Zebrałeś dane, wpisałeś wszystko do arkusza, a teraz patrzysz na listę testów statystycznych i nie wiesz, w który celować. t-Studenta? ANOVA? Chi-kwadrat? Coś o dziwnej nazwie, co podsunął kolega? Większość studentów wybiera test metodą „brzmi znajomo” albo kopiuje to, czego użył ktoś z poprzedniego rocznika. To prosta droga do tego, że na obronie promotor zapyta, dlaczego akurat ten test, a Ty nie będziesz miał odpowiedzi.
Dobra wiadomość jest taka: wybór testu to nie loteria ani kwestia wyczucia. To decyzja, która wynika logicznie z dwóch rzeczy, jakie masz pytanie badawcze i jakiego typu są Twoje dane. Gdy te dwie informacje położysz na stole, właściwy test wskaże się prawie sam. Nie musisz znać czterdziestu procedur. Do typowej pracy magisterskiej wystarczy ich kilka, a ja pokażę Ci, kiedy sięgać po każdą z nich.
W tym przewodniku przejdziemy przez najczęstsze testy po kolei. Zaczniemy od najważniejszej zasady, czyli od tego, że to typ danych decyduje o teście. Potem omówię t-Studenta i jego warianty, analizę wariancji dla wielu grup, chi-kwadrat dla danych jakościowych i testy nieparametryczne na sytuacje, gdy założenia zawodzą. Na koniec dostaniesz proste drzewo decyzyjne, które poprowadzi Cię od pytania do testu bez statystycznego żargonu.
Typ danych decyduje o teście
To jest fundament, od którego wszystko się zaczyna, i właśnie tego brakuje większości studentów. Zanim w ogóle pomyślisz o nazwie testu, musisz odpowiedzieć na dwa pytania. Po pierwsze, czego dotyczy Twoje pytanie badawcze. Po drugie, jakiego typu są zmienne, które w nim występują. Te dwie odpowiedzi zawężają wybór do jednego, może dwóch testów.
Zacznijmy od pytania badawczego, bo ono dzieli testy na rodziny. Najczęściej szukasz jednej z dwóch rzeczy. Albo różnicy między grupami, na przykład czy kobiety i mężczyźni różnią się poziomem stresu, czy trzy metody nauczania dają różne wyniki. Albo związku między zmiennymi, na przykład czy im wyższy staż pracy, tym wyższe zadowolenie. Różnica to jedna rodzina testów, związek to druga. Nazwij swoje pytanie po ludzku, zanim sięgniesz po cokolwiek.
Druga rzecz to typ zmiennych, i tu wraca podział, który znasz z metodologii. Zmienna ilościowa to liczba w pełnym sensie, jak wiek, liczba punktów czy wynik testu, gdzie odstępy są równe i można sensownie liczyć średnią. Zmienna jakościowa, inaczej kategorialna, to przynależność do grupy bez sensownej średniej, jak płeć, miejsce zamieszkania czy wybrany kierunek. Test zależy wprost od tego, czy Twoja zmienna wynikowa jest liczbą, czy kategorią.
Nie szukaj testu po nazwie. Najpierw nazwij pytanie i typ zmiennych, a właściwy test wyniknie z tego niemal sam.
Jest jeszcze trzecia rzecz, która rozstrzyga między dwiema wersjami tego samego testu: liczba porównywanych grup. Dwie grupy prowadzą w jedną stronę, trzy albo więcej w inną. Gdy złożysz te trzy informacje razem, czyli rodzaj pytania, typ zmiennej i liczbę grup, zostaje Ci zwykle jeden kandydat. Cała reszta tego artykułu to po prostu rozpisanie, który to kandydat w której sytuacji.
t-Studenta i jego warianty
Test t-Studenta to najczęstszy test różnicy w pracach magisterskich i punkt wyjścia, gdy porównujesz dwie grupy pod względem zmiennej ilościowej. Słowo klucz brzmi: dwie. Gdy grup jest więcej, t-Studenta odpada i przechodzisz do analizy wariancji, o której za chwilę. Sam test t ma kilka wariantów, a wybór złego to częsty błąd, więc rozróżnijmy je jasno.
Pierwszy wariant to test t dla prób niezależnych. Stosujesz go, gdy porównujesz dwie różne, osobne grupy osób, na przykład średni wynik kobiet i mężczyzn albo grupy eksperymentalnej i kontrolnej. Każda osoba należy tylko do jednej grupy. To zdecydowanie najczęstszy przypadek w pracach opartych na ankietach, gdzie dzielisz badanych według jakiejś cechy i sprawdzasz, czy grupy różnią się wynikiem.
Drugi wariant to test t dla prób zależnych, nazywany też testem dla par. Tu nie masz dwóch grup, tylko jedną grupę zmierzoną dwukrotnie, na przykład wynik tych samych osób przed szkoleniem i po szkoleniu. Pomiary są powiązane, bo dotyczą tych samych ludzi. Pomylenie wersji niezależnej z zależną to klasyczny błąd, który zmienia wynik i od razu rzuca się w oczy każdemu, kto zna się na rzeczy. Reguła jest prosta: różne osoby to próby niezależne, te same osoby dwa razy to próby zależne.
Test t ma swoje założenia, o których musisz wiedzieć, żeby go bronić. Zmienna wynikowa powinna być ilościowa, a jej rozkład w grupach zbliżony do normalnego. Przy dwóch niezależnych grupach liczy się też podobna zmienność w obu, choć istnieją wersje testu, które sobie z nierównością radzą. Gdy rozkład mocno odbiega od normalnego albo próba jest bardzo mała, test t przestaje być wiarygodny i sięgasz po jego nieparametryczny odpowiednik. Wrócę do tego w sekcji o testach nieparametrycznych, bo to ważny zwrot.
ANOVA, gdy grup jest więcej
Gdy porównywanych grup jest trzy albo więcej, test t przestaje wystarczać i wchodzi analiza wariancji, w skrócie ANOVA. Ktoś mógłby zapytać, czemu nie zrobić po prostu kilku testów t między każdą parą grup. To kuszące, ale błędne, i warto rozumieć, dlaczego, bo o to czasem pyta komisja.
Problem z wieloma testami t naraz polega na tym, że przy każdym porównaniu istnieje pewne ryzyko fałszywego wykrycia różnicy tam, gdzie jej nie ma. Im więcej takich porównań robisz, tym bardziej to ryzyko się kumuluje, aż wynik przestaje być wiarygodny. ANOVA rozwiązuje to elegancko: sprawdza wszystkie grupy naraz jednym testem i odpowiada na pytanie, czy gdziekolwiek między nimi istnieje istotna różnica. Jeden test zamiast kilku, bez kumulowania błędu.
Najprostsza i najczęstsza wersja to jednoczynnikowa analiza wariancji, którą stosujesz, gdy masz jedną zmienną grupującą o trzech albo więcej poziomach, na przykład trzy metody nauczania albo cztery grupy wiekowe, i jedną ilościową zmienną wynikową. ANOVA powie Ci, czy te grupy różnią się między sobą wynikiem. Założenia są podobne do testu t, czyli ilościowa zmienna wynikowa, rozkład zbliżony do normalnego w grupach i podobna zmienność.
ANOVA mówi, że gdzieś między grupami jest różnica, ale nie mówi, między którymi. Bez testu po fakcie zostajesz z połową odpowiedzi.
Tu pojawia się rzecz, której wielu studentów nie domyka. Istotny wynik ANOVA mówi tylko tyle, że co najmniej dwie grupy się różnią, ale nie wskazuje, które konkretnie. Żeby to ustalić, wykonujesz testy porównań wielokrotnych po fakcie, nazywane testami post hoc, które sprawdzają pary grup z już skorygowanym ryzykiem błędu. Bez tego kroku piszesz, że grupy się różnią, ale nie wiesz, czy chodzi o pierwszą z trzecią, czy o drugą z trzecią. Recenzent to wyłapie od razu, więc nie pomijaj testów post hoc, gdy ANOVA wyszła istotna.
Wyślij fragment tekstu, bezpłatną wycenę otrzymasz w 24 h. Poprawki bez limitu w cenie usługi.
Chi-kwadrat dla danych jakościowych
Wszystko, o czym była mowa do tej pory, zakładało, że zmienna wynikowa jest liczbą. A co, gdy obie Twoje zmienne to kategorie? Płeć i wybrany kierunek studiów. Miejsce zamieszkania i preferowany sposób dojazdu. Tu średnia nie istnieje, więc test t i ANOVA odpadają. Sięgasz po test chi-kwadrat, najważniejszy test dla danych jakościowych.
Test chi-kwadrat niezależności odpowiada na pytanie, czy dwie zmienne kategorialne są ze sobą powiązane, czy niezależne. Działa na tabeli krzyżowej, czyli zestawieniu liczebności obu zmiennych naraz. W jednej osi masz na przykład płeć, w drugiej wybrany kierunek, a w środku liczby osób w każdej kombinacji. Test sprawdza, czy rozkład tych liczb odbiega od tego, czego można by się spodziewać, gdyby zmienne nie miały ze sobą nic wspólnego. Jeśli odbiega istotnie, mówisz o związku między kategoriami.
Sedno tkwi w tym, że chi-kwadrat operuje na liczebnościach, a nie na średnich. Nie pytasz, jaki jest średni kierunek, bo to bez sensu. Pytasz, ile kobiet i ilu mężczyzn wybrało który kierunek i czy te proporcje się różnią. To czyni chi-kwadrat naturalnym wyborem przy danych z ankiet opartych na pytaniach zamkniętych, gdzie respondent zaznacza jedną z kilku opcji. Takich pytań w pracach magisterskich jest mnóstwo.
Test ma jeden warunek, o którym łatwo zapomnieć, a który potrafi unieważnić wynik. Liczebności w polach tabeli nie mogą być zbyt małe. Gdy w wielu komórkach lądują pojedyncze osoby albo zera, chi-kwadrat przestaje być wiarygodny. W takiej sytuacji albo łączysz drobne kategorie w większe, na przykład scalasz rzadkie odpowiedzi w grupę „inne”, albo przy małej tabeli sięgasz po dokładny test Fishera, który radzi sobie z niskimi liczebnościami. Sprawdź ten warunek, zanim opiszesz wynik jako istotny, bo to częsta wpadka.
Testy nieparametryczne, gdy założenia nie są spełnione
Wszystkie testy omówione wcześniej, czyli t-Studenta i ANOVA, należą do rodziny parametrycznych. Mają wspólne założenie: zmienna ilościowa powinna mieć rozkład zbliżony do normalnego. Często ten warunek jest spełniony i nie ma problemu. Ale bywa, że dane mu się wymykają, i wtedy upieranie się przy teście parametrycznym daje wynik, którego nie da się obronić. Na te sytuacje są testy nieparametryczne.
Kiedy w ogóle sięgać po nieparametryczne? W trzech typowych przypadkach. Po pierwsze, gdy rozkład zmiennej ilościowej mocno odbiega od normalnego, co sprawdzasz testem normalności albo wykresem. Po drugie, gdy próba jest mała, bo przy garstce osób trudno cokolwiek powiedzieć o rozkładzie i testy parametryczne tracą wiarygodność. Po trzecie, gdy Twoja zmienna jest porządkowa, a nie w pełni ilościowa, na przykład pozycja na skali zgody od „zdecydowanie nie” do „zdecydowanie tak”, gdzie odstępy między punktami nie są równe.
Dobra wiadomość jest taka, że dla każdego testu parametrycznego istnieje nieparametryczny odpowiednik, który odpowiada na to samo pytanie bez wymogu normalności. Zamiast testu t dla prób niezależnych stosujesz test U Manna-Whitneya. Zamiast testu t dla par, test Wilcoxona. Zamiast jednoczynnikowej ANOVY, test Kruskala-Wallisa. Logika doboru jest identyczna jak przy testach parametrycznych, zmienia się tylko nazwa i to, że test pracuje na rangach, a nie na surowych wartościach.
Wokół testów nieparametrycznych narosło fałszywe przekonanie, że są „słabsze” albo świadczą o gorszej pracy. To nieprawda. Gdy założenia testu parametrycznego nie są spełnione, to właśnie test nieparametryczny jest poprawnym wyborem, a sięganie po parametryczny na siłę byłoby błędem metodologicznym. Komisja docenia, gdy student sprawdził rozkład i świadomie dobrał test do danych, zamiast bezmyślnie wklepać t-Studenta wszędzie. Świadomy wybór to oznaka, że rozumiesz, co robisz.
Drzewo decyzyjne wyboru testu
Złóżmy całą tę wiedzę w prostą ścieżkę decyzyjną, którą możesz przejść przy każdej hipotezie. Zadajesz sobie kolejno kilka pytań, a odpowiedzi prowadzą Cię prosto do testu. Trzymaj tę kolejność, bo ona porządkuje cały wybór.
Krok pierwszy, czego dotyczy pytanie. Szukasz różnicy między grupami czy związku między zmiennymi? To pierwsze rozgałęzienie, które dzieli wszystko na dwie strony.
Krok drugi, jeśli szukasz różnicy. Sprawdź typ zmiennej wynikowej i liczbę grup. Dla zmiennej ilościowej i dwóch grup celuj w test t-Studenta, w wersji dla prób niezależnych przy różnych osobach albo dla par przy tych samych osobach mierzonych dwa razy. Dla zmiennej ilościowej i trzech albo więcej grup celuj w ANOVĘ, pamiętając o testach post hoc, gdy wyjdzie istotna. Jeśli zmienna wynikowa jest kategorialna, a nie liczbowa, przechodzisz do chi-kwadrat.
Krok trzeci, jeśli szukasz związku. Dla dwóch zmiennych kategorialnych sięgasz po test chi-kwadrat na tabeli krzyżowej. Dla dwóch zmiennych ilościowych liczysz korelację, która mówi o sile i kierunku związku. To rozróżnienie jest proste: dwie kategorie to chi-kwadrat, dwie liczby to korelacja.
Krok czwarty, nałożony na wszystko powyżej. Przy testach na zmiennych ilościowych sprawdź założenie normalności rozkładu. Jeśli rozkład jest zbliżony do normalnego, zostajesz przy wersji parametrycznej. Jeśli mocno odbiega, próba jest mała albo zmienna jest porządkowa, przeskakujesz na odpowiednik nieparametryczny, czyli U Manna-Whitneya zamiast testu t niezależnego, Wilcoxona zamiast testu t dla par, Kruskala-Wallisa zamiast ANOVY. Ta jedna ścieżka pokrywa zdecydowaną większość analiz w pracach magisterskich. Wydrukuj ją sobie i miej przy danych.
Najczęstsze błędy
- Wybór testu po nazwie, która brzmi znajomo, zamiast od pytania badawczego i typu zmiennych
- Użycie testu t do trzech albo więcej grup zamiast analizy wariancji
- Mylenie testu t dla prób niezależnych z testem dla par i odwrotnie
- Pominięcie testów post hoc po istotnej ANOVIE i niewiedza, które grupy się różnią
- Liczenie chi-kwadrat na zbyt małych liczebnościach w polach tabeli bez sprawdzenia warunku
- Stosowanie testu parametrycznego mimo wyraźnie nienormalnego rozkładu danych
- Traktowanie zmiennej porządkowej ze skali jak w pełni ilościowej i liczenie na niej średnich
- Wykonanie kilkunastu testów t między każdą parą grup zamiast jednej ANOVY
- Wybór testu dopiero po zebraniu danych, gdy okazuje się, że pytanie było źle postawione
FAQ
Jaki test statystyczny wybrać do pracy magisterskiej?
Zależy od pytania badawczego i typu danych, nie od nazwy testu. Dla różnicy między dwiema grupami w zmiennej ilościowej zwykle test t-Studenta, dla trzech albo więcej grup analiza wariancji, dla związku dwóch zmiennych kategorialnych chi-kwadrat, dla związku dwóch zmiennych ilościowych korelacja. Najpierw nazwij, czy szukasz różnicy, czy związku, sprawdź typ zmiennych i liczbę grup, a właściwy test wyniknie z tego prawie sam.
Kiedy stosować test t, a kiedy ANOVA?
Test t stosujesz przy porównaniu dokładnie dwóch grup w zmiennej ilościowej. ANOVA wchodzi, gdy grup jest trzy albo więcej. Nie rób kilku testów t między każdą parą grup, bo kumuluje to ryzyko fałszywego wyniku. ANOVA sprawdza wszystkie grupy naraz jednym testem. Gdy wyjdzie istotna, dorzuć testy post hoc, żeby ustalić, które konkretnie grupy się różnią.
Co zrobić, gdy dane nie mają rozkładu normalnego?
Sięgasz po test nieparametryczny, czyli odpowiednik testu parametrycznego, który nie wymaga normalności i pracuje na rangach. Zamiast testu t dla prób niezależnych stosujesz U Manna-Whitneya, zamiast testu t dla par test Wilcoxona, zamiast jednoczynnikowej ANOVY test Kruskala-Wallisa. To nie jest gorszy wybór, tylko poprawny w tej sytuacji. Stosowanie testu parametrycznego na danych mocno nienormalnych byłoby błędem.
Czym różni się test parametryczny od nieparametrycznego?
Testy parametryczne, jak t-Studenta i ANOVA, zakładają, że zmienna ilościowa ma rozkład zbliżony do normalnego, i pracują na surowych wartościach. Testy nieparametryczne nie mają tego założenia i pracują na rangach, czyli na kolejności wyników. Po nieparametryczne sięgasz, gdy rozkład odbiega od normalnego, próba jest mała albo zmienna jest porządkowa. W innych przypadkach wersja parametryczna jest mocniejsza i to ją wybierasz.
Podsumowanie
Wybór testu statystycznego do pracy wygląda groźnie tylko do momentu, w którym zrozumiesz, że to nie zgadywanie, lecz prosta ścieżka decyzji. Najpierw nazwij pytanie, różnica czy związek. Potem sprawdź typ zmiennej i liczbę grup. Dwie grupy w zmiennej ilościowej to test t, trzy albo więcej to ANOVA z testami post hoc, dwie kategorie to chi-kwadrat, dwie liczby to korelacja. Na koniec sprawdź rozkład i w razie potrzeby przeskocz na odpowiednik nieparametryczny. Test dobierasz od pytania i typu danych, a nie od nazwy, która brzmi znajomo.
Statystyka policzy wyniki, ale nie sprawdzi, czy opisałeś je poprawnym, zrozumiałym językiem i czy rozdział metodologiczny trzyma się kupy. To zostaje po stronie redaktora. W ramach korekty pracy magisterskiej wychwycę niezręczne sformułowania, błędy w opisie wyników i niespójności terminologiczne, a przy okazji zwrócę uwagę, gdy uzasadnienie wyboru testu brzmi niejasno albo dwuznacznie. Wyślij gotowy rozdział wynikowy albo całą pracę do bezpłatnej wyceny, a dostaniesz konkretny termin, najczęściej z korektą w 24 godziny.
