) skali złożonej z wielu pozycji/pytań — sprawdza, czy wszystkie pozycje konsekwentnie mierzą tę samą cechę.

Kiedy używać: Masz kwestionariusz/skalę z kilkoma pytaniami mającymi mierzyć jedną cechę (np. satysfakcję) i chcesz sprawdzić, czy faktycznie „trzymają się razem”.

Jak czytać wynik: α powyżej 0,7-0,8 to zwykle akceptowalna/dobra rzetelność. Korelacja pozycja-reszta pokazuje, które konkretne pytanie słabo pasuje do reszty skali — niska/ujemna wartość sugeruje rozważenie usunięcia tej pozycji.

Zobacz też: Analiza czynnikowa (EFA) — sprawdza, czy pozycje faktycznie grupują się w spójne podskale, zanim w ogóle policzysz rzetelność każdej z nich.

Co to jest: Metoda szukająca ukrytych („utajonych”) czynników leżących u podstaw wzorca korelacji między wieloma obserwowanymi zmiennymi — np. czy 20 pytań kwestionariusza faktycznie mierzy 3 odrębne cechy.

Kiedy używać: Budujesz lub walidujesz kwestionariusz/skalę pomiarową i chcesz sprawdzić, czy pytania grupują się w sensowne, spójne podskale.

Jak czytać wynik: „Ładunki czynnikowe” pokazują, jak silnie każda zmienna wiąże się z danym czynnikiem — wysokie ładunki (zwykle powyżej 0,4-0,5) na jednym czynniku sugerują, że te pozycje mierzą tę samą, wspólną cechę.

Zobacz też: Po wyodrębnieniu podskal warto sprawdzić ich rzetelność Alfą Cronbacha.

Co to jest: Rozszerzenie testu t na więcej niż dwie grupy — sprawdza, czy średnie co najmniej trzech niezależnych grup różnią się istotnie.

Kiedy używać: Masz trzy lub więcej niezależnych grup (np. trzy metody nauczania) i chcesz sprawdzić, czy którakolwiek różni się od pozostałych na tej samej zmiennej liczbowej.

Jak czytać wynik: Istotna wartość p (poniżej 0,05) mówi tylko, że gdzieś między grupami jest różnica — nie wskazuje, która para grup się różni. Do tego potrzebne są dodatkowe porównania parami (post-hoc).

Uwaga: Jeśli masz tylko dwie grupy, zwykły test t wystarczy — ANOVA ma sens dopiero przy trzech i więcej.

Co to jest: Metoda uczenia nienadzorowanego, która dzieli obserwacje na z góry określoną liczbę (k) grup (klastrów) na podstawie podobieństwa wartości.

Kiedy używać: Nie masz z góry określonych grup, ale podejrzewasz, że dane naturalnie dzielą się na podobne do siebie skupiska — np. segmentacja klientów na podstawie zachowań zakupowych.

Jak czytać wynik: Każda obserwacja dostaje przypisany numer klastra. Warto porównać średnie wartości zmiennych w każdym klastrze, żeby nadać im sensowną, opisową nazwę (np. „klienci okazjonalni” vs „stali klienci”).

Uwaga: Wybór liczby klastrów (k) jest częściowo subiektywny — warto przetestować kilka wartości k i porównać, które dają najbardziej sensowny, interpretowalny podział.

Co to jest: Oblicza moc statystyczną — prawdopodobieństwo wykrycia efektu, jeśli on naprawdę istnieje, przy danej wielkości próby, wielkości efektu i poziomie istotności.

Kiedy używać: Po zebraniu danych, żeby ocenić, czy Twój test miał realną szansę wykryć efekt danej wielkości — szczególnie ważne przy interpretacji wyników nieistotnych statystycznie.

Jak czytać wynik: Moc 0,80 (80%) to powszechnie przyjęty, akceptowalny minimalny próg. Niska moc (np. 0,40) oznacza, że nawet realny efekt mógł łatwo zostać przeoczony — brak istotności statystycznej niekoniecznie znaczy brak efektu.

Zobacz też: Kalkulator wielkości próby — odwrotność tego pytania: ile obserwacji potrzeba, żeby osiągnąć określoną moc.

Co to jest: Oblicza, ile obserwacji potrzeba, żeby wykryć oczekiwaną wielkość efektu z założoną mocą statystyczną i poziomem istotności — zanim jeszcze zaczniesz zbierać dane.

Kiedy używać: Na etapie planowania badania — żeby uniknąć sytuacji, w której po zebraniu danych okazuje się, że próba była za mała, by cokolwiek sensownie wykryć.

Jak czytać wynik: Wynikiem jest liczba obserwacji (per grupa, jeśli dotyczy) potrzebna do osiągnięcia zakładanej mocy (zwykle 80%). Większy oczekiwany efekt = mniejsza potrzebna próba; mniejszy efekt = potrzeba więcej obserwacji.

Uwaga: Wymaga wcześniejszego oszacowania spodziewanej wielkości efektu — z wcześniejszych badań, badania pilotażowego, albo rozsądnego założenia teoretycznego.

Co to jest: Nieparametryczny odpowiednik korelacji Pearsona — mierzy siłę monotonicznej zależności między dwiema zmiennymi na podstawie ich rang, nie surowych wartości.

Kiedy używać: Dane są porządkowe (rangi, oceny) albo wyraźnie odbiegają od zależności liniowej/rozkładu normalnego, albo zawierają wartości odstające silnie wpływające na zwykłą korelację Pearsona.

Jak czytać wynik: Współczynnik rho przyjmuje wartości od -1 do 1, interpretowany podobnie jak Pearson: bliżej ±1 oznacza silniejszą zależność monotoniczną (rosnącą lub malejącą, niekoniecznie liniową).

Uwaga: Wykrywa też zależności nieliniowe, o ile są monotoniczne (konsekwentnie rosnące lub malejące) — czego zwykła korelacja Pearsona może nie uchwycić.

Co to jest: Metoda redukcji wymiarów — zamienia wiele skorelowanych ze sobą zmiennych na mniejszą liczbę nowych, nieskorelowanych „składowych głównych”, które wyjaśniają jak najwięcej wspólnej zmienności.

Kiedy używać: Masz wiele zmiennych liczbowych (np. kilkanaście pytań kwestionariusza) i chcesz je uprościć do kilku głównych wymiarów, albo po prostu zwizualizować strukturę danych.

Jak czytać wynik: „Wyjaśniona wariancja” przy każdej składowej mówi, jaki procent całej zmienności danych ona tłumaczy. Zwykle pierwsze 2-3 składowe wyjaśniają większość sensownej informacji — reszta to głównie szum.

Różnica względem EFA: PCA opisuje dane matematycznie (bez zakładania ukrytych „czynników”), EFA zakłada istnienie realnych, ukrytych zmiennych leżących u podstaw obserwowanych wyników.

Co to jest: Opisuje zależność liniową między jedną zmienną objaśniającą (X) a zmienną wynikową (Y) — dopasowuje najlepszą linię prostą przez punkty danych.

Kiedy używać: Chcesz sprawdzić, czy i jak jedna zmienna liczbowa przewiduje drugą, np. czy liczba godzin nauki przewiduje wynik na egzaminie.

Jak czytać wynik: Współczynnik R² mówi, jaki procent zmienności Y tłumaczy X (np. R²=0,40 oznacza 40%). Współczynnik nachylenia (beta) pokazuje, o ile zmienia się Y przy wzroście X o jednostkę. Wartość p dla nachylenia poniżej 0,05 oznacza, że zależność jest istotna statystycznie.

Uwaga: Regresja opisuje zależność, nie dowodzi przyczynowości — silna zależność może wynikać ze wspólnej, trzeciej przyczyny.

Co to jest: Odmiana regresji przewidująca nie wartość liczbową, tylko prawdopodobieństwo przynależności do jednej z dwóch kategorii (np. „kupi / nie kupi”, „zdał / nie zdał”).

Kiedy używać: Twoja zmienna wynikowa jest binarna (dwie kategorie), a chcesz sprawdzić, jak jedna lub więcej zmiennych liczbowych/kategorialnych wpływa na prawdopodobieństwo danego wyniku.

Jak czytać wynik: Współczynniki są zwykle prezentowane jako iloraz szans (odds ratio) — wartość powyżej 1 oznacza zwiększenie szansy wystąpienia zdarzenia wraz ze wzrostem predyktora, poniżej 1 — zmniejszenie. Wartość p poniżej 0,05 przy danym predyktorze oznacza jego istotny wpływ.

Uwaga: Nie mylić ze zwykłą regresją liniową — tam wynikiem jest liczba ciągła, tutaj kategoria/prawdopodobieństwo.

Co to jest: Rozszerzenie prostej regresji liniowej na wiele zmiennych objaśniających jednocześnie — pozwala sprawdzić wpływ każdej z nich na wynik, kontrolując pozostałe.

Kiedy używać: Podejrzewasz, że na zmienną wynikową wpływa więcej niż jeden czynnik naraz i chcesz oszacować wpływ każdego z osobna, „trzymając pozostałe na stałym poziomie”.

Jak czytać wynik: R² mówi, jaki procent zmienności wyniku tłumaczy cały model łącznie. Każdy predyktor ma własny współczynnik i wartość p — istotny predyktor (p<0,05) wnosi unikalny wkład ponad to, co tłumaczą pozostałe zmienne w modelu.

Uwaga: Zbyt wiele silnie skorelowanych ze sobą predyktorów (współliniowość) może zniekształcać wyniki poszczególnych współczynników.

Co to jest: Zaawansowana metoda łącząca analizę czynnikową z regresją — pozwala testować całe sieci zależności między obserwowanymi i ukrytymi (utajonymi) zmiennymi jednocześnie.

Kiedy używać: Masz teoretyczny model z kilkoma powiązanymi ze sobą konstruktami (np. „satysfakcja” wpływa na „lojalność”, która wpływa na „polecenia”) i chcesz sprawdzić, czy dane go potwierdzają.

Jak czytać wynik: Kluczowe są miary dopasowania modelu do danych (np. CFI, RMSEA) — mówią, jak dobrze cały zaproponowany model pasuje do rzeczywistych danych, nie tylko pojedyncze współczynniki ścieżek.

Uwaga: To najbardziej złożona metoda w tym zestawie — wymaga solidnej próby (zwykle co najmniej kilkuset obserwacji) i jasno sformułowanego modelu teoretycznego przed analizą.

Co to jest: Podstawowy opis zbioru danych — średnia, mediana, odchylenie standardowe, minimum, maksimum, kwartyle. To zawsze pierwszy krok przed jakąkolwiek dalszą analizą.

Kiedy używać: Zanim wybierzesz jakikolwiek test — żeby zobaczyć, jak wyglądają Twoje dane: czy są symetryczne, czy mają wartości odstające, jak duży jest rozrzut.

Jak czytać wynik: Średnia i mediana blisko siebie sugerują rozkład zbliżony do symetrycznego. Duża różnica między nimi (albo duże odchylenie standardowe względem średniej) sygnalizuje skośność lub wartości odstające — wtedy warto rozważyć testy nieparametryczne zamiast tych zakładających rozkład normalny.

Co to jest: Sprawdza, czy dwie zmienne kategorialne (np. płeć i preferencja produktu) są ze sobą powiązane, czy niezależne.

Kiedy używać: Masz dane w postaci kategorii (nie liczb ciągłych) w dwóch kolumnach i chcesz sprawdzić, czy rozkład jednej zależy od drugiej — np. czy preferencje różnią się między grupami.

Jak czytać wynik: Wartość p poniżej 0,05 oznacza, że zmienne są istotnie powiązane (nie są niezależne). Test nie mówi nic o sile ani kierunku związku — tylko o tym, czy w ogóle istnieje.

Uwaga: Wymaga odpowiednio dużych liczebności w każdej kategorii (zwykle min. 5 oczekiwanych obserwacji na komórkę) — przy małych próbach wynik może być niewiarygodny.

Co to jest: Sprawdza, czy rozkład jednej zmiennej kategorialnej pasuje do oczekiwanego, teoretycznego rozkładu (np. czy kostka jest uczciwa, czy proporcje odpowiadają znanym wartościom referencyjnym).

Kiedy używać: Masz jedną zmienną kategorialną i chcesz porównać jej rozkład z konkretnymi, oczekiwanymi wartościami — inaczej niż test chi² niezależności, który porównuje DWIE zmienne między sobą.

Jak czytać wynik: Wartość p poniżej 0,05 oznacza, że obserwowany rozkład istotnie różni się od oczekiwanego.

Uwaga: Podobnie jak zwykły chi², wymaga odpowiednio dużych oczekiwanych liczebności w każdej kategorii, żeby wynik był wiarygodny.

Co to jest: Nieparametryczny odpowiednik ANOVA dla powtarzanych pomiarów — porównuje trzy lub więcej powiązanych pomiarów tych samych obiektów (np. te same osoby w trzech warunkach).

Kiedy używać: Masz 3 lub więcej powiązanych ze sobą pomiarów (nie niezależnych grup) i dane odbiegają od normalności — rozszerzenie testu Wilcoxona na więcej niż dwa powiązane pomiary.

Jak czytać wynik: Istotna wartość p (poniżej 0,05) oznacza, że przynajmniej jeden warunek istotnie różni się od pozostałych. Średnie rangi per warunek pokazują, który wypada systematycznie wyżej/niżej.

Uwaga: Jeśli masz tylko 2 powiązane pomiary, użyj zamiast tego testu Wilcoxona lub testu t dla prób zależnych.

Co to jest: Nieparametryczny odpowiednik ANOVA jednoczynnikowej — porównuje trzy lub więcej niezależnych grup na podstawie rang, bez zakładania rozkładu normalnego.

Kiedy używać: Masz trzy lub więcej niezależnych grup, ale dane odbiegają od normalności albo próby są małe/nierówne liczebnością.

Jak czytać wynik: Istotna wartość p (poniżej 0,05) oznacza, że przynajmniej jedna grupa różni się od pozostałych — podobnie jak w ANOVA, nie wskazuje automatycznie która.

Uwaga: To dla ANOVA to, czym Mann-Whitney jest dla testu t — bezpieczniejszy wybór przy wątpliwościach co do normalności danych.

Co to jest: Sprawdza, czy wariancja (rozrzut) danych jest podobna między dwiema lub więcej grupami — tzw. założenie homogeniczności wariancji.

Kiedy używać: Zanim uruchomisz test t lub ANOVA — te testy w swojej klasycznej formie zakładają, że grupy mają podobny rozrzut. Test Levene&#8217;a sprawdza, czy to założenie jest spełnione.

Jak czytać wynik: Wartość p poniżej 0,05 oznacza, że wariancje istotnie się różnią między grupami (założenie NIE jest spełnione) — wtedy warto użyć wariantu testu t/ANOVA odpornego na nierówne wariancje, albo testu nieparametrycznego.

Uwaga: To test pomocniczy/diagnostyczny — sam w sobie nie odpowiada na główne pytanie badawcze, tylko mówi, którego głównego testu bezpiecznie użyć.

Co to jest: Nieparametryczny odpowiednik testu t dla dwóch prób niezależnych — porównuje grupy na podstawie rang (kolejności wartości), nie samych średnich.

Kiedy używać: Masz dwie niezależne grupy, ale dane wyraźnie odbiegają od rozkładu normalnego (są skośne, mają wartości odstające) albo próba jest bardzo mała.

Jak czytać wynik: Wartość p poniżej 0,05 oznacza, że rozkłady wartości w obu grupach istotnie się różnią (jedna grupa ma systematycznie wyższe/niższe wartości).

Uwaga: Bezpieczniejszy wybór niż test t, gdy nie jesteś pewien, czy dane spełniają założenie normalności — kosztem nieco mniejszej mocy statystycznej przy naprawdę normalnych danych.

Co to jest: Sprawdza, czy próba danych pochodzi z rozkładu normalnego (tej charakterystycznej „dzwonowej” krzywej).

Kiedy używać: Przed testami zakładającymi normalność danych (test t, ANOVA, regresja) — żeby sprawdzić, czy to założenie jest uzasadnione, zwłaszcza przy małych próbach.

Jak czytać wynik: Wartość p poniżej 0,05 oznacza istotne odstępstwo od rozkładu normalnego — wtedy warto rozważyć odpowiednik nieparametryczny właściwego testu.

Uwaga: Przy dużych próbach (setki obserwacji) test ten bywa nadwrażliwy — wykrywa nawet drobne, praktycznie nieistotne odstępstwa od normalności. Warto wtedy pomocniczo spojrzeć też na histogram danych.

Co to jest: Porównuje średnią z Twojej próby z jedną, konkretną wartością hipotetyczną (np. normą, wartością referencyjną, oczekiwanym poziomem).

Kiedy używać: Masz jedną grupę i jedną zmienną liczbową, a chcesz sprawdzić, czy jej średnia różni się istotnie od jakiejś znanej, ustalonej wartości — np. czy średni wynik klasy różni się od ogólnopolskiej normy.

Jak czytać wynik: Wartość p poniżej 0,05 oznacza, że średnia z próby istotnie różni się od wartości hipotetycznej (μ₀). Znak statystyki t mówi, w którą stronę (wyżej czy niżej).

Uwaga: To jedyny test t w tym zestawie porównujący próbę z ustaloną liczbą, a nie z inną grupą danych.

Co to jest: Porównuje dwa powiązane pomiary tego samego obiektu badania — np. wynik przed i po interwencji u tych samych osób.

Kiedy używać: Te same osoby/obiekty zostały zmierzone dwukrotnie (albo dobrane w naturalne pary) — to co odróżnia go od zwykłego testu t, który wymaga dwóch NIEZALEŻNYCH grup.

Jak czytać wynik: Wartość p poniżej 0,05 oznacza istotną różnicę między dwoma pomiarami. Średnia różnica pokazuje kierunek i wielkość zmiany.

Uwaga: Jeśli dane silnie odbiegają od normalności, rozważ nieparametryczny test Wilcoxona jako alternatywę.

Co to jest: Test sprawdzający, czy średnie dwóch niezależnych (niepowiązanych) grup różnią się istotnie statystycznie.

Kiedy używać: Masz dwie oddzielne grupy (np. kobiety i mężczyźni, grupa eksperymentalna i kontrolna) i chcesz porównać ich średnie na tej samej zmiennej. Dane w dwóch osobnych kolumnach liczbowych.

Jak czytać wynik: Wartość p poniżej 0,05 oznacza istotną różnicę między średnimi grup. Sama wartość t mówi, jak duża jest różnica w jednostkach błędu standardowego — im większa (w wartości bezwzględnej), tym silniejszy dowód na różnicę.

Uwaga: Zakłada w przybliżeniu normalny rozkład danych w każdej grupie. Przy małych próbach i wątpliwościach co do normalności rozważ test Manna-Whitneya.

Co to jest: Nieparametryczny odpowiednik testu t dla prób zależnych — porównuje dwa powiązane pomiary (np. przed/po) na podstawie rang różnic, nie samych średnich.

Kiedy używać: Masz dwa powiązane pomiary tych samych obiektów (przed/po, lewa/prawa), ale różnice między nimi wyraźnie odbiegają od rozkładu normalnego.

Jak czytać wynik: Wartość p poniżej 0,05 oznacza istotną, systematyczną różnicę między pomiarami (jeden z pomiarów jest systematycznie wyższy/niższy).

Zobacz też: Jeśli masz 3 lub więcej powiązanych pomiarów (nie tylko 2), odpowiednim testem jest test Friedmana.

Korelacja Pearsona służy do określenia siły i kierunku liniowej zależności między dwiema zmiennymi ilościowymi.

Współczynnik korelacji r przyjmuje wartości od –1 do 1:

• r > 0 – zależność dodatnia: gdy jedna zmienna rośnie, druga również rośnie,
• r < 0 – zależność ujemna: gdy jedna zmienna rośnie, druga maleje,
• r ≈ 0 – brak wyraźnej zależności liniowej.

Przykładowa interpretacja siły związku:

• 0,00–0,19 – bardzo słaba,
• 0,20–0,39 – słaba,
• 0,40–0,59 – umiarkowana,
• 0,60–0,79 – silna,
• 0,80–1,00 – bardzo silna.

Przed zastosowaniem testu należy sprawdzić m.in. ilościowy charakter zmiennych, liniowość zależności, obserwacje odstające oraz rozkład danych.

✅ Przykład wyniku:
r = 0,65; p < 0,05 – występuje istotna statystycznie, silna dodatnia korelacja.

⚠️ Pamiętaj: korelacja nie oznacza związku przyczynowo-skutkowego.