Praca magisterska z rynku kapitałowego to jeden z trudniejszych projektów badawczych na wydziałach finansów. Temat wymaga znajomości zarówno teorii (CAPM, Fama-French, EMH), jak i konkretnych regulacji (MiFID II, MAR, ustawa o obrocie). Do tego dochodzi obsługa danych – Bloomberg, Refinitiv, GPW InfoStrefa – oraz metod ilościowych: ARIMA, GARCH, OLS z klastrowanymi błędami.
Jeśli siedzisz nad konspektem i nie wiesz, od czego zacząć, ten poradnik ci to ułatwi. Przeprowadzę cię przez wybór tematu, strukturę rozdziałów, dobór metod i najczęstsze błędy, które widzę u studentów SGH, UEW i innych uczelni ekonomicznych.
Dlaczego rynek kapitałowy jest wymagającym kierunkiem pracy
Rynek kapitałowy łączy teorię finansów z prawem rynku finansowego i praktyką inwestycyjną. To oznacza, że promotor oczekuje od ciebie rzeczy naraz: zrozumienia modeli wyceny, świadomości ram regulacyjnych i umiejętności przeprowadzenia analizy empirycznej na realnych danych.
W Polsce rynek kapitałowy działa na podstawie dwóch kluczowych ustaw: ustawy o obrocie instrumentami finansowymi z 29 lipca 2005 r. (Dz.U. 2005 nr 183 poz. 1538) oraz ustawy o ofercie publicznej i warunkach wprowadzania instrumentów finansowych do zorganizowanego systemu obrotu z tego samego roku. Od strony unijnej obowiązuje dyrektywa MiFID II (2014/65/UE) – transponowana do polskiego prawa w 2018 r. – oraz rozporządzenie MAR (596/2014) dotyczące nadużyć na rynku. Nadzór sprawuje KNF, która co roku publikuje raport o stanie rynku kapitałowego. W 2023 r. wartość obrotów akcjami na GPW wyniosła ok. 226 mld zł (dane GPW InfoStrefa).
Promotorzy z wydziałów finansów wiedzą, co to jest beta Jensena, test ADF czy event study. Praca, która pomija te narzędzia i ogranicza się do opisowego przeglądu literatury, nie przejdzie.
Wybór tematu: co jest teraz badane i dlaczego to ważne
Dobry temat pracy magisterskiej z rynku kapitałowego musi spełniać dwa warunki: być researchable (masz dostęp do danych) i mieć lukę badawczą (nie piszesz po raz 500. o tym samym).
Poniżej zestawiłam tematy, które mają aktualną lukę lub kontrowersję w literaturze.
Anomalie rynkowe
Hipoteza efektywności rynku (EMH) Famy z 1970 r. – w wersji słabej, półsilnej i silnej – mówi, że ceny już zawierają wszystkie dostępne informacje. Tymczasem literatura od lat dokumentuje anomalie, które temu przeczą. Efekt momentu (Jegadeesh i Titman 1993): spółki z wysokimi stopami zwrotu w ostatnich 3-12 miesiącach dalej rosną. Efekt wartości: spółki z niskim współczynnikiem C/Z (price-to-earnings) biją rynek. Efekt rozmiaru: małe spółki osiągają lepsze wyniki niż duże – to właśnie wbudował Fama z Frenchem w model 3-czynnikowy (1993) i 5-czynnikowy (2015).
Pytanie badawcze może brzmieć: czy efekt momentu jest obecny na GPW w segmencie mWIG40 w latach 2015-2024, i czy utrzymuje się po korekcie o koszty transakcyjne? To dobry temat, bo dane są dostępne (GPW InfoStrefa, Refinitiv Eikon), a wyniki dla polskiego rynku nie są rozstrzygnięte.
Finanse behawioralne i błędy inwestorów
Klasyczna teoria zakłada racjonalnych inwestorów. Kahneman i Tversky (1979) udowodnili, że tak nie jest. Efekt dyspozycji (sprzedawanie zyskownych pozycji za wcześnie, trzymanie stratnych za długo), overconfidence, anchoring – to wszystko da się zmierzyć na danych transakcyjnych. Jeśli masz dostęp do danych brokera lub do bazy KDPW o obrotach indywidualnych inwestorów, możesz zrobić pracę empiryczną o tym, jak polscy inwestorzy detaliczni zachowywali się podczas kryzysu 2022 r. (agresja Rosji na Ukrainę, -30% WIG20).
Robo-advisory i algorytmy inwestycyjne
Temat nowy i słabo opisany w polskiej literaturze. Robo-advisorzy zarządzają portfelami opartymi na ETF-ach, używają MPT (Modern Portfolio Theory, Markowitz 1952) i automatycznie rebalansują alokację. W Polsce działa kilku takich dostawców (Finax, Aion). Pytanie: czy portfel zbudowany przez algorytm oparty na MVO (mean-variance optimization) bił indeks WIG w latach 2019-2023? Możesz to zasymulować na historycznych danych.
IPO i stopy zwrotu w pierwszym dniu notowań
Zjawisko underpricingu IPO – cena emisyjna jest niższa od ceny zamknięcia w pierwszym dniu – to jeden z najlepiej udokumentowanych faktów w finansach (Ritter 1991). Na GPW w latach 2015-2023 debiutowało ponad 70 spółek na rynku głównym. Możesz zbadać, czy skala underpricingu zależy od wielkości spółki, sektora, koniunktury giełdowej (WIG w dniu IPO) lub od jakości underwritera.
Obligacje korporacyjne i rynek długu
Catalyst – giełda obligacji GPW – od 2009 r. oferuje coraz szerszy rynek długu korporacyjnego. Spready kredytowe, ryzyko default (analiza z-score Altmana), wpływ ratingu na wycenę. Jeśli lubisz dług bardziej niż akcje, to dobry kierunek – i stosunkowo mało prac magisterskich z tego obszaru na polskich uczelniach.
Kryptowaluty i DeFi jako klasa aktywów
Kontrowersyjny, ale realistyczny temat. Można zbadać: korelację Bitcoina z S&P500 i WIG przed i po 2020 r. (teza o zmianie charakteru – od „digital gold” do „risk asset”), efektywność rynku krypto w sensie Famy (testy ADF/KPSS na cenach BTC/ETH), albo ryzyko portfela z 5-10% alokacją w BTC przez pryzmat indeksu Sharpe’a i Sortino. Dane są darmowe (CoinGecko API, Binance API).
Wpływ stóp NBP na wyceny spółek GPW
W latach 2021-2023 NBP podniósł stopę referencyjną z 0,1% do 6,75%. Koszt kapitału wzrósł. Wyceny spółek wzrostowych (z wysokim P/E) powinny spaść bardziej niż spółek value. Możesz to zweryfikować regresją panelową na panelu spółek WIG20 i mWIG40, gdzie zmienną zależną jest log(P/E), a zmienną niezależną – poziom stopy WIBOR 3M (jako proxy kosztu kapitału).
Modele i metody, które musisz znać
CAPM i modele wieloczynnikowe
Model CAPM (Sharpe 1964, Lintner 1965) mówi, że oczekiwana stopa zwrotu aktywa to suma stopy wolnej od ryzyka i premii za ryzyko systematyczne:
E(Ri) = Rf + beta_i * (E(Rm) – Rf)
gdzie beta mierzy wrażliwość stopy zwrotu spółki na ruch rynku. Wartość alfa Jensena to różnica między faktyczną stopą zwrotu a tą wynikającą z CAPM – jeśli jest dodatnia, fundusz bił benchmark.
Model Famy-Frencha (3-czynnikowy, 1993) dodaje dwa czynniki: SMB (Small Minus Big, premia za małe spółki) i HML (High Minus Low, premia za spółki wartościowe). Model 5-czynnikowy (2015) uzupełnia to o CMA (Conservative Minus Aggressive, polityka inwestycyjna) i RMW (Robust Minus Weak, rentowność).
W praktyce w pracy magisterskiej budujesz regresję OLS:
Ri – Rf = alfa + beta1(Rm-Rf) + beta2SMB + beta3*HML + eps
i sprawdzasz istotność statystyczną współczynników. Dane do polskich czynników SMB/HML możesz zbudować sam z bazy Refinitiv lub pobrać z replikacji Famy dla rynków rozwijających się (np. AQR Data Library, Ken French Data Library).
EMH i testy efektywności
Test słabej formy EMH to sprawdzenie, czy ceny akcji nie mają autokorelacji – że z przeszłych cen nie da się przewidzieć przyszłych. Używasz testu ADF (Augmented Dickey-Fuller) lub KPSS (Kwiatkowski-Phillips-Schmidt-Shin) do sprawdzenia stacjonarności szeregu. Test Jarque-Bera sprawdza normalność rozkładu stóp zwrotu.
Jeśli stopy zwrotu mają grube ogony (excess kurtosis > 3) i są skośne – a tak jest prawie zawsze na danych dziennych – to normalne założenia OLS nie obowiązują i musisz uwzględnić to w interpretacji.
Modele ARIMA i GARCH
ARIMA(p,d,q) – do modelowania szeregów czasowych cen/stóp zwrotu. Parametry p (AR), d (stopień integracji), q (MA) dobierasz na podstawie ACF i PACF oraz kryteriów AIC/BIC.
GARCH(1,1) – do modelowania zmienności. Zmienność nie jest stała w czasie („volatility clustering” – duże zmiany cen następują po dużych zmianach). Model GARCH(1,1) Bollersleva (1986):
sigma_t^2 = omega + alfaeps_{t-1}^2 + betasigma_{t-1}^2
Wiele prac z rynku kapitałowego bada np. efekt asymetrii zmienności (EGARCH lub GJR-GARCH): czy złe wiadomości generują większą zmienność niż dobre? W Polsce po ogłoszeniu podwyżek stóp NBP w 2021-2022 r. WIG20 wykazywał wyraźny clustering.
Wycena DCF
DCF (Discounted Cash Flow) to podstawowe narzędzie analizy fundamentalnej. Masz dwa warianty:
FCFF (Free Cash Flow to Firm) – przepływy dla całej firmy, dyskontowane WACC:
V_firm = sum(FCFF_t / (1+WACC)^t) + TV
FCFE (Free Cash Flow to Equity) – przepływy dla akcjonariuszy, dyskontowane kosztem kapitału własnego (ke z CAPM).
W pracy magisterskiej możesz zbudować wycenę DCF dla konkretnej spółki z WIG20 (np. PKN Orlen, Allegro, CD Projekt) na podstawie publicznie dostępnych raportów finansowych i porównać z wyceną rynkową. Ciekawe jest też zbadanie, jak wrażliwa jest wycena na założenia (stopa wzrostu g w terminalu, WACC): analiza wrażliwości 2D w tabelce to wymagany element.
Portfel Markowitza i indeksy efektywności
Mean-variance optimization (MVO) Markowitza (1952): dla danego poziomu oczekiwanej stopy zwrotu minimalizujesz wariancję portfela. Granica efektywna (efficient frontier) to zbiór portfeli z minimalnym ryzykiem dla każdego poziomu zwrotu.
Trzy miary efektywności zarządzania portfelem:
- Indeks Sharpe’a: (Rp – Rf) / sigma_p – jednostki nadwyżkowego zwrotu na jednostkę ryzyka całkowitego
- Indeks Treynora: (Rp – Rf) / beta_p – jak wyżej, ale ryzyko mierzone betą (systematyczne)
- Alfa Jensena: Rp – [Rf + beta*(Rm-Rf)] – nadwyżkowy zwrot ponad CAPM
Jeśli analizujesz fundusze inwestycyjne TFI na polskim rynku, możesz porównać te miary z benchmarkiem WIG lub WIG20TR (indeks z dywidendami).
Instrumenty pochodne i model Blacka-Scholesa-Mertona
Opcje na WIG20 i akcje notowane na GPW to niszowy, ale ciekawy temat. Model Blacka-Scholesa-Mertona (1973) wycenia opcje europejskie przez parametry: cena aktywa S, cena wykonania K, czas do wygaśnięcia T, stopa wolna od ryzyka r i zmienność sigma.
Praktyczny problem: BSM zakłada stałą zmienność, a rynek wycenia opcje z „volatility smile” (zmienność implikowana różni się dla różnych cen wykonania). Praca magisterska może zbadać, jak dobrze BSM wycenia opcje na WIG20 w porównaniu do rzeczywistych cen rynkowych, i gdzie model się myli.
ESG i czynnik zrównoważonego rozwoju
Od 2021 r. europejskie regulacje SFDR (Sustainable Finance Disclosure Regulation) wymagają klasyfikacji funduszy pod kątem ESG. Na GPW kilkadziesiąt spółek raportuje dane ESG (wg GRI lub TCFD). Pytanie: czy spółki z wyższym ratingiem ESG osiągają lepsze stopy zwrotu dostosowane o ryzyko (alfa Jensena), i czy efekt ten jest stabilny w czasie? W literaturze wyniki są niejednoznaczne (ESMA Risk Dashboard 2023 pokazuje rosnące przepływy do funduszy artykuł 8/9, ale wpływ na alfę jest dyskusyjny).
Wyślij fragment tekstu, bezpłatną wycenę otrzymasz w 24 h. Poprawki bez limitu w cenie usługi.
Metodologia empiryczna krok po kroku
Pobranie i przygotowanie danych
Dla prac z GPW: ceny zamknięcia (adjusted, z uwzględnieniem dywidend i splitów) pobierasz z Refinitiv Eikon, Bloomberga lub GPW InfoStrefa. Dla małych badań: Stooq.pl oferuje bezpłatne dane historyczne dla polskich spółek. Yahoo Finance przez bibliotekę yfinance w Pythonie też wystarcza do wstępnej analizy.
Złota zasada: zawsze używaj cen adjusted, nie raw. Inaczej split akcji Allegro czy wypłata dywidendy przez Pekao wygeneruje ci sztuczny „crash” w danych.
Logarytmiczne stopy zwrotu
Pracujesz z logarytmicznymi stopami zwrotu:
r_t = ln(P_t / P_{t-1})
Logarytmiczne są addytywne w czasie (r_roczna = sum r_dziennych) i bardziej symetryczne niż proste. W opisie metodologii zawsze zaznaczasz to explicite.
Testy statystyczne – checklist
Przed analizą główną wykonujesz:
- Test ADF lub KPSS – stacjonarność szeregu (ceny są zwykle niestacjonarne, stopy zwrotu – stacjonarne)
- Test Jarque-Bera – normalność rozkładu stóp zwrotu
- Test Ljung-Box – autokorelacja reszt
- Test ARCH-LM – efekty ARCH (heteroskedastyczność warunkowa)
Wyniki tych testów uzasadniają dobór metody. Jeśli ADF odrzuca pierwiastek jednostkowy dla log-cen, model ARIMA na poziomach jest błędem. Jeśli ARCH-LM wskazuje efekty ARCH – musisz użyć GARCH.
Event study
Event study to metodologia badania wpływu zdarzenia (np. ogłoszenie kwartalnego zysku, zmiana ratingu przez KNF, wejście do indeksu WIG20) na cenę akcji. Schemat:
- Wybierasz okno zdarzenia (event window), np. [-5, +5] dni roboczych wokół zdarzenia
- Szacujesz normalne stopy zwrotu z okresu estymacji (np. [-250, -20] przed zdarzeniem) na podstawie CAPM lub modelu rynkowego
- Obliczasz nadwyżkowe stopy zwrotu (abnormal returns, AR) i kumulatywne AR (CAR) w oknie zdarzenia
- Testujesz istotność CAR testem t lub nieparametrycznie (test znaku Wilcoxona)
Przykład: w marcu 2022 r., po wybuchu wojny, GPW zawiesiła notowania na 2 dni robocze. Możesz zbadać CAR dla spółek z ekspozycją na Rosję (np. PKN przez udział w Tatnefcie) vs. reszty WIG20 po wznowieniu obrotu.
Regresja panelowa
Jeśli twoja próba to N spółek obserwowanych przez T okresów, pracujesz z danymi panelowymi. Możesz użyć:
- Fixed effects (FE) – kontrolujesz nieobserwowaną heterogeniczność spółek (np. stałą specyfikę branży). Test Hausmana wskazuje, czy FE czy RE jest odpowiedni
- Random effects (RE) – zakładasz losowość nieobserwowanego efektu, zyskujesz efektywność
W R: pakiet plm. W Pythonie: linearmodels. W Stata: xtreg, fe.
Błędy standardowe klastruj po spółce (cluster-robust SE), bo reszty w tej samej spółce są skorelowane w czasie.
Symulacje Monte Carlo i stress-testing portfela
Do oceny ryzyka portfela możesz użyć Monte Carlo: symulujesz 10 000 ścieżek cen (zakładając np. GBM – geometryczny ruch Browna albo model GARCH do generowania zmienności) i patrzysz na rozkład wartości portfela po roku.
Stress-testing to specyficzny scenariusz ekstremalny. Na przykład: co się dzieje z portfelem z 60% akcjami GPW i 40% obligacjami SP, jeśli WIG spada o 40% (jak w marcu 2020 r.) i rentowność 10-letnich obligacji skarbowych rośnie o 200 pb? Odpowiedź z modelu porównujesz z rzeczywistymi danymi z 2020 lub 2022 r.
Struktura pracy: co gdzie umieścić
Standardowa struktura pracy magisterskiej z rynku kapitałowego liczy 5 rozdziałów i ok. 80-100 stron.
Rozdział 1: Ramy teoretyczne i regulacyjne
Tu omawiasz teorie (EMH, CAPM, MPT, Fama-French) i regulacje (MiFID II, MAR, ustawa o obrocie). Nie piszesz encyklopedii – wybierasz to, co bezpośrednio uzasadnia twój model empiryczny. Jeśli badasz anomalie rynkowe, skupiasz się na EMH i literaturze o anomaliach. Jeśli badasz fundusze, wchodzisz głębiej w miary efektywności.
Rozdział 2: Rynek kapitałowy w Polsce – charakterystyka
Struktura GPW: rynek główny (akcje, obligacje, derywaty), NewConnect (małe spółki), Catalyst (dług). Indeksy: WIG (wszystkie spółki z rynku głównego), WIG20 (20 największych), mWIG40, sWIG80, WIG-ESG. Kapitalizacja, płynność, dominujący inwestorzy (OFE, TFI, inwestorzy zagraniczni). Dane KNF z rocznych raportów o stanie rynku kapitałowego.
Rozdział 3: Metodologia
Szczegółowo opisujesz: źródła danych (co, skąd, za jaki okres, ile obserwacji), próbę badawczą (spółki, kryteria włączenia i wyłączenia), zmienne (definicje, jak mierzone), modele i testy statystyczne. Czytający musi móc odtworzyć twoje obliczenia. Nie piszesz „zastosowałem regresję” – piszesz „zastosowałem model regresji panelowej z efektami stałymi, gdzie zmienna zależna to…”
Rozdział 4: Wyniki
Tabele z wynikami. Statystyki opisowe próby. Wyniki testów stacjonarności, normalności. Wyniki modelu głównego z interpretacją współczynników. Analiza wrażliwości (robustness checks): czy wyniki zmieniają się po wykluczeniu obserwacji ekstremalnych, po zmianie okna badania, po zmianie specyfikacji modelu?
Rozdział 5: Dyskusja i wnioski
Interpretujesz wyniki w kontekście hipotez i literatury. Co twoją pracę potwierdza, co obala, co komplikuje? Ograniczenia badania (brak danych, uproszczenia modelu). Kierunki dla przyszłych badań.
Źródła danych – gdzie ich szukać
Dane rynkowe:
– GPW InfoStrefa (infostrefa.gpw.pl) – notowania, wolumen, indeksy
– Stooq.pl – bezpłatne dane historyczne dla polskich i zagranicznych spółek
– Refinitiv Eikon / Bloomberg – płatne, ale dostępne przez uczelniany dostęp (SGH, UEW mają licencje)
– MSCI, FTSE Russell – dane o indeksach i czynnikach (dostęp akademicki)
Dane makro i regulacyjne:
– KNF (knf.gov.pl) – roczne raporty o rynku kapitałowym, dane o TFI i OFE
– NBP (nbp.pl) – stopy procentowe, WIBOR historyczny, bilanse płatnicze
– BIS Quarterly Review – statystyki rynków pochodnych, globalne porównania
– ESMA Risk Dashboard – dane o rynku unijnym, przepływy do funduszy ESG
Dane o spółkach:
– Raporty roczne i kwartalne (ESPI, EBI GPW) – wyniki finansowe, segmenty
– Baza EMIS (Emerging Markets Information Service) – dane finansowe dla polskich spółek
– SciSparc, LSEG (dawny Refinitiv) Fundamentals – wskaźniki finansowe w ustrukturyzowanej formie
Literatura naukowa:
– SSRN (ssrn.com) – preprinty z finansów, wiele artykułów bezpłatnie
– Journal of Finance, Review of Financial Studies, Journal of Financial Economics – top 3 pisma z finansów
– Ekonomista, Bank i Kredyt, Przegląd Ustawodawstwa Gospodarczego – polskie pisma naukowe
Najczęstsze błędy w pracach z rynku kapitałowego
Lookforward bias (data snooping)
Wyjmujesz spółki ze swojej próby na podstawie informacji, których nie miałbyś w momencie inwestycji. Klasyczny przykład: badujesz efekt momentum dla spółek, które były w WIG20 w 2024 r. Ale w 2015 r. niektórych z nich w WIG20 nie było. Bierzesz dane dla obecnych składników indeksu i budujesz strategię „która by działała w przeszłości” – to survivorship bias. Używaj historycznych składów indeksów (GPW udostępnia je na InfoStrefa).
Brak korekty o koszty transakcyjne
Anomalia rynkowa istnieje tylko wtedy, gdy da się na niej zarobić po kosztach. Typowe koszty dla polskiego inwestora detalicznego: 0,2-0,4% wartości transakcji (prowizja brokera) + spread bid-ask. Dla strategii o wysokiej rotacji portfela koszty mogą pochłonąć całą alfę.
Interpretacja korelacji jako przyczynowości
Stopy zwrotu spółek z branży energetycznej rosły gdy rosły ceny ropy. To korelacja. Nie możesz z tego wyciągnąć wniosku, że „ceny ropy powodują wzrost cen akcji PKN Orlen bez pośrednictwa innych czynników”. Zaznaczasz ograniczenie.
Zbyt krótka próba
20 obserwacji miesięcznych (ok. 2 lata) nie wystarczy do wiarygodnego modelu regresji z 5 zmiennymi. Dłuższe próby lub dane dzienne/tygodniowe.
Brak testu stabilności modelu
Wyniki modelu OLS mogą być niestabilne w czasie (structural break). Test Chowa lub CUSUM sprawdza, czy parametry są stabilne w całym okresie. Praca bez tego jest słabsza.
Jak pisać o wynikach empirycznych
Studenci często piszą: „Wyniki wskazują, że istnieje zależność między X a Y”. To za mało.
Napisz: „Współczynnik regresji dla zmiennej HML wynosi 0,31 i jest istotny statystycznie na poziomie 1% (t = 4,12, p < 0,01), co oznacza, że portfele spółek wartościowych (niskie B/M) generowały statystycznie wyższe stopy zwrotu w badanym okresie. Wynik jest zbieżny z modelem Famy-Frencha (1993) i sprzeczny z hipotezą efektywności rynku w wersji półsilnej.”
Tak wygląda poprawna interpretacja. Podajesz: wartość statystyki, poziom istotności, kierunek efektu, wielkość efektu (współczynnik), odniesienie do teorii.
Doradztwo inwestycyjne jako temat pracy
Doradztwo inwestycyjne to działalność regulowana – wymaga licencji KNF (od firm inwestycyjnych) lub zatrudnienia doradcy z licencją. MiFID II (art. 25) nakłada na doradców obowiązek oceny odpowiedniości (suitability assessment) produktów dla klienta. ESMA wydaje wytyczne dotyczące zasad oceny.
Tematy prac o doradztwie:
- Efektywność rekomendacji analityków – czy spółki objęte rekomendacją „kupuj” faktycznie biją rynek? Metodologia: event study wokół daty publikacji rekomendacji
- Robo-advisory vs. tradycyjny doradca – porównanie wyników i profilu ryzyka portfeli
- Konflikt interesów w doradztwie – analiza modeli biznesowych, wymagania MiFID II vs. fiduciary standard
- Digital asset advisory po MiCA (rozporządzenie UE 2023/1114) – jak zmienia się doradztwo przy kryptoaktywach po wejściu MiCA w życie (2024-2025)?
W każdym z tych tematów pojawia się połączenie analizy regulacyjnej z empiryczną. Promotorzy cenią to, że student nie tylko opisuje prawo, ale też sprawdza, jak działa w praktyce.
Kilka słów o pisaniu
Praca magisterska z rynku kapitałowego nie jest ćwiczeniem z opisu modeli. Jest testem tego, czy potrafisz sformułować pytanie, zebrać dane, zastosować adekwatną metodę i wyciągnąć wniosek obroniony przed komisją.
Zanim zaczniesz pisać, usiądź z promotorem i ustal: jakie masz hipotezy, jaka jest twoja próba i skąd weźmiesz dane. Dużo bólu pochodzi z pracy, gdzie student pisze trzy rozdziały teorii, a potem okazuje się, że danych do empirii nie ma lub są za krótkie.
Jeśli czujesz, że potrzebujesz korekty albo redakcji gotowego tekstu – zwłaszcza rozdziałów metodologicznych i empirycznych, gdzie ważna jest precyzja języka – to jest coś, z czym chętnie pomagam. Wyślij fragment albo cały rozdział i zobaczę, co można poprawić bez zmiany sensu.
