Kolik Potřebuji Účastníků? Plánování Velikosti Vzorku
Tato stránka je překladem recenzovaného anglického originálu. Zobrazit originál (EN)
kolik potřebuji účastníkůAndrzej Szymkowiak · Naposledy zkontrolováno v září 2026

Váš školitel zvedne pohled od vašeho návrhu a zeptá se: "Jak jste se rozhodl o tomto počtu účastníků?". Počet účastníků, který potřebujete, závisí na metodě analýzy, očekávané velikosti efektu, hladině alpha a cílové síle. A-priori power analysis spočítá minimální N před sběrem dat — obvykle míří na sílu ≥ .80 při α = .05 pro nejmenší očekávaný efekt — a je to přístup, který očekávají recenzenti i grantové instituce.
Jednou z nejčastějších chyb plánování v dotazníkovém výzkumu je rozhodování o velikosti vzorku až po sběru dat. Tehdy je už pozdě na změnu. Recenzenti se zeptají, zda jste měli dostatečnou sílu k odhalení svých efektů. Grantové instituce se zeptají, jak jste zdůvodnili rozpočet na nábor. Tento průvodce vysvětluje, jak přemýšlet o velikosti vzorku před spuštěním výzkumu — a jak naplánovat účastníky, které po cestě ztratíte.
Proč plánovat velikost vzorku před sběrem dat
Tři důvody mluví pro včasné plánování.
Statistická síla. Síla je pravděpodobnost, že odhalíte efekt, který skutečně existuje. Studie s nízkou silou často přehlédne skutečné efekty, což vede k falešnému nulovému výsledku. Konvenční minimum síly je .80, což znamená, že přijímáte 20% šanci, že skutečný efekt přehlédnete. Abyste této síly dosáhli, potřebujete minimální velikost vzorku — která závisí na tom, jak velký je efekt a jak přísný je váš práh významnosti.
Rozpočet. Nábor účastníků stojí peníze a čas. Znalost minimálního potřebného vzorku předem vám umožní odhadnout náklady před tím, než se zavážete. Zjistit dodatečně, že jste potřebovali dvakrát více účastníků, je nákladné.
Očekávání recenzentů. Časopisy stále častěji žádají autory o reportování power analysis. Pokud ji váš článek neobsahuje, recenzenti ho mohou odmítnout nebo požádat o revizi. Prospektivní power analysis, provedená před sběrem dat, je silnější důkaz než ta provedená po poznání výsledků. Pro úplný přehled návrhových rozhodnutí předcházejících sběru dat viz od výzkumné otázky k dotazníku →.
Logika a-priori power analysis
A-priori power analysis stanoví velikost vzorku, kterou potřebujete, dříve než nasbíráte data. Čtyři vstupy určují požadované N:
- Velikost efektu: nejmenší efekt, který očekáváte, nebo nejmenší, který by byl prakticky významný (váš SESOI — smallest effect size of interest). Opírejte ho o dřívější práci, kdykoli je to možné — meta-analýzu, nejbližší publikovanou studii nebo pilot — ne o obecnou nálepku. Cohenovy (1988) referenční body (pro ANOVA malý f = .10, střední f = .25, velký f = .40; pro regresi malý f² = .02, střední f² = .15, velký f² = .35) jsou jen záchranný fallback poslední šance a mají tendenci nadhodnocovat efekty pozorované v mnoha oborech, takže plánování kolem nich vás může nechat s nedostatečnou silou.
- Alpha (α): práh významnosti, obvykle .05.
- Síla (1 − β): přijatelná šance na odhalení efektu, obvykle .80.
- Počet prediktorů nebo skupin: ovlivňuje počet stupňů volnosti v modelu.
S těmito čtyřmi vstupy vzorec síly nebo kalkulátor vrátí minimální N. Pro t-testy, korelace, regresi a ANOVA to udělá bezplatný program G*Power (Faul et al., 2007). Pro CFA a SEM dává bezplatný kalkulátor Explonie na adrese /tools/sample-size-sem/ N podle pravidla palce (případy na volný parametr, s minimem 200 případů) a power analysis založenou na RMSEA (MacCallum, Browne, & Sugawara, 1996) pro počet stupňů volnosti vašeho modelu.
Kolik účastníků potřebujete podle metody analýzy?
Toto jsou výchozí body, ne náhrady za řádný výpočet síly. Použijte je ke křížové kontrole svého výpočtu nebo pro rychlé odhady ve fázi návrhu.
| Metoda | Přibližné pravidlo | Poznámky |
|---|---|---|
| t-test pro nezávislé výběry (střední efekt) | ~64 na skupinu | Cohen (1988), d = .50, α = .05 (oboustranně), síla = .80 |
| Pearsonova korelace (střední efekt) | ~85 celkem | Odhalení r ≈ .30 |
| Vícenásobná regrese | ~10–15 na prediktor (zhruba); Green (1991): N ≥ 50 + 8 × prediktory | Více prediktorů a menší efekty vyžadují větší N |
| CFA / CB-SEM | 5–10 na odhadovaný parametr | Často citováno (např. Hair a kol., 2019); běžné praktické minimum je asi 200, což je zároveň typická velikost vzorku ve studiích SEM (Kline, 2016), ale ověřte power analysis |
| PLS-SEM | Metoda inverse-square-root nebo power analysis — ne staré pravidlo "10× cest" | Pravidlo desetinásobku je kritizováno jako nespolehlivé, dokonce i zastánci PLS (Hair a kol., 2019; Kock a Hadaya, 2018) |
| ANOVA mezi skupinami (střední efekt) | ~53 na skupinu pro tři skupiny (celkové N ≈ 159) | f = .25, α = .05, síla = .80; N na skupinu závisí na počtu skupin |
U strukturních modelů rovnic záleží na počtu parametrů. Jednoduché dvoufaktorové CFA s 12 položkami a jednou korelací faktorů může odhadovat asi 25 parametrů. Při 5 na parametr je to minimum 125 účastníků. Mnoho recenzentů očekává alespoň 200 pro vícefaktorové CFA a více pro složité modely SEM. Berte všechny tyto hodnoty jako výchozí body, ne záruky dostatečné síly.
Pro PLS-SEM ignorujte kdysi rozšířené pravidlo "desetkrát počet cest": rutinně podhodnocuje potřebný vzorek a bylo kritizováno i svými vlastními zastánci (Hair a kol., 2019). Použijte metodu inverse-square-root (Kock a Hadaya, 2018), která váže N na nejmenší koeficient cesty, jaký očekáváte odhalit, nebo formální power analysis. Pro každý model s latentními proměnnými je nejlépe zdůvodněným přístupem simulace Monte Carlo (Muthén a Muthén, 2002): určíte model a očekávané hodnoty parametrů a poté simulujete velikost vzorku, která dává dostatečnou sílu a stabilní, nevychýlené odhady. Více si přečtete na /methods/sample-size/. Pokud si ještě vybíráte mezi těmito dvěma rodinami SEM, podívejte se na PLS-SEM vs CB-SEM: jak si vybrat.
Plánování na opuštění a vyřazení
Váš cílový vzorek je počet použitelných, kompletních odpovědí. To není totéž co počet lidí, kteří váš dotazník zahájí. Dvě síly zmenšují vaše konečné číslo.
Opuštění (částečné dokončení). I dobře navržené dotazníky ztrácejí respondenty v polovině. V online panelech jsou míry opuštění kolem 10–25 % časté u dotazníků trvajících 10–20 minut. Delší nebo náročnější dotazník může ztratit 30–40 % nebo více.
Vyřazení (screen-outs). Pokud váš výzkum vyžaduje určitou populaci — uživatele produktu, rodiče, profesionály z dané oblasti — vyřadíte účastníky, kteří se nekvalifikují. Pokud jen jeden ze tří členů panelu splňuje vaše kritéria (míra zásahu 33 %), potřebujete třikrát více zahájení, abyste cíl naplnili.
Praktické pravidlo: vydělte cílové použitelné N očekávanou mírou dokončení a mírou zásahu. Průvodce krok za krokem, jak nabírat vzorek z online panelu, najdete v jak nabírat účastníky na Prolific →.
Cílová zahájení = (cílové použitelné N) ÷ (míra dokončení) ÷ (míra zásahu)
Příklad: potřebujete 200 použitelných odpovědí, očekáváte 80% dokončení a vaše míra zásahu je 50 %. Potřebujete 200 ÷ .80 ÷ .50 = 500 zahájení. Nastavte objednávku panelu na 500 nebo mírně výše.
Nad rámec tohoto vzorce vždy přidejte bezpečnostní rezervu 10–15 %, protože můžete také odstraňovat odpovědi za straight-lining, příliš rychlý čas dokončení nebo neprojití kontrol pozornosti.
Náklady na nábor v placeném panelu
Pokud nabíráte přes placený panel, jako je Prolific (dostupný v-panelu v plánu Academic PRO Explonie), platíte účastníkům hlavně za dokončené odpovědi, obvykle menší částku za každého vyřazeného uvnitř dotazníku, plus servisní poplatek platformy navrch. Sazby a poplatky se v čase mění a liší se mezi platformami, takže před rozpočtováním zkontrolujte aktuální ceník poskytovatele, místo abyste se spoléhali na pevné číslo. Výhradně jako ilustrace: pokud by sazba účastníka činila asi £9 za hodinu a dotazník trval 10 minut, každá dokončená odpověď by stála zhruba £1.50 v odměně účastníka, před servisním poplatkem. Delší dotazníky, nižší míra zásahu (více vyřazení) a přísnější kritéria kvality — to vše zvyšuje celkovou částku.
Rozpočtujte odměnu účastníků jako:
Odměna účastníků ≈ (dokončené odpovědi) × (doba trvání dotazníku v hodinách) × (hodinová sazba), poté přidejte platby za vyřazení uvnitř dotazníku a servisní poplatek platformy
To jasně ukazuje, proč na efektivním měření záleží: méně zbytečných položek znamená kratší dotazník, což zároveň snižuje náklady i opuštění.
Časté chyby, kterých se vyvarujte
- Volba kulatého čísla (100, 200) bez power analysis za ním.
- Používání pravidla PLS "10krát cesty" — je zastaralé a ponechává studie s nedostatečnou silou.
- Spouštění post-hoc analýzy "observed power" k ospravedlnění nevýznamného výsledku (Hoenig a Heisey, 2001).
- Zapomínání zvýšit cíl o očekávaná opuštění a neprojití kontrol pozornosti.
- Hádání velikosti efektu místo jejího ukotvení v dřívějším výzkumu, pilotu nebo nejmenším významném efektu.
- Považování "PLS funguje s malými vzorky" za licenci k vynechání plánování vzorku.
Často kladené otázky
Kolik účastníků potřebuji pro SEM?
Časté pravidlo palce pro CB-SEM je 5–10 účastníků na odhadovaný parametr, s praktickým minimem kolem 200, ale berte to jako heuristiku a potvrďte power analysis nebo simulací Monte Carlo (Muthén a Muthén, 2002). Pro PLS-SEM se nespoléhejte na staré pravidlo "10krát největší počet cest" — nyní je považováno za nespolehlivé, dokonce i jeho hlavními zastánci (Hair a kol., 2019). Použijte metodu inverse-square-root (Kock a Hadaya, 2018) nebo power analysis spojenou s nejmenší cestou, kterou chcete odhalit; PLS někdy může fungovat na menších vzorcích, ale pověst "přátelská k malým vzorkům" je přehnaná a slabé efekty stále vyžadují značné N. Správná odpověď závisí na složitosti modelu, očekávaných velikostech efektů a počtu položek na faktor. Použijte kalkulátor Explonie na adrese /tools/sample-size-sem/, abyste získali odhad přizpůsobený modelu.
Jaký je rozdíl mezi a-priori a post-hoc power analysis?
A-priori power analysis se provádí před sběrem dat. Nastavíte velikost efektu, alpha a sílu a analýza vrátí požadované N. To je standardní přístup k plánování výzkumu. Post-hoc (observed) power analysis se provádí po sběru dat, na základě velikosti vzorku, kterou už máte. Je do velké míry cirkulární — nevýznamný výsledek s nízkou observed power jen opakuje to, co už víte — a nedoporučuje se k ospravedlňování nulových výsledků (Hoenig a Heisey, 2001). Použijte a-priori analýzu k plánování; vyhněte se post-hoc analýze jako důkazu.
O kolik bych měl nabrat navíc, abych zohlednil opuštění?
Přesná odpověď vychází z výše uvedeného vzorce: cílová zahájení = (cílové použitelné N) ÷ (míra dokončení) ÷ (míra zásahu), poté přidejte bezpečnostní rezervu 10–15 % na odpovědi, které později vyřadíte za straight-lining, příliš rychlé dokončení nebo neprojití kontrol pozornosti. Pokud ještě nemáte odhady dokončení nebo zásahu, hrubou zkratkou je nabrat o 20–30 % více zahájení, než je vaše cílové použitelné N, pro typický 10–15minutový online dotazník se střední selekcí kvality a vysokou mírou zásahu — ale toto číslo jen zastupuje vzorec. Pro delší dotazníky, populace s nízkou mírou zásahu nebo přísná kritéria kontroly pozornosti si vzorec vyžádá podstatně více (často 40–50 % nebo více). Sledujte své míry dokončení a odmítnutí z jakékoli pilotní studie, abyste je zkalibrovali na svůj konkrétní nástroj.
Jakou velikost efektu předpokládat, pokud nemám dřívější data?
Preferujte hodnotu převzatou z dřívější práce — meta-analýzy, nejbližší publikované studie nebo vlastního pilotu — před hádáním. Pokud opravdu nemáte nic, o co byste se opřeli, lepší volbou než obecná nálepka je nejmenší velikost efektu, která by pro vás byla prakticky významná (váš SESOI), a navrhnete výzkum tak, abyste ji odhalili. "Střední" efekt (Cohen's d = .50; r = .30; f² = .15) bývá používán jako placeholder (Cohen, 1988), ale není bezpečnou výchozí volbou: skutečné efekty jsou často menší, takže plánování kolem "středního" často nechává studii s nedostatečnou silou. Menší očekávaný efekt vyžaduje větší vzorek. Recenzenti se zeptají, jak jste velikost efektu vybrali, takže ji zdůvodněte z literatury, pilotu nebo uvedeného praktického prahu — nikdy ji neprezentujte jako hádání.
Může Explonia spočítat moji velikost vzorku?
Ano, pro CFA a SEM. Bezplatný kalkulátor Explonie na adrese /tools/sample-size-sem/ přijme počet faktorů, položek a strukturních cest a vrátí N podle pravidla palce a power analysis založenou na RMSEA pro vaši alpha a cílovou sílu, spolu s použitým vzorcem a kódem R. Pro t-testy, korelace, regresi nebo ANOVA použijte G*Power. Poté spustíte analýzu na datech, která nasbíráte, uvnitř téže platformy.
References
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum.
Faul, F., Erdfelder, E., Lang, A.-G., & Buchner, A. (2007). G*Power 3: A flexible statistical power analysis program for the social, behavioral, and biomedical sciences. Behavior Research Methods, 39(2), 175-191. https://doi.org/10.3758/BF03193146
Green, S. B. (1991). How many subjects does it take to do a regression analysis? Multivariate Behavioral Research, 26(3), 499–510.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage.
Hoenig, J. M., & Heisey, D. M. (2001). The abuse of power: The pervasive fallacy of power calculations for data analysis. The American Statistician, 55(1), 19–24.
Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
Kock, N., & Hadaya, P. (2018). Minimum sample size estimation in PLS-SEM: The inverse square root and gamma-exponential methods. Information Systems Journal, 28(1), 227–261.
MacCallum, R. C., Browne, M. W., & Sugawara, H. M. (1996). Power analysis and determination of sample size for covariance structure modeling. Psychological Methods, 1(2), 130-149. https://doi.org/10.1037/1082-989X.1.2.130
Muthén, L. K., & Muthén, B. O. (2002). How to use a Monte Carlo study to decide on sample size and determine power. Structural Equation Modeling, 9(4), 599–620.
Jak to za vás Explonia dělá
Explonia poskytuje bezplatný kalkulátor velikosti vzorku pro CFA a SEM na adrese /tools/sample-size-sem/. Zadejte počet faktorů, položek a strukturních cest: kalkulátor odhadne volné parametry, dá N podle pravidla palce s minimem 200 případů a spustí power analysis založenou na RMSEA pro vaši alpha a cílovou sílu, s kódem R, který si můžete ověřit. Nepokrývá t-testy ani ANOVA a neupravuje výsledek o předčasné ukončení ani míru zásahu, takže vzorec pro počet zahájení uvedený výše použijte sami. Použití kalkulátoru nevyžaduje registraci.
Pro plánování na úrovni výzkumu uvnitř vašeho návrhu dotazníku viz hotové příklady →, abyste sledovali, jak je realistický dotazník navržen, nadimenzován a spuštěn. Po nasbírání dat a spuštění modelu viz jak reportovat indexy dopasování SEM →, abyste přešli k dalšímu kroku.
Připraveni nadimenzovat svůj výzkum s jistotou? Naplánujte vzorek v Explonii a spusťte analýzu na datech, která nasbíráte. Začněte zdarma →
Jak citovat tento článek
Pokud vám tento článek pomohl ve výzkumu, můžete jej citovat (APA 7):
Szymkowiak, A. (2026). Kolik Potřebuji Účastníků? Plánování Velikosti Vzorku. Explonia. https://explonia.com/cs/blog/sample-size-before-data-collection/
Last updated: září 2026
Proveďte celý výzkum na jednom místě
Navrhněte ho, sesbírejte data a spusťte skutečné CFA a SEM na vlastních datech — s návrhem odstavce APA, který můžete upravit. Začněte zdarma.
Začít zdarma