Poniedziałek, 16 listopada 2026 Imieniny: Małgorzata, Edmund, Gertruda Redakcja Kontakt
Statystyka

Jak obliczyć moc testu statystycznego?

Autor: Redakcja likekonik.pl Publikacja: 15 listopada 2026 5 min czytania
Wykresy i dane statystyczne w nauce

Moc testu statystycznego to prawdopodobieństwo wykrycia określonego efektu, jeśli ten efekt rzeczywiście istnieje. Oblicza się ją jako 1 − β, gdzie β oznacza ryzyko błędu II rodzaju. W praktyce wyznacza się jeden z czterech powiązanych parametrów – moc, liczebność próby, siłę efektu albo poziom istotności – przy założeniu wartości trzech pozostałych.

Czym jest moc testu statystycznego?

Moc testu opisuje jego zdolność do odrzucenia prawdziwie fałszywej hipotezy zerowej, czyli do wykrycia różnicy, związku lub innego efektu wskazanego w hipotezie alternatywnej. Zależy więc nie tylko od rodzaju testu, lecz także od projektu całego badania.

Jeżeli β oznacza prawdopodobieństwo popełnienia błędu II rodzaju, czyli nieodrzucenia fałszywej hipotezy zerowej, moc obliczamy ze wzoru:

Moc = 1 − β

Przykładowo moc równa 0,80 oznacza, że przy założonej wielkości efektu, poziomie istotności, liczebności próby i określonym teście istnieje 80-procentowe prawdopodobieństwo wykrycia tego efektu w wielokrotnie powtarzanych badaniach o takim samym schemacie. Nie oznacza to, że prawdopodobieństwo prawdziwości hipotezy alternatywnej w jednym konkretnym badaniu wynosi 80%.

Od czego zależy moc testu?

Najważniejsze parametry są ze sobą powiązane matematycznie. Zwykle ustala się trzy z nich, a następnie oblicza czwarty. W analizie a priori najczęściej przyjmuje się poziom istotności, oczekiwaną siłę efektu i wymaganą moc, aby wyznaczyć minimalną liczebność próby.

Parametr Znaczenie Wpływ na moc
Wielkość próby Liczba obserwacji lub osób uwzględnionych w badaniu. Większa próba zwykle zwiększa moc i ułatwia wykrycie małych efektów.
Poziom istotności α Dopuszczalne ryzyko błędu I rodzaju, często przyjmowane jako 0,05. Podwyższenie α zwykle zwiększa moc, ale zwiększa też ryzyko fałszywego odrzucenia hipotezy zerowej.
Siła efektu Przewidywana wielkość różnicy, związku lub innego zjawiska. Duży efekt łatwiej wykryć. Mały efekt wymaga zwykle większej próby i dokładniejszych pomiarów.
Moc testu Prawdopodobieństwo wykrycia założonego efektu. Jest wynikiem zależności między pozostałymi parametrami, a w planowaniu może być wartością docelową.

Siła efektu nie jest tym samym co istotność statystyczna. Określa rozmiar badanego zjawiska, na przykład różnicę między średnimi albo siłę korelacji. Dla testu t-Studenta często stosuje się d-Cohena, dla związku między zmiennymi ilościowymi może to być współczynnik korelacji Pearsona, a w analizie wariancji używa się innych miar, takich jak f Cohena lub RMSSE.

Dobór testu również ma znaczenie. Moc oblicza się zawsze dla konkretnej procedury, hipotezy, liczebności próby i założeń dotyczących rozkładu danych. Nie można traktować mocy jako stałej cechy przypisanej wszystkim zastosowaniom danego testu.

Jak obliczyć moc testu lub liczebność próby?

Obliczenia wykonuje się zwykle w programie statystycznym, ponieważ wzory zależą od wybranego testu i często wykorzystują rozkłady niecentralne. Do takich narzędzi należą między innymi G*Power, PS IMAGO PRO oraz PQStat.

Przed rozpoczęciem obliczeń trzeba przygotować dane wejściowe:

  • Przewidywaną siłę efektu, na przykład d-Cohena albo współczynnik korelacji.
  • Poziom istotności α, często ustalany na 0,05.
  • Planowaną liczebność próby lub docelową moc testu.
  • Rodzaj testu statystycznego, kierunek hipotezy oraz ewentualny podział na grupy.

Wartość siły efektu powinna wynikać z wcześniejszych badań, badania pilotażowego, literatury albo różnicy uznanej za istotną naukowo lub klinicznie. Przyjmowanie jej wyłącznie po to, aby uzyskać niewielką wymaganą próbę, prowadzi do zawyżenia mocy w planowaniu.

Analiza a priori przed badaniem

Analiza a priori służy do zaplanowania badania przed zebraniem danych. Najczęstszy schemat wygląda następująco:

  1. Wybierz test odpowiadający pytaniu badawczemu, na przykład test t dla dwóch grup niezależnych.
  2. Ustal, czy hipoteza będzie jednostronna czy dwustronna, oraz wpisz poziom istotności α.
  3. Wprowadź oczekiwaną siłę efektu i docelową moc, często 0,80.
  4. Odczytaj wymaganą liczebność próby i uwzględnij możliwe braki danych lub rezygnacje uczestników.

Przykładowo, przy planowaniu porównania dwóch niezależnych grup program może wykorzystać oczekiwane d-Cohena, poziom α, proporcję liczebności grup i moc 0,80, a następnie wyliczyć minimalną liczbę obserwacji w każdej grupie. Im mniejszy zakładany efekt, tym większa próba będzie potrzebna do jego wykrycia.

Analiza a posteriori po badaniu

Analiza a posteriori wykorzystuje dane z już przeprowadzonego badania. Wprowadza się wtedy rzeczywistą liczebność próby, przyjęty poziom istotności, oszacowaną siłę efektu oraz typ zastosowanego testu. Wynikiem jest moc związana z konkretnym założeniem dotyczącym efektu.

Taki wynik może pokazać, że badanie miało małą zdolność do wykrycia efektu o określonej wielkości. Nie powinien jednak zastępować planowania a priori ani być traktowany jako prosta miara wiarygodności uzyskanego wyniku. Po zakończeniu badania bardziej użyteczne bywa przedstawienie przedziału ufności, oszacowania efektu i jego niepewności.

Jak interpretować moc równą 0,80?

Wartość 0,80 jest często stosowanym celem planowania, ponieważ odpowiada β równemu 0,20. Jest to konwencja metodologiczna, a nie uniwersalne prawo statystyczne. W badaniach o wysokich konsekwencjach błędu II rodzaju można uzasadnić wyższą moc, na przykład 0,90 lub 0,95. W innych projektach ograniczenia budżetowe, dostępność populacji albo koszt pomiaru mogą nie pozwolić na osiągnięcie takiego poziomu.

Niska moc oznacza, że badanie może nie wykryć efektu, który rzeczywiście istnieje. Brak istotności statystycznej przy małej próbie nie rozstrzyga więc sam w sobie, czy efektu nie ma, czy też badanie było zbyt mało czułe. Zwiększenie próby zwykle poprawia zdolność wykrywania małych różnic, ale zwiększa koszt i czas realizacji badania.

Gdy zaplanowana moc jest zbyt niska, można rozważyć następujące działania:

  • Zwiększenie liczebności próby – zwykle najbardziej bezpośredni sposób poprawy mocy.
  • Wybór testu o większej mocy – tylko wtedy, gdy odpowiada on pytaniu badawczemu i spełnione są jego założenia.
  • Usprawnienie procedury pomiarowej – zmniejszenie błędu pomiaru może ograniczyć zmienność i ułatwić wykrycie efektu.
  • Podwyższenie poziomu istotności – może zwiększyć moc, ale równocześnie zwiększa ryzyko błędu I rodzaju, dlatego wymaga uzasadnienia przed analizą.

Najprostsza odpowiedź na pytanie „moc testu statystycznego – jak obliczyć?” brzmi: wybierz właściwy test, określ trzy spośród czterech parametrów – liczebność próby, siłę efektu, poziom α i docelową moc – a następnie wyznacz brakujący parametr w narzędziu takim jak G*Power, PS IMAGO PRO lub PQStat. Największą wartość ma zwykle analiza a priori, wykonana przed rozpoczęciem badania.

Redakcja likekonik.pl

Likekonik.pl to pomoc w nauce przedmiotów ścisłych. Zebraliśmy wzory matematyczne, fizyczne i chemiczne razem z wyjaśnieniem, kiedy i jak je stosować. Omawiamy geometrię, funkcje i statystykę oraz rozwiązujemy przykładowe zadania krok po kroku. Tłumaczymy pojęcia, z którymi uczniowie i studenci mają najwięcej kłopotu. Piszemy przystępnie, tak żeby z naszych materiałów można było szybko powtórzyć materiał przed sprawdzianem, maturą lub kolokwium.

741 opublikowanych artykułów zobacz wszystkie

Przeczytaj też

Spis treści · 6 sekcji