416. Test Kruskala–Wallisa – nieparametryczne porównanie wielu grup
Test Kruskala–Wallisa służy do porównywania kilku niezależnych grup, gdy klasyczna ANOVA jednoczynnikowa nie jest właściwym wyborem.
-
-
412. Jak interpretować interakcję w ANOVA?
Interakcja w ANOVA pokazuje, że wpływ jednego czynnika zależy od poziomu drugiego. Lekcja wyjaśnia jej sens, analizę efektów prostych i raportowanie.
-
409. ANOVA z powtarzanymi pomiarami – podstawy
ANOVA z powtarzanymi pomiarami służy do porównywania średnich uzyskanych od tych samych osób w kilku warunkach lub punktach czasowych.
-
408. Games–Howell – test post-hoc przy nierównych wariancjach
Games–Howell to procedura post-hoc przeznaczona do porównań parami, gdy grupy mają nierówne wariancje i często także różne liczebności.
-
405. ANOVA Welcha – gdy wariancje nie są równe
ANOVA Welcha pozwala porównywać średnie kilku grup, gdy wariancje lub liczebności są różne. Lekcja omawia wzór, założenia, interpretację i przykłady.
-
403. Statystyka F – intuicyjna interpretacja
Statystyka F porównuje zmienność między grupami ze zmiennością wewnątrz grup. Dowiedz się, jak interpretować ją intuicyjnie i poprawnie raportować.
-
401. ANOVA jednoczynnikowa – idea analizy wariancji
Lekcja wyjaśnia, czym jest ANOVA jednoczynnikowa, jak rozkłada zmienność na składniki oraz jak interpretować statystykę F, założenia i wynik testu.
-
397. Jak raportować testy nieparametryczne?
Lekcja 397 pokazuje, jak poprawnie raportować testy Manna–Whitneya, Wilcoxona i inne analizy nieparametryczne, wraz z opisem danych, wielkością efektu i interpretacją.
-
389. Porównanie dwóch proporcji – podstawowe podejścia
Lekcja wyjaśnia, jak porównywać dwie proporcje w grupach niezależnych, kiedy stosować test z-score, test chi-kwadrat, test Fishera oraz jak interpretować różnicę proporcji i jej przedział ufności.
-
387. Test Wilcoxona dla prób zależnych – interpretacja
Jak poprawnie interpretować test Wilcoxona dla prób zależnych? Lekcja wyjaśnia założenia, hipotezy, statystykę W, wartość p, kierunek zmiany i wielkość efektu.
-
383. Test Welcha – dlaczego często jest bezpieczniejszym wyborem?
Test Welcha porównuje średnie dwóch niezależnych grup bez założenia równości wariancji. Lekcja wyjaśnia jego wzór, interpretację i zastosowanie.
-
381. Test t dla jednej próby – kiedy ma zastosowanie?
Test t dla jednej próby służy do oceny, czy średnia w badanej próbie różni się od określonej wartości odniesienia. Lekcja wyjaśnia założenia, wzór, interpretację i typowe błędy.
-
380. Checklista diagnostyczna przed wyborem testu lub modelu
Praktyczna checklista diagnostyczna pomagająca ocenić strukturę danych, jakość pomiaru, niezależność obserwacji i założenia modeli statystycznych.
-
378. Odporność testów parametrycznych na naruszenia założeń
Testy parametryczne nie zawsze wymagają idealnej normalności. O ich odporności decydują m.in. liczebność próby, asymetria, odstające obserwacje, równość wariancji i niezależność danych.
-
377. Test parametryczny czy nieparametryczny – jak podejmować decyzję?
Wybór między testem parametrycznym a nieparametrycznym powinien wynikać z pytania badawczego, rodzaju danych, schematu badania i diagnostyki założeń, a nie z automatycznego testu normalności.
-
376. Transformacja logarytmiczna – kiedy może pomóc?
Transformacja logarytmiczna może ograniczać skośność, stabilizować wariancję i ułatwiać interpretację relacji względnych, ale nie jest uniwersalnym remedium na problemy z danymi.
-
375. Braki danych jako założenie analityczne
Braki danych nie są wyłącznie problemem technicznym. Ich mechanizm wpływa na dobór analizy, ryzyko błędu i interpretację wyników.
-
372. Wartości odstające – jak je wykrywać?
Wartość odstająca nie jest automatycznie błędem. Sprawdź, jak wykrywać obserwacje nietypowe, odróżniać je od wpływowych i podejmować decyzje analityczne.
-
357. Minimalnie ważna różnica kliniczna – MCID
MCID pomaga ocenić, czy obserwowana zmiana wyniku jest nie tylko statystycznie istotna, lecz także zauważalna i ważna dla pacjenta.
-
355. Tau Kendalla jako miara siły zależności porządkowej
Tau Kendalla porządkuje ocenę siły i kierunku zależności między zmiennymi porządkowymi. Lekcja wyjaśnia wzór, tau-b, remisy, interpretację i zastosowania.
-
352. NNT i NNH – kliniczna interpretacja efektu
NNT i NNH pokazują, ilu pacjentów trzeba leczyć, aby uzyskać jeden dodatkowy korzystny lub niekorzystny wynik. Lekcja wyjaśnia wzory, interpretację i ograniczenia tych miar.
-
350. Ryzyko względne RR – jak czytać wynik?
Ryzyko względne RR porównuje prawdopodobieństwo zdarzenia w dwóch grupach. Lekcja pokazuje, jak interpretować RR, przedziały ufności i znaczenie praktyczne.
-
334. Testy non-inferiority – podstawy interpretacji
Test non-inferiority służy do oceny, czy nowe leczenie nie jest klinicznie gorsze od standardu o więcej niż wcześniej ustalony margines.
-
333. Testowanie równoważności – inne pytanie niż brak różnicy
Test równoważności nie dowodzi po prostu braku różnicy. Sprawdź, jak ustalać granice równoważności, stosować procedurę TOST i interpretować przedziały ufności.
-
330. Błąd II rodzaju – fałszywie ujemny wynik
Błąd II rodzaju oznacza niewykrycie rzeczywistego efektu. Lekcja wyjaśnia moc testu, zależność od próby i efektu oraz interpretację wyników nieistotnych.
-
327. Statystyka testowa – czym jest?
Statystyka testowa to liczba obliczana na podstawie próby, która pozwala ocenić zgodność danych z hipotezą zerową. Lekcja wyjaśnia jej sens, wzory i interpretację.
-
326. Test jednostronny i dwustronny – kiedy wybierać?
Dowiedz się, czym różnią się testy jednostronne i dwustronne, kiedy można zastosować każdy z nich oraz dlaczego kierunek hipotezy trzeba ustalić przed analizą danych.
-
321. Logika klasycznego testowania hipotez krok po kroku
Lekcja wyjaśnia logikę klasycznego testowania hipotez: od sformułowania H0 i H1, przez wybór testu i poziomu alfa, po interpretację wartości p oraz decyzji statystycznej.
-
317. Bootstrapowe przedziały ufności – kiedy są przydatne?
Bootstrapowe przedziały ufności pozwalają oceniać niepewność estymacji bez silnego polegania na klasycznych przybliżeniach rozkładu.
-
316. Bootstrap – intuicyjne wprowadzenie do estymacji
Bootstrap pozwala oceniać niepewność estymatorów przez wielokrotne losowanie z badanej próby. Lekcja wyjaśnia jego intuicję, algorytm, przedziały ufności i ograniczenia.
-
310. Przedział ufności dla ilorazu szans
Jak obliczać i interpretować 95% przedział ufności dla ilorazu szans? Lekcja wyjaśnia wzór, skalę logarytmiczną, przykłady medyczne i typowe błędy.
-
309. Przedział ufności dla różnicy proporcji
Dowiedz się, jak obliczać i interpretować przedział ufności dla różnicy dwóch proporcji, kiedy stosować przybliżenie normalne oraz jak unikać typowych błędów.
-
308. Przedział ufności dla różnicy średnich
Przedział ufności dla różnicy średnich pokazuje nie tylko kierunek różnicy między grupami, lecz także precyzję oszacowania i zakres wartości zgodnych z danymi.
-
307. Przedział ufności dla proporcji
Lekcja wyjaśnia, jak estymować proporcję i konstruować dla niej przedział ufności. Omawia wzór Wilsona, ograniczenia przedziału Walda oraz przykłady medyczne.
-
306. Przedział ufności dla średniej
Dowiedz się, jak obliczać i interpretować przedział ufności dla średniej, kiedy stosować rozkład t-Studenta oraz jak unikać typowych błędów.
-
304. Przedział ufności 95% – poprawna interpretacja
Przedział ufności 95% nie jest prawdopodobieństwem, że parametr znajduje się w konkretnym przedziale. Sprawdź, jak interpretować go poprawnie.
-
303. Błąd standardowy – miara niepewności estymacji
Błąd standardowy pokazuje, jak precyzyjna jest estymacja. Lekcja wyjaśnia jego wzór, interpretację, związek z przedziałem ufności oraz typowe błędy.
-
301. Estymacja punktowa i przedziałowa – czym się różnią?
Estymacja punktowa podaje jedną wartość, a przedziałowa pokazuje także niepewność wyniku. Lekcja wyjaśnia różnice, wzory i interpretację przedziałów ufności.
-
300. Jak rozpoznawać, jaki rozkład może pasować do rodzaju danych?
Praktyczna lekcja o rozpoznawaniu rozkładów prawdopodobieństwa na podstawie typu zmiennej, jej zakresu, liczby zdarzeń i kształtu danych.
-
298. Symulacja Monte Carlo jako sposób rozumienia rozkładów
Symulacja Monte Carlo pozwala zobaczyć, jak z losowych obserwacji powstają rozkłady, średnie, prawdopodobieństwa i przedziały niepewności.
-
297. Prawo wielkich liczb – czego naprawdę gwarantuje?
Prawo wielkich liczb wyjaśnia, dlaczego średnie i odsetki stabilizują się wraz ze wzrostem próby, ale nie gwarantuje dokładności, reprezentatywności ani braku przypadkowych odchyleń.
-
296. Rozkład próbkowania średniej
Rozkład próbkowania średniej pokazuje, jak zmieniałyby się średnie z wielu prób pobranych z tej samej populacji. Poznaj wzór, założenia i przykłady.
-
295. Centralne twierdzenie graniczne – dlaczego jest tak ważne?
Centralne twierdzenie graniczne wyjaśnia, dlaczego średnie z dużych prób często mają rozkład zbliżony do normalnego i umożliwiają wnioskowanie statystyczne.
-
293. Rozkład Poissona – model liczby zdarzeń
Rozkład Poissona opisuje liczbę zdarzeń w określonym czasie, obszarze lub zbiorze obserwacji. Lekcja wyjaśnia wzór, założenia, przykłady i ograniczenia modelu.
-
292. Rozkład dwumianowy – sukces/porażka
Rozkład dwumianowy opisuje liczbę sukcesów w ustalonej liczbie niezależnych prób, gdy każda próba ma tylko dwa możliwe wyniki.
-
290. Rozkład chi-kwadrat – gdzie pojawia się w statystyce?
Rozkład chi-kwadrat jest podstawą wielu testów dla danych liczbowych i kategorialnych. Wyjaśniamy jego konstrukcję, stopnie swobody i zastosowania.
-
289. Rozkład t-Studenta – skąd się bierze?
Rozkład t-Studenta wynika z połączenia standaryzowanej średniej i niepewności oszacowania odchylenia standardowego. Lekcja wyjaśnia jego genezę, wzór, stopnie swobody i zastosowania.
-
286. Rozkład normalny – właściwości i znaczenie
Rozkład normalny opisuje symetryczne, ciągłe dane i stanowi podstawę wielu metod statystycznych. Lekcja wyjaśnia jego parametry, standaryzację, regułę 68–95–99,7 oraz ograniczenia.
-
283. Niezależność zdarzeń – co oznacza?
Niezależność zdarzeń oznacza, że wystąpienie jednego zdarzenia nie zmienia prawdopodobieństwa drugiego. Poznaj definicję, wzory i przykłady medyczne.
-
281. Prawdopodobieństwo – intuicja potrzebna do zrozumienia statystyki
Prawdopodobieństwo jest językiem niepewności. W tej lekcji wyjaśniamy zdarzenia, reguły rachunku prawdopodobieństwa, prawdopodobieństwo warunkowe i twierdzenie Bayesa na przykładach medycznych.
-
280. Najczęstsze błędy w statystyce opisowej prac naukowych
Lekcja pokazuje, jak rozpoznawać i poprawiać błędy w opisie danych: niewłaściwe miary, procenty, zaokrąglenia, brakujące dane i nieprecyzyjne interpretacje.
-
278. Jak budować tabelę charakterystyki badanej grupy?
Dowiedz się, jak zaplanować i opisać tabelę charakterystyki badanej grupy: dobór zmiennych, statystyki, mianowniki, braki danych i interpretacja.
-
277. Błąd standardowy średniej a odchylenie standardowe – nie myl tych miar
Błąd standardowy średniej i odchylenie standardowe opisują różne aspekty danych. Sprawdź, kiedy stosować SD, SEM i przedział ufności.
-
276. Średnia z odchyleniem czy mediana z IQR – jak wybierać?
Dowiedz się, kiedy opisywać dane średnią i odchyleniem standardowym, a kiedy medianą i IQR. Poznaj kryteria wyboru, przykłady i typowe błędy.
-
275. Jak opisywać małe liczebności i rzadkie kategorie?
Jak opisywać małe liczebności, zera i rzadkie kategorie bez nadinterpretacji? Lekcja wyjaśnia dobór tabel, procentów, przedziałów ufności i ostrożnych wniosków.
-
273. Statystyki dla zmiennych jakościowych: n i procent
Jak poprawnie opisywać zmienne jakościowe za pomocą liczebności i procentów? Lekcja wyjaśnia wzory, mianowniki, braki danych i interpretację tabel.
-
272. Kurtoza – co mówi o kształcie rozkładu?
Kurtoza opisuje przede wszystkim ciężkość ogonów rozkładu i podatność na wartości skrajne. Sprawdź wzory, przykłady i typowe błędy interpretacyjne.
-
271. Skośność rozkładu – jak ją rozumieć?
Skośność pokazuje, czy rozkład danych jest asymetryczny i po której stronie znajduje się długi ogon. Poznaj wzory, interpretację i praktyczne przykłady.
-
270. Współczynnik zmienności – kiedy można porównywać względne zróżnicowanie?
Współczynnik zmienności pozwala porównywać względne zróżnicowanie, ale tylko wtedy, gdy skala pomiaru, średnia i rozkład danych uzasadniają takie użycie.
-
268. Kwartyle i percentyle – jak opisują pozycję obserwacji?
Kwartyle i percentyle pokazują, jaką pozycję zajmuje obserwacja w uporządkowanym zbiorze danych. Lekcja wyjaśnia ich interpretację, obliczanie i zastosowanie.
-
267. Odchylenie standardowe – interpretacja i najczęstsze błędy
Odchylenie standardowe pokazuje zróżnicowanie obserwacji wokół średniej. W lekcji wyjaśniamy jego wzór, interpretację, ograniczenia oraz różnicę między SD i SEM.
-
266. Wariancja – jak ją rozumieć intuicyjnie?
Wariancja pokazuje, jak bardzo wyniki różnią się od średniej. Lekcja wyjaśnia jej intuicję, wzór, interpretację oraz zastosowanie w badaniach medycznych i społecznych.
-
265. Minimum, maksimum i rozstęp – proste miary zmienności
Minimum, maksimum i rozstęp to najprostsze miary zmienności. Wyjaśniamy ich obliczanie, interpretację, ograniczenia i zastosowanie w badaniach zdrowotnych.
-
264. Dominanta – kiedy ma praktyczne znaczenie?
Dominanta wskazuje najczęściej występującą wartość lub kategorię. Lekcja wyjaśnia, kiedy jest użyteczna w medycynie, pielęgniarstwie i naukach społecznych.
-
263. Mediana – kiedy opisuje dane lepiej niż średnia?
Mediana pokazuje środkową wartość uporządkowanego zbioru i często lepiej niż średnia opisuje dane skośne, odporne na wartości odstające oraz zmienne porządkowe.
-
262. Średnia arytmetyczna – kiedy jest dobrą miarą centrum?
Średnia arytmetyczna jest użyteczną miarą centrum, ale nie w każdych danych. Sprawdź, kiedy ją stosować, jak interpretować i kiedy wybrać medianę.
-
261. Statystyka opisowa – co powinna powiedzieć o danych?
Statystyka opisowa porządkuje dane, pokazuje ich typową wartość, zróżnicowanie i rozkład oraz pomaga ocenić, czy wyniki są przedstawione adekwatnie do pytania badawczego.
-
253. Imputacja prosta – dlaczego średnia często nie jest dobrym rozwiązaniem?
Wyjaśnienie, czym jest imputacja średnią, dlaczego zniekształca wariancję i zależności oraz kiedy można ją zastosować ostrożnie.
-
252. Analiza kompletnego przypadku – zalety i ograniczenia
Complete-case analysis jest prostą metodą postępowania z brakami danych, ale może zmniejszać liczebność próby i prowadzić do obciążenia wyników.
-
251. Jak kodować brakujące wartości w praktyce?
Praktyczna lekcja o kodowaniu braków danych: wartości systemowe, kody specjalne, słowniki, walidacja, dokumentacja i przygotowanie do analizy.
-
241. Jak zaprojektować bazę danych przed rozpoczęciem badania?
Dobrze zaprojektowana baza danych ogranicza błędy pomiaru, ułatwia kontrolę jakości i pozwala przeprowadzić analizę zgodną z protokołem badania.
-
238. Wrażliwość na zmianę – czy skala wykrywa poprawę?
Wrażliwość na zmianę pokazuje, czy skala potrafi uchwycić rzeczywistą poprawę lub pogorszenie. Lekcja wyjaśnia responsywność, MDC, MIC i interpretację wyników.
-
231. Ważona kappa dla danych porządkowych
Ważona kappa ocenia zgodność ocen porządkowych, uwzględniając, że niewielka rozbieżność może być mniej istotna niż skrajna różnica między oceniaj ącymi.
-
230. Kappa Cohena – zgodność ponad przypadek
Kappa Cohena mierzy zgodność dwóch oceniających po uwzględnieniu zgodności, która mogła wystąpić przypadkowo. Lekcja wyjaśnia wzór, interpretację, ograniczenia i przykłady zastosowań.
-
229. ICC – współczynnik korelacji wewnątrzklasowej i jego warianty
Współczynnik korelacji wewnątrzklasowej służy do oceny rzetelności pomiarów ilościowych. Lekcja wyjaśnia jego modele, warianty i interpretację.
-
217. Ankieta papierowa i internetowa – różnice metodologiczne
Ankieta papierowa i internetowa mogą zawierać te same pytania, lecz różnią się sposobem rekrutacji, kontrolą odpowiedzi, obciążeniem respondenta i ryzykiem błędu.
-
211. Metryczka – jakie dane naprawdę są potrzebne?
Dobrze zaprojektowana metryczka nie jest zbiorem przypadkowych pytań. Sprawdź, które dane demograficzne są potrzebne, jak je uzasadnić i jak ograniczyć ryzyko naruszenia prywatności.
-
199. Minimalnie istotna klinicznie różnica a wielkość próby
Minimalnie istotna klinicznie różnica pomaga określić, jaki efekt badanie powinno wykryć i jak liczna musi być próba, aby wynik był użyteczny klinicznie.
-
195. Wielkość próby dla czułości i swoistości
Jak zaplanować liczbę osób w badaniu testu diagnostycznego, aby precyzyjnie oszacować czułość i swoistość? Wyjaśniamy wzory, założenia i przykłady.
-
194. Wielkość próby w badaniu diagnostycznym
W badaniu diagnostycznym liczebność próby planuje się inaczej niż w klasycznym porównaniu średnich. Kluczowe są czułość, swoistość, precyzja oszacowań, częstość choroby oraz liczba przypadków i osób bez choroby.
-
190. Obliczanie próby dla porównania dwóch proporcji
Jak zaplanować liczebność próby, gdy celem jest porównanie dwóch niezależnych proporcji? Lekcja wyjaśnia wzór, założenia, przykłady i typowe błędy.
-
189. Obliczanie próby dla jednej proporcji
Jak zaplanować liczebność próby, gdy głównym wynikiem jest jedna proporcja? Lekcja wyjaśnia wzór, dobór parametrów i praktyczne przykłady.
-
187. Obliczanie próby dla dwóch średnich niezależnych
Jak obliczyć liczebność próby dla porównania dwóch niezależnych średnich? Lekcja wyjaśnia wzór, założenia, moc, wielkość efektu i korektę na wykruszanie.
-
184. Wielkość efektu jako podstawa planowania próby
Wielkość efektu określa, jak dużą różnicę lub zależność badacz chce wykryć. Lekcja wyjaśnia, jak wykorzystać ją do planowania próby i mocy badania.
-
181. Po co obliczać wielkość próby przed badaniem?
Wielkość próby nie jest formalnością. Decyduje o tym, czy badanie będzie wykonalne, etyczne i zdolne wykryć efekt ważny dla praktyki.
-
178. Wykruszanie – skutki utraty uczestników w badaniu podłużnym
Attrition, czyli utrata uczestników w kolejnych pomiarach, może zmniejszać moc badania i powodować bias. Lekcja wyjaśnia mechanizmy, skutki i sposoby analizy.
-
177. Efekt zdrowego pracownika i inne przykłady selekcji
Lekcja wyjaśnia efekt zdrowego pracownika, efekt zdrowego pracownika, który przeżył, oraz inne mechanizmy selekcji zniekształcające wyniki badań.
-
176. Wagi analityczne – podstawy korekty nierównego prawdopodobieństwa doboru
Dowiedz się, czym są wagi analityczne, jak korygują nierówne prawdopodobieństwo doboru oraz dlaczego wymagają odpowiedniej analizy wariancji.
-
162. Próba reprezentatywna – co naprawdę oznacza?
Próba reprezentatywna nie musi być miniaturą populacji. Wyjaśniamy, od czego zależy reprezentatywność, jak ograniczać błędy doboru i kiedy można uogólniać wyniki.
-
161. Populacja docelowa, dostępna i badana – czym się różnią?
Populacja docelowa, dostępna i badana to trzy różne poziomy opisu uczestników. Lekcja wyjaśnia ich definicje, relacje, ograniczenia i konsekwencje dla uogólniania wyników.
-
159. Badania krzyżowe (crossover) – założenia i efekt przeniesienia
Badanie crossover pozwala porównywać kilka interwencji u tych samych osób, ale wymaga kontroli okresu, kolejności leczenia i efektu przeniesienia.
-
156. Badania czasu do zdarzenia – kiedy projekt wymaga analizy przeżycia?
Analiza przeżycia służy do badania czasu do wystąpienia zdarzenia, także wtedy, gdy część obserwacji jest ocenzurowana.
-
152. Badania prognostyczne – jak budować projekt predykcyjny?
Badanie prognostyczne służy do przewidywania przyszłego wyniku u konkretnej osoby lub grupy. Lekcja pokazuje, jak zaplanować populację, predyktory, wynik, analizę i walidację modelu.
-
151. Badania diagnostyczne – specyfika projektu
Badanie diagnostyczne wymaga właściwego testu indeksowego, wiarygodnego standardu odniesienia i kontroli błędów systematycznych. Sprawdź, jak je zaplanować.
-
149. Zaślepienie – pojedyncze, podwójne i zaślepiona ocena wyniku
Zaślepienie ogranicza wpływ oczekiwań uczestników, personelu i oceniających na przebieg badania oraz pomiar wyników. Poznaj jego rodzaje i ograniczenia.
-
143. Badanie kohortowe – prospektywne i retrospektywne
Badanie kohortowe pozwala obserwować, jak ekspozycja wiąże się z późniejszym wystąpieniem wyniku. Poznaj różnice między kohortą prospektywną i retrospektywną.
-
129. Kategorie wielokrotnego wyboru – jak kodować je w bazie?
Jak poprawnie zapisywać odpowiedzi typu „zaznacz wszystkie pasujące” w bazie danych? Lekcja wyjaśnia strukturę zmiennych, kodowanie 0/1, braki danych i analizę.
-
123. Skala przedziałowa – znaczenie równych odległości
Skala przedziałowa pozwala interpretować różnice między wynikami, ale nie uzasadnia porównań typu „dwa razy więcej”. Lekcja wyjaśnia jej własności, przykłady i ograniczenia.
-
120. Lista kontrolna operacjonalizacji przed uruchomieniem badania
Praktyczna lista kontrolna pomaga sprawdzić, czy pojęcia, zmienne, wskaźniki, pomiary i punkty końcowe są spójne przed rozpoczęciem zbierania danych.
-
119. Błąd klasyfikacji zmiennych – skutki dla wyników
Błąd klasyfikacji może zniekształcać częstości, miary związku, modele regresji i wnioski praktyczne. Lekcja pokazuje, jak go rozpoznać i ograniczać.
-
115. Jak dokumentować sposób liczenia skali lub indeksu?
Dobra dokumentacja skali lub indeksu pozwala odtworzyć wynik bez dostępu do autora analizy. Lekcja pokazuje, co opisać: kodowanie, wzór, braki danych, transformacje i interpretację.
-
114. Proxy outcomes – kiedy wynik zastępczy może wprowadzać w błąd?
Wynik zastępczy może skrócić badanie i zmniejszyć jego koszt, ale nie zawsze przewiduje korzyść ważną dla pacjenta. Poznaj kryteria oceny proxy outcomes.
-
113. Samoocena a test obiektywny – dlaczego to nie jest ten sam konstrukt?
Samoocena i test obiektywny mogą dotyczyć podobnego obszaru, ale zwykle mierzą odmienne aspekty konstruktu. Lekcja wyjaśnia, skąd biorą się rozbieżności i jak je analizować.
-
112. Subiektywny i obiektywny pomiar tego samego zjawiska
Jak łączyć samoopis uczestnika z pomiarem instrumentalnym? Lekcja wyjaśnia różnice między pomiarem subiektywnym i obiektywnym, zgodność metod oraz interpretację rozbieżności.
-
109. Jak operacjonalizować skuteczność interwencji medycznej?
Skuteczność interwencji medycznej trzeba przełożyć na jasno zdefiniowane wyniki, miary efektu, okres obserwacji i kryteria znaczenia klinicznego.
-
105. Jak operacjonalizować jakość życia?
Lekcja 105 pokazuje, jak przełożyć wielowymiarowy konstrukt jakości życia na mierzalne zmienne, wskaźniki i narzędzia badawcze w medycynie, psychologii i zdrowiu publicznym.
-
104. Wskaźniki proste i złożone – zalety i ograniczenia
Lekcja 104 wyjaśnia różnice między wskaźnikami prostymi i złożonymi, pokazuje sposoby ich konstruowania oraz omawia korzyści, ograniczenia i najczęstsze błędy interpretacyjne.
-
103. Jak dobierać wskaźniki do konstruktu teoretycznego?
Dobór wskaźników to nie tylko wybór pytań lub pomiarów. To decyzja teoretyczna, która określa, jakie aspekty konstruktu zostaną uchwycone, a jakie pozostaną poza zakresem badania.
-
101. Operacjonalizacja – od konstruktu do danych
Operacjonalizacja przekłada pojęcia teoretyczne, takie jak ból, stres czy jakość życia, na obserwowalne wskaźniki i dane możliwe do analizy statystycznej.
-
100. Jak zbudować słownik zmiennych dla projektu badawczego?
Słownik zmiennych porządkuje definicje, kody, jednostki, role i zasady pomiaru wszystkich zmiennych w projekcie badawczym. Dowiedz się, jak przygotować go przed zebraniem danych i jak uniknąć błędów utrudniających analizę.
-
099. Zmienne pochodne – jak dokumentować ich sposób obliczania?
Lekcja 099 wyjaśnia, czym są zmienne pochodne, jak zapisywać ich wzory, reguły kodowania, źródła danych i decyzje analityczne, aby wyniki badań były przejrzyste i odtwarzalne.
-
098. Transformacje zmiennych – po co i kiedy je stosować?
Transformacja zmiennej może poprawić dopasowanie modelu, ograniczyć wpływ silnej asymetrii i ułatwić interpretację relacji. Nie jest jednak automatycznym lekarstwem na każdy problem z danymi.
-
096. Zmienne złożone i indeksy – kiedy warto je tworzyć?
Zmienne złożone i indeksy pozwalają syntetyzować informacje pochodzące z wielu pomiarów. W tej lekcji wyjaśniamy, kiedy ich tworzenie jest uzasadnione, jak budować je poprawnie oraz jak unikać błędów interpretacyjnych.
-
093. Zmienne czasowo-zależne – podstawy
Wprowadzenie do zmiennych czasowo-zależnych: definicje, przykłady, zapis danych, model Coxa oraz najczęstsze błędy interpretacyjne.
-
084. Zmienne ilościowe: dyskretne i ciągłe
Lekcja wyjaśnia różnicę między zmiennymi ilościowymi dyskretnymi i ciągłymi, pokazuje jej znaczenie dla pomiaru, opisu danych, wizualizacji oraz wyboru analizy statystycznej.
-
081. Klasyfikacja zmiennych w badaniach ilościowych
Lekcja wyjaśnia, czym są zmienne, jak klasyfikować je według roli w modelu, poziomu pomiaru, charakteru danych i sposobu obserwacji oraz dlaczego klasyfikacja wpływa na plan analizy statystycznej.
-
071. Jedna hipoteza czy kilka – jak planować hierarchię testów?
Jak odróżnić wiele pytań badawczych od wielokrotnego testowania, kiedy stosować hierarchię hipotez oraz jak kontrolować ryzyko fałszywie dodatnich wniosków.
-
053. Jak określić populację i kontekst już w sformułowaniu problemu?
Lekcja 053 pokazuje, jak precyzyjnie wskazać populację, miejsce, czas i warunki badania już na etapie formułowania problemu badawczego. Omawia także PICO, PICOC, kryteria kwalifikacji, transferowalność wyników i typowe błędy.
-
051. Badanie opisowe a badanie wyjaśniające – różnice w celach
Lekcja 051 wyjaśnia różnice między badaniem opisowym a wyjaśniającym. Pokazuje, jak dobierać cele, problemy badawcze, zmienne i ostrożny język wnioskowania do rzeczywistego projektu badania.
-
046. Jak powiązać cele badania z planem analizy statystycznej?
Lekcja 046 pokazuje, jak przełożyć cele badania na pytania analityczne, zmienne, miary efektu i konkretne procedury statystyczne.
-
035. Badanie jednoośrodkowe i wieloośrodkowe – różnice metodologiczne
Badanie jednoośrodkowe i wieloośrodkowe różnią się nie tylko liczbą miejsc realizacji. Zmieniają się także źródła zmienności, sposób organizacji, kontrola jakości, plan analizy oraz zakres uzasadnionego wnioskowania.
-
033. Jak zaplanować kontrolę jakości danych w projekcie badawczym?
Kontrola jakości danych nie jest jednorazowym sprawdzeniem arkusza przed analizą. To zaplanowany system działań, który obejmuje definiowanie zmiennych, szkolenie zespołu, walidację narzędzi, bieżące wykrywanie błędów, dokumentowanie korekt i ocenę gotowości zbioru do analizy.
-
031. Jak tworzyć kryteria włączenia i wyłączenia uczestników?
Kryteria włączenia i wyłączenia określają, kto może uczestniczyć w badaniu. W tej lekcji wyjaśniamy, jak budować je logicznie, operacyjnie, etycznie i bez niepotrzebnego ograniczania uogólnialności wyników.
-
030. Badanie wykonalności – jak ocenić wykonalność projektu?
Feasibility study pozwala sprawdzić, czy planowane badanie można przeprowadzić rzetelnie, etycznie i w dostępnych warunkach. Lekcja pokazuje, co oceniać, jak formułować kryteria progresji i jak interpretować wyniki.
-
029. Badanie pilotażowe – po co je wykonywać i co powinno sprawdzać?
Badanie pilotażowe nie jest małą wersją głównego badania służącą do potwierdzenia hipotezy. Jego zasadniczym celem jest sprawdzenie, czy planowane badanie można przeprowadzić, jak należy je udoskonalić i jakie kryteria powinny decydować o rozpoczęciu projektu właściwego.