Moc i liczebność próby
Oblicz potrzebną liczebność próby, zanim ruszysz z badaniem — by recenzenci zaakceptowali Twoje N, a wyniki były warte zaufania.
Ta strona jest tłumaczeniem zrecenzowanego angielskiego oryginału. Zobacz oryginał (EN)
analiza mocyCzym jest
Analiza mocy a-priori odpowiada na jedno pytanie, zanim zbierzesz choćby jedną odpowiedź: ilu uczestników potrzebujesz? Podajesz kalkulatorowi trzy dane wejściowe — wielkość efektu, którego spodziewasz się znaleźć, poziom istotności (α) oraz pożądaną moc statystyczną (1 − β) — a on zwraca minimalną wielkość próby. Nazywa się ją a-priori, bo wykonuje się ją <em>przed</em> zbieraniem danych, a nie po. Logika jest prosta. Każde badanie ma szansę przeoczyć prawdziwy efekt (fałszywy negatyw, zwany błędem typu II). Moc to prawdopodobieństwo uniknięcia tego błędu. Konwencjonalna minimalna moc to .80, co oznacza, że akceptujesz do 20% szansy na fałszywy negatyw. Wiele czasopism oczekuje dziś .90. Analiza mocy stosuje się do większości częstych testów: t-test dla prób niezależnych, t-test dla prób zależnych, jednoczynnikowa ANOVA, korelacja Pearsona i regresja wieloraka. Dla modeli równań strukturalnych (SEM) stosuje się osobny zestaw reguł, bo model ma wiele parametrów, a nie tylko jeden efekt.
Kiedy stosować
- Zanim zbudujesz ankietę lub rozpoczniesz zbieranie danych — to jest cały sens.
- Gdy składasz pre-rejestrację, wniosek etyczny lub wniosek grantowy.
- Gdy recenzent prosi Cię o uzasadnienie wielkości próby po złożeniu. Raportuj analizę wrażliwości (najmniejszy efekt, jaki Twoje N mogło wykryć przy planowanym α i mocy), a nie „moc obserwowaną” efektu, który znalazłeś, bo nie wnosi ona żadnej informacji (Hoenig & Heisey, 2001, doi:10.1198/000313001300339897).
Kiedy nie stosować
- Analiza mocy podaje liczbę użytecznych, kompletnych odpowiedzi, których potrzebujesz, a nie liczbę osób do zaproszenia. Zaplanuj liczbę rozpoczęć jako docelowe użyteczne N ÷ wskaźnik ukończenia ÷ wskaźnik trafienia, a potem dodaj 10-15% na odpowiedzi, które usuniesz podczas kontroli jakości.
- Dla paneli online z określonymi kwotami (wiek, kraj, płeć) wymagane całkowite N może być większe, niż sugeruje liczba z analizy mocy.
Założenia
- Możesz określić oczekiwaną wielkość efektu — najlepiej z wcześniejszej literatury, z konwencjami Cohena jako rozwiązaniem awaryjnym.
- Ustawiasz poziom istotności (α) przed zebraniem danych — zwykle .05.
- Ustawiasz docelową moc (1 − β) przed zebraniem danych — .80 minimum, .90 preferowane.
- Analiza jest a-priori — wykonana przed zbieraniem danych, a nie po.
- Dla SEM struktura modelu (zmienne latentne, wskaźniki i ścieżki) jest znana z góry.
Progi i wartości graniczne
| Criterion | Rule of thumb | Source |
|---|---|---|
| Moc statystyczna (1 − β) | .80 minimum, .90 preferowane | Cohen (1988) |
| Poziom istotności (α) | .05 konwencjonalnie; .01 dla testów konfirmacyjnych lub o wysokiej stawce | Standardowa konwencja NHST |
| Wielkość efektu — t-test (Cohen's d) | .20 mały, .50 średni, .80 duży | Cohen (1988) |
| Wielkość efektu — ANOVA (Cohen's f) | .10 mały, .25 średni, .40 duży | Cohen (1988) |
| Wielkość efektu — korelacja (r) | .10 mała, .30 średnia, .50 duża | Cohen (1988) |
| Wielkość efektu — regresja (f²) | .02 mały, .15 średni, .35 duży | Cohen (1988) |
| Liczebność próby SEM (stosunek n:p) | 5–10 przypadków na wolny parametr; ≥ 200 dla CB-SEM, ≥ 100 dla PLS-SEM | Powszechna wytyczna |
Jak raportować w APA
Analiza mocy a-priori (G*Power 3.1; Faul et al., 2007) wskazała, że do wykrycia średniego efektu (d = 0.50) przy α = .05 i mocy = .80 dla t-testu dla prób niezależnych wymagana była minimalna próba 128 uczestników. Końcowa próba (N = 156) przekroczyła ten wymóg.
Jak liczy to Explonia
Explonia udostępnia darmowy, działający w przeglądarce kalkulator wielkości próby dla SEM pod /tools/sample-size-sem/. Obejmuje modele CFA i CB-SEM: podajesz liczbę zmiennych latentnych, wskaźników i ścieżek strukturalnych, a on zwraca rekomendowaną wielkość próby na podstawie reguły N:q (przypadki na wolny parametr) i minimum 200 przypadków, a także analizę mocy a priori opartą na RMSEA (MacCallum, Browne & Sugawara, 1996) dla liczby stopni swobody Twojego modelu. Konto nie jest potrzebne. Dla standardowej analizy mocy (t-test, ANOVA, korelacja, regresja) polecamy G*Power (darmowy, desktopowy) lub moduł mocy w jamovi. Panel Explonii obsługuje rekrutację, więc możesz osiągnąć docelowe N na czas.
Najczęściej zadawane pytania
Czym jest analiza mocy a-priori?
Analizę mocy a-priori wykonuje się przed zbieraniem danych. Określasz oczekiwaną wielkość efektu, poziom istotności (α, zwykle .05) i pożądaną moc (1 − β, zwykle .80), a kalkulator podaje minimalną wielkość próby potrzebną, by wiarygodnie wykryć ten efekt.
Jaki poziom mocy obrać za cel?
Konwencjonalne minimum to .80, co oznacza 80% szansy na wykrycie prawdziwego efektu. Wiele czasopism i recenzentów grantów oczekuje dziś .90 lub więcej. Wybór zależy od konsekwencji fałszywego negatywu w Twojej dziedzinie.
Ile przypadków na parametr potrzebuję dla SEM?
Częsta reguła praktyczna to 5–10 obserwacji na swobodnie estymowany parametr. Dla modelu z 20 wolnymi parametrami sugeruje to co najmniej 100–200 przypadków. Niektórzy autorzy zalecają minimum 200 przypadków niezależnie od wielkości modelu dla CB-SEM i co najmniej 100 dla PLS-SEM. To zgrubne wskazówki; formalna analiza mocy dla SEM jest lepsza.
Gdzie znaleźć wielkość efektu do użycia jako dane wejściowe?
Najlepszym źródłem jest wcześniejsze badanie w Twojej dziedzinie, metaanaliza lub Twój własny pilotaż. Jeśli żadne nie istnieje, zaplanuj badanie pod najmniejszy efekt, który miałby znaczenie w praktyce (smallest effect size of interest, SESOI; Lakens, Scheel, & Isager, 2018, doi:10.1177/2515245918770963). Konwencje Cohena (1988) to rozwiązanie ostatniej szansy: mały (.20 dla d, .10 dla r, .02 dla f²), średni (.50, .30, .15) lub duży (.80, .50, .35). Często zawyżają one efekty obserwowane w prawdziwych badaniach (np. Gignac & Szodorai, 2016, doi:10.1016/j.paid.2016.06.069), więc planowanie na ich podstawie może zostawić Cię z za małą mocą. Uzasadnij swój wybór w sekcji metod.
Last updated: wrzesień 2026
Policz Moc i liczebność próby na własnych danych
Zbierz lub wgraj swoje dane, wykonaj analizę w przeglądarce i uzyskaj gotowy akapit APA, który możesz edytować. Start za darmo. Bez karty.
Zacznij za darmo