529. Jamovi – pierwsza analiza krok po kroku

Jamovi jest bezpłatnym, otwartym programem statystycznym działającym w interfejsie arkusza kalkulacyjnego. Łączy prostotę obsługi typową dla programów menu-driven z obliczeniami wykonywanymi w środowisku R. Dzięki temu może być dobrym narzędziem do nauki analizy danych, ale także do wielu rzeczywistych analiz w psychologii, pielęgniarstwie, zdrowiu publicznym i naukach społecznych. Samo kliknięcie odpowiedniej opcji nie zastępuje jednak decyzji metodologicznej: najpierw trzeba określić pytanie badawcze, typ zmiennych i schemat badania, a dopiero potem wybrać procedurę.

W tej lekcji wykonamy pierwszą analizę od początku do końca. Zaczniemy od przygotowania pliku, sprawdzimy strukturę danych, obliczymy statystyki opisowe, a następnie porównamy dwie niezależne grupy za pomocą testu t. Warto równolegle korzystać z podręcznika do szkolenia dostępnego na stronie statystyk.edu.pl, traktując je jako miejsce do utrwalania pojęć i samodzielnego wykonywania ćwiczeń.

1. Czym jest jamovi i do czego służy?

Jamovi jest programem do zarządzania danymi, wizualizacji oraz wykonywania analiz statystycznych. Interfejs składa się przede wszystkim z arkusza danych po lewej stronie i panelu wyników po prawej. Analizę wybiera się z menu Analyses, a jej opcje zaznacza się w panelu ustawień. Wyniki aktualizują się automatycznie po zmianie danych lub parametrów analizy. Program umożliwia między innymi obliczanie statystyk opisowych, wykonywanie testów t, analiz wariancji, korelacji, regresji, analiz nieparametrycznych i analiz czynnikowych. Dostępne są także dodatkowe moduły rozszerzające zakres procedur (The jamovi project, 2026; Şahin i Aybek, 2019).

Istotną cechą jamovi jest zapisywanie danych, ustawień analiz i wyników w jednym pliku projektu. Zwiększa to przejrzystość pracy, ale nie gwarantuje automatycznie jej powtarzalności. Badacz nadal powinien opisać źródło danych, sposób kodowania, kryteria wykluczeń, zastosowane analizy oraz uzasadnienie wyboru testu.

2. Przygotowanie danych do pierwszej analizy

Układ danych

Najwygodniejsza zasada brzmi: jeden wiersz oznacza jedną jednostkę obserwacji, a jedna kolumna jedną zmienną. W badaniu pacjentów wiersz może odpowiadać jednemu pacjentowi, w badaniu studentów – jednej osobie, a w badaniu oddziałów szpitalnych – jednemu oddziałowi, jeżeli to oddziały są jednostkami analizy.

Przykładowy plik może zawierać następujące kolumny:

id grupa cisnienie_skurczowe stres
1 interwencja 128 22
2 kontrola 141 31
3 interwencja 132 19

Nazwa zmiennej powinna być krótka, jednoznaczna i pozbawiona przypadkowych spacji. Warto unikać nazw typu „wynik1” lub „dane_nowe”, jeżeli nie wiadomo, czego dotyczą. Lepsze są nazwy cisnienie_skurczowe, czas_reakcji_ms albo skala_leku.

Import pliku

Jamovi może otwierać między innymi pliki CSV, Excela, SPSS, Stata i SAS. Po imporcie nie należy od razu przechodzić do testu statystycznego. Najpierw trzeba sprawdzić, czy program prawidłowo rozpoznał typ danych oraz poziom pomiaru. Jamovi rozróżnia typ danych Integer, Decimal i Text, a także poziomy pomiaru Nominal, Ordinal, Continuous i ID (The jamovi project, 2026a).

  • Nominal – kategorie bez uporządkowania, np. płeć, grupa badana, palenie tytoniu.
  • Ordinal – kategorie uporządkowane, np. ocena bólu: brak, łagodny, umiarkowany, silny.
  • Continuous – zmienna ilościowa, dla której sensowne są działania arytmetyczne, np. wiek, masa ciała, ciśnienie tętnicze.
  • ID – identyfikator obserwacji, którego zwykle nie analizuje się jako zmiennej merytorycznej.

Typ zmiennej można zmienić, klikając dwukrotnie nagłówek kolumny albo otwierając edytor zmiennej. Trzeba też sprawdzić poziomy kategorii. Jeżeli w jednej części pliku grupa jest zapisana jako „interwencja”, a w innej jako „Interwencja”, program może potraktować te wartości jako dwie różne kategorie.

3. Pierwszy etap: kontrola danych i statystyki opisowe

Statystyki opisowe powinny poprzedzać formalny test. Pozwalają sprawdzić liczebność grup, położenie wyników, zróżnicowanie oraz potencjalne wartości odstające. W menu wybieramy Analyses → Exploration → Descriptives. Zmienną ilościową przenosimy do pola Variables. Jeżeli chcemy uzyskać wyniki osobno dla grup, zmienną grupującą umieszczamy w polu Split by.

W podstawowej tabeli warto zaznaczyć liczebność N, średnią, medianę, odchylenie standardowe, minimum i maksimum. Przydatne są także wykres pudełkowy, histogram i wykres Q-Q. Średnia arytmetyczna jest obliczana według wzoru:

x̄ = (x1 + x2 + … + xn) / n

  • x̄ – średnia arytmetyczna;
  • x1, x2, …, xn – poszczególne obserwacje;
  • n – liczba obserwacji.

Odchylenie standardowe opisuje typową odległość wyników od średniej. Nie jest ono jednak miarą „błędu” pojedynczego pomiaru ani dowodem, że rozkład jest normalny. W małych próbach wykresy i wiedza o sposobie pomiaru są często bardziej informacyjne niż automatyczne poleganie na jednym teście normalności.

4. Pierwsza analiza inferencyjna: test t dla dwóch niezależnych grup

Test t dla prób niezależnych służy do porównania średnich w dwóch grupach, gdy obserwacje w jednej grupie nie są parami powiązane z obserwacjami w drugiej. Przykładowo można porównać średnie ciśnienie skurczowe pacjentów objętych programem edukacyjnym i pacjentów z grupy kontrolnej. Nie należy stosować tego testu do porównania pomiaru „przed” i „po” u tych samych osób; w takim przypadku potrzebny jest test dla prób zależnych albo model uwzględniający powtarzane pomiary.

W klasycznej wersji testu hipoteza zerowa zakłada równość średnich w populacjach:

H0: μ1 − μ2 = 0

  • μ1 – średnia w pierwszej populacji;
  • μ2 – średnia w drugiej populacji;
  • różnica równa zero oznacza brak różnicy średnich w sensie modelu statystycznego.

W uproszczonej postaci statystyka testowa ma postać:

t = (x̄1 − x̄2) / SE(x̄1 − x̄2)

Licznik jest obserwowaną różnicą średnich, a mianownik określa niepewność tej różnicy. Jamovi może wykonać zarówno test t Studenta, jak i test Welcha. Test Welcha nie wymaga założenia równości wariancji i często jest rozsądnym wyborem, gdy liczebności grup lub ich zróżnicowanie są wyraźnie różne (The jamovi project, 2026b).

Wykonanie analizy w jamovi

  1. Wybierz Analyses → T-Tests → Independent Samples T-Test.
  2. Przenieś zmienną ilościową, np. cisnienie_skurczowe, do pola Dependent Variables.
  3. Przenieś zmienną grupującą, np. grupa, do pola Grouping Variable.
  4. Zaznacz Descriptives, aby otrzymać średnie i odchylenia standardowe.
  5. Zaznacz Mean difference oraz Confidence interval, aby wyświetlić różnicę średnich i jej przedział ufności.
  6. Zaznacz Effect size, aby uzyskać miarę wielkości efektu, np. Cohen’s d.
  7. Jeżeli wariancje są nierówne, wybierz test Welcha zamiast automatycznego traktowania grup jako równoważnych.

Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej. Informuje, jak zgodne z hipotezą zerową są uzyskane dane przy przyjętym modelu i założeniach. Nie mówi także, czy różnica jest ważna klinicznie lub praktycznie. Dlatego wynik należy interpretować razem z różnicą średnich, przedziałem ufności, wielkością efektu i kontekstem badania.

5. Przykład praktyczny: program edukacyjny a ciśnienie tętnicze

Załóżmy, że w badaniu obserwacyjnym porównano ciśnienie skurczowe 24 pacjentów uczestniczących w programie edukacyjnym z ciśnieniem 24 pacjentów otrzymujących standardową opiekę. Zmienną wynikową jest ciśnienie skurczowe w mmHg, a zmienną grupującą – rodzaj opieki.

Po uruchomieniu statystyk opisowych badacz powinien sprawdzić, czy liczebności są zgodne z projektem, czy nie występują oczywiste błędy wpisywania, np. 820 zamiast 120, oraz czy rozkłady w obu grupach nie zawierają skrajnych obserwacji. Jeżeli średnie wynoszą odpowiednio 132 i 141 mmHg, różnica średnich wynosi −9 mmHg. Taki wynik można opisać jako niższe średnie ciśnienie w grupie edukacyjnej, ale nie wolno od razu napisać, że program „spowodował” obniżenie ciśnienia, jeżeli badanie nie było randomizowanym eksperymentem i nie kontrolowano różnic wyjściowych.

Przykładowy zapis raportu może mieć następującą formę: Średnie ciśnienie skurczowe było niższe w grupie uczestniczącej w programie edukacyjnym niż w grupie standardowej opieki. Różnica średnich wyniosła −9 mmHg, a jej interpretację należy oceniać wraz z 95% przedziałem ufności, wynikiem testu Welcha i miarą wielkości efektu. Ponieważ grupy nie były losowo przydzielane, wynik opisuje różnicę między grupami i nie stanowi sam przez się dowodu efektu przyczynowego.

6. Drugi przykład: stres studentów pielęgniarstwa

W badaniu studentów pielęgniarstwa zmierzono wynik na skali stresu w grupie odbywającej zajęcia z treningiem relaksacyjnym oraz w grupie uczestniczącej w zwykłych zajęciach. Jeżeli skala jest sumą kilku pozycji Likerta, przed analizą trzeba ustalić, czy wynik łączny może być traktowany jako zmienna ciągła. Decyzja powinna wynikać z konstrukcji narzędzia, liczby pozycji, rozkładu wyników i celu analizy, a nie wyłącznie z faktu, że jamovi pozwala przeciągnąć zmienną do pola analizy.

Wynik testu t może wskazać różnicę średnich, lecz nie ocenia jakości samej skali ani kompletności danych. W przypadku brakujących odpowiedzi można utworzyć wynik za pomocą zmiennej obliczanej, na przykład MEAN(Q1:Q10), ale trzeba sprawdzić, ile odpowiedzi musi być dostępnych, aby wynik był uznany za ważny. Reguła użyta w badaniu powinna być wcześniej zaplanowana i opisana.

Najczęstsze błędy

  • Rozpoczynanie od testu zamiast od pytania badawczego. Program nie wybiera za badacza właściwego schematu badania.
  • Mylenie prób niezależnych i zależnych. Pomiar przed–po u tych samych osób nie jest analizą dla dwóch niezależnych grup.
  • Brak kontroli typów zmiennych. Zmienna grupująca zakodowana liczbami 1 i 2 może zostać błędnie uznana za ciągłą.
  • Traktowanie kodu 999 jako prawdziwego wyniku. Specjalne kody braków danych trzeba oznaczyć lub usunąć zgodnie z dokumentacją bazy.
  • Automatyczne usuwanie obserwacji odstających. Najpierw należy ustalić, czy obserwacja jest błędem, czy rzeczywistym, choć skrajnym przypadkiem.
  • Raportowanie wyłącznie wartości p. Należy podać także statystyki opisowe, różnicę, przedział ufności i wielkość efektu.
  • Wnioskowanie przyczynowe z badania obserwacyjnego. Różnica między grupami może wynikać z zakłócających cech uczestników.
  • Brak zapisu projektu. Wyniki skopiowane do edytora tekstu bez zachowania pliku jamovi utrudniają kontrolę i odtworzenie analizy.

Co warto zapamiętać?

  • Jamovi upraszcza wykonanie obliczeń, ale nie zastępuje rozumowania metodologicznego.
  • Przed każdą analizą sprawdź układ danych, typy zmiennych, braki danych i wartości skrajne.
  • Statystyki opisowe i wykresy są etapem obowiązkowym, a nie dodatkiem do testu.
  • Test t dla prób niezależnych wymaga dwóch niezależnych grup i ilościowej zmiennej wynikowej.
  • Test Welcha jest użyteczną alternatywą, gdy nie chcemy zakładać równych wariancji.
  • Wartość p nie mierzy wielkości ani praktycznej ważności efektu.
  • Wynik należy raportować razem z różnicą, przedziałem ufności, wielkością efektu i ograniczeniami projektu.
  • Plik projektu, opis danych i zapis decyzji analitycznych są częścią dobrej praktyki badawczej.

Pierwsza analiza w jamovi powinna więc prowadzić od pytania badawczego do interpretacji, a nie od przypadkowego wyboru procedury do poszukiwania znaczącej wartości p. W kolejnych analizach można wykorzystać tę samą sekwencję: przygotowanie danych, kontrola jakości, opis rozkładów, dobór modelu, ocena założeń, raportowanie efektu i krytyczna interpretacja.

Źródła i dalsza lektura

  1. The jamovi project (2026). jamovi (Version 2.7) [Computer Software]. The jamovi project. Źródło.
  2. The jamovi project (2026). Data Variables. jamovi Documentation. The jamovi project. Źródło.
  3. The jamovi project (2026). Independent Samples T-Test (ttestIS). jamovi Documentation. The jamovi project. Źródło.
  4. Şahin, Murat Doğan; Aybek, Eren Can (2019). Jamovi: An Easy to Use Statistical Software for the Social Scientists. International Journal of Assessment Tools in Education, 6(4), 670–692. DOI: 10.21449/ijate.661803.
  5. Love, Jonathon; Selker, Ravi; Marsman, Maarten; Jamil, Tahira; Dropmann, Damian; Verhagen, Josine; Ly, Alexander; Gronau, Quentin F.; Smira, Michal; Epskamp, Sacha; Matzke, David; Wild, Aron; Knight, Patrick; Morey, Richard D.; Rouder, Jeffrey N.; Wagenmakers, Eric-Jan (2019). JASP: Graphical Statistical Software for Common Statistical Designs. Journal of Statistical Software, 88(2), 1–17. DOI: 10.18637/jss.v088.i02.
  6. Abbasnasab Sardareh, Saeideh; Brown, Gavin T. L.; Denny, Paul (2025). Statistical Software Usability for Novice Research Students in the Social Sciences: An Eye-Tracking Study. Journal of Statistics and Data Science Education, 198–212. DOI: 10.1080/26939169.2025.2497550.

Podobne wpisy

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Wymagane pola są oznaczone *