426. Test Fishera dla większych tabel – możliwości i ograniczenia
Test Fishera można rozszerzyć poza tabelę 2×2. W tej lekcji wyjaśniamy test Fishera–Freemana–Haltona, obliczenia dokładne, symulację Monte Carlo oraz ograniczenia interpretacyjne.
-
-
425. Test dokładny Fishera dla tabeli 2×2
Test dokładny Fishera pozwala analizować zależność między dwiema zmiennymi jakościowymi w tabeli 2×2, szczególnie przy małych liczebnościach.
-
423. Liczebności obserwowane i oczekiwane – czym się różnią?
Liczebność obserwowana opisuje dane rzeczywiste, a oczekiwana wynika z założenia statystycznego. Lekcja pokazuje, jak je obliczać i interpretować.
-
422. Test chi-kwadrat niezależności – idea i założenia
Lekcja wyjaśnia, jak działa test chi-kwadrat niezależności, skąd biorą się liczebności oczekiwane i kiedy założenia testu są spełnione.
-
421. Tabela kontyngencji – podstawowe narzędzie analizy kategorii
Tabela kontyngencji porządkuje dane jakościowe i pozwala ocenić związki między kategoriami. Lekcja wyjaśnia jej budowę, procenty, oczekiwane liczebności i interpretację.
-
415. MANOVA – kiedy analizować kilka wyników jednocześnie?
MANOVA pozwala ocenić różnice między grupami dla kilku powiązanych wyników jednocześnie. Lekcja wyjaśnia jej sens, założenia i interpretację.
-
413. ANCOVA – po co uwzględniać współzmienną?
ANCOVA łączy ANOVA z regresją, pozwalając porównywać grupy po uwzględnieniu zmiennej, która wpływa na wynik, na przykład wartości wyjściowej.
-
410. Sferyczność i poprawka Greenhouse’a–Geissera
Lekcja wyjaśnia, czym jest sferyczność w ANOVA z powtarzanymi pomiarami, jak interpretować test Mauchly’ego oraz kiedy stosować poprawkę Greenhouse’a–Geissera.
-
407. Tukey HSD – porównania wszystkich par
Tukey HSD to klasyczna procedura post-hoc służąca do jednoczesnego porównania średnich wszystkich par grup po analizie ANOVA.
-
406. Testy post-hoc – po co są potrzebne?
Test ANOVA wskazuje, że między średnimi istnieje różnica, ale nie mówi, których grup ona dotyczy. Tę lukę uzupełniają testy post-hoc.
-
404. Założenia jednoczynnikowej ANOVA
Jednoczynnikowa ANOVA wymaga poprawnego planu badania, niezależności obserwacji, adekwatnej skali pomiaru oraz oceny rozkładu reszt i równości wariancji. Lekcja pokazuje, jak rozumieć te założenia, diagnozować ich naruszenia i dobierać właściwe rozwiązania.
-
402. Dlaczego nie należy wykonywać wielu testów t zamiast ANOVA?
Wielokrotne testy t zwiększają ryzyko fałszywie dodatnich wyników. Ta lekcja wyjaśnia, jak ANOVA kontroluje problem wielokrotnych porównań i jak prowadzić analizę po teście F.
-
400. Drzewo decyzji: jak wybrać analizę dla dwóch grup?
Praktyczne drzewo decyzji pomagające dobrać analizę statystyczną do dwóch grup lub dwóch pomiarów: od typu zmiennej i zależności obserwacji po interpretację wyników.
-
399. Co zrobić, gdy wynik ma silnie skośny rozkład?
Silnie skośny wynik nie oznacza automatycznie konieczności użycia testu nieparametrycznego. Trzeba rozpoznać źródło asymetrii, dobrać skalę analizy i poprawnie zinterpretować efekt.
-
398. Co zrobić, gdy grupy bardzo różnią się liczebnością?
Nierówne liczebności grup nie dyskwalifikują badania. Kluczowe są dobór metody, ocena wariancji, raportowanie niepewności i interpretacja znaczenia praktycznego.
-
395. Przedział ufności dla różnicy między grupami
Jak obliczać i interpretować przedział ufności dla różnicy między dwiema grupami? Lekcja wyjaśnia wzory, założenia, przykłady i błędy interpretacyjne.
-
394. Wielkość efektu dla dwóch grup
Wielkość efektu pokazuje, jak duża jest różnica między dwiema grupami. Lekcja omawia różnicę średnich, Cohena d, Hedgesa g, przedziały ufności i interpretację praktyczną.
-
393. Zmiana wyniku czy ANCOVA – dwa podejścia do badań przed–po
Wyjaśnienie, kiedy analizować różnicę przed–po, a kiedy zastosować ANCOVA z korektą o wynik początkowy. Przykłady, wzory i typowe błędy.
-
392. Jak analizować zmianę przed–po?
Lekcja 392 pokazuje, jak analizować zmianę przed–po: od różnicy indywidualnej i testu t dla prób zależnych po interpretację efektu, przedziału ufności i ograniczeń projektu.
-
391. Test McNemara dla danych sparowanych nominalnych
Test McNemara służy do analizy dwóch pomiarów nominalnych wykonanych na tych samych osobach lub w dopasowanych parach. Lekcja wyjaśnia jego założenia, wzór, interpretację, wariant dokładny i typowe błędy.
-
390. Test dokładny Fishera – kiedy stosować?
Test dokładny Fishera służy do oceny związku między dwiema zmiennymi kategorialnymi, szczególnie przy małych liczebnościach i rzadkich zdarzeniach.
-
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.
-
386. Test Manna–Whitneya – co naprawdę testuje?
Test Manna–Whitneya nie jest automatycznym testem median. Wyjaśniamy jego hipotezy, interpretację, założenia, statystykę U i raportowanie wyników.
-
384. Test t dla prób zależnych – analiza par
Test t dla prób zależnych służy do oceny średniej zmiany w tych samych osobach lub dopasowanych parach. Poznaj założenia, wzór i interpretację.
-
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.
-
382. Test t-Studenta dla dwóch prób niezależnych – założenia
Lekcja wyjaśnia, kiedy można zastosować test t-Studenta dla dwóch prób niezależnych, jak sprawdzać jego założenia i kiedy wybrać test Welcha.
-
371. Reszty w modelach statystycznych – po co je oglądać?
Reszty pokazują, czego model nie wyjaśnia. Dowiedz się, jak czytać wykresy reszt, wykrywać błędy modelu i oceniać obserwacje wpływowe.
-
368. Niezależność obserwacji – często najważniejsze założenie
Niezależność obserwacji jest jednym z najważniejszych założeń analiz statystycznych. Lekcja pokazuje, jak rozpoznawać zależności, oceniać ich skutki i dobierać właściwe modele.
-
367. Test Levene’a i Brown–Forsythe’a
Test Levene’a i test Brown–Forsythe’a służą do oceny homogeniczności wariancji. Lekcja wyjaśnia ich założenia, wzory, interpretację i zastosowanie.
-
365. Duża próba a testy normalności – problem nadmiernej czułości
W dużych próbach testy normalności mogą wykrywać bardzo małe, praktycznie nieistotne odstępstwa od rozkładu normalnego. Lekcja pokazuje, jak interpretować ich wyniki łącznie z wykresami, charakterem zmiennej, resztami modelu i znaczeniem praktycznym.
-
364. Test Shapiro–Wilka – kiedy pomaga, a kiedy wprowadza w błąd?
Test Shapiro–Wilka jest użytecznym narzędziem diagnostycznym, ale nie powinien samodzielnie decydować o wyborze analizy. Sprawdź, jak interpretować go rozsądnie.
-
362. Normalność danych a normalność reszt – ważne rozróżnienie
Normalność całych danych nie jest tym samym co normalność reszt modelu. Lekcja wyjaśnia, co sprawdzać w regresji, ANOVA i testach parametrycznych.
-
361. Założenia testów statystycznych – dlaczego nie są formalnością?
Założenia testów statystycznych nie są formalnością. Wyjaśniamy, jak dotyczą niezależności, rozkładu, wariancji, obserwacji odstających i poprawnej interpretacji wyników.
-
360. Jak unikać mechanicznej interpretacji „mały, średni, duży”?
Wielkość efektu nie ma uniwersalnej skali. Naucz się łączyć ją z kontekstem klinicznym, populacją, precyzją pomiaru i znaczeniem praktycznym.
-
358. Przedział ufności wokół wielkości efektu
Wielkość efektu bez informacji o precyzji może prowadzić do nadinterpretacji. W tej lekcji wyjaśniamy, jak czytać i raportować przedziały ufności.
-
356. Standaryzowane i niestandaryzowane efekty – kiedy raportować które?
Wybór między efektem standaryzowanym a niestandaryzowanym zależy od pytania badawczego, skali pomiaru i odbiorcy wyników. Lekcja pokazuje, kiedy stosować różnicę średnich, iloraz szans, ryzyko względne, d Cohena i inne miary.
-
354. Phi dla tabeli 2×2
Współczynnik phi mierzy siłę związku między dwiema zmiennymi dychotomicznymi. Lekcja pokazuje wzór, interpretację, ograniczenia i przykłady medyczne.
-
351. Różnica ryzyka RD i bezwzględna redukcja ryzyka ARR
Różnica ryzyka i bezwzględna redukcja ryzyka pokazują, o ile punktów procentowych zmienia się częstość zdarzeń po zastosowaniu interwencji.
-
349. Iloraz szans OR – intuicyjna i poprawna interpretacja
Iloraz szans (OR) jest często używaną miarą efektu w badaniach medycznych i społecznych. Lekcja wyjaśnia jego konstrukcję, interpretację, relację z ryzykiem względnym oraz typowe błędy.
-
346. R² – jaka część zmienności jest wyjaśniona?
R² pokazuje, jaka część zróżnicowania wyniku jest związana z modelem regresji. Lekcja wyjaśnia wzór, interpretację, ograniczenia i przykłady praktyczne.
-
345. Współczynnik r jako miara efektu
Współczynnik r opisuje kierunek i siłę związku między zmiennymi. Lekcja wyjaśnia jego obliczanie, interpretację, ograniczenia oraz znaczenie praktyczne w badaniach medycznych i społecznych.
-
344. Glass delta – kiedy używa się odchylenia grupy kontrolnej?
Glass delta to standaryzowana różnica średnich, w której mianownikiem jest odchylenie standardowe grupy kontrolnej. Sprawdź, kiedy taki wybór ma sens, jak obliczać efekt i jak go interpretować.
-
341. Wielkość efektu – dlaczego jest potrzebna obok p-value?
Wielkość efektu pokazuje, jak duża jest obserwowana różnica lub zależność. Lekcja wyjaśnia jej rodzaje, interpretację, wzory i znaczenie praktyczne.
-
337. Holm i FDR – alternatywy dla prostej korekty Bonferroniego
Lekcja wyjaśnia, jak działają procedura Holma i kontrola FDR, kiedy je stosować oraz jak interpretować wyniki wielokrotnego testowania hipotez.
-
336. Poprawka Bonferroniego – kiedy jest przydatna i kiedy zbyt konserwatywna?
Poprawka Bonferroniego ogranicza ryzyko fałszywie dodatnich wyników przy wielokrotnym testowaniu, ale może też obniżać moc analizy. Sprawdź, kiedy ją stosować.
-
335. Wielokrotne testowanie – dlaczego rośnie ryzyko fałszywych odkryć?
Dlaczego wykonywanie wielu testów zwiększa ryzyko przypadkowych wyników istotnych statystycznie? Lekcja wyjaśnia FWER, FDR, korektę Bonferroniego i praktyczne zasady raportowania.
-
329. Błąd I rodzaju – fałszywie dodatni wynik
Błąd I rodzaju polega na odrzuceniu prawdziwej hipotezy zerowej. Lekcja wyjaśnia jego znaczenie, poziom alfa, przykłady medyczne i sposoby ograniczania ryzyka.
-
328. Obszar krytyczny i wartość krytyczna – intuicja
Obszar krytyczny i wartość krytyczna wyznaczają granicę decyzji w teście statystycznym. Lekcja pokazuje ich intuicję, wzory i zastosowania.
-
324. Najczęstsze mity dotyczące p-value
p-value nie mówi, czy hipoteza jest prawdziwa. Poznaj najczęstsze błędy interpretacyjne i naucz się łączyć wynik testu z efektem, niepewnością i kontekstem.
-
323. Wartość p – poprawna interpretacja
Lekcja wyjaśnia, czym jest wartość p, czego nie oznacza oraz jak łączyć ją z wielkością efektu, przedziałem ufności i znaczeniem praktycznym.
-
322. Poziom istotności alfa – co oznacza?
Poziom istotności alfa określa przyjęte ryzyko błędu I rodzaju. Lekcja wyjaśnia jego znaczenie, wybór, interpretację i najczęstsze błędy.
-
320. Jak raportować estymaty i ich niepewność w publikacji?
Praktyczna lekcja o tym, jak raportować estymaty, przedziały ufności, błędy standardowe i wielkości efektu w publikacjach naukowych.
-
319. Przedziały zgodności i przedziały predykcji – czym różnią się od CI?
Przedziały ufności, zgodności i predykcji odpowiadają na różne pytania. Lekcja wyjaśnia ich interpretację, wzory, zastosowania i typowe błędy.
-
317. Bootstrapowe przedziały ufności – kiedy są przydatne?
Bootstrapowe przedziały ufności pozwalają oceniać niepewność estymacji bez silnego polegania na klasycznych przybliżeniach rozkładu.
-
314. Poziom ufności 90%, 95% i 99% – konsekwencje wyboru
Poziom ufności wpływa na szerokość przedziału ufności, precyzję estymacji i interpretację wyników. Lekcja wyjaśnia różnice między poziomami 90%, 95% i 99%.
-
313. Szerokość przedziału ufności a liczebność próby
Liczebność próby wpływa na precyzję estymacji. W lekcji wyjaśniamy, dlaczego większa próba zwęża przedział ufności, jak planować szerokość przedziału i jak unikać typowych błędów interpretacyjnych.
-
312. Przedział ufności dla współczynnika korelacji
Jak obliczać i interpretować przedział ufności dla współczynnika korelacji Pearsona? Lekcja wyjaśnia transformację Fishera, założenia i błędy interpretacyjne.
-
311. Przedział ufności dla ryzyka względnego
Dowiedz się, jak obliczać i interpretować 95% przedział ufności dla ryzyka względnego w badaniach medycznych i epidemiologicznych.
-
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.
-
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.
-
299. Rozkład danych a rozkład statystyki – ważne rozróżnienie
Rozkład obserwowanych danych opisuje zmienność jednostek, natomiast rozkład statystyki pokazuje, jak wynik zmieniałby się między próbami.
-
294. Rozkład wykładniczy – intuicja czasu oczekiwania
Rozkład wykładniczy opisuje czas oczekiwania na pierwsze zdarzenie przy stałym natężeniu procesu. Lekcja wyjaśnia wzory, własność bez pamięci i zastosowania.
-
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.
-
291. Rozkład F – związek z analizą wariancji
Rozkład F jest podstawą testu F w analizie wariancji. Lekcja wyjaśnia jego konstrukcję, wzór, założenia, interpretację i przykłady medyczne.
-
288. Reguła 68–95–99,7 dla rozkładu normalnego
Reguła 68–95–99,7 pozwala szybko oszacować, jaka część obserwacji znajduje się w odległości jednego, dwóch i trzech odchyleń standardowych od średniej.
-
287. Standaryzacja i wynik z – jak interpretować?
Wynik z pokazuje, o ile odchyleń standardowych obserwacja różni się od średniej. Lekcja wyjaśnia wzór, interpretację, percentyle i najczęstsze błędy.
-
284. Twierdzenie Bayesa – intuicyjne wprowadzenie
Twierdzenie Bayesa pokazuje, jak aktualizować prawdopodobieństwo hipotezy po uzyskaniu nowych danych. Lekcja zawiera wzór, przykłady medyczne i omówienie błędów interpretacyjnych.
-
282. Zdarzenie, przestrzeń zdarzeń i prawdopodobieństwo warunkowe
Lekcja wyjaśnia, czym są zdarzenie, przestrzeń zdarzeń i prawdopodobieństwo warunkowe oraz jak stosować te pojęcia w analizie badań medycznych i społecznych.
-
274. Procenty w tabelach – procent wiersza, kolumny i całości
Dowiedz się, jak obliczać i interpretować procenty wierszowe, kolumnowe oraz procenty całkowite w tabelach liczebności.
-
269. Rozstęp międzykwartylowy IQR – odporna miara zmienności
Rozstęp międzykwartylowy IQR pokazuje zróżnicowanie środkowych 50% obserwacji i jest odporny na wpływ wartości skrajnych. Sprawdź, jak go obliczać i interpretować.
-
257. Rekodowanie i tworzenie zmiennych pochodnych
Lekcja 257 wyjaśnia, jak bezpiecznie rekodować dane i tworzyć zmienne pochodne, zachowując znaczenie pomiaru, kontrolę jakości oraz przejrzystość analiz.
-
254. Wielokrotna imputacja – intuicja i zastosowanie
Wielokrotna imputacja pozwala uwzględnić niepewność wynikającą z braków danych, zamiast udawać, że każda uzupełniona wartość jest pewna.
-
250. Braki danych – MCAR, MAR i MNAR wprowadzenie
Wprowadzenie do mechanizmów braków danych MCAR, MAR i MNAR: definicje, wzory, przykłady kliniczne oraz zasady planowania analizy.
-
249. Spójność między zmiennymi – reguły kontroli logicznej
Reguły kontroli logicznej pozwalają wykrywać sprzeczności między zmiennymi, których nie ujawnia sprawdzanie pojedynczych wartości.
-
248. Kontrola wartości niemożliwych i nielogicznych
Jak rozpoznawać wartości poza zakresem, sprzeczne kombinacje danych i błędy jednostek? Lekcja pokazuje zasady kontroli jakości bazy danych na przykładach medycznych.
-
244. Etykiety zmiennych i wartości – dlaczego warto je prowadzić?
Etykiety zmiennych i wartości tworzą czytelny słownik bazy danych. Dowiedz się, jak je projektować, kodować i wykorzystywać w kontroli jakości.
-
233. Trafność kryterialna – współbieżna i prognostyczna
Trafność kryterialna pokazuje, czy wynik narzędzia wiąże się z ważnym kryterium mierzonym obecnie lub w przyszłości. Poznaj zasady oceny, wzory, przykłady i pułapki interpretacyjne.
-
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.
-
200. Jak opisać analizę mocy w pracy naukowej?
Dowiedz się, jak poprawnie opisać analizę mocy i uzasadnienie wielkości próby w artykule naukowym, pracy dyplomowej lub protokole badania.
-
198. Post hoc power – dlaczego bywa źle używana?
Post hoc power nie naprawia niedostatecznej próby ani nie wyjaśnia wyniku nieistotnego statystycznie. Sprawdź, jak interpretować ją poprawnie.
-
192. Wielkość próby dla regresji liniowej – podstawy
Jak zaplanować liczebność próby do regresji liniowej? Lekcja wyjaśnia predyktory, wielkość efektu f², moc, poziom alfa i praktyczne użycie G*Power.
-
183. Błąd I i II rodzaju a wielkość próby
Jak poziom alfa, błąd beta i moc statystyczna wpływają na planowanie wielkości próby? Lekcja wyjaśnia zależności na przykładach medycznych i społecznych.
-
182. Moc statystyczna – intuicyjne wyjaśnienie
Moc statystyczna określa, jak duża jest szansa wykrycia rzeczywistego efektu. Lekcja wyjaśnia ją intuicyjnie, akademicko i na przykładach medycznych.
-
174. Matching – kiedy dobieranie podobnych osób pomaga?
Matching może ograniczać różnice między grupami, ale wymaga właściwego doboru zmiennych i analizy uwzględniającej sposób dopasowania.
-
165. Losowanie zespołowe i wielostopniowe – zastosowania
Losowanie zespołowe i wielostopniowe ułatwia badania dużych, rozproszonych populacji, ale wymaga uwzględnienia klastrów, wag i efektu planu.
-
164. Losowanie warstwowe – kiedy poprawia reprezentatywność?
Losowanie warstwowe pozwala zaplanować udział ważnych podgrup w próbie. Sprawdź, kiedy zwiększa precyzję i reprezentatywność, a kiedy może wprowadzać błędy.
-
163. Dobór losowy prosty – zasady i zastosowanie
Dobór losowy prosty to podstawowa metoda doboru probabilistycznego. Lekcja wyjaśnia jej założenia, procedurę, wzory, zalety, ograniczenia i zastosowania w badaniach zdrowotnych.
-
160. Jak dobrać schemat badania do pytania naukowego?
Dobór schematu badania powinien wynikać z celu projektu: opisu zjawiska, prognozowania albo oceny związku przyczynowego.
-
157. Badania powtarzanych pomiarów – planowanie kolejnych punktów czasowych
Jak dobrać liczbę i odstępy między pomiarami, aby uchwycić dynamikę zjawiska, ograniczyć obciążenie uczestników i zaplanować analizę danych podłużnych.
-
147. Badanie przed–po – jak uniknąć prostych błędów interpretacji?
Badanie przed–po pozwala ocenić zmianę u tych samych osób, ale samo wykazanie różnicy nie dowodzi skuteczności interwencji. Kluczowe są regresja do średniej, historia, sezonowość, pomiar i dobór analizy.
-
145. Badanie randomizowane – dlaczego randomizacja jest tak ważna?
Randomizacja ogranicza błąd selekcji, równoważy grupy i wzmacnia wiarygodność wniosków przyczynowych. Sprawdź, jak ją zaplanować i ocenić.
-
142. Badanie przekrojowe – zastosowania, zalety i ograniczenia
Badanie przekrojowe pozwala opisać stan populacji w określonym momencie. Sprawdź jego zastosowania, zalety, ograniczenia i zasady interpretacji wyników.
-
135. Kodowanie braków danych – czego nie robić?
Brak danych nie jest zwykłą kategorią liczbową. Sprawdź, jak kodować wartości brakujące, aby nie zniekształcić analiz i interpretacji wyników.
-
130. Zmienne porządkowe – jak zachować naturalny porządek kodów?
Jak kodować zmienne porządkowe, aby liczby zachowywały kolejność kategorii, ale nie sugerowały nieuprawnionych odległości?
-
125. Poziom pomiaru a wybór statystyki – jak je łączyć bez uproszczeń?
Poziom pomiaru pomaga dobrać statystykę, ale nie działa jak automatyczna instrukcja. Sprawdź, jak łączyć skalę zmiennej z rozkładem, celem analizy i projektem badania.
-
124. Skala ilorazowa – kiedy zero ma sens absolutny?
Skala ilorazowa pozwala interpretować nie tylko różnice, lecz także proporcje między wartościami. Sprawdź, kiedy zero jest rzeczywistym początkiem pomiaru.
-
122. Skala porządkowa – co naprawdę oznacza kolejność kategorii?
Skala porządkowa pozwala stwierdzić, że jedna kategoria oznacza więcej, mniej lub wyższy poziom badanego zjawiska niż inna, ale nie mówi, jak duże są różnice między kategoriami.
-
121. Skala nominalna – właściwości, przykłady i dopuszczalne operacje
Skala nominalna służy do klasyfikowania obiektów do rozłącznych kategorii. Poznaj jej właściwości, zasady kodowania, przykłady i poprawne operacje statystyczne.
-
111. Złożone punkty końcowe – kiedy są użyteczne, a kiedy mylą?
Złożony punkt końcowy może zwiększyć efektywność badania, ale także ukryć, który składnik rzeczywiście odpowiada za wynik. Sprawdź, jak go projektować i interpretować.
-
110. Pierwotny punkt końcowy – jak go zdefiniować?
Pierwotny punkt końcowy określa główny rezultat badania i wpływa na dobór próby, analizę statystyczną oraz interpretację skuteczności interwencji.
-
097. Dychotomizacja zmiennych ciągłych – dlaczego zwykle tracimy informację?
Dychotomizacja upraszcza zmienną ciągłą do dwóch kategorii, ale często zmniejsza moc analizy, zniekształca zależności i utrudnia interpretację. Lekcja pokazuje, kiedy podział może być uzasadniony, a kiedy lepiej zachować pełną skalę pomiaru.
-
095. Hierarchiczna struktura danych: pacjent w oddziale, uczeń w klasie
Dane hierarchiczne powstają wtedy, gdy osoby, pomiary lub zdarzenia są zgrupowane w większych jednostkach, takich jak oddziały szpitalne, klasy, szkoły albo poradnie. Lekcja wyjaśnia, jak rozpoznawać taką strukturę, dlaczego obserwacje w grupach nie są niezależne oraz kiedy potrzebne są modele wielopoziomowe.
-
094. Powtarzane pomiary tej samej osoby jako szczególny rodzaj danych
Powtarzane pomiary tej samej osoby tworzą dane zależne, w których obserwacje są zagnieżdżone w osobach. Lekcja wyjaśnia, dlaczego zwykłe metody dla danych niezależnych mogą prowadzić do błędnych wniosków oraz kiedy stosować analizę różnic, ANOVA z powtarzanym pomiarem, modele mieszane i GEE.
-
085. Zmienne kontrolne i współzmienne – kiedy je uwzględniać?
Dowiedz się, czym są zmienne kontrolne i współzmienne, kiedy ich uwzględnianie poprawia trafność oraz precyzję analizy, a kiedy może prowadzić do błędnych wniosków.
-
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.
-
083. Zmienne jakościowe: dychotomiczne, nominalne i porządkowe
Lekcja 083 wyjaśnia, czym są zmienne jakościowe, jak odróżniać zmienne dychotomiczne, nominalne i porządkowe oraz jak dobierać sposób opisu i analizy do ich roli w badaniu.
-
082. Zmienna wynikowa i objaśniająca – alternatywa dla języka zależna/niezależna
Lekcja 082 wyjaśnia, czym są zmienna wynikowa i objaśniająca, dlaczego są trafniejszą alternatywą dla określeń zależna i niezależna oraz jak rozpoznawać ich role w analizie statystycznej.
-
079. Wielokrotne hipotezy a ryzyko błędu I rodzaju
W tej lekcji wyjaśniamy, dlaczego testowanie wielu hipotez zwiększa ryzyko fałszywie dodatnich wniosków oraz jak planować i korygować analizy, aby kontrolować błąd I rodzaju.
-
078. Jak dopasować miarę efektu do hipotezy?
Miara efektu powinna wynikać z rodzaju hipotezy, skali pomiaru, schematu badania i znaczenia praktycznego wyniku. Lekcja pokazuje, kiedy stosować różnicę średnich, standaryzowaną różnicę średnich, ryzyko względne, iloraz szans, różnicę ryzyka, korelację, regresję oraz miary czasu do zdarzenia.
-
073. Hipotezy dotyczące związku między zmiennymi – przykłady
Lekcja 073 pokazuje, jak formułować hipotezy o związku między zmiennymi, odróżniać korelację od przyczynowości oraz dobierać hipotezy do rodzaju zmiennych i schematu badania.
-
065. Hipoteza zerowa i alternatywna – formalny zapis i interpretacja
Hipoteza zerowa i alternatywna tworzą formalną strukturę testowania hipotez statystycznych. Lekcja wyjaśnia ich zapis, relację z pytaniem badawczym, poziomem istotności, wartością p, błędami I i II rodzaju oraz interpretacją wyników w badaniach medycznych i społecznych.
-
060. Przykłady poprawnych i błędnych celów badań z nauk o zdrowiu
Lekcja 060 pokazuje, jak rozpoznawać i poprawiać cele badań w medycynie, zdrowiu publicznym, psychologii, pielęgniarstwie i ratownictwie.
-
052. Cele pierwotne i wtórne w badaniach biomedycznych
Lekcja wyjaśnia, czym różnią się cele pierwotne i wtórne, jak je hierarchizować, operacjonalizować oraz powiązać z punktami końcowymi, hipotezami i analizą statystyczną.
-
028. Jak zaplanować analizę statystyczną przed rozpoczęciem zbierania danych?
Plan analizy statystycznej pozwala powiązać pytania badawcze, zmienne, punkty końcowe, wielkość próby i metody wnioskowania, zanim wyniki zaczną wpływać na decyzje analityczne.