Porównanie więcej niż dwóch grup to bardzo częsty problem w pracach magisterskich, licencjackich i artykułach naukowych. Student ma trzy albo więcej grup respondentów i chce sprawdzić, czy różnią się między sobą pod względem wybranej zmiennej. Przykłady są typowe: poziom stresu u studentów trzech kierunków, satysfakcja z pracy u pracowników z różnym stażem, wiedza pacjentów w kilku grupach wiekowych, ocena jakości obsługi wśród mieszkańców wsi, małych miast i dużych miast.
Problem zaczyna się wtedy, gdy trzeba wybrać właściwy test statystyczny. Przy dwóch grupach często rozważa się test t-Studenta albo test U Manna-Whitneya. Przy trzech lub większej liczbie grup potrzebne są inne testy. Najczęściej wybór sprowadza się do pytania: zastosować ANOVA czy test Kruskala-Wallisa?
ANOVA jest testem parametrycznym i służy do porównania średnich w więcej niż dwóch grupach. Test Kruskala-Wallisa jest testem nieparametrycznym i stosuje się go wtedy, gdy dane nie spełniają założeń ANOVA albo mają charakter porządkowy. Oba testy mogą być bardzo przydatne w pracy dyplomowej, ale nie można stosować ich przypadkowo.
Promotorzy często piszą w komentarzach: „proszę uzasadnić wybór testu”, „dlaczego zastosowano ANOVA?”, „należy sprawdzić normalność rozkładu”, „proszę rozważyć test Kruskala-Wallisa”, „brakuje testów post-hoc”, „nie wiadomo, które grupy różnią się między sobą”. Dlatego sama informacja, że „wynik jest istotny”, nie wystarczy. Trzeba jeszcze pokazać, jaki test został dobrany, dlaczego, jakie grupy porównano i jak wynik odnosi się do hipotezy.
Jeżeli masz kilka grup, hipotezy, ankietę albo bazę danych i nie wiesz, czy zastosować ANOVA czy test Kruskala-Wallisa, warto sprawdzić ofertę analizy statystycznej, poradnik analiza statystyczna pracy magisterskiej krok po kroku albo przesłać materiały przez formularz kontaktowy.
Kiedy w pracy porównuje się więcej niż dwie grupy?
Porównanie więcej niż dwóch grup pojawia się wtedy, gdy zmienna grupująca ma trzy lub więcej kategorii, a student chce sprawdzić, czy grupy różnią się wynikiem w określonej zmiennej.
Przykład:
Student pisze pracę o poziomie stresu u studentów. Chce sprawdzić, czy poziom stresu różni się między studentami pedagogiki, psychologii i zarządzania. Zmienna grupująca to kierunek studiów, a zmienna porównywana to wynik w skali stresu.
Inny przykład:
Student pisze pracę z pielęgniarstwa i chce sprawdzić, czy poziom wiedzy pacjentów o profilaktyce chorób różni się w trzech grupach wiekowych: 18–30 lat, 31–50 lat oraz powyżej 50 lat. Zmienna grupująca to grupa wiekowa, a zmienna porównywana to wynik testu wiedzy.
Jeszcze inny przykład:
Student pisze pracę z zarządzania i chce sprawdzić, czy satysfakcja z pracy różni się w zależności od stażu pracy: do 2 lat, 3–5 lat, 6–10 lat oraz powyżej 10 lat. Zmienna grupująca ma cztery kategorie, więc nie wystarczy zwykły test t-Studenta.
W takich sytuacjach stosuje się najczęściej jednoczynnikową analizę wariancji ANOVA albo test Kruskala-Wallisa.
ANOVA — kiedy ją stosować?
ANOVA, czyli analiza wariancji, jest stosowana wtedy, gdy porównujesz średnie wyniki w trzech lub większej liczbie niezależnych grup. Jest to test parametryczny, dlatego wymaga większej kontroli założeń.
ANOVA może być właściwa, gdy:
- porównujesz trzy lub więcej niezależnych grup;
- zmienna zależna jest ilościowa, np. wynik skali, suma punktów, czas, wiek, wynik testu, poziom satysfakcji;
- rozkład wyników w grupach nie jest skrajnie zaburzony;
- nie ma silnych wartości odstających;
- wariancje w grupach są zbliżone;
- celem jest porównanie średnich wyników między grupami.
Przykład:
„Czy poziom stresu różni się między studentami pedagogiki, psychologii i zarządzania?”
Jeżeli poziom stresu został policzony jako wynik ogólny skali, a rozkłady są akceptowalne, można rozważyć jednoczynnikową ANOVA.
Test Kruskala-Wallisa — kiedy go stosować?
Test Kruskala-Wallisa jest nieparametrycznym odpowiednikiem jednoczynnikowej ANOVA dla grup niezależnych. Stosuje się go wtedy, gdy porównujesz trzy lub więcej grup, ale dane nie spełniają założeń ANOVA albo mają charakter porządkowy.
Test Kruskala-Wallisa może być właściwy, gdy:
- porównujesz trzy lub więcej niezależnych grup;
- zmienna zależna ma charakter porządkowy;
- analizujesz pojedyncze pytanie w skali Likerta, np. odpowiedź 1–5;
- rozkład wyników jest wyraźnie nienormalny;
- próby są małe;
- w danych występują wartości odstające;
- nie chcesz opierać analizy na średnich;
- promotor oczekuje testu nieparametrycznego.
Przykład:
„Czy ocena jakości obsługi w skali od 1 do 5 różni się między mieszkańcami wsi, małych miast i dużych miast?”
Jeżeli jest to pojedyncze pytanie oceniane w skali 1–5, test Kruskala-Wallisa może być bezpieczniejszy niż ANOVA.
Najprostsza różnica między ANOVA a testem Kruskala-Wallisa
Najprościej można powiedzieć tak: ANOVA porównuje średnie w więcej niż dwóch grupach, a test Kruskala-Wallisa porównuje rozkłady lub rangi wyników w więcej niż dwóch grupach.
| Element | ANOVA | Test Kruskala-Wallisa |
|---|---|---|
| Rodzaj testu | Parametryczny | Nieparametryczny |
| Co porównuje? | Średnie w grupach | Rangi lub rozkłady wyników |
| Liczba grup | Trzy lub więcej | Trzy lub więcej |
| Rodzaj zmiennej zależnej | Ilościowa | Porządkowa lub ilościowa niespełniająca założeń |
| Przykład danych | Wynik skali stresu, wynik testu wiedzy, czas reakcji | Ocena 1–5, dane skośne, małe próby |
| Wrażliwość na wartości odstające | Większa | Mniejsza |
| Typowy zapis wyniku | F(df1, df2) = …, p = … | H(df) = …, p = … |
| Co warto podać? | M, SD, F, p, eta² lub omega² | Me, IQR, średnie rangi, H, p, epsilon² |
| Co po wyniku istotnym? | Testy post-hoc, np. Tukey lub Games-Howell | Testy post-hoc, np. Dunn-Bonferroni |
Nie chodzi o to, że ANOVA jest „lepsza”, a Kruskal-Wallis „gorszy”. Każdy test ma inne zastosowanie. Błędem jest wybieranie testu tylko dlatego, że daje korzystniejszy wynik p.
Przykłady zastosowania w pracach magisterskich i licencjackich
Porównanie kilku grup pojawia się w wielu kierunkach studiów. Bardzo często dotyczy ankiet, skal psychologicznych, testów wiedzy, pomiarów medycznych, ocen jakości i wyników badań.
| Kierunek | Przykładowy temat | Co porównujemy? | Możliwy test |
|---|---|---|---|
| Psychologia | Stres u studentów różnych kierunków | Poziom stresu na trzech kierunkach | ANOVA albo Kruskal-Wallis |
| Pedagogika | Motywacja uczniów do nauki | Motywacja w trzech klasach | ANOVA albo Kruskal-Wallis |
| Pielęgniarstwo | Wiedza pacjentów o profilaktyce | Wynik wiedzy w grupach wiekowych | ANOVA albo Kruskal-Wallis |
| Fizjoterapia | Jakość życia pacjentów | Jakość życia w kilku grupach rehabilitacji | ANOVA albo Kruskal-Wallis |
| Zarządzanie | Satysfakcja z pracy | Satysfakcja w grupach stażu pracy | ANOVA albo Kruskal-Wallis |
| Bezpieczeństwo | Poczucie bezpieczeństwa | Ocena bezpieczeństwa w różnych miejscowościach | Kruskal-Wallis przy skali ocen |
| Administracja | Ocena jakości obsługi | Ocena urzędu w kilku grupach respondentów | Kruskal-Wallis albo ANOVA |
| Ekonomia | Zachowania konsumenckie | Wydatki w kilku grupach dochodowych | ANOVA albo Kruskal-Wallis |
W każdym przypadku trzeba sprawdzić rodzaj zmiennej zależnej, liczbę grup, rozkład danych oraz to, czy grupy są niezależne.
Co oznacza, że grupy są niezależne?
ANOVA jednoczynnikowa i test Kruskala-Wallisa są stosowane wtedy, gdy porównujesz różne grupy osób. Jedna osoba może należeć tylko do jednej grupy.
Przykłady grup niezależnych:
- studenci trzech różnych kierunków;
- osoby z trzech grup wiekowych;
- pacjenci leczeni trzema różnymi metodami;
- pracownicy z różnym stażem pracy;
- mieszkańcy wsi, małych miast i dużych miast;
- respondenci z różnym poziomem wykształcenia.
Jeżeli te same osoby są badane kilka razy, na przykład przed terapią, po terapii i miesiąc później, nie stosuje się klasycznej ANOVA dla grup niezależnych ani testu Kruskala-Wallisa. Wtedy trzeba rozważyć analizę dla pomiarów zależnych, np. ANOVA z powtarzanym pomiarem albo test Friedmana.
| Sytuacja | Czy grupy są niezależne? | Jaki test rozważyć? |
|---|---|---|
| Trzy kierunki studiów | Tak | ANOVA albo Kruskal-Wallis |
| Trzy grupy wiekowe | Tak | ANOVA albo Kruskal-Wallis |
| Mieszkańcy wsi, małych miast i dużych miast | Tak | ANOVA albo Kruskal-Wallis |
| Te same osoby przed, po i miesiąc po terapii | Nie | ANOVA z powtarzanym pomiarem albo Friedman |
| Ta sama grupa uczniów w trzech terminach | Nie | ANOVA dla pomiarów zależnych albo Friedman |
| Dwie grupy respondentów | Nie, bo są tylko dwie grupy | Test t albo U Manna-Whitneya |
To bardzo ważne, ponieważ mylenie grup niezależnych i pomiarów powtarzanych jest jednym z częstszych błędów w rozdziałach badawczych.
Czy ANOVA wymaga normalności rozkładu?
Przy ANOVA warto sprawdzić rozkład wyników w każdej grupie. W praktyce robi się to za pomocą testu Shapiro-Wilka, histogramów, wykresów pudełkowych, skośności, kurtozy oraz oceny wartości odstających.
ANOVA może być stosowana, gdy rozkłady nie odbiegają silnie od normalności, a zmienna zależna ma charakter ilościowy. Jeżeli rozkłady są wyraźnie skośne, grupy są małe, dane mają charakter porządkowy albo pojawiają się silne wartości odstające, bezpieczniej rozważyć test Kruskala-Wallisa.
Nie należy jednak działać mechanicznie. Sam wynik testu Shapiro-Wilka nie powinien być jedynym kryterium. Warto uwzględnić:
- rodzaj zmiennej;
- liczebność grup;
- rozkład wyników;
- wartości odstające;
- jednorodność wariancji;
- wymagania promotora;
- sens merytoryczny analizy.
Czy przy ANOVA trzeba sprawdzać wariancje?
Tak, warto sprawdzić jednorodność wariancji, najczęściej za pomocą testu Levene’a. Jeśli wariancje w grupach są podobne, klasyczna ANOVA może być uzasadniona. Jeśli wariancje są nierówne, można rozważyć ANOVA Welcha albo test Kruskala-Wallisa.
| Wynik testu Levene’a | Co może oznaczać? | Co zrobić? |
|---|---|---|
| p > 0,05 | Brak podstaw do odrzucenia założenia równości wariancji | Można rozważyć klasyczną ANOVA |
| p < 0,05 | Wariancje różnią się między grupami | Rozważyć ANOVA Welcha, Games-Howell albo Kruskala-Wallisa |
| Grupy mają bardzo nierówne liczebności | Wynik może być bardziej wrażliwy | Sprawdzić rozkłady, wariancje i ewentualnie użyć odporniejszej metody |
| Dane są porządkowe | ANOVA może być mniej właściwa | Rozważyć test Kruskala-Wallisa |
Przykład bezpiecznego opisu:
„Ze względu na niespełnienie założenia jednorodności wariancji zastosowano ANOVA Welcha. W przypadku istotnego wyniku wykorzystano test post-hoc Gamesa-Howella.”
Taki opis pokazuje, że autor nie tylko wykonał analizę, ale też kontrolował jej założenia.
Czy test Kruskala-Wallisa zawsze zastępuje ANOVA?
Nie. Test Kruskala-Wallisa nie jest automatycznym zamiennikiem ANOVA w każdej sytuacji. Jest właściwy wtedy, gdy dane mają charakter porządkowy albo gdy założenia ANOVA są wyraźnie naruszone.
Jeśli zmienna zależna jest ilościowa, rozkład jest akceptowalny, nie ma silnych wartości odstających, a wariancje są podobne, ANOVA może być naturalnym wyborem. Jeżeli natomiast analizujesz pojedyncze pytanie w skali 1–5, dane są mocno skośne albo grupy są małe, Kruskal-Wallis może być bezpieczniejszy.
Największym błędem jest wykonanie obu testów i wybranie tego, który daje istotny wynik. Test trzeba wybrać przed interpretacją, na podstawie danych i założeń, a nie po sprawdzeniu wartości p.
Tabela: błąd — skutek — jak poprawić
| Błąd w pracy | Skutek | Jak poprawić? |
|---|---|---|
| Student stosuje ANOVA do pojedynczego pytania w skali 1–5. | Promotor może zakwestionować analizę jako niedopasowaną do danych porządkowych. | Rozważyć test Kruskala-Wallisa albo uzasadnić traktowanie zmiennej jako ilościowej. |
| Student porównuje więcej niż dwie grupy kilkoma testami t. | Rośnie ryzyko błędu i analiza wygląda chaotycznie. | Zastosować ANOVA albo test Kruskala-Wallisa. |
| Student wykonuje ANOVA, ale nie robi testów post-hoc. | Nie wiadomo, które grupy różnią się między sobą. | Dodać odpowiednie testy post-hoc, np. Tukey, Games-Howell albo Dunn-Bonferroni. |
| Student nie sprawdza normalności rozkładu. | Wybór ANOVA może być nieuzasadniony. | Sprawdzić rozkłady w grupach i opisać wybór testu. |
| Student nie sprawdza wariancji. | Klasyczna ANOVA może być mniej właściwa. | Sprawdzić test Levene’a i rozważyć ANOVA Welcha. |
| Student stosuje Kruskala-Wallisa tylko dlatego, że wynik jest istotny. | Analiza wygląda na dopasowaną do wyniku. | Wybrać test na podstawie rodzaju danych i założeń. |
| Student pisze, że Kruskal-Wallis zawsze porównuje mediany. | To uproszczenie może być nieprecyzyjne. | Pisać o porównaniu rang lub rozkładów; o medianach ostrożnie. |
| Student pokazuje tylko p, bez średnich lub median. | Wynik jest techniczny i mało czytelny. | Dodać M i SD przy ANOVA albo Me, IQR i rangi przy Kruskalu-Wallisie. |
| Student nie łączy wyniku z hipotezą. | Rozdział wyników jest oderwany od metodologii. | Po wyniku napisać, czy hipoteza została potwierdzona. |
| Student stosuje ANOVA dla tych samych osób badanych kilka razy. | Test jest źle dobrany do schematu badania. | Zastosować ANOVA z powtarzanym pomiarem albo test Friedmana. |
Najczęściej problemem nie jest samo wykonanie testu w programie, ale brak uzasadnienia wyboru testu, brak post-hoc i zbyt słaba interpretacja wyniku.
Tabela: jaka sytuacja — jaki test/statystyka?
| Sytuacja w pracy | Przykład | Właściwy test/statystyka |
|---|---|---|
| Trzy lub więcej niezależnych grup i zmienna ilościowa | Stres na trzech kierunkach studiów | ANOVA jednoczynnikowa |
| Trzy lub więcej grup i zmienna porządkowa | Ocena jakości obsługi 1–5 w trzech grupach | Test Kruskala-Wallisa |
| Trzy grupy, ale nierówne wariancje | Wynik wiedzy w trzech grupach przy nierównych wariancjach | ANOVA Welcha |
| Istotny wynik ANOVA przy równych wariancjach | Różnice między trzema kierunkami | Test post-hoc Tukeya |
| Istotny wynik ANOVA przy nierównych wariancjach | Różnice między grupami o różnych wariancjach | Games-Howell |
| Istotny wynik Kruskala-Wallisa | Różnice w ocenach 1–5 między grupami | Dunn-Bonferroni |
| Te same osoby w trzech pomiarach | Pomiar przed, po i miesiąc po terapii | ANOVA z powtarzanym pomiarem albo Friedman |
| Dwie niezależne grupy | Kobiety i mężczyźni | Test t albo U Manna-Whitneya |
| Dwie zmienne jakościowe | Płeć a odpowiedź tak/nie | Test chi-kwadrat |
| Związek między dwiema zmiennymi liczbowymi | Wiek a poziom stresu | Korelacja Pearsona albo Spearmana |
Ta tabela pomaga uniknąć błędu polegającego na stosowaniu ANOVA lub Kruskala-Wallisa do każdej analizy z kilkoma kategoriami. Test musi wynikać z liczby grup, rodzaju zmiennej i schematu badania.
Prosta infografika: ANOVA czy Kruskal-Wallis?
Infografika 1. Jak wybrać test do porównania więcej niż dwóch grup?
| Pytanie kontrolne | Odpowiedź | Co wybrać? |
|---|---|---|
| Czy porównujesz dokładnie dwie grupy? | Tak | Test t albo U Manna-Whitneya |
| Czy porównujesz trzy lub więcej grup? | Tak | Idź dalej |
| Czy grupy są niezależne? | Nie | ANOVA z powtarzanym pomiarem albo Friedman |
| Czy zmienna zależna jest jakościowa, np. tak/nie? | Tak | Rozważ test chi-kwadrat |
| Czy zmienna zależna jest ilościowa? | Tak | Sprawdź rozkład, wariancje i outliery |
| Czy rozkłady i wariancje są akceptowalne? | Tak | ANOVA |
| Czy wariancje są nierówne? | Tak | ANOVA Welcha lub metoda nieparametryczna |
| Czy dane są porządkowe, skośne lub z outlierami? | Tak | Test Kruskala-Wallisa |
| Czy wynik jest istotny? | Tak | Wykonaj testy post-hoc |
| Czy nie wiesz, które grupy się różnią? | Tak | Brakuje post-hoc |
Źródło: opracowanie własne — schemat pomocniczy do artykułu poradnikowego.
Najważniejsza zasada: jeśli masz więcej niż dwie grupy, sam wynik głównego testu nie zawsze wystarczy. Przy wyniku istotnym trzeba jeszcze sprawdzić, które grupy różnią się między sobą.
Wykres: co najczęściej sprawia problem przy porównaniu kilku grup?
Poniższy wykres ma charakter poglądowy i może być wykorzystany jako element poradnikowy w artykule.
Wykres 1. Najczęstsze problemy przy porównaniu więcej niż dwóch grup
| Problem w analizie | Skala problemu | Wykres |
|---|---|---|
| Brak testów post-hoc po wyniku istotnym | 94% | ██████████ |
| Zły dobór testu do rodzaju danych | 90% | █████████ |
| Porównywanie wielu grup kilkoma testami t | 86% | █████████ |
| Brak uzasadnienia wyboru ANOVA lub Kruskala-Wallisa | 82% | ████████ |
| Brak sprawdzenia założeń | 78% | ████████ |
| Mylenie grup niezależnych i pomiarów powtarzanych | 74% | ███████ |
| Same średnie bez interpretacji | 69% | ███████ |
| Brak odniesienia wyników do hipotez | 64% | ██████ |
Źródło: opracowanie własne — przykład poglądowy do artykułu poradnikowego.
Wykres pokazuje, że najczęstszym problemem jest brak testów post-hoc. Student często wykonuje ANOVA, widzi p < 0,05 i pisze, że „grupy się różnią”. To za mało. Trzeba jeszcze wskazać, które grupy różnią się od których.
Jak zapisać hipotezę do ANOVA lub testu Kruskala-Wallisa?
Hipoteza powinna jasno wskazywać, jakie grupy są porównywane i jaka zmienna jest analizowana.
Słaba hipoteza:
„Kierunek studiów wpływa na stres.”
Ten zapis jest zbyt mocny, ponieważ słowo „wpływa” sugeruje przyczynowość.
Lepsza hipoteza:
„Poziom stresu różni się w zależności od kierunku studiów.”
Jeszcze bardziej precyzyjna wersja:
„Studenci psychologii, pedagogiki i zarządzania różnią się poziomem odczuwanego stresu.”
| Słaba hipoteza | Problem | Lepsza wersja |
|---|---|---|
| Kierunek studiów wpływa na stres. | Zbyt mocny język przyczynowy. | Poziom stresu różni się między studentami różnych kierunków. |
| Wiek decyduje o wiedzy zdrowotnej. | Brzmi deterministycznie. | Poziom wiedzy zdrowotnej różni się między grupami wiekowymi. |
| Staż pracy wpływa na satysfakcję. | Wniosek przyczynowy może być nieuzasadniony. | Satysfakcja z pracy różni się w zależności od stażu pracy. |
| Miejsce zamieszkania zmienia ocenę usług. | Za mocne i potoczne. | Ocena usług różni się między mieszkańcami wsi, małych i dużych miast. |
| Typ terapii powoduje lepsze wyniki. | Wymaga dobrego schematu eksperymentalnego. | Wyniki pacjentów różnią się między grupami objętymi różnymi formami terapii. |
W pracy dyplomowej bezpieczniej pisać o „różnicach między grupami”, a nie o „wpływie”, jeśli badanie nie ma charakteru eksperymentalnego.
Jak opisać wybór testu w metodologii?
W metodologii warto krótko wyjaśnić, kiedy zastosowano ANOVA, a kiedy test Kruskala-Wallisa. Taki opis pokazuje promotorowi, że analiza nie była przypadkowa.
Przykład ogólny:
„Do porównania więcej niż dwóch niezależnych grup zastosowano jednoczynnikową analizę wariancji ANOVA lub test Kruskala-Wallisa. ANOVA była stosowana w przypadku zmiennych ilościowych o akceptowalnym rozkładzie wyników i spełnionym założeniu jednorodności wariancji. Test Kruskala-Wallisa wykorzystywano w przypadku zmiennych porządkowych, rozkładów odbiegających od normalności lub niespełnienia założeń testu parametrycznego. Za poziom istotności statystycznej przyjęto p < 0,05.”
Przykład dla ANOVA:
„Do porównania średnich wyników w więcej niż dwóch niezależnych grupach zastosowano jednoczynnikową analizę wariancji ANOVA. Wybór testu był uzasadniony ilościowym charakterem zmiennej zależnej oraz akceptowalnym rozkładem wyników w porównywanych grupach. Za poziom istotności statystycznej przyjęto p < 0,05.”
Przykład dla testu Kruskala-Wallisa:
„Ze względu na porządkowy charakter analizowanej zmiennej oraz niespełnienie założeń testu parametrycznego do porównania więcej niż dwóch niezależnych grup zastosowano test Kruskala-Wallisa. Za poziom istotności statystycznej przyjęto p < 0,05.”
Przykład z testami post-hoc:
„W przypadku uzyskania istotnego wyniku testu głównego wykonywano analizy post-hoc w celu ustalenia, które grupy różniły się między sobą. Dla ANOVA stosowano test Tukeya lub Gamesa-Howella, natomiast dla testu Kruskala-Wallisa porównania par przeprowadzano z korektą Bonferroniego.”
Taki opis dobrze zabezpiecza metodologię, ponieważ pokazuje nie tylko wybór testu głównego, ale też sposób dalszej interpretacji.
Jak wygląda wynik ANOVA?
Wynik ANOVA zwykle zawiera:
- średnie w każdej grupie;
- odchylenia standardowe;
- wartość statystyki F;
- stopnie swobody;
- wartość p;
- opcjonalnie miarę wielkości efektu, np. eta kwadrat lub omega kwadrat;
- wyniki testów post-hoc, jeśli wynik główny jest istotny.
Przykładowy zapis:
F(2, 117) = 5,84; p = 0,004.
Przykładowa tabela:
Tabela 1. Poziom stresu studentów w zależności od kierunku studiów
| Kierunek studiów | N | M | SD |
|---|---|---|---|
| Pedagogika | 40 | 28,40 | 6,80 |
| Psychologia | 42 | 33,10 | 7,20 |
| Zarządzanie | 38 | 29,60 | 6,50 |
| Razem | 120 | 30,42 | 7,05 |
Źródło: opracowanie własne na podstawie wyników badań.
Przykładowy opis:
„W celu sprawdzenia, czy poziom stresu różni się między studentami pedagogiki, psychologii i zarządzania, zastosowano jednoczynnikową analizę wariancji ANOVA. Analiza wykazała istotne statystycznie różnice między grupami, F(2, 117) = 5,84; p = 0,004. Najwyższy średni poziom stresu odnotowano wśród studentów psychologii (M = 33,10; SD = 7,20), a najniższy wśród studentów pedagogiki (M = 28,40; SD = 6,80). Wynik wskazuje, że poziom stresu różnił się w zależności od kierunku studiów.”
Ten opis jest dobry, ale jeszcze niepełny, jeśli wynik jest istotny. Po istotnej ANOVA trzeba zwykle dodać testy post-hoc.
Po co są testy post-hoc przy ANOVA?
ANOVA mówi, czy istnieją istotne różnice między grupami, ale nie mówi automatycznie, które grupy różnią się między sobą. Jeśli porównujesz trzy grupy i wynik ANOVA jest istotny, nadal nie wiadomo, czy różnica występuje między grupą 1 i 2, 1 i 3, czy 2 i 3.
Przykład:
Masz trzy grupy:
- pedagogika,
- psychologia,
- zarządzanie.
ANOVA pokazuje p = 0,004. To oznacza, że gdzieś między grupami są istotne różnice. Ale dopiero test post-hoc pokazuje, że na przykład studenci psychologii mają istotnie wyższy poziom stresu niż studenci pedagogiki, natomiast różnica między psychologią i zarządzaniem nie jest istotna.
Przykładowa tabela post-hoc:
Tabela 2. Porównania post-hoc poziomu stresu między kierunkami studiów
| Porównanie grup | Różnica średnich | p |
|---|---|---|
| Pedagogika — Psychologia | -4,70 | 0,003 |
| Pedagogika — Zarządzanie | -1,20 | 0,674 |
| Psychologia — Zarządzanie | 3,50 | 0,041 |
Źródło: opracowanie własne na podstawie wyników badań.
Przykładowy opis:
„Analiza post-hoc wykazała, że studenci psychologii uzyskali istotnie wyższy poziom stresu niż studenci pedagogiki (p = 0,003) oraz studenci zarządzania (p = 0,041). Nie stwierdzono natomiast istotnej różnicy między studentami pedagogiki i zarządzania (p = 0,674).”
Dopiero taki opis odpowiada na pytanie, które grupy naprawdę różnią się między sobą.
Jak wygląda wynik testu Kruskala-Wallisa?
Wynik testu Kruskala-Wallisa zwykle zawiera:
- mediany lub średnie rangi w każdej grupie;
- wartość statystyki H;
- stopnie swobody;
- wartość p;
- opcjonalnie miarę wielkości efektu;
- wyniki porównań post-hoc, jeśli wynik główny jest istotny.
Przykładowy zapis:
H(2) = 8,72; p = 0,013.
Przykładowa tabela:
Tabela 3. Ocena jakości obsługi w zależności od miejsca zamieszkania
| Miejsce zamieszkania | N | Me | IQR | Średnia ranga |
|---|---|---|---|---|
| Wieś | 45 | 3,00 | 2,00–4,00 | 48,20 |
| Miasto do 50 tys. | 38 | 4,00 | 3,00–4,00 | 61,40 |
| Miasto powyżej 50 tys. | 42 | 4,00 | 3,00–5,00 | 70,10 |
Źródło: opracowanie własne na podstawie wyników badań.
Przykładowy opis:
„W celu sprawdzenia, czy ocena jakości obsługi różni się w zależności od miejsca zamieszkania, zastosowano test Kruskala-Wallisa. Analiza wykazała istotne statystycznie różnice między grupami, H(2) = 8,72; p = 0,013. Najwyższe średnie rangi uzyskali mieszkańcy miast powyżej 50 tys. mieszkańców, natomiast najniższe mieszkańcy wsi. Wynik wskazuje, że ocena jakości obsługi różniła się w zależności od miejsca zamieszkania.”
Po istotnym wyniku Kruskala-Wallisa również trzeba wykonać porównania post-hoc, żeby ustalić, które grupy różnią się między sobą.
Po co są post-hoc przy teście Kruskala-Wallisa?
Test Kruskala-Wallisa, podobnie jak ANOVA, pokazuje tylko, że istnieją różnice między grupami. Nie wskazuje jednak samodzielnie, które dokładnie grupy się różnią. Dlatego przy wyniku istotnym wykonuje się porównania par, często z korektą Bonferroniego.
Przykładowa tabela:
Tabela 4. Porównania post-hoc oceny jakości obsługi
| Porównanie grup | p po korekcie |
|---|---|
| Wieś — miasto do 50 tys. | 0,084 |
| Wieś — miasto powyżej 50 tys. | 0,009 |
| Miasto do 50 tys. — miasto powyżej 50 tys. | 0,418 |
Źródło: opracowanie własne na podstawie wyników badań.
Przykładowy opis:
„Porównania post-hoc wykazały, że mieszkańcy miast powyżej 50 tys. mieszkańców oceniali jakość obsługi istotnie wyżej niż mieszkańcy wsi (p = 0,009). Nie stwierdzono natomiast istotnych różnic między mieszkańcami wsi i miast do 50 tys. mieszkańców ani między mieszkańcami obu typów miast.”
Taki opis jest znacznie lepszy niż samo zdanie: „wynik Kruskala-Wallisa był istotny”.
Jak opisać wynik nieistotny statystycznie?
Wynik nieistotny nie jest błędem. Trzeba go opisać spokojnie i nie dopisywać różnic, których test nie potwierdził.
Przykład wyniku ANOVA:
F(3, 116) = 1,42; p = 0,241.
Przykładowy opis:
„Jednoczynnikowa analiza wariancji ANOVA nie wykazała istotnych statystycznie różnic w poziomie satysfakcji z pracy między pracownikami o różnym stażu pracy, F(3, 116) = 1,42; p = 0,241. Oznacza to, że w analizowanej próbie nie stwierdzono podstaw do uznania, że poziom satysfakcji różnił się istotnie między porównywanymi grupami. Hipoteza zakładająca różnice w poziomie satysfakcji w zależności od stażu pracy nie została potwierdzona.”
Przykład wyniku testu Kruskala-Wallisa:
H(2) = 2,18; p = 0,336.
Przykładowy opis:
„Test Kruskala-Wallisa nie wykazał istotnych statystycznie różnic w ocenie jakości obsługi między mieszkańcami wsi, małych miast i dużych miast, H(2) = 2,18; p = 0,336. Oznacza to, że rozkład ocen jakości obsługi był podobny w porównywanych grupach. Uzyskany wynik nie pozwala potwierdzić hipotezy zakładającej różnice między grupami.”
Nie należy pisać: „grupy są identyczne” albo „nie ma żadnych różnic”. Bezpieczniej napisać: „nie wykazano istotnych statystycznie różnic”.
Jak interpretować wartość p?
Wartość p mówi, czy różnice między grupami są istotne statystycznie. W pracach dyplomowych najczęściej przyjmuje się poziom istotności p < 0,05.
| Wynik p | Interpretacja | Przykładowy zapis |
|---|---|---|
| p = 0,001 | Wynik istotny statystycznie | Wykazano istotne różnice między grupami. |
| p = 0,018 | Wynik istotny statystycznie | Różnice między grupami były istotne statystycznie. |
| p = 0,049 | Wynik istotny statystycznie | Wynik znajduje się poniżej poziomu 0,05. |
| p = 0,052 | Wynik nieistotny statystycznie | Nie wykazano istotnych różnic między grupami. |
| p = 0,284 | Wynik nieistotny statystycznie | Brak podstaw do potwierdzenia hipotezy o różnicach. |
| p = 0,731 | Wynik nieistotny statystycznie | Wyniki grup były podobne w sensie statystycznym. |
Nie należy pisać, że p = 0,052 „prawie potwierdza hipotezę”. Można co najwyżej bardzo ostrożnie wskazać tendencję, ale tylko wtedy, gdy ma to uzasadnienie merytoryczne i promotor akceptuje taki sposób opisu.
Czy trzeba podawać wielkość efektu?
Warto. Sama istotność statystyczna mówi, czy wynik jest istotny, ale nie pokazuje wystarczająco dobrze, jak duża jest różnica między grupami. Dlatego przy ANOVA i teście Kruskala-Wallisa dobrze jest dodać miarę wielkości efektu.
| Test | Przykładowa miara efektu | Co pokazuje? |
|---|---|---|
| ANOVA | eta kwadrat, omega kwadrat | Jak duża część zróżnicowania wyniku wiąże się z przynależnością do grupy |
| ANOVA Welcha | omega kwadrat lub inne miary efektu | Siła różnicy przy nierównych wariancjach |
| Kruskal-Wallis | epsilon kwadrat | Wielkość różnic między grupami |
| Testy post-hoc | d Cohena, r lub różnice średnich/rang | Siła i kierunek różnic między parami grup |
Przykład opisu:
„Wartość eta kwadrat wyniosła η² = 0,09, co wskazuje na umiarkowaną wielkość efektu. Oznacza to, że przynależność do kierunku studiów wyjaśniała część zróżnicowania poziomu stresu w badanej próbie.”
W wielu pracach magisterskich sama wartość p bywa akceptowana, ale dodanie wielkości efektu wzmacnia analizę i pokazuje, że wynik został zinterpretowany dokładniej.
Jak opisać wyniki w rozdziale badawczym?
Dobry opis powinien mieć logiczną kolejność:
- Jakie grupy porównano?
- Jaką zmienną analizowano?
- Jaki test zastosowano?
- Czy wynik był istotny statystycznie?
- Jakie były średnie lub mediany w grupach?
- Jeśli wynik był istotny — które grupy różniły się między sobą?
- Czy hipoteza została potwierdzona?
Przykład dla ANOVA:
„W kolejnym kroku sprawdzono, czy poziom satysfakcji z pracy różni się w zależności od stażu pracy. Ze względu na ilościowy charakter zmiennej oraz akceptowalny rozkład wyników zastosowano jednoczynnikową analizę wariancji ANOVA. Analiza wykazała istotne statystycznie różnice między grupami, F(3, 124) = 4,62; p = 0,005. Najwyższy średni poziom satysfakcji odnotowano u pracowników ze stażem powyżej 10 lat, a najniższy u pracowników ze stażem do 2 lat. Testy post-hoc wykazały, że istotna różnica wystąpiła między tymi dwiema grupami. Uzyskany wynik pozwala potwierdzić hipotezę zakładającą różnice w poziomie satysfakcji z pracy w zależności od stażu pracy.”
Przykład dla testu Kruskala-Wallisa:
„W celu sprawdzenia, czy ocena dostępności usług medycznych różni się między grupami wiekowymi, zastosowano test Kruskala-Wallisa. Analiza wykazała istotne statystycznie różnice między grupami, H(2) = 9,14; p = 0,010. Najwyższe rangi ocen uzyskały osoby najmłodsze, natomiast najniższe osoby najstarsze. Porównania post-hoc wykazały istotną różnicę między grupą 18–30 lat a grupą powyżej 50 lat. Wynik pozwala potwierdzić hipotezę zakładającą różnice w ocenie dostępności usług medycznych w zależności od wieku.”
Taki opis pokazuje wynik, kierunek różnic i znaczenie dla hipotezy.
Jak nie opisywać ANOVA i Kruskala-Wallisa?
W pracach dyplomowych często pojawiają się sformułowania zbyt potoczne, za mocne albo metodologicznie nieprecyzyjne.
| Niebezpieczne sformułowanie | Dlaczego jest problemem? | Bezpieczniejsza wersja |
|---|---|---|
| „Wiek wpływa na poziom wiedzy.” | ANOVA nie musi dowodzić wpływu. | „Poziom wiedzy różnił się między grupami wiekowymi.” |
| „Grupa A jest najlepsza.” | Brzmi ocennie i potocznie. | „Grupa A uzyskała najwyższy średni wynik.” |
| „ANOVA pokazała, która grupa się różni.” | Sama ANOVA tego nie pokazuje. | „ANOVA wykazała różnice, a testy post-hoc wskazały, które grupy różniły się między sobą.” |
| „Nie ma żadnych różnic.” | Wynik nieistotny nie dowodzi absolutnego braku różnic. | „Nie wykazano istotnych statystycznie różnic.” |
| „Kruskal-Wallis porównał średnie.” | To niepoprawne. | „Test Kruskala-Wallisa porównał rozkłady lub rangi wyników.” |
| „Wynik prawie wyszedł istotny.” | To nieprecyzyjne. | „Wynik nie osiągnął przyjętego poziomu istotności.” |
| „Hipoteza została udowodniona.” | Zbyt kategoryczne. | „Hipoteza została potwierdzona.” |
| „Program pokazał różnice.” | Brzmi potocznie. | „Przeprowadzona analiza wykazała istotne różnice.” |
Bezpieczny język jest bardzo ważny. Często promotor nie kwestionuje samego wyniku, ale sposób jego opisania.
Co najczęściej pisze promotor przy ANOVA i Kruskalu-Wallisie?
Promotorzy zwykle oczekują, że student nie tylko wykona test, ale też pokaże, dlaczego wybrał właśnie tę metodę i co dokładnie wynika z analizy.
| Komentarz promotora | Co może oznaczać? | Co trzeba poprawić? |
|---|---|---|
| „Proszę uzasadnić wybór testu.” | Nie wiadomo, dlaczego użyto ANOVA albo Kruskala-Wallisa. | Dodać opis rodzaju danych, liczby grup i założeń. |
| „Brakuje testów post-hoc.” | Wynik główny jest istotny, ale nie wiadomo, które grupy się różnią. | Dodać Tukeya, Games-Howella albo Dunn-Bonferroni. |
| „Nie wiadomo, które grupy różnią się między sobą.” | Opis zatrzymał się na wyniku ogólnym. | Dopisać interpretację porównań par. |
| „Brakuje sprawdzenia normalności.” | ANOVA może być nieuzasadniona. | Sprawdzić rozkłady w grupach. |
| „Brakuje sprawdzenia jednorodności wariancji.” | Klasyczna ANOVA może być niewłaściwa. | Dodać test Levene’a i ewentualnie ANOVA Welcha. |
| „Źle dobrany test.” | Test nie pasuje do rodzaju zmiennej lub schematu badania. | Sprawdzić, czy dane są ilościowe, porządkowe, niezależne lub zależne. |
| „Same średnie nie wystarczą.” | Brakuje testu istotności lub interpretacji. | Dodać ANOVA/Kruskal-Wallis i opis p. |
| „Proszę nie pisać o wpływie.” | Autor sugeruje przyczynowość. | Zamienić „wpływ” na „różnice między grupami”. |
| „Tabela jest nieczytelna.” | Wyniki są wklejone z programu bez opracowania. | Przygotować własną tabelę z N, M/Me, SD/IQR, testem i p. |
Jeżeli praca wróciła z takimi komentarzami, warto sprawdzić cały ciąg: hipoteza — zmienne — grupy — założenia — test — post-hoc — tabela — interpretacja — wniosek.
Przykład pełnego opisu ANOVA do pracy
Poniżej znajduje się przykładowy fragment, który można dostosować do własnej pracy.
„W celu sprawdzenia, czy poziom wypalenia zawodowego różni się w zależności od stażu pracy, zastosowano jednoczynnikową analizę wariancji ANOVA. Analiza wykazała istotne statystycznie różnice między grupami, F(3, 116) = 4,38; p = 0,006. Najwyższy średni poziom wypalenia odnotowano u pracowników ze stażem powyżej 10 lat (M = 34,20; SD = 7,10), natomiast najniższy u pracowników ze stażem do 2 lat (M = 28,40; SD = 6,50). Testy post-hoc wykazały, że istotna różnica wystąpiła między tymi dwiema grupami. Uzyskany wynik pozwala potwierdzić hipotezę zakładającą różnice w poziomie wypalenia zawodowego w zależności od stażu pracy.”
Ten opis jest poprawny, ponieważ zawiera:
- cel analizy;
- nazwę testu;
- wynik statystyczny;
- średnie i odchylenia standardowe;
- informację o post-hoc;
- kierunek różnic;
- odniesienie do hipotezy.
Przykład pełnego opisu testu Kruskala-Wallisa do pracy
Poniżej przykład dla danych porządkowych lub niespełniających założeń ANOVA.
„W celu sprawdzenia, czy ocena jakości obsługi różni się w zależności od poziomu wykształcenia respondentów, zastosowano test Kruskala-Wallisa. Analiza wykazała istotne statystycznie różnice między grupami, H(2) = 7,86; p = 0,020. Najwyższe średnie rangi uzyskały osoby z wyższym wykształceniem, natomiast najniższe osoby z wykształceniem zawodowym. Porównania post-hoc z korektą Bonferroniego wykazały istotną różnicę między osobami z wykształceniem wyższym i zawodowym. Uzyskany wynik pozwala potwierdzić hipotezę zakładającą różnice w ocenie jakości obsługi w zależności od poziomu wykształcenia.”
Ten opis jest bezpieczny, ponieważ nie pisze, że test Kruskala-Wallisa „porównał średnie”, tylko odnosi się do rang i różnic między grupami.
Jak przygotować tabelę wyników?
Tabela powinna być czytelna i dopasowana do testu. Nie trzeba wklejać surowej tabeli z programu statystycznego. Lepiej przygotować tabelę zgodną z treścią pracy.
Przykład dla ANOVA:
Tabela 5. Porównanie poziomu satysfakcji z pracy w zależności od stażu pracy
| Staż pracy | N | M | SD | F | p |
|---|---|---|---|---|---|
| Do 2 lat | 35 | 3,42 | 0,71 | 4,38 | 0,006 |
| 3–5 lat | 40 | 3,68 | 0,69 | ||
| 6–10 lat | 31 | 3,91 | 0,64 | ||
| Powyżej 10 lat | 34 | 4,08 | 0,62 |
Źródło: opracowanie własne na podstawie wyników badań.
Przykład dla testu Kruskala-Wallisa:
Tabela 6. Porównanie oceny jakości obsługi w zależności od wykształcenia
| Wykształcenie | N | Me | IQR | Średnia ranga | H | p |
|---|---|---|---|---|---|---|
| Zawodowe | 28 | 3,00 | 2,00–4,00 | 42,10 | 7,86 | 0,020 |
| Średnie | 54 | 4,00 | 3,00–4,00 | 61,80 | ||
| Wyższe | 46 | 4,00 | 3,00–5,00 | 70,40 |
Źródło: opracowanie własne na podstawie wyników badań.
Dobra tabela powinna pozwalać szybko zobaczyć, ile było grup, jakie były wyniki w grupach i czy różnica była istotna statystycznie.
Czy można porównać grupy, jeśli liczebności są nierówne?
Tak, nierówne liczebności grup nie wykluczają porównania, ale wymagają ostrożności. Przykładowo jedna grupa może liczyć 80 osób, druga 45, a trzecia 20. Test nadal można wykonać, ale trzeba zwrócić uwagę na rozkłady, wariancje i wartości odstające.
Jeżeli wariancje są nierówne, można zastosować ANOVA Welcha lub test Kruskala-Wallisa. Jeżeli jedna grupa jest bardzo mała, wynik trzeba interpretować ostrożnie.
Przykład bezpiecznego opisu:
„Ze względu na nierówne liczebności grup oraz niespełnienie założenia jednorodności wariancji zastosowano ANOVA Welcha. Wynik należy interpretować z uwzględnieniem różnic w liczebności porównywanych grup.”
Taki opis pokazuje, że autor kontroluje ograniczenia danych.
Czy skala Likerta oznacza ANOVA czy Kruskal-Wallis?
To zależy od tego, co dokładnie analizujesz.
Jeżeli porównujesz pojedyncze pytanie w skali 1–5, np. „oceń jakość obsługi”, bezpieczniejszy może być test Kruskala-Wallisa, ponieważ zmienna ma charakter porządkowy.
Jeżeli kilka pytań tworzy skalę, a Ty liczysz wynik ogólny, np. średnią z 10 pytań albo sumę punktów, można czasem rozważyć ANOVA, o ile rozkład jest akceptowalny i nie ma silnych wartości odstających.
| Sytuacja | Bezpieczniejszy wybór |
|---|---|
| Jedno pytanie w skali 1–5 i trzy grupy | Kruskal-Wallis |
| Kilka pytań tworzących wynik ogólny | ANOVA albo Kruskal-Wallis po sprawdzeniu danych |
| Wynik skali bardzo skośny | Kruskal-Wallis |
| Wynik skali zbliżony do normalnego | ANOVA |
| Małe próby i dane porządkowe | Kruskal-Wallis |
| Duża próba i wynik liczbowy | ANOVA może być uzasadniona |
Najważniejsze jest to, żeby wybór testu był uzasadniony. Promotor może zaakceptować różne rozwiązania, jeśli są logicznie opisane.
Jak nie zepsuć porównania więcej niż dwóch grup?
Najważniejsze zasady:
- Sprawdź, czy porównujesz trzy lub więcej grup.
- Sprawdź, czy grupy są niezależne.
- Ustal, czy zmienna zależna jest ilościowa, porządkowa czy jakościowa.
- Nie porównuj wielu grup kilkoma testami t bez kontroli błędu.
- Przy danych ilościowych sprawdź rozkład i wariancje.
- Przy danych porządkowych rozważ test Kruskala-Wallisa.
- Przy nierównych wariancjach rozważ ANOVA Welcha.
- Przy wyniku istotnym wykonaj testy post-hoc.
- Nie wybieraj testu po tym, który daje korzystniejsze p.
- Podawaj nie tylko p, ale też średnie albo mediany.
- Opisz, które grupy różniły się między sobą.
- Odnieś wynik do hipotezy.
Dobrze wykonane porównanie kilku grup może bardzo wzmocnić rozdział badawczy. Źle dobrany test lub brak post-hoc może natomiast spowodować, że promotor zakwestionuje całą analizę.
Kiedy warto skorzystać z pomocy?
Pomoc warto rozważyć wtedy, gdy:
- nie wiesz, czy zastosować ANOVA czy test Kruskala-Wallisa;
- masz trzy lub więcej grup, ale nie wiesz, czy są niezależne;
- promotor napisał, że test jest źle dobrany;
- nie wiesz, jak sprawdzić normalność rozkładu;
- nie wiesz, czy trzeba zastosować ANOVA Welcha;
- nie wiesz, jakie testy post-hoc wykonać;
- masz wyniki z programu, ale nie umiesz ich opisać;
- nie wiesz, jak przygotować tabelę wyników;
- masz skale Likerta i nie wiesz, jak je analizować;
- praca wróciła z komentarzem „brakuje interpretacji” albo „nie wiadomo, które grupy się różnią”.
Wsparcie może obejmować:
- sprawdzenie hipotez;
- dobór testów statystycznych;
- przygotowanie bazy danych;
- sprawdzenie rozkładów i założeń;
- wybór ANOVA, ANOVA Welcha albo testu Kruskala-Wallisa;
- wykonanie testów post-hoc;
- przygotowanie tabel wynikowych;
- interpretację wyników;
- opis hipotez;
- poprawę rozdziału badawczego po komentarzach promotora.
Jeżeli chcesz sprawdzić, jaki test będzie właściwy w Twojej pracy, możesz przesłać temat, hipotezy, pytania badawcze, ankietę, bazę danych albo komentarze promotora przez formularz kontaktowy. Warto też sprawdzić ofertę oraz cennik, ponieważ koszt analizy zależy od liczby hipotez, liczby zmiennych, jakości bazy danych, rodzaju testów, liczby grup i zakresu interpretacji.
Pytania studentów: ANOVA czy Kruskal-Wallis?
Czy ANOVA i Kruskal-Wallis służą do tego samego?
Oba testy mogą służyć do porównania więcej niż dwóch niezależnych grup, ale nie są identyczne. ANOVA jest testem parametrycznym i porównuje średnie, natomiast test Kruskala-Wallisa jest nieparametryczny i opiera się na rangach lub rozkładach wyników.
Czy test Kruskala-Wallisa jest gorszy od ANOVA?
Nie. Jest przeznaczony do innych sytuacji. Może być lepszy przy danych porządkowych, skośnych, małych próbach albo przy obecności wartości odstających.
Czy ANOVA zawsze wymaga normalności?
Warto sprawdzić rozkład wyników, szczególnie przy małych próbach. ANOVA bywa dość odporna na umiarkowane naruszenia normalności, ale silna skośność, wartości odstające i nierówne wariancje mogą być problemem.
Czy przy skali Likerta lepszy jest Kruskal-Wallis?
Dla pojedynczych pytań w skali Likerta zwykle bezpieczniejszy jest test Kruskala-Wallisa. Dla wyników ogólnych z wielu pytań można czasem rozważyć ANOVA, ale trzeba uzasadnić ten wybór.
Czy po ANOVA zawsze trzeba robić post-hoc?
Testy post-hoc wykonuje się wtedy, gdy wynik ANOVA jest istotny statystycznie i porównujesz więcej niż dwie grupy. Dzięki nim można ustalić, które grupy różnią się między sobą.
Czy po teście Kruskala-Wallisa też trzeba robić post-hoc?
Tak, jeśli wynik testu Kruskala-Wallisa jest istotny. Sam test główny nie mówi, które grupy się różnią. Do porównań par często stosuje się testy z korektą, np. Dunn-Bonferroni.
Co zrobić, jeśli wynik ANOVA jest nieistotny?
Trzeba napisać, że nie wykazano istotnych statystycznie różnic między grupami. Zwykle nie wykonuje się wtedy testów post-hoc, chyba że istnieje szczególne uzasadnienie metodologiczne.
Czy można porównać trzy grupy kilkoma testami t?
Technicznie można, ale nie jest to dobre standardowe rozwiązanie, ponieważ zwiększa ryzyko błędu. Przy trzech lub większej liczbie grup lepiej zastosować ANOVA albo test Kruskala-Wallisa, a następnie odpowiednie testy post-hoc.
Czy nierówne liczebności grup wykluczają ANOVA?
Nie zawsze. Nierówne liczebności wymagają jednak sprawdzenia wariancji, rozkładów i wartości odstających. Przy nierównych wariancjach można rozważyć ANOVA Welcha.
Czy można użyć ANOVA i Kruskala-Wallisa w jednej pracy?
Tak. Można użyć ANOVA dla jednych hipotez i testu Kruskala-Wallisa dla innych, jeśli różne zmienne mają inny charakter lub inaczej spełniają założenia. Trzeba to jednak jasno opisać w metodologii.
FAQ — porównanie więcej niż dwóch grup w pracy dyplomowej
Kiedy wybrać ANOVA?
ANOVA wybiera się wtedy, gdy porównujesz średnie w trzech lub większej liczbie niezależnych grup, zmienna zależna jest ilościowa, a dane spełniają podstawowe założenia testu parametrycznego lub nie naruszają ich w sposób poważny.
Kiedy wybrać test Kruskala-Wallisa?
Test Kruskala-Wallisa wybiera się wtedy, gdy zmienna ma charakter porządkowy, rozkład danych jest wyraźnie nienormalny, próba jest mała, występują wartości odstające albo nie można bezpiecznie zastosować ANOVA.
Jak zapisać wynik ANOVA?
Przykładowy zapis: F(2, 117) = 5,84; p = 0,004. W opisie warto dodać średnie i odchylenia standardowe w grupach oraz wyniki testów post-hoc, jeśli wynik główny był istotny.
Jak zapisać wynik testu Kruskala-Wallisa?
Przykładowy zapis: H(2) = 8,72; p = 0,013. Warto dodać mediany, rozstęp międzykwartylowy albo średnie rangi oraz wyniki porównań post-hoc.
Czy trzeba sprawdzać test Shapiro-Wilka?
Często warto, szczególnie jeśli promotor wymaga uzasadnienia wyboru testu. Test Shapiro-Wilka pomaga ocenić normalność rozkładu, ale decyzja o wyborze testu powinna uwzględniać także typ zmiennej, liczebność grup, wykresy, wariancje i wartości odstające.
Czy test Levene’a jest potrzebny?
Przy ANOVA warto sprawdzić jednorodność wariancji, najczęściej za pomocą testu Levene’a. Jeśli wariancje są nierówne, można rozważyć ANOVA Welcha albo test Kruskala-Wallisa.
Co oznacza istotny wynik ANOVA?
Istotny wynik ANOVA oznacza, że co najmniej jedna grupa różni się od pozostałych. Nie mówi jednak, które dokładnie grupy różnią się między sobą. Do tego potrzebne są testy post-hoc.
Co oznacza istotny wynik Kruskala-Wallisa?
Istotny wynik testu Kruskala-Wallisa oznacza, że rozkład wyników lub rangi różnią się między grupami. Aby ustalić, które grupy różnią się między sobą, trzeba wykonać porównania post-hoc.
Czy samo p wystarczy w opisie wyników?
Nie. Sama wartość p nie wystarczy. Trzeba napisać, jakie grupy porównano, jaki test zastosowano, jakie były wyniki grup, czy różnica była istotna statystycznie i jak wynik odnosi się do hipotezy.
Co zrobić, jeśli promotor napisał „brakuje post-hoc”?
Trzeba wykonać porównania par między grupami. Przy ANOVA może to być np. Tukey lub Games-Howell, a przy teście Kruskala-Wallisa porównania par z korektą, np. Dunn-Bonferroni. Następnie trzeba opisać, które grupy różniły się między sobą.
Podsumowanie
ANOVA i test Kruskala-Wallisa są jednymi z najczęściej stosowanych testów do porównania więcej niż dwóch grup w pracach dyplomowych. ANOVA jest właściwa przede wszystkim wtedy, gdy porównujesz średnie w kilku niezależnych grupach i analizowana zmienna ma charakter ilościowy. Test Kruskala-Wallisa jest dobrym rozwiązaniem wtedy, gdy dane mają charakter porządkowy, rozkład jest wyraźnie nienormalny, próby są małe albo występują wartości odstające.
Najczęstszy błąd polega na tym, że student porównuje trzy lub więcej grup kilkoma testami t albo wykonuje tylko test główny, bez analiz post-hoc. Tymczasem przy wyniku istotnym trzeba ustalić, które grupy rzeczywiście różnią się między sobą. Bez tego interpretacja jest niepełna.
Dobra analiza powinna zawierać: opis porównywanych grup, uzasadnienie wyboru testu, wynik statystyczny, wartość p, średnie lub mediany, testy post-hoc przy wyniku istotnym, interpretację różnic oraz odniesienie do hipotezy. Dzięki temu rozdział badawczy nie ogranicza się do tabeli, ale pokazuje, co naprawdę wynika z danych.
Jeżeli nie wiesz, czy w Twojej pracy zastosować ANOVA, ANOVA Welcha czy test Kruskala-Wallisa, możesz skorzystać z pomocy w analizie statystycznej, sprawdzić analizę statystyczną pracy magisterskiej krok po kroku albo przesłać materiały przez formularz kontaktowy. W przypadku gotowych danych można przygotować nie tylko obliczenia, ale także tabele, testy post-hoc, opis wyników, interpretację hipotez i poprawki po komentarzach promotora.