Prejsť na obsah
Článok

Koľko potrebujem účastníkov? Plánovanie veľkosti vzorky

Od Andrzej Szymkowiak · september 2026

Táto stránka je prekladom recenzovaného anglického originálu. Zobraziť originál (EN)

koľko potrebujem účastníkov

Andrzej Szymkowiak · Naposledy revidované: september 2026

Ako naplánovať veľkosť vzorky pred zberom dát: power analysis, pravidlá SEM a opúšťanie.

Tvoj školiteľ zdvihne zrak od tvojho návrhu a pýta sa: „Ako si rozhodol o tomto počte účastníkov?". Počet účastníkov, ktorých potrebuješ, závisí od metódy analýzy, očakávanej veľkosti efektu, hladiny alpha a cieľovej sily testu (power). A-priori power analysis vypočíta minimálne N pred zberom dát — zvyčajne mieri na silu ≥ .80 pri α = .05 pre najmenší očakávaný efekt — a je to prístup, ktorý očakávajú recenzenti aj inštitúcie poskytujúce financovanie.

Jednou z najčastejších chýb plánovania v dotazníkovom výskume je rozhodovanie o veľkosti vzorky až po zbere dát. Vtedy je už neskoro na zmenu. Recenzenti sa spýtajú, či si mal dostatočnú silu na odhalenie svojich efektov. Inštitúcie poskytujúce financovanie sa spýtajú, ako si zdôvodnil rozpočet na nábor. Tento návod vysvetľuje, ako premýšľať o veľkosti vzorky pred spustením štúdie — a ako naplánovať účastníkov, ktorých po ceste stratíš.

Prečo plánovať veľkosť vzorky pred zberom dát

Za skorým plánovaním stoja tri dôvody.

Štatistická sila. Sila je pravdepodobnosť odhalenia efektu, ktorý naozaj existuje. Štúdia s nízkou silou často prehliadne skutočné efekty, čo vedie k falošnému nulovému výsledku. Konvenčné minimum sily je .80, čo znamená, že akceptuješ 20 % šancu, že prehliadneš skutočný efekt. Aby si túto silu dosiahol, potrebuješ minimálnu veľkosť vzorky — ktorá závisí od toho, aký veľký je efekt a aký prísny je tvoj prah významnosti.

Rozpočet. Nábor účastníkov stojí peniaze a čas. Vedieť minimálnu potrebnú vzorku vopred ti umožní odhadnúť náklady predtým, než sa zaviažeš. Zistiť až dodatočne, že si potreboval dvakrát viac účastníkov, je nákladné.

Očakávania recenzentov. Časopisy čoraz častejšie žiadajú autorov, aby reportovali power analysis. Ak ju tvoj článok neobsahuje, recenzenti ho môžu odmietnuť alebo požiadať o revíziu. Prospektívna power analysis, vykonaná pred zberom dát, je silnejším dôkazom než tá vykonaná po poznaní výsledkov. Pre úplný prehľad rozhodnutí o návrhu, ktoré predchádzajú zberu dát, pozri od výskumnej otázky k dotazníku →.

Logika a-priori power analysis

A-priori power analysis stanoví veľkosť vzorky, ktorú potrebuješ, ešte predtým, než zozbieraš dáta. Štyri vstupy určujú požadované N:

  1. Veľkosť efektu: najmenší efekt, aký očakávaš, alebo najmenší, ktorý by bol prakticky významný (tvoj SESOI — smallest effect size of interest). Zakladaj ho na skorších prácach, kedykoľvek je to možné — na metaanalýze, najbližšej publikovanej štúdii alebo pilote — a nie na všeobecnej nálepke. Cohenove referenčné body (1988) (pre ANOVA malý f = .10, stredný f = .25, veľký f = .40; pre regresiu malý f² = .02, stredný f² = .15, veľký f² = .35) sú len poslednou možnosťou a majú tendenciu nadhodnocovať efekty pozorované v mnohých oblastiach, takže plánovanie okolo nich ťa môže nechať s nedostatočnou silou.
  2. Alpha (α): prah významnosti, zvyčajne .05.
  3. Sila (1 − β): akceptovateľná šanca odhaliť efekt, zvyčajne .80.
  4. Počet prediktorov alebo skupín: ovplyvňuje počet stupňov voľnosti v modeli.

S týmito štyrmi vstupmi vzorec sily alebo kalkulačka vráti minimálne N. Pre t-testy, korelácie, regresiu a ANOVA to urobí bezplatný program G*Power (Faul et al., 2007). Pre CFA a SEM dáva bezplatná kalkulačka Explonie na adrese /tools/sample-size-sem/ N podľa pravidla palca (prípady na voľný parameter, s minimom 200 prípadov) a power analysis založenú na RMSEA (MacCallum, Browne, & Sugawara, 1996) pre počet stupňov voľnosti tvojho modelu.

Koľko účastníkov potrebuješ podľa metódy analýzy?

Toto sú východiskové body, nie náhrady za poriadny výpočet sily. Použi ich na krížovú kontrolu svojho výpočtu alebo na rýchle odhady vo fáze návrhu.

MetódaPribližné pravidloPoznámky
t-test pre nezávislé vzorky (stredný efekt)~64 na skupinuCohen (1988), d = .50, α = .05 (obojstranne), sila = .80
Pearsonova korelácia (stredný efekt)~85 spoluOdhalenie r ≈ .30
Viacnásobná regresia~10–15 na prediktor (zhruba); Green (1991): N ≥ 50 + 8 × prediktoryViac prediktorov a menšie efekty vyžadujú väčšie N
CFA / CB-SEM5–10 na odhadovaný parameterČasto citované (napr. Hair a kol., 2019); bežné praktické minimum je približne 200, čo je zároveň typická veľkosť vzorky v štúdiách SEM (Kline, 2016), ale over power analysis
PLS-SEMMetóda inverse-square-root alebo power analysis — nie staré pravidlo „10× ciest"Pravidlo desaťnásobku je kritizované ako nespoľahlivé, dokonca aj zástancami PLS (Hair a kol., 2019; Kock a Hadaya, 2018)
ANOVA medzi skupinami (stredný efekt)~53 na skupinu pre tri skupiny (celkové N ≈ 159)f = .25, α = .05, sila = .80; N na skupinu závisí od počtu skupín

Pre structural equation models záleží na počte parametrov. Jednoduché dvojfaktorové CFA s 12 položkami a jednou koreláciou faktorov môže odhadovať asi 25 parametrov. Pri 5 na parameter je to minimum 125 účastníkov. Mnohí recenzenti očakávajú aspoň 200 pre viacfaktorové CFA a viac pre zložité SEM modely. Ber všetky tieto hodnoty ako východiskové body, nie ako záruky dostatočnej sily.

Pre PLS-SEM ignoruj kedysi bežné pravidlo „desaťnásobok počtu ciest": rutinne podhodnocuje potrebnú vzorku a bolo kritizované aj svojimi vlastnými zástancami (Hair a kol., 2019). Použi metódu inverse-square-root (Kock a Hadaya, 2018), ktorá viaže N na najmenší koeficient cesty, ktorý očakávaš odhaliť, alebo formálnu power analysis. Pre akýkoľvek model s latentnými premennými je najlepšie zdôvodneným prístupom simulácia Monte Carlo (Muthén a Muthén, 2002): špecifikuješ model a očakávané hodnoty parametrov a potom simuluješ veľkosť vzorky, ktorá dáva dostatočnú silu a stabilné, neskreslené odhady. Viac si prečítaš na /methods/sample-size/. Ak si ešte stále vyberáš medzi týmito dvoma rodinami SEM, pozri si PLS-SEM vs CB-SEM: ako si vybrať.

Plánovanie na opúšťanie a vyradenia

Tvoja cieľová vzorka je počet použiteľných, kompletných odpovedí. To nie je to isté ako počet ľudí, ktorí začnú tvoj dotazník. Tvoje finálne číslo zmenšujú dve sily.

Opúšťanie (čiastočné dokončenie). Aj dobre navrhnuté dotazníky strácajú respondentov v polovici. V online paneloch sú miery opúšťania rádovo 10–25 % bežné pre dotazníky trvajúce 10–20 minút. Dlhší alebo náročnejší dotazník môže stratiť 30–40 % alebo viac.

Vyradenia (screen-outs). Ak tvoja štúdia vyžaduje konkrétnu populáciu — používateľov produktu, rodičov, profesionálov z danej oblasti — vyradíš účastníkov, ktorí sa nekvalifikujú. Ak iba jeden z troch členov panelu spĺňa tvoje kritériá (miera zásahu 33 %), potrebuješ trikrát viac začatí, aby si naplnil svoj cieľ.

Praktické pravidlo: vydeľ cieľové použiteľné N očakávanou mierou dokončenia a mierou zásahu. Návod krok za krokom, ako naberať vzorku z online panelu, nájdeš v ako naberať účastníkov na Prolific →.

Cieľové začatia = (cieľové použiteľné N) ÷ (miera dokončenia) ÷ (miera zásahu)

Príklad: potrebuješ 200 použiteľných odpovedí, očakávaš 80 % dokončenie a tvoja miera zásahu je 50 %. Potrebuješ 200 ÷ .80 ÷ .50 = 500 začatí. Nastav objednávku panelu na 500 alebo mierne nad.

Nad rámec tohto vzorca vždy pridaj bezpečnostnú rezervu 10–15 %, pretože môžeš tiež odstraňovať odpovede za straight-lining, príliš rýchly čas dokončenia alebo neprejdenie kontrol pozornosti.

Náklady na nábor v platenom paneli

Ak naberáš cez platený panel, ako je Prolific (dostupný v-paneli v pláne Academic PRO Explonie), platíš účastníkom hlavne za dokončené odpovede, zvyčajne menšiu sumu za každého vyradeného vnútri dotazníka, plus servisný poplatok platformy navrch. Sadzby a poplatky sa časom menia a líšia sa medzi platformami, takže si over aktuálny cenník poskytovateľa pred zostavovaním rozpočtu, namiesto spoliehania sa na pevné číslo. Výhradne ako ilustrácia: ak by sadzba účastníka bola okolo £9 za hodinu a dotazník trval 10 minút, každá dokončená odpoveď by stála zhruba £1.50 v odmene účastníka, pred servisným poplatkom. Dlhšie dotazníky, nižšia miera zásahu (viac vyradení) a prísnejšie kritériá kvality — to všetko zvyšuje celkovú sumu.

Odmenu účastníkov rozpočtuj ako:

Odmena účastníkov ≈ (dokončené odpovede) × (trvanie dotazníka v hodinách) × (hodinová sadzba), potom pridaj platby za vyradenia vnútri dotazníka a servisný poplatok platformy

To jasne ukazuje, prečo efektívne meranie záleží: menej zbytočných položiek znamená kratší dotazník, čo zároveň znižuje náklady aj opúšťanie.

Časté chyby, ktorým sa treba vyhnúť

  • Výber okrúhleho čísla (100, 200) bez power analysis za ním.
  • Použitie PLS pravidla „10-krát cesty" — je zastarané a necháva štúdie s nedostatočnou silou.
  • Spustenie post-hoc analýzy „observed power" na zdôvodnenie nevýznamného výsledku (Hoenig a Heisey, 2001).
  • Zabudnutie zvýšiť cieľ o očakávané opúšťanie a neprejdenie kontrol pozornosti.
  • Hádanie veľkosti efektu namiesto jej ukotvenia v skorších výskumoch, pilote alebo najmenšom významnom efekte.
  • Považovanie „PLS funguje s malými vzorkami" za licenciu vynechať plánovanie vzorky.

Často kladené otázky

Koľko účastníkov potrebujem na SEM?

Časté pravidlo palca pre CB-SEM je 5–10 účastníkov na odhadovaný parameter, s praktickým minimom okolo 200, ale ber to ako heuristiku a potvrď power analysis alebo simuláciou Monte Carlo (Muthén a Muthén, 2002). Pre PLS-SEM sa nespoliehaj na staré pravidlo „10-krát najväčší počet ciest" — teraz sa považuje za nespoľahlivé, dokonca aj jeho hlavnými zástancami (Hair a kol., 2019). Použi metódu inverse-square-root (Kock a Hadaya, 2018) alebo power analysis previazanú s najmenšou cestou, ktorú chceš odhaliť; PLS niekedy môže fungovať na menších vzorkách, ale povesť „priateľský k malým vzorkám" je prehnaná a slabé efekty stále vyžadujú podstatné N. Správna odpoveď závisí od zložitosti modelu, očakávaných veľkostí efektov a počtu položiek na faktor. Použi kalkulačku Explonie na adrese /tools/sample-size-sem/, aby si získal odhad prispôsobený modelu.

Aký je rozdiel medzi a-priori a post-hoc power analysis?

A-priori power analysis sa vykonáva pred zberom dát. Nastavíš veľkosť efektu, alpha a silu a analýza vráti požadované N. To je štandardný prístup k plánovaniu štúdie. Post-hoc (observed) power analysis sa vykonáva po zbere dát, na základe veľkosti vzorky, ktorú už máš. Je do veľkej miery cirkulárna — nevýznamný výsledok s nízkou observed power len opakuje to, čo už vieš — a neodporúča sa na zdôvodňovanie nulových výsledkov (Hoenig a Heisey, 2001). Použi a-priori analýzu na plánovanie; vyhni sa post-hoc analýze ako dôkazu.

O koľko by som mal nadnaberať, aby som zohľadnil opúšťanie?

Presná odpoveď vychádza z vyššie uvedeného vzorca: cieľové začatia = (cieľové použiteľné N) ÷ (miera dokončenia) ÷ (miera zásahu), potom pridaj bezpečnostnú rezervu 10–15 % na odpovede, ktoré neskôr vyradíš za straight-lining, príliš rýchle dokončenie alebo neprejdenie kontrol pozornosti. Ak ešte nemáš odhady dokončenia alebo zásahu, hrubou skratkou je naberať o 20–30 % viac začatí, než je tvoje cieľové použiteľné N, pre typický 10–15 minútový online dotazník s miernou selekciou kvality a vysokou mierou zásahu — ale toto číslo len zastupuje vzorec. Pre dlhšie dotazníky, populácie s nízkou mierou zásahu alebo prísne kritériá kontroly pozornosti si vzorec vyžiada podstatne viac (často 40–50 % alebo viac). Sleduj svoje miery dokončenia a odmietnutia z akejkoľvek pilotnej štúdie, aby si ich nakalibroval pre svoj konkrétny nástroj.

Akú veľkosť efektu predpokladať, ak nemám skoršie dáta?

Preferuj hodnotu prevzatú zo skorších prác — z metaanalýzy, najbližšej publikovanej štúdie alebo vlastného pilota — a nie hádanie. Ak naozaj nemáš nič, o čo by si sa mohol oprieť, lepšou voľbou než všeobecná nálepka je najmenšia veľkosť efektu, ktorá by pre teba bola prakticky významná (tvoj SESOI), a štúdiu navrhuješ tak, aby si ju odhalil. „Stredný" efekt (Cohen's d = .50; r = .30; f² = .15) sa niekedy používa ako zástupná hodnota (Cohen, 1988), ale nie je bezpečnou predvolenou voľbou: skutočné efekty sú často menšie, takže plánovanie okolo „stredného" často necháva štúdiu s nedostatočnou silou. Menší očakávaný efekt vyžaduje väčšiu vzorku. Recenzenti sa spýtajú, ako si vybral veľkosť efektu, takže ju zdôvodni z literatúry, pilota alebo uvedeného praktického prahu — nikdy ju nepredkladaj ako hádanie.

Môže Explonia vypočítať moju veľkosť vzorky?

Áno, pre CFA a SEM. Bezplatná kalkulačka Explonie na adrese /tools/sample-size-sem/ prijme počet faktorov, položiek a štruktúrnych ciest a vráti N podľa pravidla palca a power analysis založenú na RMSEA pre tvoju alpha a cieľovú silu, spolu s použitým vzorcom a kódom R. Pre t-testy, korelácie, regresiu alebo ANOVA použi G*Power. Potom spustíš analýzu na dátach, ktoré zozbieraš, vnútri tej istej 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.


Ako to Explonia robí za teba

Explonia poskytuje bezplatnú kalkulačku veľkosti vzorky pre CFA a SEM na adrese /tools/sample-size-sem/. Zadaj počet faktorov, položiek a štruktúrnych ciest: kalkulačka odhadne voľné parametre, dá N podľa pravidla palca s minimom 200 prípadov a spustí power analysis založenú na RMSEA pre tvoju alpha a cieľovú silu, s kódom R, ktorý si môžeš overiť. Nepokrýva t-testy ani ANOVA a neupravuje výsledok o predčasné ukončenie ani mieru zásahu, takže vzorec pre počet začatí uvedený vyššie použi sám. Použitie kalkulačky nevyžaduje registráciu.

Pre plánovanie na úrovni štúdie vnútri tvojho dotazníkového návrhu pozri hotové príklady →, aby si sledoval, ako sa realistický dotazník navrhuje, dimenzuje a spúšťa. Po zozbieraní dát a spustení modelu pozri ako reportovať indexy zhody SEM →, aby si prešiel na ďalší krok.


Pripravený zdimenzovať svoju štúdiu s istotou? Naplánuj vzorku v Explonii a spusti analýzu na dátach, ktoré zozbieraš. Začni zadarmo →

Ako citovať tento článok

Ak vám tento článok pomohol vo výskume, môžete ho citovať (APA 7):

Szymkowiak, A. (2026). Koľko potrebujem účastníkov? Plánovanie veľkosti vzorky. Explonia. https://explonia.com/sk/blog/sample-size-before-data-collection/

Last updated: september 2026

Vykonajte celý výskum na jednom mieste

Navrhnite ho, zozbierajte dáta a spustite skutočné CFA a SEM na vlastných dátach — s návrhom odseku APA, ktorý môžete upraviť. Začnite zadarmo.

Začať zadarmo