Moc testu statystycznego w pracy magisterskiej

Ostatnia aktualizacja 8 października 2025

Zdarzyło Ci się policzyć test, wyświetliło „nieistotne” i… konsternacja? 🤔 Pytanie brzmi: czy naprawdę „nic tam nie ma”, czy po prostu Twoje badanie było za słabe, żeby to zobaczyć. I tu wchodzi moc testu statystycznego — myśl o niej jak o czułości radaru. Słaby radar nie złapie nawet dużego samolotu we mgle; dobry radar zobaczy też mniejsze obiekty.

W praktyce: moc to szansa, że wykryjesz prawdziwy efekt, jeśli on istnieje. Za niska moc = łatwo przegapić coś realnego. Za chwilę pokażę Ci, z czego moc się bierze (liczba osób, wielkość efektu, poziom istotności, „szum” w danych), jak ją ogarnąć przed badaniem, jak interpretować wyniki „nieistotne” bez paniki oraz jak to ładnie wpisać do pracy. Bez żargonu, za to z przykładami.

Potrzebujesz szybkiej pomocy z obliczeniem statystyki w swojej pracy dyplomowej? Kliknij poniżej
–> Statystyka do pracy magisterskiej. Błyskawiczna pomoc
–> Wzory rozdziałów badawczych ze statystyką

Nie wiem, jak zacząć. Masz coś dla mnie?
–> E-book- Jak Napisać Pracę Dyplomową W Tydzień
–> Pobierz przykładową pracę licencjacką

Definicja mocy testu statystycznego

Moc testu to prawdopodobieństwo, że wykryjesz prawdziwy efekt (odrzucisz hipotezę zerową), jeśli ten efekt naprawdę istnieje.
Myśl o niej jak o czułości badania — im większa moc, tym mniejsza szansa, że przegapisz coś realnego.
W praktyce celujemy w ok. 80% mocy (czyli tylko ~20% ryzyka „przegapienia” efektu).
Krótko: moc = 1 − ryzyko błędu II rodzaju.

• Od czego zależy moc testu?
• Wielkość próby (ile osób badamy)
  Im więcej osób, tym większa moc. Większa próba = wyraźniejszy sygnał i mniejsze „wahania szczęścia”.

• Wielkość efektu (jak duża jest różnica/związek)
  Duży efekt widzi nawet „słabszy radar”. Większy efekt = łatwiej go wykryć = większa moc.

• Poziom istotności (alfa, np. 0,05)
  Wyższa alfa (np. 0,10 zamiast 0,05) daje trochę więcej mocy, ale też większe ryzyko fałszywego alarmu.

• Rozrzut / szum w danych (jakość pomiaru)
  Im mniej hałasu (mniej błędów, bardziej spójne odpowiedzi), tym większa moc.

Test statystyczny jednostronny vs dwustronny

• Jednostronny sprawdza efekt „w jednym kierunku” (np. „A > B”). Ma nieco większą moc, bo cała „uwaga” idzie w jedną stronę.
• Dwustronny sprawdza „czy jest różnica” bez wskazywania kierunku (A ≠ B). Jest bezpieczniejszy, standard w pracach.

Szybkie tipy zwiększające moc testu statystycznego

 Po co Ci moc testu statystycznego w pracy dyplomowej?

Wyobraź sobie, że Twoje badanie to latarka w ciemnym pokoju. Moc testu to jej jasność: im większa, tym łatwiej zobaczysz to, co faktycznie tam jest. W praktyce oznacza to mniejszą szansę, że przegapisz prawdziwy efekt tylko dlatego, że próba była za mała albo pomiar zbyt „zaszumiony”.

Zanim zaczniesz zbierać dane, moc pomaga sensownie zaplanować liczbę osób. Ustalasz, jakiego rzędu efekt chcesz wykryć (np. na podstawie literatury albo małego pilotażu), ustawiasz standardową alfę 0,05 i celujesz w około 80% mocy. Dzięki temu nie kończysz z wnioskiem „nic nie wyszło”, gdy tak naprawdę badanie po prostu nie miało siły, by to zobaczyć. Do Metodologii możesz wpisać gotowe zdanie: „Planowano moc 80% przy alfa = 0,05, zakładając wielkość efektu [tu wstaw d].”

W trakcie pisania wyników moc działa jak zbroja na „p tylko trochę większe niż 0,05”. Brzmisz profesjonalnie, bo potrafisz uzasadnić, skąd wzięło się N, i pamiętasz, że sama wartość p nie wystarczy. Obok p zawsze podajesz wielkość efektu i 95-procentowy przedział ufności, żeby pokazać, jak duży jest efekt i na ile pewne jest oszacowanie. To jedno zdanie robi różnicę: „Analizy prowadzono przy poziomie istotności 5%; raportowano p-value, wielkość efektu i 95% przedziały ufności.”

Gdy analiza już policzona i wynik wychodzi „nieistotny”, moc pomaga zinterpretować to bez paniki. Zadajesz rozsądne pytanie: czy to dowód braku efektu, czy raczej brak wystarczającej siły badania? Jeśli próba była mała, a rozrzut duży, uczciwie piszesz, że brakuje dowodów, a nie że efektu na pewno nie ma, i sugerujesz zwiększenie N w kolejnych badaniach. W Dyskusji możesz użyć takiego zdania: „Wynik nieistotny należy interpretować ostrożnie ze względu na ograniczoną moc; w przyszłych badaniach warto zwiększyć liczebność próby i poprawić jakość pomiaru.”

Efekt uboczny? Mniej nerwów, lepsza rozmowa z promotorem i większa wiarygodność całej pracy. Moc testu sprawia, że Twoje badanie nie tylko „coś mierzy”, ale ma realną szansę to zobaczyć — i właśnie o to chodzi.

Przykłady mocy testu statystycznego (co to zmienia w praktyce?)

Psychologia (dzienni vs zaoczni, poziom stresu)

Przy n=30 na grupę różnice rzędu 2–3 punktów mogą „zniknąć w szumie” – przedziały ufności są szerokie i łatwo o wniosek „nie wyszło”. Gdy masz n=120 na grupę, ten sam mały efekt staje się wyraźniejszy: węższe przedziały, większa moc, mniejsze ryzyko przegapienia.

Medycyna (to samo osoby „przed–po”, ciśnienie)

Jeśli terapia obniża ciśnienie średnio o 2–3 mmHg, to przy n=20 osób możesz tego nie złapać (za mała moc). Przy n=100–150 ta sama różnica ma dużo większą szansę „się pokazać”, bo test ma siłę, by wykryć mały efekt.

Ekonomia/Zarządzanie (trzy i więcej grup, ANOVA)

Im więcej grup porównujesz (np. trzy zawody), tym większej próby potrzebujesz w każdej z nich. Małe różnice w średnich dochodach nie wyjdą przy garstce osób, ale przy sensownej liczbie w każdej grupie masz realną szansę je zobaczyć.

Marketing (A/B test, konwersja)

Różnica 2,0% vs 2,4% wygląda na małą – i właśnie takie małe wzrosty wymagają dużych danych. Sto wejść na stronę to za mało, bo moc testu będzie niska; przy tysiącach odsłon zaczynasz widzieć stabilny sygnał zamiast przypadkowych skoków.

Jak policzyć moc testu statystycznego w popularnych narzędziach –Jamovi

1. Otwórz Analizy → Power (PAMLj) → T-Test Power Analysis.
2. U góry ustaw Calculate: N (to wariant A priori, liczy wymaganą liczbę osób).
3. T-Test type: wybierz Independent samples (próby niezależne; dwie różne grupy, np. dzienni vs zaoczni).
4. W sekcji Effect information wpisz:
   • Expected Cohen’s d (δ): 0.50 (założona, „średnia” wielkość efektu),
   • Relative size of groups: 1 (grupy po równo).
5. W sekcji Parameters ustaw:
   • Minimum desired power: 0.90 (docelowa moc 90%),
   • α (type I error rate): 0.05 (poziom istotności 5%),
   • Tails: Two-tailed (test dwustronny).
6. Wynik pojawia się po prawej stronie w tabeli.

Tak to wygląda na przykładzie:

Co widzisz na ekranie i co z tego wynika?

W tabeli A Priori Power Analysis widnieje:

• N = 172, N₁ = 86, N₂ = 86 – potrzeba 86 osób w każdej grupie (łącznie 172),
• Effect size = 0.500 – liczymy pod d Cohena = 0,50 (efekt średni),
• Power = 0.900 – zakładana moc 90% zostanie osiągnięta,
• α = 0.0500, df = 170 – klasyczne ustawienia (5%, test dwustronny).

Poniżej masz tabelkę Power by Effect Size (opisowa ściąga): dla takiego N badanie „prawie na pewno” wykryje duże efekty (δ > 0,553), „prawdopodobnie” wykryje średnie-większe (0,430–0,553), a małe efekty może przegapić. To pomaga rozsądnie interpretować późniejsze wyniki.

Jak moc testu statystycznego zapisać w pracy (gotowce)

(Opcjonalnie) Uzasadnienie wyboru efektu

„Wielkość efektu d = 0,50 przyjęto jako umiarkowaną, zgodną z literaturą/pilotażem.”

Dyskusja (gdy finalnie N będzie mniejsze)

„Niższa niż planowana liczebność obniża moc testu, co zwiększa ryzyko przegapienia rzeczywistego efektu; wyniki nieistotne należy interpretować ostrożnie.”

Najczęstsze wpadki w obliczaniu mocy testu statystycznego

1) „Nie wyszło = nie ma efektu” (mit).

p ≥ 0,05 to brak mocnych dowodów, a nie dowód braku efektu. Mała próba = niska moc = łatwo coś przegapić.

2) Brak planu mocy przed badaniem.

Zbierasz „ile się uda”, a potem zdziwko, że nic nie wychodzi.

3) Fetysz 0,05.

Traktowanie progu jak magii: „p<0,05 = sukces, p>0,05 = porażka”.

Moc testu statystycznego podsumowanie

Moc testu to Twoja „jasność latarki” w badaniu: im większa, tym mniejsze ryzyko, że przegapisz prawdziwy efekt. W praktyce oznacza to trzy proste ruchy: zaplanuj moc przed zbiorem danych (np. 80%), dobierz sensowną liczebność próby i raportuj nie tylko p, ale też wielkość efektu i 95% przedziały ufności. Gdy wynik wyjdzie „na granicy” albo „nieistotny”, zamiast paniki zapytaj: a jaka była moc? — to często wyjaśnia więcej niż sama wartość p.

Masz już wszystko, żeby zrobić to dobrze: w jamovi (PAMLj) sprawdzisz wymaganą próbę, moc „po fakcie” i minimalny wykrywalny efekt. Dodaj jedno zdanie do Metodologii, dorzuć mądrą interpretację w Dyskusji i… gotowe. Statystyka przestaje być czarną magią, a Twoja praca wygląda profesjonalnie. Reszta to tylko kawa i konsekwencja. ☕📈

Trochę już wiem o mocy testu statystycznego w pracy magisterskiej. Teraz chcę poznać proces pisania

Naucz się pisać pracę w godzinę. Sprawdź e-book.

Zobacz, jakie materiały mogę Ci jeszcze zaproponować.
–>Sklep Magistra na 5

Jeżeli potrzebujesz pomocy, po prostu napisz.
–> Wyślij pytanie

Nie zapomnij o prezencie!