Jaki test statystyczny wybrać do pracy dyplomowej — drzewo decyzyjne i przykłady

Masz w arkuszu 120 wypełnionych ankiet, promotor czeka na rozdział z wynikami, a ty utknąłeś na jednym pytaniu: jaki test statystyczny wybrać, żeby analiza była poprawna i obroniła się przed recenzentem. Dobra wiadomość jest taka, że wybór testu nie jest kwestią wyczucia ani intuicji — to trzy pytania o strukturę twoich danych, które prowadzą do jednej konkretnej odpowiedzi. Poniżej znajdziesz drzewo decyzyjne w formie tabeli, warunki stosowania testów parametrycznych, gotowe formuły zapisu wyniku zgodne ze standardem APA oraz listę błędów, które recenzenci wyłapują najczęściej. Wszystko na przykładach z prac licencjackich i magisterskich z pedagogiki, zarządzania, fizjoterapii i dietetyki.

Trzy pytania, które decydują o wyborze testu

Zanim otworzysz SPSS, Statisticę czy PSPP, odpowiedz sobie na trzy pytania o dane. To one — a nie temat pracy — determinują test.

1. Jakiego typu jest zmienna zależna?

Zmienna nominalna to kategorie bez porządku: płeć, województwo, typ szkoły, odpowiedź tak/nie. Zmienna porządkowa ma uszeregowanie, ale nierówne odstępy: stopień zadowolenia w skali 1-5, poziom wykształcenia, stopień nasilenia bólu w skali VAS. Zmienna ilościowa (interwałowa lub ilorazowa) ma mierzalne odstępy: wiek w latach, masa ciała w kilogramach, wynik testu w punktach, czas w sekundach.

Najwięcej sporów budzą skale Likerta. Pojedyncza pozycja („Zgadzam się w skali 1-5”) to zmienna porządkowa i domyślnie wymaga testów nieparametrycznych. Suma kilkunastu pozycji tworzących wystandaryzowaną skalę (na przykład wynik kwestionariusza GHQ-28) traktuje się w praktyce badawczej jako zmienną ilościową.

2. Ile grup porównujesz?

Jedna grupa (porównanie do wartości normatywnej), dwie grupy (kobiety i mężczyźni, grupa eksperymentalna i kontrolna) czy trzy i więcej (trzy typy placówek, cztery grupy wiekowe). Granica przebiega między dwiema a trzema — powyżej dwóch grup nie wolno wykonywać serii testów t, bo mnoży to prawdopodobieństwo błędu pierwszego rodzaju.

3. Próby są zależne czy niezależne?

Próby niezależne to dwie różne grupy osób. Próby zależne (powiązane) to ten sam badany zmierzony dwukrotnie — pomiar przed terapią i po terapii, wynik testu wiedzy przed szkoleniem i po nim, albo pary dobrane parametrycznie. Ten sam problem badawczy z zależnymi i niezależnymi próbami wymaga dwóch różnych testów.

Uwaga: kolejność ma znaczenie. Najpierw ustalasz strukturę danych, potem dobierasz test. Odwrotna droga — wybór testu, który „ładnie wyszedł”, a potem naginanie danych — to klasyczny przykład p-hackingu i najszybszy sposób na uwagę recenzenta.

Drzewo decyzyjne — tabela sytuacja badawcza → test

Poniższa tabela pokrywa około 90% analiz spotykanych w pracach licencjackich i magisterskich. Kolumna „alternatywa nieparametryczna” to test, który stosujesz, gdy założenia testu parametrycznego nie są spełnione.

Sytuacja badawcza	Typ zmiennej zależnej	Test parametryczny	Alternatywa nieparametryczna
2 grupy niezależne	ilościowa	test t-Studenta dla prób niezależnych	test U Manna-Whitneya
2 pomiary tej samej grupy (przed/po)	ilościowa	test t-Studenta dla prób zależnych	test kolejności par Wilcoxona
3+ grup niezależnych	ilościowa	jednoczynnikowa ANOVA	test Kruskala-Wallisa
3+ pomiarów tej samej grupy	ilościowa	ANOVA z powtarzanymi pomiarami	test Friedmana
Związek dwóch zmiennych ilościowych	ilościowa	korelacja r Pearsona	korelacja rho Spearmana
Związek dwóch zmiennych nominalnych	nominalna	—	test chi-kwadrat niezależności
Zgodność rozkładu z oczekiwanym	nominalna	—	chi-kwadrat zgodności
Predykcja zmiennej ilościowej	ilościowa	regresja liniowa	—
Predykcja zmiennej dychotomicznej	nominalna (0/1)	regresja logistyczna	—

Jeśli twoja sytuacja badawcza nie mieści się w tej tabeli — na przykład masz dwa czynniki jednocześnie (płeć × typ placówki) — potrzebujesz ANOVA dwuczynnikowej. To już poziom pracy magisterskiej i warto uzgodnić go z promotorem przed zbieraniem danych, bo determinuje wielkość próby.

Testy parametryczne vs nieparametryczne — kiedy wolno użyć t-Studenta

Testy parametryczne mają większą moc statystyczną, czyli łatwiej wykrywają realnie istniejącą różnicę. Ale wolno ich użyć tylko wtedy, gdy dane spełniają założenia. Sprawdzenie tych założeń to obowiązkowy akapit rozdziału metodologicznego — jego brak jest jedną z najczęstszych uwag recenzenta.

Normalność rozkładu — test Shapiro-Wilka

Test Shapiro-Wilka sprawdza, czy rozkład zmiennej różni się istotnie od normalnego. Interpretacja jest odwrotna niż w testach różnic: p > 0,05 oznacza zgodę na normalność, czyli zielone światło dla testu parametrycznego. Gdy p < 0,05, rozkład odbiega od normalnego i przechodzisz na test nieparametryczny.

Dla prób powyżej 100 obserwacji Shapiro-Wilk staje się nadwrażliwy i wykrywa nieistotne praktycznie odchylenia. Przy dużych próbach warto dodatkowo obejrzeć histogram oraz wartości skośności i kurtozy — wartości w przedziale od −2 do +2 zwykle uznaje się za akceptowalne.

Homogeniczność wariancji — test Levene’a

Test t dla prób niezależnych i ANOVA zakładają dodatkowo, że wariancje w porównywanych grupach są podobne. Sprawdza to test Levene’a — również z odwrotną logiką: p > 0,05 oznacza spełnienie założenia. Gdy wariancje się różnią, w SPSS odczytujesz drugi wiersz wyniku testu t (korekta Welcha), a nie pierwszy.

Trzecie założenie — niezależność obserwacji — wynika ze sposobu zbierania danych, nie z testu. Jeśli ankietę wypełniały osoby z jednej klasy, obserwacje nie są w pełni niezależne i warto to opisać w ograniczeniach badania. Więcej o konstrukcji tej części pracy znajdziesz w tekście o tym, jak napisać rozdział empiryczny pracy licencjackiej.

Porównanie dwóch grup — najczęstszy przypadek w pracach dyplomowych

Grupy niezależne: t-Student czy Mann-Whitney

Przykład: sprawdzasz, czy poziom wypalenia zawodowego różni się między nauczycielami szkół publicznych (n = 62) a niepublicznych (n = 48). Zmienna zależna jest ilościowa (wynik kwestionariusza), grupy są niezależne. Shapiro-Wilk wychodzi p = 0,21 i p = 0,34, Levene p = 0,47 — wszystkie założenia spełnione, wykonujesz test t-Studenta dla prób niezależnych.

Gdyby Shapiro-Wilk dał p = 0,003 w jednej z grup, stosujesz test U Manna-Whitneya. Porównuje on rangi zamiast średnich, więc w opisie wyniku podajesz mediany, nie średnie arytmetyczne — to szczegół, który recenzenci wyłapują bardzo często.

Próby zależne: t-Student dla prób zależnych czy Wilcoxon

Przykład: mierzysz zakres ruchu w stawie kolanowym u 30 pacjentów przed 6-tygodniową terapią i po niej. To ten sam badany dwa razy, więc próby są zależne. Przy rozkładzie normalnym różnic — test t-Studenta dla prób zależnych. Przy odstępstwie od normalności — test kolejności par Wilcoxona.

Kluczowa uwaga: w próbach zależnych normalność sprawdzasz dla różnic między pomiarami, a nie osobno dla pomiaru pierwszego i drugiego. To najczęstszy błąd proceduralny w schematach przed/po.

Zależność między zmiennymi — chi-kwadrat, Pearson, Spearman

Gdy hipoteza nie mówi o różnicy między grupami, tylko o związku między zmiennymi, wchodzisz w rodzinę testów zależności.

Chi-kwadrat niezależności stosujesz dla dwóch zmiennych nominalnych — na przykład związku między płcią a preferowaną formą zajęć (stacjonarne / hybrydowe / zdalne). Warunek: liczebność oczekiwana w każdej komórce tabeli krzyżowej ma wynosić co najmniej 5. Gdy w tabeli 2×2 warunek nie jest spełniony, używasz dokładnego testu Fishera.

Korelacja r Pearsona mierzy siłę liniowego związku dwóch zmiennych ilościowych o rozkładzie normalnym — na przykład między stażem pracy a poziomem satysfakcji zawodowej. Rho Spearmana to jej odpowiednik dla zmiennych porządkowych lub gdy rozkład odbiega od normalnego. Wartości obu współczynników mieszczą się w przedziale od −1 do +1; interpretacja siły: poniżej 0,3 słaba, 0,3-0,5 umiarkowana, powyżej 0,5 silna.

Jeśli research i analiza to nie jest część, w której chcesz spędzić kolejne trzy tygodnie, generator prac licencjackich Smart-Edu przygotuje kompletną pracę razem z rozdziałem metodologicznym i bibliografią w 30-90 minut od 249 zł — z zachowaniem struktury opisanej powyżej, którą potem uzupełnisz własnymi danymi.

Jak zapisać wynik w tekście pracy

Każdy wynik zapisujesz według tego samego wzoru: statystyka testowa, stopnie swobody, wartość p, wielkość efektu. Standard opisu liczb i statystyk w naukach społecznych określa przewodnik APA dotyczący liczb i statystyk.

Test	Wzór zapisu	Miara wielkości efektu
t-Student (niezależne)	t(108) = 2,41; p = 0,018; d = 0,46	d Cohena
t-Student (zależne)	t(29) = 5,17; p < 0,001; d = 0,94	d Cohena
Mann-Whitney	U = 921,50; Z = −2,13; p = 0,033; r = 0,20	r = Z/√N
Wilcoxon	Z = −3,42; p < 0,001; r = 0,44	r = Z/√N
ANOVA	F(2, 117) = 4,88; p = 0,009; η² = 0,08	eta kwadrat
Kruskal-Wallis	H(2) = 9,14; p = 0,010	epsilon kwadrat
Chi-kwadrat	χ²(3) = 11,72; p = 0,008; V = 0,24	V Craméra
Pearson	r(118) = 0,37; p < 0,001	sam r

Interpretacja d Cohena: 0,2 to efekt mały, 0,5 średni, 0,8 duży. Dla eta kwadrat: 0,01 mały, 0,06 średni, 0,14 duży. Przykładowe zdanie w rozdziale z wynikami: „Nauczyciele szkół publicznych uzyskali istotnie wyższe wyniki wypalenia (M = 47,3; SD = 8,1) niż nauczyciele szkół niepublicznych (M = 43,1; SD = 9,4), t(108) = 2,41; p = 0,018; d = 0,46, co odpowiada efektowi o umiarkowanej wielkości.”

Wartości p poniżej 0,001 zapisujesz jako „p < 0,001”, nigdy jako „p = 0,000”. Zapis „p = 0,000” oznaczałby zerowe prawdopodobieństwo, co jest matematycznie niemożliwe — to jeden z najczęściej kopiowanych wprost z SPSS błędów.

Pięć błędów, przez które analiza się nie broni

1. Brak wielkości efektu. Sama istotność statystyczna mówi tylko, że różnica prawdopodobnie nie jest przypadkowa. Przy próbie 500 osób istotna okaże się różnica 0,4 punktu, bez żadnego znaczenia praktycznego.
2. Mylenie istotności statystycznej z praktyczną. Zdanie „różnica jest istotna, więc program szkoleniowy działa” wymaga uzupełnienia o wielkość efektu i kontekst — inaczej recenzent zapyta o to na obronie.
3. P-hacking. Wykonanie dwudziestu testów i opisanie tylko trzech, które wyszły istotne. Przy p = 0,05 jeden na dwadzieścia testów wychodzi istotny czysto przypadkiem. Wszystkie zaplanowane testy raportujesz — również nieistotne.
4. Seria testów t zamiast ANOVA. Trzy grupy porównane trzema testami t podnoszą realne ryzyko błędu z 5% do około 14%.
5. Test dobrany do wyniku, nie do danych. Zamiana Mann-Whitneya na test t, bo „w teście t wyszło p = 0,04”, to nadużycie metodologiczne. Kryterium wyboru zawsze stanowi struktura danych i spełnienie założeń.

Wskazówka: zaplanuj listę testów w rozdziale metodologicznym, zanim zbierzesz dane. To zabezpiecza przed p-hackingiem i pozwala wcześnie sprawdzić, czy próba będzie wystarczająco liczna. Więcej o konstrukcji tego rozdziału znajdziesz w poradniku o metodologii pracy licencjackiej.

Najczęstsze pytania o wybór testu statystycznego

Jaki test statystyczny wybrać przy skali Likerta 1-5?

Pojedyncza pozycja skali Likerta to zmienna porządkowa — stosujesz testy nieparametryczne: Mann-Whitney dla dwóch grup, Kruskal-Wallis dla trzech i więcej, Spearman dla korelacji. Jeśli natomiast sumujesz kilkanaście pozycji w jeden wynik wystandaryzowanej skali, powstała zmienna traktowana jest jak ilościowa i po sprawdzeniu normalności możesz użyć testów parametrycznych.

Ile osób musi liczyć próba, żeby wykonać test statystyczny?

Nie ma jednej liczby, ale w praktyce prac licencjackich przyjmuje się minimum 30 osób w każdej porównywanej grupie dla testów parametrycznych. Przy mniejszych liczebnościach centralne twierdzenie graniczne przestaje działać i bezpieczniej sięgnąć po testy nieparametryczne. Dla chi-kwadrat kryterium dotyczy liczebności oczekiwanych w komórkach, nie ogólnej wielkości próby.

Co zrobić, gdy test wyszedł nieistotny?

Wynik nieistotny to pełnoprawny wynik badawczy i opisujesz go tak samo jak istotny. W dyskusji odnosisz się do możliwych przyczyn: zbyt mała próba (niska moc testu), duża zmienność wewnątrzgrupowa, narzędzie o niskiej czułości. Nie usuwasz hipotezy z pracy i nie zmieniasz jej po fakcie — brak potwierdzenia hipotezy nie jest błędem badacza.

Czy mogę policzyć testy statystyczne w Excelu?

Excel wykonuje test t, ANOVę jednoczynnikową, korelację Pearsona i chi-kwadrat przez dodatek Analysis ToolPak. Nie policzy natomiast testu Shapiro-Wilka, Manna-Whitneya ani Kruskala-Wallisa. Do pełnej analizy potrzebujesz SPSS-a (zwykle dostępnego przez licencję uczelnianą), darmowego PSPP, Jamovi albo JASP-a.

Czy trzeba opisywać w pracy testy założeń?

Tak. Akapit o sprawdzeniu normalności rozkładu i homogeniczności wariancji należy do rozdziału metodologicznego lub wstępu do rozdziału z wynikami. Wystarczą dwa zdania z wartościami p, ale muszą się pojawić — inaczej recenzent nie ma podstaw, by uznać wybór testu za uzasadniony. Ostateczne wnioski z tych analiz podsumujesz w zakończeniu pracy licencjackiej.

Podsumowanie

To, jaki test statystyczny wybrać, wynika z trzech cech twoich danych: typu zmiennej zależnej, liczby porównywanych grup i tego, czy próby są zależne. Odpowiedz na te pytania, sprawdź normalność rozkładu i homogeniczność wariancji, a potem odczytaj test z tabeli decyzyjnej. Każdy wynik raportuj z wielkością efektu i opisuj wszystkie zaplanowane analizy, także te nieistotne. Analiza przeprowadzona w tej kolejności jest odporna na pytania recenzenta, bo każdy krok wynika z poprzedniego, a nie z tego, co „ładnie wyszło”. Kompletny obraz całego procesu pisania znajdziesz w przewodniku o tym, jak napisać pracę licencjacką krok po kroku.