ANOVA
Czym jest ANOVA
ANOVA (analiza wariancji, ang. Analysis of Variance) to test statystyczny służący do porównywania średnich w trzech lub więcej grupach jednocześnie. Zamiast mierzyć bezpośrednio różnice między średnimi, ANOVA porównuje dwa rodzaje wariancji: wariancję między grupami (efekt czynnika) i wariancję wewnątrz grup (losowy błąd). Ich stosunek tworzy statystykę F:
F = (wariancja między grupami) / (wariancja wewnątrz grup)
Gdy różnice między grupami są duże w porównaniu z rozrzutem wewnątrz grup, F rośnie — i p maleje.
Dlaczego nie wielokrotne testy t? Przy trzech grupach (A vs B, A vs C, B vs C) trzy testy t przy α = 0,05 dają rzeczywisty poziom błędu I rodzaju bliski 14%. ANOVA przeprowadza jedno globalne porównanie i kontroluje ten błąd.
Wyróżnia się dwa podstawowe warianty: jednoczynnikową ANOVA (jeden czynnik grupujący) i dwuczynnikową / wieloczynnikową ANOVA (dwa lub więcej czynników, możliwe badanie interakcji). W pracach magisterskich najczęściej spotykana jest wersja jednoczynnikowa.
Kiedy używać
Stosuj ANOVA, gdy:
- masz jedną zmienną zależną mierzoną na skali interwałowej lub stosunkowej,
- porównujesz trzy lub więcej grup niezależnych (np. trzy metody nauczania, cztery grupy wiekowe),
- spełnione są założenia (patrz niżej).
Jeśli porównujesz tylko dwie grupy, użyj testu t-Studenta.
Jak interpretować
Założenia jednoczynnikowej ANOVA:
| Założenie | Co sprawdzić |
|---|---|
| Normalność rozkładu w każdej grupie | test Shapiro-Wilka lub Q-Q plot |
| Jednorodność wariancji (homoscedastyczność) | test Levene’a (p > 0,05 = OK) |
| Niezależność obserwacji | wynika z projektu badania |
Przy naruszeniu normalności i małych grupach rozważ nieparametryczną alternatywę — test Kruskala-Wallisa.
Wynik ANOVA sam w sobie mówi jedynie: „co najmniej dwie grupy różnią się od siebie”. Nie wskazuje, które grupy. Dlatego po istotnym wyniku F przeprowadza się testy post-hoc (np. HSD Tukeya) porównujące wszystkie pary grup przy zachowaniu kontroli błędu rodziny.
Raportuj: F(df_między, df_wewnątrz), p oraz miarę wielkości efektu — najczęściej η² (eta-kwadrat) lub ω² (omega-kwadrat).
Przykład
Badasz wpływ trzech form treningu (A: brak, B: standardowy, C: intensywny) na wynik testu poznawczego (skala 0–100) w grupie 60 studentów (po 20 w każdej grupie). Średnie: A = 58,2; B = 65,7; C = 71,4.
ANOVA jednoczynnikowa daje: F(2, 57) = 8,43, p = 0,001, η² = 0,23.
Wynik jest istotny statystycznie, a efekt duży. Testy post-hoc Tukeya pokazują: B różni się od A (p = 0,042), C różni się od A (p < 0,001), natomiast różnica B–C nie osiąga istotności (p = 0,087).
Typowe błędy
- Pominięcie testów post-hoc — istotne F nie wystarczy; bez post-hoc nie wiesz, które grupy się różnią.
- Ignorowanie założeń — szczególnie jednorodności wariancji; jeśli test Levene’a wychodzi istotny, użyj poprawki Welcha lub testu Browna-Forsythe’a.
- Brak miary wielkości efektu — samo p nie mówi, jak duży jest efekt; raportuj η² lub ω².
- Używanie ANOVA do danych zależnych (powtarzanych pomiarów) bez uwzględnienia korelacji między obserwacjami — do tego służy ANOVA z powtarzanymi pomiarami.
Potrzebujesz pomocy z analizą porównawczą?
Dobiorę odpowiedni test, sprawdzę założenia i opiszę wyniki gotowym akapitem do Twojej pracy — łącznie z tabelami APA. Sprawdź ofertę →
Powiązane hasła
Autor: dr Błażej Mroziński, adiunkt SWPS. Aktualizacja: 19.06.2026.