Statystyka w Psychologii – Wykład 1

Statystyka opisowa i inferencyjna

Zanim zaczniesz liczyć, musisz wiedzieć, co chcesz osiągnąć: opisać dane, które masz przed sobą, czy wyciągnąć wnioski o szerszym świecie?

📊 Statystyka opisowa

Służy do organizacji i prezentacji zebranych danych. Obejmuje tworzenie wykresów, obliczanie średnich i innych miar, sprawdzanie kształtu rozkładu i wychwytywanie obserwacji odstających.

Cel: zrozumieć próbę, którą masz przed sobą.

🔍 Statystyka inferencyjna

Służy do uogólniania wyników z próby na całą populację. Opiera się na teorii prawdopodobieństwa i pozwala ocenić, czy zaobserwowane efekty są rzeczywistymi prawidłowościami, czy dziełem przypadku.

Cel: wnioskować o świecie większym niż próba.

Kolejność pracy ma znaczenie. John Tukey rozwinął podejście analizy eksploracyjnej danych (EDA), które przypomina: zawsze zacznij od statystyki opisowej — sporządź wykresy, oblicz podstawowe statystyki, sprawdź, czy nie ma oczywistych błędów lub obserwacji odstających. Dopiero potem przechodź do wnioskowania statystycznego.

Statystyczne wnioskowanie stanowi pomost między światem obserwowanych faktów (dane z próby) a światem teorii wyjaśniających te fakty (prawidłowości populacyjne). Jak podkreśla Howell, większość analiz w badaniach psychologicznych to właśnie statystyka inferencyjna — bo rzadko kiedy badamy całą populację.

Populacja i próba — kogo badamy?

Żadne badanie nie obejmuje całego świata. Badamy próbę i wnioskujemy o populacji — ale to wymaga ostrożności.

👥 Populacja

Pełen zbiór obiektów, których dotyczy pytanie badawcze — wszyscy ludzie (lub zwierzęta) posiadający daną cechę. Jest zazwyczaj bardzo liczna i niedostępna w całości.

Przykłady: „wszyscy uczniowie klas 8 w Polsce", „wszystkie dorosłe Polki".

🔬 Próba

Podzbiór populacji faktycznie uczestniczący w badaniu. To próba podlega pomiarowi, a jej wyniki ekstrapolujemy na populację. Powinna być w miarę reprezentatywna.

W praktyce rzadko bada się całą populację — jest to zbyt czasochłonne lub niemożliwe.

Błąd oszacowania i przedziały ufności

Istota statystyki inferencyjnej: po zbadaniu stosunkowo niewielkiej próby możemy estymować parametry dla całej populacji. Jednak wynik z próby zawsze obarczony jest pewnym błędem oszacowania wobec całej populacji.

Im lepiej próba odzwierciedla populację, tym mniejszy błąd popełniamy.
Jeśli próba jest dobrze dobrana, możemy nie tylko szacować wielkości populacyjne, ale i określać precyzję tych oszacowań za pomocą przedziałów ufności.
Metody kontrolowania błędu: wielkość próby i sposób jej doboru.

Dobór próby — trzy podejścia

Dobór losowy (random sampling) ›

Każda jednostka populacji ma równą szansę wejścia do próby — to zwiększa reprezentatywność. Jest to złoty standard metod doboru, choć trudny do osiągnięcia w praktyce (wymaga pełnej listy populacji).

Przykład: losowe wybranie 1000 numerów PESEL zapewni próbę dorosłych Polaków o zróżnicowanym wieku, płci i obszarze zamieszkania — odzwierciedlającą strukturę całej populacji.

Próba dogodna (convenience sampling) ›

Badacz dobiera osoby, które są łatwo dostępne — np. własnych studentów, ochotników z uczelni, użytkowników portalu społecznościowego. Jest wygodna i tania, ale ma poważną wadę.

Wada: możliwość błędu systematycznego (bias). Na przykład ochotnicy mogą różnić się motywacją od reszty populacji — co zniekształca wyniki. Mimo to jest najczęściej stosowaną metodą w psychologii akademickiej.

Próba celowa (purposive sampling) ›

Badacz świadomie i nielosowo wybiera jednostki na podstawie swojej wiedzy o populacji, jej strukturze i istotnych podgrupach. Do próby włączane są osoby lub obiekty posiadające określone, z góry zdefiniowane cechy.

Przykład: badanie różnic między osobami z zaburzeniem odżywiania a zdrowymi — badacz celowo dobiera obie grupy. To odróżnia próbę celową od losowej, w której skład byłby dziełem przypadku.

Reprezentatywność i trafność zewnętrzna

Reprezentatywność

Próba jest reprezentatywna, gdy odzwierciedla kluczowe cechy populacji. Zapewnia ją dobór losowy oraz wystarczająco duży rozmiar próby.

Przykład: próba z małego miasteczka nie pozwoli oszacować odsetka rolników w całej Polsce.

Trafność zewnętrzna (external validity)

Stopień, w jakim wyniki z próby można uogólnić na populację. Próba losowa zapewnia wysoką trafność; stronnicza (np. tylko ochotnicy) może zniekształcać wnioski.

Uwaga: zawsze zachowaj ostrożność przy generalizacji wyników z próby niereprezentatywnej.

Parametry i statystyki

Ta sama miara — np. średnia — może dotyczyć całej populacji albo tylko próby. To rozróżnienie ma fundamentalne konsekwencje dla interpretacji wyników.

μ Parametr

Wartość liczbowa opisująca cechę całej populacji. Na przykład μ (czytaj: mu) to średnia populacyjna — wiemy, że istnieje, ale zazwyczaj jej nie znamy bezpośrednio.

X Statystyka

Ta sama miara obliczona dla próby. Na przykład X (czytaj: X-bar) to średnia z próby — znana, bo pochodzi z naszego badania. Używana jako estymator parametru.

Przykład: chcesz znać średni poziom samooceny wszystkich uczniów w Polsce (μ). Badasz 400 uczniów i obliczasz X = 3.7 na skali 1–5. To statystyka próby — estymator nieznanego parametru populacji.

Analiza eksploracyjna danych (EDA) według Tukeya: przed zastosowaniem metod inferencyjnych sporządź wykresy, oblicz podstawowe statystyki i sprawdź, czy nie ma oczywistych błędów lub obserwacji odstających. EDA to „uważne przyjrzenie się danym" — pozwala uniknąć błędnych wniosków wynikających z niskiej jakości danych, a nie ze słabego efektu.

Skale pomiarowe

Sposób, w jaki przypisujesz liczby do obserwacji, decyduje o tym, jakich metod statystycznych możesz użyć — i jak możesz interpretować wyniki.

Skala pomiarowa to sposób przypisywania liczb do obiektów lub zdarzeń zgodnie z określonymi regułami. Te reguły decydują o tym, jakie własności matematyczne tych liczb można sensownie interpretować i jakie metody statystyczne są uprawnione.

Skala nominalna — etykiety bez porządku ›

Służy wyłącznie do etykietowania kategorii, bez porządkowania ich ani porównywania. Wg Howella „skale nominalne w zasadzie nie są skalami — nie układają obiektów wzdłuż żadnego wymiaru, a jedynie je oznaczają".

Przykłady: płeć, przynależność polityczna, numer na koszulce piłkarza. Numer jest tylko etykietą — równie dobrze mógłby być zastąpiony kolorem lub literą.

Dozwolone operacje: liczyć częstości kategorii, sprawdzać modalną. Nie wolno: obliczać średniej, porządkować wartości, mówić „o ile więcej".

Skala porządkowa — porządek bez równych odstępów ›

Porządkuje obiekty według nasilenia danej cechy, ale nie gwarantuje równych odstępów między wartościami. Najprościej: wiadomo, kto jest wyżej, ale nie o ile wyżej.

Przykłady: rangi wojskowe (chorąży < kapitan < pułkownik), kolejność finiszu w biegu (1., 2., 3. miejsce), ranking stresujących wydarzeń życiowych wg Holmesa i Rahe'a. Różnica prestiżu między kapitanem a komandorem nie musi być taka sama jak między komandorem a admirałem.

Dozwolone: mediana, percentyle. Ostrożnie: średnia jest formalnie nieuzasadniona, ale często stosowana w praktyce.

Skala przedziałowa — równe odstępy, zero umowne ›

Ma równe odstępy między jednostkami, ale nie posiada absolutnego zera — zero jest umowne, nie oznacza braku cechy. Dlatego można mówić o różnicach, ale nie o proporcjach.

Klasyczny przykład: temperatura w °C lub °F. Różnica między 10°C a 20°C jest taka sama jak między 20°C a 30°C (równe odstępy), ale 0°C nie oznacza braku temperatury. Dlatego nie możemy powiedzieć, że 40°C jest „dwa razy cieplej" niż 20°C.

W psychologii: wiele zmiennych (np. iloraz inteligencji, skale Likerta 1–5) jest formalnie porządkowych, ale traktuje się je jako przedziałowe — zakładając równe odstępy i obliczając średnie.

Skala ilorazowa — równe odstępy + absolutne zero ›

Posiada wszystkie cechy skali przedziałowej oraz absolutny punkt zero, oznaczający dosłowny brak danej cechy. Dzięki temu możliwe są porównania proporcjonalne.

Przykłady: masa, długość, czas trwania. 10 sekund to dwa razy dłużej niż 5 sekund. 100 kg to połowa 200 kg. Większość pomiarów w naukach przyrodniczych ma charakter ilorazowy.

W psychologii: skale ilorazowe są rzadkie — „zero inteligencji" nie istnieje. Wyjątek: liczba poprawnych odpowiedzi w teście (0 = brak sukcesu, 20 to dwa razy więcej niż 10) oraz czas reakcji w milisekundach.

Wybór skali wpływa na dobór testów statystycznych. Obliczanie średniej zakłada sensowność operacji dodawania — wymaga co najmniej skali przedziałowej.

Porównanie skali — szybkie zestawienie

Skala	Porządek	Równe odstępy	Absolutne zero	Przykład
Nominalna	—	—	—	Płeć, przynależność polityczna
Porządkowa	✓	—	—	Rangi wojskowe, miejsce w wyścigu
Przedziałowa	✓	✓	—	Temperatura w °C, IQ, skala Likerta
Ilorazowa	✓	✓	✓	Czas reakcji (ms), masa, wzrost

🎯 Klasyfikator skali — sprawdź się

Kliknij odpowiedź — dowiedz się, do jakiej skali należy każda z poniższych zmiennych i dlaczego.

Język statystyki — notacja i symbole

Każda analiza wymaga systemu notacji. Nie istnieje jeden standard — różne podręczniki używają nieco innych symboli — ale poniższe są powszechnie stosowane.

X, Y

Wielka litera reprezentuje całą zmienną — np. X = czas reakcji, Y = wynik testu.

X_i

Litera z indeksem dolnym to pojedyncza, i-ta obserwacja. Przykład: dla zbioru [45, 42, 35, 23, 52] — X₁ = 45, X₂ = 42 itd.

N

Liczba obserwacji w próbie. Dla populacji stosuje się czasem wielkie N, dla próby małe n.

ΣX

Sigma (suma) wszystkich wartości zmiennej X. Pełna notacja: Σ_i=1^N X_i, czyli „zsumuj X_i od i=1 do i=N".

X

X-bar — średnia arytmetyczna z próby. Wzór: X = (1/N) Σ X_i. To estymator parametru μ w populacji.

μ

Mu — parametr populacji, czyli jej średnia arytmetyczna. Zazwyczaj nieznana — szacujemy ją na podstawie X z próby.

Ważne rozróżnienia w notacji sumowania

ΣX²

Suma kwadratów X. Najpierw podnosisz każdą wartość do kwadratu, potem sumujesz. Kolejność: ↑², potem Σ.

(ΣX)²

Kwadrat sumy X. Najpierw sumujesz wszystkie wartości, potem podnosisz wynik do kwadratu. Kolejność: Σ, potem ↑².

ΣXY

Suma iloczynów par X i Y. Mnożysz odpowiadające sobie X_i i Y_i, a następnie sumujesz iloczyny.

ΣX · ΣY

Iloczyn sum. Osobno sumujesz wszystkie X i wszystkie Y, a wyniki mnożysz. To inny wynik niż ΣXY!

ΣX² ≠ (ΣX)² — te dwa wyrażenia dają różne wyniki. To jedno z najczęstszych źródeł błędów przy ręcznych obliczeniach statystycznych.

Eksperyment Sternberga — symulator

Klasyczny eksperyment z 1966 r. pozwala sprawdzić, jak ludzie przeszukują pamięć krótkotrwałą. Teraz przeprowadzisz go na sobie.

Model sekwencyjny

Porównujesz bodziec testowy z każdym elementem zestawu po kolei. Czas reakcji powinien rosnąć liniowo wraz z liczbą elementów (ok. +40 ms na element wg Sternberga).

Model równoległy

Porównujesz bodziec ze wszystkimi elementami jednocześnie. Czas reakcji nie powinien zależeć od liczby elementów w zestawie.

Procedura: zapamiętasz krótki zestaw cyfr, a następnie pojawi się jedna cyfra testowa. Twoim zadaniem będzie jak najszybsze kliknięcie TAK (cyfra była w zestawie) lub NIE (nie była). Przeprowadzisz 3 próby — dla 1, 3 i 5 elementów.

Kliknij, żeby zacząć. Zmierzymy Twój czas reakcji w każdej z 3 prób i porównamy z klasycznymi wynikami Sternberga.

Uwaga: jedno pomierzenie to za mało, żeby wyciągnąć pewny wniosek — reakcja zależy od uwagi, zmęczenia i losowości. Sternberg uśredniał dziesiątki prób na każdy warunek. Tu liczy się wzorzec między próbami, a nie konkretna wartość.

Słowniczek pojęć

Kliknij kartę, żeby zobaczyć definicję. Użyj jako szybkie powtórzenie przed egzaminem.

Statystyka opisowa

Organizuje i prezentuje zebrane dane — wykresy, miary centralne, kształt rozkładu. Opisuje próbę, nie wnioskuje o populacji.

Statystyka inferencyjna

Uogólnia wyniki z próby na całą populację. Opiera się na teorii prawdopodobieństwa; ocenia, czy efekty są rzeczywiste, czy przypadkowe.

Populacja

Pełen zbiór obiektów objętych pytaniem badawczym. Zazwyczaj zbyt liczna, by zbadać ją w całości.

Próba

Podzbiór populacji faktycznie uczestniczący w badaniu. Jej wyniki są ekstrapolowane na populację — o ile jest reprezentatywna.

Parametr

Wartość opisująca cechę całej populacji (np. μ = średnia populacyjna). Zazwyczaj nieznana — szacujemy ją ze statystyk próby.

Estymator

Statystyka próby używana do szacowania nieznanego parametru populacji. Np. X̄ z próby jest estymatorem μ populacji.

Trafność zewnętrzna

Stopień, w jakim wyniki z próby można uogólnić na populację. Zależy od sposobu doboru próby — próba losowa ją zwiększa.

Skala nominalna

Etykietuje kategorie bez porządkowania. Dozwolone: liczyć częstości. Niedozwolone: obliczać średniej, rankingować.

Skala porządkowa

Porządkuje obiekty, ale nie gwarantuje równych odstępów. Wiadomo „kto jest wyżej", ale nie „o ile wyżej".

Skala przedziałowa

Równe odstępy, ale zero umowne. Można mówić o różnicach, nie o proporcjach. Przykład: temperatura w °C.

Skala ilorazowa

Równe odstępy + absolutne zero (0 = brak cechy). Można porównywać proporcje: 200 ms to dwa razy więcej niż 100 ms.

Sigma (Σ)

Symbol sumowania. ΣX = zsumuj wszystkie wartości X. ΣX² ≠ (ΣX)² — kolejność operacji ma znaczenie.

Quiz — sprawdź wiedzę

12 pytań obejmujących cały materiał wykładu. Po każdej odpowiedzi zobaczysz wyjaśnienie.

Kluczowe wnioski

Sześć rzeczy, które powinieneś zapamiętać z tego wykładu.

1
Statystyka opisowa i inferencyjna to dwa różne cele. Opisowa porządkuje dane z próby; inferencyjna uogólnia wnioski na populację. Zawsze zaczynaj od opisowej (EDA) — sprawdź dane, zanim zaczniesz wnioskować.
2
Próba nigdy nie jest populacją — i zawsze wiąże się z błędem. Wynik z próby to estymator parametru populacji, zawsze obarczony pewnym błędem oszacowania. Wielkość próby i sposób doboru kontrolują ten błąd.
3
Dobór losowy to złoty standard, ale rzadko osiągalny. Próby dogodne (convenience sampling) są dominującą praktyką w psychologii — znaj ich ograniczenie: możliwość błędu systematycznego i niższą trafność zewnętrzną.
4
Skala pomiarowa decyduje o dozwolonych operacjach matematycznych. Nominalna: tylko częstości. Porządkowa: mediana. Przedziałowa i ilorazowa: średnia. W psychologii skale Likerta są formalnie porządkowe, lecz traktowane jako przedziałowe.
5
ΣX² ≠ (ΣX)² — kolejność operacji zmienia wynik. To jedno z najważniejszych rozróżnień notacyjnych. Sigma obejmuje tylko to, co stoi bezpośrednio po niej; nawiasy zmieniają kolejność działań.
6
Wzrost RT o ~40 ms na element w eksperymencie Sternberga wskazuje na przetwarzanie sekwencyjne. Gdyby pamięć była przeszukiwana równolegle, RT nie zależałby od liczby elementów. To przykład, jak zmierzenie i porównanie średnich może odpowiedzieć na pytanie psychologiczne.

Podstawy statystyki w badaniach psychologicznych