Zależność istotna statystycznie w badaniach: co oznacza i jak ją sprawdzić

Co oznacza zależność istotna statystycznie w badaniach

Cała istota sprawy tkwi w kierunku warunkowania, a właśnie ten kierunek większość opracowań odwraca.

Zacznij od twierdzenia, przeciwko któremu argumentujesz. Zawsze jest to to nudne: w populacji te dwie zmienne nie mają ze sobą nic wspólnego. Teraz zmierz zależność w swojej próbie i zadaj jedno pytanie. Gdyby nudne twierdzenie było prawdziwe, jak często próba tej wielkości dawałaby zależność co najmniej tak silną wyłącznie przez przypadek? Ta liczba to wartość p. Mała oznacza, że przypadek słabo to wyjaśnia.

Nie wolno Ci odwracać tego zdania. Test nigdy nie podaje prawdopodobieństwa, że zmienne są powiązane, bo wszystko obliczył przy założeniu, że nie są. Opublikowana wersja tej strony mówiła kiedyś, że zależność istotna statystycznie oznacza, iż korelacja „prawdopodobnie nie jest równa zeru w populacji”. Brzmi to dobrze i jest błędne. To zaobserwowana korelacja jest mało prawdopodobna, jeśli korelacja w populacji wynosi zero. Te same słowa, odwrotny kierunek i tylko jedno z tych zdań Twoje dane mogą poprzeć.

Trzy rzeczy, których to określenie nie oznacza, choć często tak się je odczytuje:

• Nie siłę. Istotność statystyczna odpowiada na pytanie, czy zależność da się odróżnić od braku zależności. To, jak jest duża, wynika z samego r albo z nachylenia. Przy wystarczającej liczbie wypełnień r równe 0,05 jest istotne statystycznie, a mimo to niemal nic nie znaczy.
• Nie przyczynę. To, że dwie zmienne zmieniają się razem, nic nie mówi o tym, która wpływa na którą ani czy obie nie zmieniają się pod wpływem trzeciej. To kwestia schematu badania, rozstrzygana przez to, jak zbudowano badanie, a żadna statystyka testowa nie odpowie na nią po fakcie.
• Nie prawdę. Wartość p oblicza się w modelu, który zakłada, że Twoja próba jest tym, za co się podaje. Jeśli odpowiedziały niewłaściwe osoby, obliczenia nadal są bezbłędne, a wniosek nadal jest błędny.

Testowanie istotnej statystycznie korelacji między dwiema zmiennymi

Współczynnik r Pearsona przyjmuje wartości od -1 do +1 i mierzy, jak blisko dwie zmienne układają się wzdłuż linii prostej. Aby sprawdzić, czy uzyskane r to coś więcej niż przypadek, przekształć je w statystykę t:

t = r x sqrt(n - 2) / sqrt(1 - r^2), odczytywaną z rozkładu t przy n - 2 stopniach swobody.

Oto jak to wygląda na prawdziwych danych. Zanim na cokolwiek spojrzałem, ustaliłem jedno pytanie: czy w 109 aktywnych szablonach z naszej biblioteki liczba pytań w szablonie wiąże się z udziałem pytań otwartych wśród nich? Potem przeprowadziłem test jeden raz.

1. Oblicz r

   r = -0,3701 dla n = 109 szablonów. Po zaokrągleniu do raportu r = -0,37.

2. Oblicz liczbę stopni swobody

   n - 2 = 107. Zatem sqrt(107) = 10,3441.

3. Oblicz mianownik

   r do kwadratu to 0,1369, więc 1 - r^2 = 0,8631, a sqrt(0,8631) = 0,9290.

4. Podziel

   t = -0,37 x 10,3441 / 0,9290 = -4,1197 przy 107 stopniach swobody.

5. Odczytaj ogon rozkładu

   Wartość t równa 4,12 przy 107 stopniach swobody pozostawia poza sobą 0,000075 rozkładu dwustronnego. To p = 7,5 x 10^-5, czyli mniej więcej jedna próba na 13 000.

Podaj razem z nią przedział. Po transformacji Fishera 95-procentowy przedział ufności dla r wynosi od -0,52 do -0,20. To uczciwe podsumowanie: zależność ujemna, gdzieś między słabą a umiarkowaną, a dane nie pozwalają określić jej dokładniej. Co taki współczynnik może, a czego nie może uzasadnić i jak zaprojektować wokół niego badanie, opisujemy szczegółowo tam, gdzie interpretujemy korelację w ankiecie.

Wynik dla udziału wytrzymuje sprawdzenie, czy nie ciągnie go jeden szablon: na rangach zamiast wartości rho Spearmana wynosi -0,44 przy p = 1,6 x 10^-6, a wynik dla liczby pozostaje płaski: rho = -0,03. Współczynnik r Pearsona wymaga zależności prostoliniowej, niezależnych par i braku pojedynczego punktu odstającego na tyle, by sam wygiął linię. Sprawdź wykres rozrzutu, zanim zaufasz współczynnikowi. Jeśli chcesz poznać wielkość efektu, a nie tylko odpowiedź tak lub nie, dopasuj nachylenie i oszacuj zależność w rzeczywistych jednostkach: tyle a tyle pytań otwartych mniej na każde dodatkowe pytanie, zamiast samego r.

Różnica istotna statystycznie a zależność istotna statystycznie

To dwa kształty, w których pojawia się niemal każde pytanie ankietowe, i testuje się je inaczej. Różnica porównuje grupy pod względem jednej zmiennej wynikowej. Zależność dotyczy tego, czy dwa pomiary zmieniają się razem.

Oba to testy hipotez i oba dają wartość p, więc oba odczytuje się tak samo. Nie są jednak wymienne: różnica między grupami to nie korelacja, a raportowanie jednego jako drugiego to częsty sposób na przesadzenie z wynikiem. Każdy z nich można przeprowadzić na ilościowych danych z ankiety.

Czy różnica między dwiema grupami jest istotna statystycznie?

Załóżmy, że zespół wsparcia po każdym zgłoszeniu wysyła tę samą jednopytaniową ankietę na dwa sposoby. Spośród 400 osób, które odpowiedziały po zaproszeniu e-mailem, 208 wybrało najwyższą kategorię odpowiedzi. Spośród 420 osób, które odpowiedziały po komunikacie w aplikacji, zrobiło to 189. To 52,0% wobec 45,0%, czyli różnica 7,0 punktu. Czy to więcej, niż przy takich liczebnościach dałaby sama zmienność losowa?

Ponieważ zmienna wynikowa jest udziałem, a nie średnią, właściwym testem jest test z dla dwóch proporcji. Połącz obie grupy, aby oszacować odsetek, jakiego należałoby się spodziewać, gdyby sposób zaproszenia nie miał znaczenia, oblicz, jak bardzo różnica tego rodzaju waha się przy takich liczebnościach, i podziel.

1. Połącz obie grupy

   (208 + 189) / (400 + 420) = 397 / 820 = 0.4841.

2. Wyznacz błąd standardowy

   0,4841 x 0,5159 = 0,2497. 1/400 + 1/420 = 0,004881. Pomnóż: 0,00121901. Pierwiastek kwadratowy: 0,03491.

3. Podziel przez niego różnicę

   z = 0,07 / 0,03491 = 2,0049. Zachowaj miejsca po przecinku. Jeśli zamiast tego podzielisz przez zaokrąglony błąd standardowy 0,0349, z wyniesie 2,0057, co po zaokrągleniu daje 2,01 i ogon 0,0444. To jest wartość 0,044, którą ta strona publikowała latami, i jest błędna o jeden krok zaokrąglenia, a nie o miejsce po przecinku.

4. Odczytaj ogon rozkładu

   Standardowy rozkład normalny ma łącznie w obu ogonach poza 2,0049 masę 0,04497. Zatem p = 0,045. To mniej niż 0,05, więc różnica jest istotna statystycznie na poziomie 5%, z bardzo niewielkim zapasem.

Przelicz te same liczby jako test niezależności chi-kwadrat dla tabeli dwa na dwa, a otrzymasz identyczną odpowiedź: chi-kwadrat to z do kwadratu, 4,0197 przy jednym stopniu swobody, p = 0,04497. To ten sam test zapisany na dwa sposoby, więc istotny statystycznie wynik chi-kwadrat dla tabeli dwa na dwa i istotny statystycznie test z nigdy sobie nie przeczą.

Różnica nie zmieniła się, gdy zmieniliśmy wielkość próby. Zmienił się werdykt. Przy jednej czwartej wypełnień, 52 ze 100 wobec 45 ze 100 przy tych samych 7,0 punktu, z spada do 0,9904, a p rośnie do 0,32. Nic w zaproszeniach się nie zmieniło. Zmieniły się tylko dowody i dlatego liczbę wypełnień planuje się przed rozpoczęciem badania, a nie po nim.

Jeśli porównanie jest jeszcze przed Tobą, to jest moment, który o nim przesądza. Utwórz ankietę do porównania grup i ustal liczebność każdej grupy na podstawie najmniejszej różnicy, którą musisz wykryć. Porównanie, które było zbyt małe, gdy je przeprowadzono, pozostaje zbyt małe; większe badanie uzupełniające to nowe badanie z własną wartością p, a nie naprawa tego.

Kalkulator istotności statystycznej dla dwóch proporcji

Twoje własne liczby, te same obliczenia. Wpisz, ile osób odpowiedziało w każdej grupie i ile wybrało śledzoną odpowiedź. Wynik aktualizuje się na bieżąco.

Dwie metody, obie nazwane w wyniku: test z dla dwóch proporcji z połączonym błędem standardowym do werdyktu oraz przedział Walda z niepołączonym błędem standardowym do wielkości różnicy. To standardowe zestawienie, a ponieważ oba błędy się różnią, w pobliżu progu mogą dawać sprzeczne wyniki; kalkulator informuje o tym za każdym razem. Poziom przedziału wynika z wybranego poziomu istotności, więc alfa = 0,05 daje przedział 95%, a etykieta za każdym razem podaje poziom.

Kalkulator podaje najmniejszą oczekiwaną liczebność, aby było widać, kiedy przybliżenie normalne przestaje być bezpieczne. Nie podaje obserwowanej mocy: moc liczona po fakcie jest stałą funkcją wartości p, więc nie dodaje nic do tego, co już widać.

Przedział ufności dla różnicy między dwiema grupami

Wartość p odpowiada na pytanie typu tak lub nie, którego nikt tak naprawdę nie zadał. Przedział odpowiada na to, które zadano: jak duża jest różnica?

Przedział ufności to zakres zbudowany tak, że gdyby całe postępowanie powtórzyć wiele razy, 95% przedziałów zbudowanych w ten sposób zawierałoby prawdziwą wartość. To właściwość metody, a nie prawdopodobieństwo przypisane temu jednemu przedziałowi, który masz przed sobą. Luźne mówienie o „95% szans, że prawda jest w środku” to to samo odwrócenie, przez które źle rozumie się wartości p.

Dla różnicy między dwiema proporcjami błąd standardowy buduje się osobno dla każdej grupy zamiast łączyć grupy, bo teraz szacujesz wielkość różnicy, a nie testujesz, czy wynosi zero:

1. Błąd standardowy różnicy

   0,52 x 0,48 / 400 = 0,00062400. 0,45 x 0,55 / 420 = 0,00058929. Dodaj je i wyciągnij pierwiastek kwadratowy: 0,03483, czyli 3,483 punktu procentowego.

2. Pomnóż przez wartość krytyczną

   Dla 95% wynosi ona 1,9600, a nie 2. Zaokrąglenie jej w górę do 2 obniża dolną granicę z 0,2 do 0,0, a to różnica między przedziałem, który nie obejmuje zera, a takim, który zdaje się go dotykać. 1,9600 x 3,483 = 6,827 punktu.

3. Odłóż ją po obu stronach oszacowania

   7,0 plus minus 6,827 daje od 0,2 do 13,8 punktu procentowego.

Teraz przeczytaj, co to naprawdę mówi. Zaproszenie e-mailem prowadzi, a dane są zgodne z przewagą wynoszącą od jednej piątej punktu do prawie czternastu. Wynik „istotny statystycznie na poziomie 0,05” to wszystko ukrył. Jeśli różnica dwóch punktów zmieniłaby decyzję zespołu, to badanie nie odpowiedziało na pytanie, a wartość p nawet tego nie zasygnalizowała.

Oba odczyty zwykle są zgodne i warto dokładnie wyjaśnić, dlaczego nie muszą. Powyższy test z dzielił przez połączony błąd standardowy, 0,03491, bo obliczano go przy hipotezie, że obie grupy mają jeden wspólny odsetek. Ten przedział korzystał z niepołączonego błędu, 0,03483, bo szacuje różnicę bez tego założenia. Test i przedział zgadzają się dokładnie tylko wtedy, gdy zbudowano je w ten sam sposób: przedział powstały przez odwrócenie testu z połączonym błędem albo test oparty na niepołączonym błędzie. To standardowe zestawienie to dwa przybliżenia takiego rozwiązania i w pobliżu progu mogą się rozejść.

Weźmy 5 z 20 wobec 11 z 20: test z połączonym błędem daje z = -1,9365 i p = 0,0528, czyli wynik nieistotny statystycznie na poziomie 0,05, a 95-procentowy przedział z niepołączonym błędem wynosi od -58,9 do -1,1 punktu i nie obejmuje zera. Oba wyniki są poprawne dla swojej metody; wynik jest graniczny i należy podać obie liczby. Przedział nadal lepiej nadaje się do publikacji, bo niesie zarówno wielkość, jak i werdykt, a sam werdykt nie niesie ani jednego, ani drugiego.

Co wartość p mówi o hipotezie zerowej

Nudne twierdzenie ma nazwę: hipoteza zerowa, H0. Wartość p to prawdopodobieństwo uzyskania statystyki testowej co najmniej tak skrajnej jak Twoja, gdy H0 jest prawdziwa. Wszystko inne, co się o niej mówi, to albo skrót myślowy, albo błąd.

Ten błąd jest zawsze ten sam i warto go precyzyjnie nazwać. P to prawdopodobieństwo danych przy danej hipotezie. Ludzie odczytują z niego prawdopodobieństwo hipotezy przy danych. To różne wielkości, a drugiej w ogóle nie da się obliczyć z wartości p: wymaga wiedzy o tym, jak wiarygodna była hipoteza, zanim cokolwiek zebrano. American Statistical Association uczyniło to drugą ze swoich sześciu zasad w 2016 roku: wartość p nie mierzy ani prawdopodobieństwa, że badana hipoteza jest prawdziwa, ani prawdopodobieństwa, że dane powstały wyłącznie przez przypadek. ⁴

Zatem p = 0,045 w przykładzie z zaproszeniami nie oznacza 4,5% szans, że oba sposoby zaproszenia są równoważne, ani 95,5% szans, że wynik się powtórzy. Powtarzalność zależy od prawdziwego efektu i wielkości następnego badania, a żadnej z tych rzeczy ta liczba nie zawiera.⁵

Alfa i poziom istotności

Alfa to próg, który przyjmujesz, zanim pojawią się dane. Ustawiając alfa = 0,05, deklarujesz: jeśli hipoteza zerowa jest prawdziwa, akceptuję 5% szans, że i tak uznam wynik za istotny statystycznie. Przeprowadź dwadzieścia takich testów na czystym szumie, a mniej więcej jeden wyjdzie istotny, z samej konstrukcji, a nie przez przypadek.

Nic nie sprawia, że 0,05 jest poprawne. To konwencja, która utrwaliła się, odkąd Fisher używał tej wartości jako przybliżonej wskazówki, a kompromis jest prosty: niższa alfa oznacza mniej fałszywych alarmów, ale kosztuje Cię rzeczywiste efekty, które teraz przeoczysz. Wybierz ją na podstawie kosztu pomyłki w każdym kierunku, zapisz ją najpierw i nie zmieniaj jej, gdy już zobaczysz wartość p.

Testy jednostronne i dwustronne

Test dwustronny pyta, czy grupy w ogóle się różnią, licząc skrajne wyniki po obu stronach. Test jednostronny pyta, czy jedna konkretna grupa ma wyższy wynik, i liczy tylko tę stronę.

Zwykle twierdzi się, że jednostronna wartość p to połowa dwustronnej. Jest tak tylko wtedy, gdy efekt rzeczywiście idzie w przewidywanym kierunku. W naszym przykładzie dwustronne p wynosiło 0,04497. Jeśli z góry przewidywano, że e-mail wygra z aplikacją, czyli w kierunku, w którym poszedł wynik, jednostronne p wynosi 0,02249. Jeśli przewidywano, że wygra aplikacja, jednostronne p nie wynosi 0,02249. Wynosi 1 minus ta wartość, czyli 0,9775, bo niemal cały rozkład leży po stronie, którą wskazano. Dzielenie przez dwa to szczególny przypadek, a nie reguła.

Wybieraj test jednostronny tylko wtedy, gdy różnica w przeciwnym kierunku naprawdę nie zmieniłaby Twojej decyzji, i tylko zanim spojrzysz na dane. Przejście na test jednostronny po zobaczeniu dwustronnego p równego 0,08 to najstarsza sztuczka świata, która podwaja odsetek wyników fałszywie dodatnich w kierunku, który akurat Ci odpowiada.

Jakiego testu statystycznego użyć dla dwóch grup?

Wybieraj według rodzaju zmiennej wynikowej, a potem sprawdź warunki, zanim uwierzysz wartości p. Warunki to nie formalność: każdy z nich to założenie, które obliczenia przyjmują po cichu.

Jeden warunek stoi ponad nimi wszystkimi i żaden test go nie sprawdza: odpowiedzi muszą pochodzić od osób, które zamierzano zapytać. Bardzo mała wartość p na skrzywionej próbie to precyzyjna odpowiedź na niewłaściwe pytanie i to jest praktyczny koszt zniekształcenia odpowiedzi.

Istotność statystyczna nie oznacza znaczenia praktycznego

Istotność statystyczna mówi, że efekt da się wykryć przy Twojej wielkości próby. Nie mówi nic o tym, czy warto na jego podstawie działać, a przy wystarczającej liczbie wypełnień te dwie rzeczy całkowicie się rozchodzą.

Weźmy zmianę o jeden punkt: odsetek w najwyższej kategorii rośnie z 51,0% do 52,0% między dwiema falami. Przy 400 wypełnieniach na falę p = 0,777 i nikt nie uznaje tego za nic szczególnego. Zmiana staje się istotna statystycznie na poziomie 0,05, gdy każda fala ma około 19 191 wypełnień: przy dokładnie tej wielkości p = 0,0500. Ten punkt nie stał się ważniejszy. Po prostu kupiono wystarczająco dużo precyzji, by go zobaczyć.

Publikuj więc wielkość efektu obok werdyktu. W porównaniu zaproszeń to 7,0 punktu procentowego, przedział od 0,2 do 13,8. Jeśli chcesz miary standaryzowanej, h Cohena dla 52,0% wobec 45,0% wynosi 0,14, czyli mniej niż 0,2, które Cohen nazwał małym efektem.⁷ Różnica wykrywalna, ale mała.

Dwie ankiety w odstępie sześciu miesięcy dały różne wyniki

W tej postaci pytanie najczęściej trafia do zespołu ankietowego, a sięganie najpierw po test istotności to błąd. Test zakłada, że dwie próby różnią się wyłącznie przez przypadek. Między dwiema falami różnią się zwykle czymś więcej.

Sprawdź to, zanim cokolwiek obliczysz. Czy pytanie było sformułowane identycznie, z tymi samymi etykietami skali w tej samej kolejności? Czy obie fale trwały tyle samo i w te same dni? Czy odpowiadały te same rodzaje osób, czy jedna fala poszła kanałem docierającym do innej grupy? Czy jedna fala przypadła na okres, który sama firma czymś zakłóciła? Każda z tych rzeczy daje różnicę, której żaden test nie oznaczy jako przypadkowej i która nie ma nic wspólnego z tym, co mierzysz.

Gdy porównujesz naprawdę porównywalne fale, wybór testu wynika z tego, co porównujesz, a w pracy z ankietami jest to zwykle udział. Spośród 1422 pytań w naszej bibliotece szablonów 45,3% to pozycje skali ocen, a 98,9% z nich ma pięć punktów. Naturalnym podsumowaniem pięciopunktowej pozycji jest udział osób wybierających najwyższą kategorię lub dwie najwyższe, więc to test z dla dwóch proporcji jest tu podstawowym narzędziem, a nie test t. Uśrednianie pięciopunktowej skali traktuje krok od 4 do 5 jako równy krokowi od 1 do 2, czego nikt nie wykazał.

Źródło: SuperSurvey Question Corpus, 109 aktywnych szablonów i 1422 pytania, stan na 11 września 2026.

Jeszcze dwa nawyki warte utrzymania. Zdecyduj, które porównania przeprowadzisz, zanim pojawią się dane, bo odsetek wyników fałszywie dodatnich rośnie wraz z liczbą testów, a nie z liczbą tych, które raportujesz. I traktuj próbę poważnie: to, kto odpowiedział, ma większe znaczenie niż to, ilu, i właśnie temu służą metody doboru próby. Pozostała część działu „Poradniki i pomoc” omawia decyzje przed tą i po niej.

Najczęściej zadawane pytania

Metoda i ograniczenia

Każda liczba na tej stronie jest obliczana w pliku, który ją buduje, a nie wpisywana ręcznie, a budowanie strony zostaje przerwane, jeśli którakolwiek z nich się zmieni. Prawdopodobieństwa w ogonach pochodzą z niekompletnej funkcji gamma i niekompletnej funkcji beta w podwójnej precyzji, sprawdzonych z postaciami zamkniętymi tam, gdzie takie istnieją: postacią Cauchy'ego dla rozkładu t przy jednym stopniu swobody, postaciami algebraicznymi przy dwóch i czterech oraz exp(-x/2) dla chi-kwadrat przy dwóch. Nic nie jest odczytywane z tablic.

Korelacja korzysta z aktywnej biblioteki szablonów SuperSurvey, przeanalizowanej szablon po szablonie 10 września 2026 roku: 109 aktywnych szablonów i 1422 pytania. Policzono liczbę pytań w każdym szablonie oraz liczbę tych, które wymagają odpowiedzi tekstowej. Wykluczono wersje robocze i przekierowania. Obie wersje zmiennej wynikowej określono przed przeprowadzeniem testu i obie podano powyżej.

Ważne są dwa ograniczenia. To nasza własna opublikowana biblioteka, więc pokazuje, co jeden dostawca narzędzi do ankiet uważa za dobrą praktykę, a nie co robią ankiety na świecie, i żadnego wyniku z tej strony nie należy odczytywać jako faktu o ankietach w ogóle. Poza tym wynik dla udziału jest częściowo strukturalny: długość szablonu znajduje się w mianowniku zmiennej wynikowej, więc część ujemnej korelacji to arytmetyka, a nie decyzja redakcyjna. Właśnie dlatego obok wydrukowano wersję z liczbą pytań.

Porównanie zaproszeń, drabinka wielkości próby i zmiana o jeden punkt to przykłady z obliczeniami na podanych danych wejściowych, a nie pomiary. Obliczenia są prawdziwe i można je odtworzyć z pokazanych liczb; scenariusze są ilustracjami.

Bibliografia

1. Centers for Disease Control and Prevention, National Center for Health Statistics. Statistical significance. W: Health, United States: Sources and Definitions. cdc.gov
2. National Institutes of Health, National Center for Advancing Translational Sciences. Statistical significance. NCATS Toolkit glossary. toolkit.ncats.nih.gov
3. US Department of Education, National Center for Education Statistics. Statistical significance and sample size. National Assessment of Educational Progress. nces.ed.gov
4. Wasserstein, R. L. i Lazar, N. A. (2016). The ASA statement on p-values: context, process, and purpose. The American Statistician, 70(2), 129-133. doi.org/10.1080/00031305.2016.1154108
5. Greenland, S., Senn, S. J., Rothman, K. J., Carlin, J. B., Poole, C., Goodman, S. N. i Altman, D. G. (2016). Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations. European Journal of Epidemiology, 31(4), 337-350. doi.org/10.1007/s10654-016-0149-3
6. Cochran, W. G. (1954). Some methods for strengthening the common chi-square tests. Biometrics, 10(4), 417. doi.org/10.2307/3001616
7. Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155-159. doi.org/10.1037/0033-2909.112.1.155
8. Hoenig, J. M. i Heisey, D. M. (2001). The abuse of power: the pervasive fallacy of power calculations for data analysis. The American Statistician, 55(1), 19-24. doi.org/10.1198/000313001300339897
9. Cox, D. R. (2020). Statistical significance. Annual Review of Statistics and Its Application, 7, 1-10. doi.org/10.1146/annurev-statistics-031219-041051
10. Korpus pytań SuperSurvey, 109 aktywnych szablonów i 1422 pytania, stan na 11 września 2026.

Co przeczytać dalej

• Korelacja w danych z ankiet Jak zaprojektować badanie, które uzasadni korelację, którą chcesz zaraportować.
• Ilu wypełnień potrzebujesz Ustal to przed rozpoczęciem badania, póki możesz jeszcze poszerzyć listę zaproszeń.
• Kroki analizy regresji Od werdyktu tak lub nie do nachylenia, które da się zapisać w zdaniu.