Ilu Potrzebuję Uczestników? Planowanie Wielkości Próby
Ta strona jest tłumaczeniem zrecenzowanego angielskiego oryginału. Zobacz oryginał (EN)
ilu potrzebuję uczestnikówAndrzej Szymkowiak · Ostatnia aktualizacja: wrzesień 2026
Twój promotor podnosi wzrok znad twojego wniosku i pyta: "Jak zdecydowałeś o tej liczbie uczestników?". Liczba uczestników, której potrzebujesz, zależy od metody analizy, oczekiwanej wielkości efektu, poziomu alpha i docelowej mocy. A-priori power analysis oblicza minimalne N przed zbieraniem danych — zwykle celując w moc ≥ .80 przy α = .05 dla najmniejszego oczekiwanego efektu — i jest to podejście, którego oczekują recenzenci oraz instytucje finansujące.
Jednym z najczęstszych błędów planowania w badaniach ankietowych jest decydowanie o wielkości próby po zebraniu danych. Wtedy jest już za późno na zmianę. Recenzenci zapytają, czy miałeś wystarczającą moc, by wykryć swoje efekty. Instytucje finansujące zapytają, jak uzasadniłeś budżet rekrutacji. Ten przewodnik wyjaśnia, jak myśleć o wielkości próby przed uruchomieniem badania — oraz jak zaplanować uczestników, których stracisz po drodze.
Dlaczego planować wielkość próby przed zbieraniem danych
Trzy powody przemawiają za wczesnym planowaniem.
Moc statystyczna. Moc to prawdopodobieństwo wykrycia efektu, który naprawdę istnieje. Badanie o niskiej mocy często przeoczy prawdziwe efekty, prowadząc do fałszywego wyniku zerowego. Konwencjonalne minimum mocy to .80, co oznacza, że akceptujesz 20% szansy na przeoczenie prawdziwego efektu. Aby osiągnąć tę moc, potrzebujesz minimalnej wielkości próby — która zależy od tego, jak duży jest efekt i jak surowy jest twój próg istotności.
Budżet. Rekrutacja uczestników kosztuje pieniądze i czas. Znajomość minimalnej potrzebnej próby z wyprzedzeniem pozwala oszacować koszt przed zobowiązaniem się. Odkrycie po fakcie, że potrzebowałeś dwa razy więcej uczestników, jest kosztowne.
Oczekiwania recenzentów. Czasopisma coraz częściej proszą autorów o raportowanie power analysis. Jeśli twój artykuł jej nie zawiera, recenzenci mogą go odrzucić lub poprosić o rewizję. Prospektywna power analysis, wykonana przed zbieraniem danych, jest mocniejszym dowodem niż ta wykonana po poznaniu wyników. Aby uzyskać pełny przegląd decyzji projektowych poprzedzających zbieranie danych, zobacz od pytania badawczego do kwestionariusza →.
Logika a-priori power analysis
A-priori power analysis ustala wielkość próby, której potrzebujesz, zanim zbierzesz dane. Cztery dane wejściowe wyznaczają wymagane N:
- Wielkość efektu: najmniejszy efekt, jakiego oczekujesz, lub najmniejszy, który byłby praktycznie istotny (twój SESOI — smallest effect size of interest). Opieraj go na wcześniejszych pracach, gdy tylko to możliwe — meta-analizie, najbliższym opublikowanym badaniu lub pilotażu — a nie na ogólnej etykiecie. Punkty odniesienia Cohena (1988) (dla ANOVA: mały f = .10, średni f = .25, duży f = .40; dla regresji: mały f² = .02, średni f² = .15, duży f² = .35) są tylko fallbackiem ostatniej szansy i mają tendencję do zawyżania efektów obserwowanych w wielu dziedzinach, więc planowanie wokół nich może pozostawić cię z niedostateczną mocą.
- Alpha (α): próg istotności, zwykle .05.
- Moc (1 − β): akceptowalna szansa na wykrycie efektu, zwykle .80.
- Liczba predyktorów lub grup: wpływa na liczbę stopni swobody w modelu.
Mając te cztery dane wejściowe, wzór mocy lub kalkulator zwraca minimalne N. Dla testów t, korelacji, regresji i ANOVA robi to darmowy program G*Power (Faul et al., 2007). Dla CFA i SEM darmowy kalkulator Explonii pod adresem /tools/sample-size-sem/ podaje N według reguły kciuka (przypadki na wolny parametr, z minimum 200 przypadków) oraz power analysis opartą na RMSEA (MacCallum, Browne, & Sugawara, 1996) dla liczby stopni swobody twojego modelu.
Ilu uczestników potrzebujesz w zależności od metody analizy?
To punkty startowe, nie zamienniki właściwego obliczenia mocy. Użyj ich do krzyżowego sprawdzenia swojego obliczenia albo do szybkich szacunków na etapie wniosku.
| Metoda | Przybliżona reguła | Uwagi |
|---|---|---|
| Test t dla prób niezależnych (efekt średni) | ~64 na grupę | Cohen (1988), d = .50, α = .05 (dwustronnie), moc = .80 |
| Korelacja Pearsona (efekt średni) | ~85 łącznie | Wykrycie r ≈ .30 |
| Regresja wieloraka | ~10–15 na predyktor (z grubsza); Green (1991): N ≥ 50 + 8 × predyktory | Więcej predyktorów i mniejsze efekty wymagają większego N |
| CFA / CB-SEM | 5–10 na szacowany parametr | Często cytowane (np. Hair i in., 2019); częste praktyczne minimum to około 200, co jest też typową wielkością próby w badaniach SEM (Kline, 2016), ale zweryfikuj power analysis |
| PLS-SEM | Metoda inverse-square-root lub power analysis — nie stara reguła "10× ścieżek" | Reguła 10-krotności jest krytykowana jako niewiarygodna, nawet przez zwolenników PLS (Hair i in., 2019; Kock i Hadaya, 2018) |
| ANOVA między grupami (efekt średni) | ~53 na grupę dla trzech grup (łączne N ≈ 159) | f = .25, α = .05, moc = .80; N na grupę zależy od liczby grup |
Dla modeli równań strukturalnych liczy się liczba parametrów. Proste dwuczynnikowe CFA z 12 pozycjami i jedną korelacją czynników może szacować około 25 parametrów. Przy 5 na parametr to minimum 125 uczestników. Wielu recenzentów oczekuje co najmniej 200 dla wieloczynnikowego CFA i więcej dla złożonych modeli SEM. Traktuj wszystkie te wartości jako punkty startowe, nie gwarancje wystarczającej mocy.
Dla PLS-SEM zignoruj niegdyś powszechną regułę "dziesięć razy liczba ścieżek": rutynowo zaniża ona potrzebną próbę i była krytykowana nawet przez swoich własnych zwolenników (Hair i in., 2019). Użyj metody inverse-square-root (Kock i Hadaya, 2018), która wiąże N z najmniejszym współczynnikiem ścieżki, jaki spodziewasz się wykryć, albo formalnej power analysis. Dla każdego modelu ze zmiennymi latentnymi najbardziej uzasadnionym podejściem jest symulacja Monte Carlo (Muthén i Muthén, 2002): określasz model i oczekiwane wartości parametrów, a następnie symulujesz wielkość próby, która daje wystarczającą moc oraz stabilne, nieobciążone oszacowania. Więcej przeczytasz na /methods/sample-size/. Jeśli wciąż wybierasz między dwiema rodzinami SEM, zobacz PLS-SEM vs CB-SEM: jak wybrać.
Planowanie na porzucenia i odsiewy
Twoja docelowa próba to liczba użytecznych, kompletnych odpowiedzi. To nie to samo co liczba osób, które rozpoczynają twoją ankietę. Dwie siły zmniejszają twoją finalną liczbę.
Porzucenia (częściowe ukończenie). Nawet dobrze zaprojektowane ankiety tracą respondentów w połowie. W panelach online wskaźniki porzuceń rzędu 10–25% są częste dla ankiet trwających 10–20 minut. Dłuższa lub bardziej wymagająca ankieta może stracić 30–40% lub więcej.
Odsiewy (screen-outs). Jeśli twoje badanie wymaga określonej populacji — użytkowników produktu, rodziców, profesjonalistów z danej dziedziny — odsiejesz uczestników, którzy nie kwalifikują się. Jeśli tylko jeden na trzech członków panelu spełnia twoje kryteria (wskaźnik trafienia 33%), potrzebujesz trzy razy więcej rozpoczęć, by wypełnić swój cel.
Praktyczna reguła: podziel docelowe użyteczne N przez oczekiwany wskaźnik ukończenia i wskaźnik trafienia. Przewodnik krok po kroku, jak rekrutować próbę z panelu online, znajdziesz w jak rekrutować uczestników na Prolific →.
Docelowe rozpoczęcia = (docelowe użyteczne N) ÷ (wskaźnik ukończenia) ÷ (wskaźnik trafienia)
Przykład: potrzebujesz 200 użytecznych odpowiedzi, spodziewasz się 80% ukończenia, a twój wskaźnik trafienia to 50%. Potrzebujesz 200 ÷ .80 ÷ .50 = 500 rozpoczęć. Ustaw zamówienie panelu na 500 lub nieco powyżej.
Ponad ten wzór zawsze dodaj margines bezpieczeństwa 10–15%, ponieważ możesz też usuwać odpowiedzi za straight-lining, zbyt szybki czas ukończenia lub nieprzejście kontroli uwagi.
Koszt rekrutacji w płatnym panelu
Jeśli rekrutujesz przez płatny panel, taki jak Prolific (dostępny w-panelu w planie Academic PRO Explonii), płacisz uczestnikom głównie za ukończone odpowiedzi, zwykle mniejszą kwotę za każdego odsianego wewnątrz ankiety, plus opłatę serwisową platformy na wierzchu. Stawki i opłaty zmieniają się w czasie i różnią między platformami, więc sprawdź aktualny cennik dostawcy przed budżetowaniem, zamiast polegać na stałej liczbie. Wyłącznie jako ilustracja: jeśli stawka uczestnika wynosiłaby około £9 za godzinę, a ankieta trwała 10 minut, każda ukończona odpowiedź kosztowałaby z grubsza £1.50 w wynagrodzeniu uczestnika, przed opłatą serwisową. Dłuższe ankiety, niższy wskaźnik trafienia (więcej odsiewów) i surowsze kryteria jakości — wszystko to podnosi sumę całkowitą.
Budżetuj wynagrodzenie uczestników jako:
Wynagrodzenie uczestników ≈ (ukończone odpowiedzi) × (czas trwania ankiety w godzinach) × (stawka godzinowa), następnie dodaj płatności za odsiewy wewnątrz ankiety oraz opłatę serwisową platformy
To jasno pokazuje, dlaczego efektywny pomiar ma znaczenie: mniej zbędnych pozycji oznacza krótszą ankietę, co jednocześnie zmniejsza koszt i porzucenia.
Częste błędy, których należy unikać
- Wybieranie okrągłej liczby (100, 200) bez power analysis za nią.
- Używanie reguły PLS "10 razy ścieżki" — jest przestarzała i pozostawia badania z niedostateczną mocą.
- Uruchamianie post-hoc analizy "observed power", by uzasadnić nieistotny wynik (Hoenig i Heisey, 2001).
- Zapominanie o zwiększeniu celu o oczekiwane porzucenia i nieprzejście kontroli uwagi.
- Zgadywanie wielkości efektu zamiast ugruntowania jej w wcześniejszych badaniach, pilotażu lub najmniejszym istotnym efekcie.
- Traktowanie "PLS działa z małymi próbami" jako licencji na pominięcie planowania próby.
Najczęściej zadawane pytania
Ilu uczestników potrzebuję do SEM?
Częsta reguła kciuka dla CB-SEM to 5–10 uczestników na szacowany parametr, z praktycznym minimum około 200, ale traktuj to jako heurystykę i potwierdź power analysis lub symulacją Monte Carlo (Muthén i Muthén, 2002). Dla PLS-SEM nie polegaj na starej regule "10 razy największa liczba ścieżek" — jest teraz uważana za niewiarygodną, nawet przez jej głównych zwolenników (Hair i in., 2019). Użyj metody inverse-square-root (Kock i Hadaya, 2018) lub power analysis powiązanej z najmniejszą ścieżką, jaką chcesz wykryć; PLS czasem może działać na mniejszych próbach, ale reputacja "przyjazna małym próbom" jest przesadzona, a słabe efekty wciąż wymagają znacznego N. Właściwa odpowiedź zależy od złożoności modelu, oczekiwanych wielkości efektów i liczby pozycji na czynnik. Użyj kalkulatora Explonii pod adresem /tools/sample-size-sem/, by uzyskać oszacowanie dopasowane do modelu.
Jaka jest różnica między a-priori a post-hoc power analysis?
A-priori power analysis jest wykonywana przed zbieraniem danych. Ustawiasz wielkość efektu, alpha i moc, a analiza zwraca wymagane N. To standardowe podejście do planowania badania. Post-hoc (observed) power analysis jest wykonywana po zbieraniu danych, na podstawie wielkości próby, którą już masz. Jest w dużej mierze cyrkularna — nieistotny wynik z niską observed power po prostu powtarza to, co już wiesz — i odradza się jej do uzasadniania wyników zerowych (Hoenig i Heisey, 2001). Użyj analizy a-priori do planowania; unikaj analizy post-hoc jako dowodu.
O ile powinienem nadrekrutować, by uwzględnić porzucenia?
Dokładna odpowiedź wynika z wzoru powyżej: docelowe rozpoczęcia = (docelowe użyteczne N) ÷ (wskaźnik ukończenia) ÷ (wskaźnik trafienia), a następnie dodaj margines bezpieczeństwa 10–15% na odpowiedzi, które później odrzucisz za straight-lining, zbyt szybkie ukończenie lub nieprzejście kontroli uwagi. Jeśli nie masz jeszcze oszacowań ukończenia ani trafienia, zgrubnym skrótem jest rekrutacja 20–30% więcej rozpoczęć niż twoje docelowe użyteczne N dla typowej 10–15 minutowej ankiety online z umiarkowaną selekcją jakości i wysokim wskaźnikiem trafienia — ale ta liczba jedynie zastępuje wzór. Dla dłuższych ankiet, populacji o niskim wskaźniku trafienia lub surowych kryteriów kontroli uwagi wzór wskaże znacznie więcej (często 40–50% lub więcej). Śledź swoje wskaźniki ukończenia i odrzuceń z dowolnego badania pilotażowego, by skalibrować je pod swoje konkretne narzędzie.
Jaką wielkość efektu założyć, jeśli nie mam wcześniejszych danych?
Preferuj wartość zaczerpniętą z wcześniejszych prac — meta-analizy, najbliższego opublikowanego badania lub własnego pilotażu — a nie zgadywanie. Jeśli naprawdę nie masz niczego, na czym mógłbyś się oprzeć, lepszym wyborem niż ogólna etykieta jest najmniejsza wielkość efektu, która byłaby dla ciebie praktycznie istotna (twój SESOI), i projektujesz badanie tak, by ją wykryć. "Średni" efekt (Cohen's d = .50; r = .30; f² = .15) bywa używany jako placeholder (Cohen, 1988), ale nie jest bezpiecznym domyślnym wyborem: prawdziwe efekty są często mniejsze, więc planowanie wokół "średniego" często pozostawia badanie z niedostateczną mocą. Mniejszy oczekiwany efekt wymaga większej próby. Recenzenci zapytają, jak wybrałeś wielkość efektu, więc uzasadnij ją z literatury, pilotażu lub podanego praktycznego progu — nigdy nie przedstawiaj jej jako zgadywania.
Czy Explonia może obliczyć moją wielkość próby?
Tak, dla CFA i SEM. Darmowy kalkulator Explonii pod adresem /tools/sample-size-sem/ przyjmuje liczbę czynników, pozycji i ścieżek strukturalnych, a zwraca N według reguły kciuka oraz power analysis opartą na RMSEA dla twojego alpha i docelowej mocy, wraz z użytym wzorem i kodem R. Dla testów t, korelacji, regresji lub ANOVA użyj G*Power. Następnie uruchamiasz analizę na danych, które zbierzesz, wewnątrz tej samej 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 Explonia robi to za ciebie
Explonia udostępnia darmowy kalkulator wielkości próby dla CFA i SEM pod adresem /tools/sample-size-sem/. Wprowadź liczbę czynników, pozycji i ścieżek strukturalnych: kalkulator szacuje wolne parametry, podaje N według reguły kciuka z minimum 200 przypadków i uruchamia power analysis opartą na RMSEA dla twojego alpha i docelowej mocy, z kodem R, który możesz sprawdzić. Nie obejmuje testów t ani ANOVA i nie koryguje o porzucenia ani wskaźnik trafienia, więc wzór na liczbę rozpoczęć podany wyżej zastosuj samodzielnie. Korzystanie z kalkulatora nie wymaga rejestracji.
Dla planowania na poziomie badania wewnątrz twojego projektu ankietowego zobacz gotowe przykłady →, aby prześledzić, jak realistyczna ankieta jest projektowana, wymiarowana i uruchamiana. Po zebraniu danych i uruchomieniu modelu zobacz jak raportować wskaźniki dopasowania SEM →, aby przejść do następnego kroku.
Gotowy, by zwymiarować swoje badanie z pewnością? Zaplanuj próbę w Explonii i uruchom analizę na danych, które zbierzesz. Zacznij za darmo →
Jak cytować ten artykuł
Jeśli ten artykuł pomógł w Twoich badaniach, możesz go zacytować (APA 7):
Szymkowiak, A. (2026). Ilu Potrzebuję Uczestników? Planowanie Wielkości Próby. Explonia. https://explonia.com/pl/blog/sample-size-before-data-collection/
Last updated: wrzesień 2026
Przeprowadź całe badanie w jednym miejscu
Zaprojektuj je, zbierz dane i policz prawdziwe CFA oraz SEM na własnych danych — z gotowym akapitem APA, który możesz edytować. Start za darmo.
Zacznij za darmo