See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/315772665

Metody opisu statystycznego w zarządzaniu

Chapter · January 2011

CITATIONS READS

0 606

1 author:

Jolanta Kowal
University of Wroclaw
61 PUBLICATIONS 195 CITATIONS

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

AMCIS 2019, Cancun. Call for Papers Mini-Track 5: Digital Innovation for Development Track: ICTs in Global Development (SIGGlobDev) View project

ICT project manager selection View project

All content following this page was uploaded by Jolanta Kowal on 04 April 2017.

The user has requested enhancement of the downloaded file.

Kowal, J., Statystyka opisowa w zarządzaniu, [w:] Knecht, Z. (red.), Zarządzanie
przedsiębiorcze, WSZ E, Wrocław 2011, s. 107-162

Jolanat Kowal1

Metody opisu statystycznego w zarządzaniu

Głównym celem niniejszej pracy jest wskazanie możliwości wykorzystania metod

statystycznych w badaniach jakościowych, jak i ilościowych w zarządzaniu, w szczególności
w warunkach małej próby tam, gdzie jest to merytorycznie uzasadnione, dla ich większej
obiektywizacji. W związku z tym dokonałam przeglądu metod opisu statystycznego,
mogących znaleźć zastosowanie w jakościowych, i ilościowych zarządzania, w tym
psychologii zarządzania.
1. Badania jakościowe w systemach informacyjnych w aspekcie metodologii i
filozofii nauki.
W wielu systemach informacyjnych (IS) badania jakościowe prezentowane są w
różnych ujęciach filozoficznych, ale najczęściej jako studia, w których analizie merytorycznej
poddawane są dane jakościowe, rozumiane jako wywiady, dokumenty, wyniki obserwacji
respondentów, czy też analiza przypadku.

Celem badań jakościowych w tym ujęciu jest zrozumienie i wyjaśnienie zjawisk

społeczno-ekonomicznych czy psychologicznych. W jakościowych badaniach
psychologicznych w wersji hermeneutycznej rozumienie jest traktowane jako swoista forma
wyjaśniania, nazywanego rozumieniem wyjaśniającym, dedukcyjnym lub instrumentalnym
(Straś-Romanowska, 2000). Studia jakościowe umożliwiają m.in. udzielenie odpowiedzi na
pytanie dlaczego, po co, czy, co, jak, w jaki sposób, jakie są, które, po analizie
indywidualnych, swobodnych wypowiedzi respondentów, często udzielanych nie wprost.
Analiza takich wypowiedzi jest żmudna i czasochłonna, dlatego zwykle badania jakościowe
prowadzone są na niewielka skalę, ale mogą stanowić podstawę do postawienia hipotez, które
mogą być weryfikowane później w badaniach ilościowych, realizowanych na dużych
populacjach. W badaniach społeczno-ekonomicznych do najczęściej stosowanych metod
jakościowych należą zogniskowane wywiady grupowe (FGI) oraz wywiady pogłębione (IDI).
Zwykle wykorzystywane są do scharakteryzowania pewnej społeczności (grupy docelowej,

1
Kowal, J., Statystyka opisowa w zarządzaniu, [w:] Knecht, Z. (red.), Zarządzanie przedsiębiorcze, WSZ E,
Wrocław 2011, s. 107-162

107
np. segmentu rynku) nie tylko pod względem cech ekonomiczno-demograficznych i
społecznych, ale i psychologicznych, na przykład pod względem wewnętrznych motywacji,
emocjonalnych progów wrażliwości, postaw, ocen jakiegoś zjawiska czy potrzeb wyższego
rzędu.

Badania jakościowe w ujęciu filozofii nauki

Bez względu na rodzaj badania, u jego podstaw powinny znaleźć się zawsze pewne
uniwersalne założenia filozoficzne.
Ważne są przede wszystkim założenia epistemologiczne, dotyczące wiedzy i sposobu
jej zdobycia (Mumford i in., 1985).
Filozofowie nauki określają paradygmaty badawcze i kategorie, które powinny
stanowić podstawę teoretyczną badań. Dominują dwa podejścia. Pierwsze z nich uwzględnia
cztery paradygmaty: pozytywistyczny, neopozytywistyczny, krytycyzm i konstruktywizm
(Guba i Lincoln 1994). Niektórzy badacze preferują jednak podejście epistemologiczne trzy-
kategorialne: pozytywizm, interpretacjonizm i krytycyzm (Orlikowski i in., 1991 - 2002).
Metodologowie podkreślają zróżnicowanie wspomnianych aspektów w sensie
filozoficznym, jednak niektórzy z nich sądzą, że na przykład w praktyce badań społecznych
takie rozdzielanie podejść jest trudne do rozróżnienia (Lee i in., 1991-1997). W literaturze
przedmiotu ciągle można spotkać się z dyskusją na temat, czy przyjęte paradygmaty
badawcze lub założenia epistemologiczne muszą być przeciwstawne, czy mogą być
stosowane równolegle.
Czasami badacze utożsamiają badanie jakościowe z badaniem
interpretacjonistycznym, co nie zawsze jest prawdą, lecz może czasem wynikać z przyjętych
założeń teoretycznych. Badanie jakościowe może być pozytywistyczne,
interpretacjonistyczne lub krytyczne. Charakter badania wynika też z przyjętej metody
badawczej (np. studium przypadku) i jest niezależne od podstawy filozoficznej. Na przykład
studium przypadku może mieć charakter pozytywistyczny (Yin, 2002), interpretacjonistyczny
(Walsham, 2002), lub krytyczny, zaś w badaniu działalności (ang. action research) może być
stosowane podejście pozytywistyczne (Clark, 1972), interpretacjonistyczne (Elden, Chisholm,
1993) lub krytyczne (Carr, Kemmis, 1986).

Podejście pozytywistyczne

108
 W podejściu pozytywistycznym wyznacznikiem poznania naukowego jest metoda
pozwalająca na obiektywny i jednoznaczny opis oraz wyjaśnienie rzeczywistości (Straś-
Romanowska, 2000). Przy podejściu tym zakłada się, że rzeczywistość jest obiektywna i
może być opisana za pomocą mierzalnych właściwości, które są niezależne od badacza lub
obserwatora oraz od stosowanych przez niego narzędzi badawczych. W tym ujęciu badanie
jest próbą testowania, czy też weryfikowania teorii, próbą takiego zrozumienia zjawiska,
które umożliwi prognozowanie. Zgodnie z teorią systemów informacyjnych za
pozytywistyczne można uważać takie badanie, w którym wystąpiły formalne propozycje
(sformułowano hipotezy naukowo-badawcze), analizowane zmienne były mierzalne,
postawione hipotezy były weryfikowane, a wnioski wyciągnięte na podstawie danych
empirycznych można uogólniać (Orlikowski i in., 1991). Taki rodzaj badań od ilościowych
różni się zazwyczaj małą liczebnością populacji i nie zawsze spełnionymi warunkami
dotyczącymi losowości próby.

Jeżeli spełnione są powyższe warunki do pozytywistycznych mogą zostać zaliczone

nawet badania jakościowe będące studium przypadku ( Benbasat, 2002; Straub i in., 2004,
Bartosz, 2000). Przy podejściu pozytywistycznym przy wyciąganiu wniosków bardzo
przydatne są różne metody statystyczne od metod opisu statystycznego, przez estymację
punktową, czy przedziałową po weryfikację hipotez statystycznych, ponieważ zmienne są
mierzalne i formułuje się hipotezy. Badacz może uogólniać wnioski na populacje generalną,
na przykład poprzez weryfikację hipotez statystycznych i zastosowanie testów istotności
różnic, testów zgodności czy niezależności.

Metody opisu statystycznego można stosować, jeżeli dane jakościowe (wywiady,

dokumenty, wyniki obserwacji respondentów, analiza przypadku) zostaną przekształcone do
postaci cech lub zmiennych, wyrażonych na skali pomiarowej. Wyniki są prawomocne tylko
dla opisywanego zbioru danych. Metody opisu statystycznego powinny być dobrane
adekwatnie do skal pomiarowych, jak również do rozkładu zmiennych. Poniżej przedstawiam
sposoby dopasowania skal pomiarowych do różnego rodzaju właściwości obiektów, jak
również opis miar opisy statystycznego ze wskazaniem możliwości ich zastosowania w
określonych warunkach badań jakościowych.
Opis statystyczny dotyczy obiektów (np. osób fizycznych, rodzin, małżeństw,
gospodarstw domowych, organizacji, domów towarowych, zakładów produkcyjnych, firm
usługowych lub grup klientów), które charakteryzują właściwości:

109
  jakościowe (kategorialne, np. typy osobowości, temperamentu, typy umysłu, rodzaje
reklamy, typy stosowanych narracji, preferowane kolory, rodzaj zamieszkania – wieś,
małe miasto, duże miasto, profil ukończonych studiów, religia, narodowość,
pochodzenie społeczne, wykonywany zawód, pełnione stanowisko, segmenty rynku),
 porządkujące (np. pozycja obiektu na tle innych, miejsce w rankingu ze względu na
uzyskane wyniki, rangi nadane preferowanym produktom, gatunkom filmowym, rangi
nadane czynnikom sukcesu zawodowego lub czynnikom motywacji pracy)
 ilościowe (np. waga, wzrost, temperatura ceny, sumy lub średnie punktów uzyskane w
teście psychologicznym ).
Pomiarów dokonuje się na odpowiednich skalach. Wyniki pomiarów na N obiektach za
pomocą m skal pomiarowych dobrze jest zestawiać w tablice wielodzielcze, wyniki
obserwacji przedstawione za pomocą m skal porządkowych - w macierz uporządkowania. W
przypadku właściwości mierzonych na skalach przedziałowych lub ilorazowych - dane
najlepiej prezentować w formie macierzy wyników ( por.m-cechowe szeregi statystyczne).
Zbiory obiektów charakteryzuje się opisując ich właściwości w postaci liczb i wyznaczając
cechom lub zmiennym miary struktury lub położenia, rozproszenia, asymetrii, koncentracji i
współzmienności.
W artykule przedstawiam ważniejsze miary, mogące znaleźć zastosowanie w opisie
obserwacji statystycznych, pochodzących z badań jakościowych, w odniesieniu do różnych
skal pomiarowych, możliwości interpretacyjnych oraz literatury (por. Kirk, 1968; Szulz,
1967; Blalock, 1975; Góralski, 1976; Guilford, 1964; Stevens, 1959; Triola, 1988; Guilford,
Fruchtner, 1978; Hays, 1973; Horowitz, 1974; Zając, 1988; Brzeziński, 1975; Ferguson,
1976; Healey, 1984, Kowal, 1998).
Rodzaje miar, odpowiednie dla różnych skal przedstawia poniższa tabela1.

110
TAB.1. STATYSTYKI OPISOWE W ODNIESIENIU DO SKAL POMIAROWYCH
Skala Miary Miary Miary asymetrii Miary Miary Miary
położenia rozproszenia koncentracji współzmienn struktury
(przeciętne) (zmienności, ości
dyspersji)
nominalna kategoria dyspersja współczynnik proporcje,
modalna względem i siły związku odsetki,
(moda)- klasyfikacji stosunki,
przeciętna wskaźniki
pozycyjna (procenty,
promile i inne)
porządkowa obiekt obiekty współczynnik pozycyjny współczynnik
mediany(me kwantylowe asymetrii oparty współczynnik korelacji
diana) (np., kwartyle, na medianie i asymetrii rang,
przeciętna percentyle), dominancie współczynnik
pozycyjna rozstę konkordancji
kwartylowy,
odchylenie
ćwiartkowe,
kwartylowy
współczynnik
zmienności,
współczynnik
zmienności
względem
mediany
przedziałow średnie: wariancja lub współczynnik eksces kowariancja,
a arytmetyczn odchylenie skośności (oparty (współczynni stosunek
a, standardowe, na średniej, k korelacyjny,
geometrycz szerokość medianie i spłaszczenia); współczynnik
na, przedziału odchyleniu kurtoza, korelacji
harmoniczn zmienności, standardowym lub współczynnik liniowej,
a, odchylenie średniej, modzie i koncentracji współczynnik
kwadratowa przeciętne odchyleniu Lorenza korelacji
środek (średnie), standardowym), cząstkowej
przedziału współczynnik trzeci moment
zmienności zmienności centralny,
względem współczynnik
średniej asymetrii (iloraz
trzeciego
momentu
centralnego przez
trzecią potęgę
odchylenia
standardowego)
Źródło: opracowanie własne

Warto zauważyć, że miary opisu statystycznego adekwatne dla skal słabszych można
zastosować dla skal wyższego rzędu, na przykład dominantę można policzyć nie tylko dla
skal nominalnych, ale również dla porządkowych i przedziałowych. Sytuacja odwrotna nie

111
zawsze jest możliwa, średniej arytmetycznej nie można zastosować dla skali nominalnej
wielokategorialnej, wyrażającej na przykład wyznanie religijne. Natomiast średnią
arytmetyczną można opisać zmienną mierzoną na skali zero-jedynkowej, gdzie wartość 1
może oznaczać wystąpienie jakiegoś zjawiska, a 0 inne możliwości.
Opis szeregów statystycznych oraz obliczenie odpowiednich miar ułatwia
pogrupowanie wyników obserwacji w szeregi rozdzielcze i tablice korelacyjne.
Przy opisie charakteru współzmienności co najmniej dwóch cech lub zmiennych,
można korzystać z różnych współczynników korelacji, jak również z metod ustalania
regresji. W regresji pierwszego rodzaju dla dwucechowego szeregu statystycznego
współzmienność obrazuje się liniami regresji. Regresja liniowa drugiego rodzaju (przy
założeniu liniowości współzmienności) umożliwia przewidywanie najbardziej
prawdopodobnych wartości cechy zależnej. Współczynnik korelacji wielokrotnej jest
wskaźnikiem oceny jakości regresji liniowej drugiego rodzaju (por. Kowal, 1998).
Właściwości szeregów statystycznych dobrze jest zobrazować za pomocą wykresów:
 dla obserwacji jednej cechy mierzonej na skali nominalnej, przy rozdzielnych
kategoriach - za pomocą diagramu kołowego
 dla obserwacji jednej cechy mierzonej na skali porządkowej - za pomocą diagramu
kołowego, wykresu pudełkowego, histogramu, histogramu kumulowanego i
dystrybuanty;
 dla obserwacji jednej cechy mierzonej na skali przedziałowej - za pomocą wykresu
pudełkowego, histogramu, wykresu gęstości, histogramu kumulowanego i
dystrybuanty; jak również za pomocą diagramu kołowego po pogrupowaniu wyników
obserwacji w klasy;
 dla obserwacji dwu cech - poprzez wykres rozrzutu punktów empirycznych i wykres
korelacyjny uzupełniony o zobrazowanie właściwości szeregów marginalnych;
 dla obserwacji m-cech - odpowiednim zobrazowaniem szeregów jednej i m cech.

2. Opis struktury populacji: proporcje, odsetki, stosunki

Dane jakościowe, takie jak wywiady, dokumenty, wyniki obserwacji respondentów,

utwory artystyczne czy też analiza przypadku często kategoryzuje się do rozdzielnych klas,
konstruując zmienne lub cechy nominalne (np. rodzaj symboliki archetypowej w malowanych
obrazkach, rodzaj utworu literackiego, typ odwiedzanych domów towarowych, rodzaj

112
sklepów, marka towarów, status zawodowy, klasa społeczna, różne typy produktów, rodzaj
stosowanej reklamy). Opis statystyczny jest wtedy oparty na liczebnościach przypadków w
każdej kategorii i porównaniu ich względnych wartości. Porównanie kilku grup i
standaryzacja składu grupy ze względu na jej wielkość są możliwe dzięki takim miernikom
jak proporcje, odsetki, czy stosunki, które można również stosować w przypadku skal
wyższego rzędu (porządkowej, interwałowej i ilorazowej, po uprzedniej nominalizacji).
Proporcje.
Przy obliczania proporcji dla jednej cechy lub zmiennej zakłada się rozłączność klasyfikacji.
Proporcję przypadków ni/N w danej kategorii i stanowi iloraz liczby przypadków w tej
kategorii ni i całkowitej liczby przypadków N. Proporcje przypadków w kategoriach
1,2,3,...,k, o liczebności całkowitej N i liczebnościach n1, n2, n3,...,nk wynoszą odpowiednio
n1/N, n2/N, n3/N,...,nk/N.
Własność proporcji :
Suma proporcji przypadków we wszystkich wzajemnie rozłącznych kategoriach wynosi1.
Z zależności:
n1+n2+n3+...+nk=N wynika (po podzieleniu obu stron równania przez N)
n1/N+n2/N+n3/N+...+nk/N=1.
Odsetki.
Odsetki oblicza się z proporcji mnożąc przez 100. Obliczając odsetki przeprowadza się
standaryzację ze względu na rozmiar badanej grupy, ponieważ znajduje się liczbę
przypadków objętych daną kategorią przy założeniu, że całkowita liczebność wynosi 100.
Ponieważ proporcje sumują się do jedności, odsetki muszą sumować się do 100, chyba że
kategorie nie są rozłączne lub wyczerpujące.
Odsetki w prezentacjach danych stosuje się znacznie częściej niż proporcje.
Przy stosowaniu miar dla skal nominalnych, warto kierować się dwiema zasadami:
a) oprócz proporcji i odsetek należy podawać bezwzględną liczbę przypadków
b) nie należy stosować odsetek, gdy całkowita liczba przypadków jest mniejsza niż od 50.
Stosunki.
Stosunek liczby a do b stanowi iloraz a/b. Stosunek może być liczbą większą od jedności (w
przeciwieństwie do odsetek i proporcji), a oba składniki stosunku mogą też zawierać kilka
oddzielnych kategorii. Przypadkiem stosunku jest proporcja, gdzie mianownik bjest całkowitą
liczbą przypadków, a licznik a jej pewną częścią. Odmianą stosunku są również wskaźniki, w
których podstawą są liczby większe, np.10 000 lub 100 000 (wskaźnik urodzeń na 100 kobiet

113
w wieku rozrodczym). Stosunkiem jest również tempo wzrostu, czyli iloraz rzeczywistego
przyrostu przez wartość na początku badanego okresu.
3. Miary położenia (przeciętne)

Miary położenia (przeciętne) wskazują miejsce, w którym leży wartość najlepiej

reprezentująca wszystkie wielkości, wchodzące w skład szeregu statystycznego. Miary
położenia informują o przeciętnym poziomie wartości rozważanej cechy w badanej populacji
i dają jej syntezę. Przeciętne są cechami zbiorczymi, które za pomocą liczb wyrażają
prawidłowości, nie zauważalne w pojedynczych obserwacjach. Charakteryzując zbiorowość
przy pomocy przeciętnych, badacz traktuje wszystkie jednostki tak, jak gdyby miały taką
samą wartość liczbową (przeciętną) i w ten sposób porównuje różne populacje statystyczne.
Obliczanie przeciętnych ma sens wtedy, gdy zbiorowość jest jednorodna pod względem
analizowanej cechy (por. Zając, 1988; Kowal, 1998). Przeciętne dzielą się na dwie grupy:
a) średnie (arytmetyczna, geometryczna, harmoniczna, kwadratowa), skonstruowane dla skal
metrycznych
b) przeciętne pozycyjne (wartość modalna - adekwatna dla skal nominalnych i silniejszych,
wartość środkowa, kwartyle, percentyle, decyle - przeznaczone dla poziomu pomiaru co
najmniej porządkowego).
Średnie są dobrym narzędziem analizy przy porównywaniu różnych zbiorowości, stanowiąc
sumaryczne charakterystyki wartości sumaryczne jednostek zbiorowości statystycznej, pod
warunkiem jednak, że badane zbiorowości są statystycznie jednorodne. Wielkość średnich
zależy od wartości wszystkich jednostek zbiorowości. Wszystkie średnie sprowadzają się do
średniej arytmetycznej za pomocą pewnych przekształceń.
Jednakże wybór średniej zależy od rodzaju mierzonych obiektów od zjawiska, interesującego
badacza (por. Kirk, 1968; Triola, 1988; Blalock, 1975; Szulc, 1967; Góralski, 1976;
Krzysztofiak, 1977; Zając, 1988; Jóźwiak, Podgórski, 1994).
Średnia arytmetyczna z szeregu szczegółowego.
Istnieją różne miary tendencji centralnej, czy też miary typowości dla skal metrycznych.
Najważniejsze to średnia arytmetyczna i mediana. Są one bardzo przydatne w opisie
typowości, gdy pomiary pochodzą z badań, przeprowadzonych na małych próbach. Średnia
jest miernikiem znacznie bardziej rozpowszechnionym niż mediana. Określa się ją jako iloraz
sumy pomiarów przez ich liczbę. Wzór średniej :
1 n x  x2    xn
x 
n i 1
xi  1
n
,

114
gdzie xi – wartość i-tego pomiaru, n – liczebność badanej populacji
Ciekawą własnością średniej jest fakt, że suma odchyleń wszystkich pomiarów od niej wynosi
N
0, co zapisujemy : ( x
i=1
i - x) = 0 .

Druga ważna własność średniej mówi, że suma kwadratów odchyleń pomiarów od średniej
jest mniejsza od sumy kwadratów odchyleń tych pomiarów od jakiejkolwiek innej liczby:
N

( x - x ) = min , gdzie lewa strona równania oznacza miarę całkowitego zróżnicowania

2
i
i=1

badanej populacji
W przypadku braku komputera lub kalkulatora można stosować wzór, oparty na średniej

odgadniętej x :
N

 ( x - x )
i

x= x + i=1
(por. Kowal, 1998)
n
Średnia arytmetyczna szeregu rozdzielczego.
W przypadku dużej liczby obserwacji dobrze jest pogrupować dane w szereg rozdzielczy i
obliczać średnią w oparciu o rozkład liczebności. Pogrupowanie danych pracę bardzo
upraszcza, niemniej jednak prowadzi do straty informacji. W stosunku do średniej zakłada się,
że wszystkie pomiary należące do danej kategorii grupują się wokół środka przedziału
klasowego. Prowadzi to do pewnych niedokładności, ale jeżeli liczba obserwacji jest duża -
niedokładność będzie niewielka. Im węższe są przedziały klasowe - tym mniejsza
niedokładność i strata informacji. Największe niedokładności występują na krańcach
rozkładu, gdyż tam zwykle istnieje asymetria w kierunku jego środka. W większości
przypadków jednak liczba wyników obserwacji w przedziałach skrajnych jest niewielka w
porównaniu z całkowitą liczbą obserwacji, stąd niedokładność jest z reguły niewielka. Przy
obliczaniu średniej z danych pogrupowanych zakładamy, że wszystkie pomiary z danego
przedziału klasowego są równe środkowi tego przedziału. Poniższy wzór na średnią oparty
jest na wspomnianych wyżej założeniach.
k

f
i=1
i mi
x= ,
n
gdzie fi – liczba przypadków i-tej kategorii, mi – środek i-tego przedziału klasowego, k – liczba
przedziałów klasowych, n – liczebność badanej populacji.
Przy obliczaniu średniej można tez oprzeć się na średniej odgadniętej, według wzoru:

115
 k

f i di
x = x + i=1
,
n
gdzie d i = xi - x oznacza odległość od środka danego przedziału od średniej odgadniętej x .

Średnia arytmetyczna dla skal dychotomicznych.

Jeżeli właściwość została zmierzona na skali dychotomicznej zerojedynkowej, liczbę
obserwacji, zaliczonych do kategorii, oznaczonej np. przez A określa się symbolem m, a
liczbę wszystkich obserwacji przez n. Liczbę 1 przyporządkowuje się zdarzeniu, w którym
pojawia się obserwacja z wariantem A, zaś liczę 0 w przeciwnym wypadku, co prowadzi do
formuły średniej arytmetycznej, będącej de facto liczebnością względną (częstością), zwaną
również frakcją elementów wyróżnionych :
m  1  (n  m)  0 m
pˆ   .
n n
Średnia harmoniczna.
Czasem do opisu danych, pochodzących z badań jakościowych, stosuje się średnią
harmoniczną. Używa się jej wtedy, gdy zmienna charakteryzuje natężenie występowania
jakiejś właściwości w jednostce innej, na przykład przy obliczeniach przeciętnej liczby
popełnianych błędów przez osoby badane w czasie (ilość błędów/min.), przeciętnego czasu
poświęcanego przez studentów na naukę tygodniowo, przeciętnego czasu potrzebnego do
wykonania pewnych czynności (operacji/godz.), przeciętnej liczby papierosów wypalanych
dziennie, czy ilości kilometrów przejechanych na godzinę (km/godz.) Średnia harmoniczna
wyrażona jest wzorem:
n n
H= = n
,
1 1 1 1
+ +...+
x1 x2 xn
x
i=1 i

Średnia arytmetyczna jest odwrotnością średniej arytmetycznej odwrotności poszczególnych

wartości jednostek zbiorowości statystycznej.
Jeżeli wartości jednostek zbiorowości powtarzają się wielokrotnie, to zamiast średniej
harmonicznej stosuje się średnią harmoniczną ważoną, wyrażoną wzorem:
k

f 1+ f 2 +...+ f k i=1
fi
H= = k ,
1 1 1 fi
f 1 + f 2 +...+ f k
x1 x2

xk i=1 xi

116
Średnia harmoniczna może być również wykorzystywana w analizie wariancji (por. model
ANOVA), kiedy badana jest zmienność wewnątrzgrupowa i międzygrupowa zmiennej
zależnej, a liczebności w poszczególnych klasach istotnie różnią się między sobą.
Średnia geometryczna.
Średnia geometryczna jest rzadziej stosowana niż pozostałe średnie, lepiej jednak
charakteryzuje zmienne, wyrażone w liczbach względnych oraz wtedy, gdy badacz dysponuje
szeregiem, w którym występują znaczne różnice między obserwacjami. Średnia geometryczna
jest mniej wrażliwa na wartości krańcowe niż średnia arytmetyczna, lepiej jednak stosować
ją przy dużych próbach, a ponadto nadaje się jedynie do charakteryzowania wartości
dodatnich. Wyrażona jest wzorem:
G =n x1 x2 x3 ... xn ,
Średnia jest n-tym pierwiastkiem z iloczynu n wyrazów. Przy bardzo licznych populacjach
próbnych, korzysta się z postaci logarytmicznej:
n

1
 log x
i=1
i

l ogG= ( log x1+ log x2 +...+ log xn )= ,

n n
Logarytm średniej geometrycznej jest średnią arytmetyczną logarytmów poszczególnych
wartości zbiorowości statystycznej. Przy bardzo dużej próbie, gdy dane zestawione są w
szeregu rozdzielczym i mają charakter liczb względnych lub występują znaczne różnice
wartości między obserwacjami, można stosować średnią geometryczną ważoną, wyrażoną
wzorem:

G = f x1
f1
x2
f2
... xk f k ,

lub w postaci logarytmicznej, według wzoru :

k

f 1 log x1+ f 2 log x2 +...+ f k log xk 

f i log xi
log G= = i=1 k
.
f 1+ f 2 +...+ f k
f
i=1
i

Średnia kwadratowa.
Średnia kwadratowa, obliczana na podstawie wartości dodatnich i ujemnych skal
metrycznych, jest pierwiastkiem kwadratowym ze średniej arytmetycznej kwadratów wartości
jednostek zbiorowości statystycznej. Do bezpośredniego opisu używa się jej bardzo rzadko, a
najczęściej zastosowanie znajduj we wzorze na wariancję i odchylenie standardowe.
Wyrażona jest wzorem ogólnym:

117
 n

+ 2 +...+ xn 2
2 x i
2

K= x x2 1
= i=1

n
n
Średnią kwadratową ważoną dla wartości powtarzających się oblicza się według wzoru:
k

n x
i=1
i
2
i
K= k

n i=1
i

Przeciętne pozycyjne.
Mierniki pozycyjne – miary bardzo przydatne w badaniach jakościowych podają pozycję
pewnego typowego lub nietypowego przypadku w stosunku do innych przypadków. Są to
wyniki obserwacji pewnych konkretnych jednostek zbiorowości statystycznej, wybranych ze
względu na ich położenie w zbiorowości. Mierniki pozycyjne wyznacza się dla cech lub
zmiennych co najmniej porządkowych. Przy obliczeniach ręcznych dane należy zestawić w
uporządkowany szereg statystyczny.
Mediana (wartość środkowa, topologiczna). Najczęściej stosowanym miernikiem pozycyjnym
jest mediana, dzieląca zbiór wyników obserwacji na połowę. Jest to liczba, od której połowa
wyników jest mniejsza lub jej równa, druga zaś połowa jest od niej większa lub jej równa.
Dla szeregu nieparzystego, mediana jest pomiarem środkowym. W przypadku populacji o
parzystej liczbie przypadków, mediana jest definiowana niejednoznacznie i przyjmuje się, że
jest nią średnia arytmetyczna dwóch środkowych pomiarów. Mediana ma ciekawą własność,
którą przedstawia poniższy wzór :
n

| x - M
i=1
i e | = min

W badaniach jakościowych przeważnie stosuje się dominantę, czyli wartość najczęściej

występującą dla zmiennych kategorialnych, średnią arytmetyczną, albo medianę, jeśli dane są
wynikami pomiarów na skalach metrycznych. Dla cech lub zmiennych porządkowych,
mediana jest najbardziej adekwatnym miernikiem typowości, aczkolwiek można też obliczyć
średnią arytmetyczną.
Przy doborze adekwatnej, dobrze jest porównać miary przeciętne i dostosować do warunków
badawczych.
Przy podejmowaniu decyzji, która miarę zastosować: średnią czy medianę, warto pamiętać o
wadach i zaletach poszczególnych miar (patrz Tabela 2, por. Kowal, 1998) :

118
Tabela 2. Porównanie zalet, wad i możliwości zastosowań średniej arytmetycznej i
mediany
Średnia Mediana
Zalety
-zużytkowuje więcej informacji niż mediana, - miernik wygodny przy próbach małych lub
ponieważ oblicza się ją na podstawie wszystkich silnie skośnych
pomiarów, podczas gdy mediana jest sama - zmiany wartości pomiarów ekstremalnych
pojedynczym pomiarem nie wpływają na jej wartość, dopóki nie
- miernikiem bardziej stabilnym jest średnia, zmienia się wartość pomiaru środkowego.
ponieważ wartość jej ulega mniejszym wahaniom
przy porównywaniu od prób różnej wielkości
- przy zmianie próby wartość mediany zmienia się
bardziej niż wartość średniej
- średnia jest wygodniejsza w operacjach
algebraicznych
- jest miarą pewniejszą w sytuacjach, gdy istnieją
wątpliwości co do tego, który miernik można uznać
za bardziej rzetelny i wykazuje mniejszą zmienność
przy przechodzeniu od próby do próby.
Wady
- nie jest miarą adekwatną dla próby mało licznej lub- miernik mało stabilny przy zmianie wielkości
niesymetrycznej próby
- zmiany wartości pomiarów ekstremalnych mają - nie obejmuje wszystkich wartości obserwacji
wpływ na wartość średniej, co może dać mylące zbiorowości statystycznej, bazuje tylko na
rezultaty przy próbach mało licznych. wartościach środkowych
- mediana może pozostać taka sama w
próbach o zupełnie różnej zmienności
- jest bardziej skomplikowana w obliczeniach
niż średnia
- trudniej ją stosować w skomplikowanych
operacjach algebraicznych.
Zastosowanie
- zmienne mierzone są na interwałowej i ilorazowej - zmienne mierzone są na skali co najmniej
- pomiary zmiennych dokonywane na skalach porządkowej
metrycznych pochodzą z prób statystycznie dużych - pomiary zmiennych dokonywane na skalach
lub małych metrycznych pochodzą z małych statystycznie
- rozkłady wartości analizowanych zmiennych są prób
raczej symetryczne. - rozkłady wartości analizowanych zmiennych
są silnie skośne
- występują duże dysproporcje w wynikach
skrajnych.
Mediana umożliwia szybki opis populacji
obiektów i szybką analizę porównań między
obiektami, gdy badacze są szczególnie
zainteresowani wartościami skrajnymi.
Źródło: opracowanie własne, por. Zając, 1988; Blalock, 1975; Krzysztofiak, 1977; Góralski,
1975; Szulc, 1967; Kowal,1998.

119
Medianę można obliczać, dla szeregu statystycznego uporządkowanego, według wzorów

1 
Me   x 1  x 1  dla parzystej liczby obserwacji
2  2 n 2
n 1 


lub

Me  x 1 dla nieparzystej liczby obserwacji.

 n 1
2

Jeżeli korzysta się z szeregu rozdzielczego, można korzystać z dwóch alternatywnych

wzorów:
n m1
  ni
2 i 1
Me  xlm   hm
nm
lub
m 1
n
n i 
2
Me  x pm  i 1
 hm ,
nm
gdzie xlm – dolna granica przedziału zawierającego medianę, n – liczebność badanej populacji,
m 1
ni – liczebność przedziału o numerze i, n -i 1
i liczebność skumulowana przedziału

poprzedzającego medianę, hm – rozpiętość przedziału zawierającego medianę, nm – liczebność

m 1
przedziału mediany, xpm – górna granica przedziału zawierającego medianę, n
i 1
i - liczebność

skumulowana przedziału następującego po medianie

Przykłady konkretnych obliczeń mediany opisanymi sposobami (oraz sposobem graficznym)
znajdują się w pracach m.in.: Zająca (1988), Blalocka (1975), Krzysztofiaka (1977),
Góralskiego (1975), Szulca (1967).
Modalna - przypadek najczęstszy może być miernikiem użytecznym w opisie dowolnych
skal, gdy pomiarów jest więcej i gdy są one pogrupowane. W przypadku rozkładu
normalnego danych metrycznych modalną wskazuje najwyższy punkt krzywej. Jeżeli rozkład
jest symetryczny i ma tylko jedną wartość modalną w środku - średnia, mediana i wartość
modalna leżą w tym samym punkcie. Poniższy wzór umożliwia obliczenie modalnej z szeregu
rozdzielczego:

120
 n m - n m -1
M o = ld + r .
( nm - nm-1 ) + ( nm - nm+1 )
gdzie ld - dolna granica przedziału zawierającego modalną, nm -liczebność przedziału
zawierającego modalną, nm-1 - liczebność przedziału poprzedzającego modalną, nm+1 -
liczebność przedziału następującego po modalnej, r - wielkość przedziału zawierającego
modalną. Istnieją również sposoby graficznego wyznaczenia modalnej (por. Zając, 1988;
Szulc, 1967; Blalock, 1975; Góralski. 1976).
Kwantyle (decyle, kwartyle, percentyle) - są miarami pozycyjnymi, dla pomiarów
dokonanych na skali co najmniej porządkowej, które lokalizują pomiar większy niż pomiary
stanowiące określoną proporcję wszystkich przypadków. Mierniki te nie mierzą tendencji
centralnej lub typowości, są jednak analogicznie obliczane jak mediana. W przypadku
kwartyli - pierwszy kwartyl jest taką liczbą, od której 1\4 pomiarów jest mniejsza (lub
równa). Analogicznie rozkład można podzielić na 10 decyli, podając wartości obserwacji, od
których 1\10, 2\10, 3\10, ...,9\10 pomiarów jest mniejsze (lub równe).
Najbardziej znanym miernikiem są percentyle, dzielące rozkład na 100 równych części. Jeśli
wyniki testu menedżera znajdują się na 95-tym percentylu - to oznacza, że 95% menedżerów
ma wyniki słabsze od niego.
Gdy dane są pogrupowane, określa się najpierw przedział, w którym dany miernik się
znajduje.
Ogólny wzór na dowolny kwantyl o numerze z na podstawie szeregu rozdzielczego można
przedstawić wzorem :

r m z-1
Q z=l d + (z -  f ,
f z n i=1 i

gdzie n - liczba części, na jaką dzielona jest populacja generalna (np. n równe 4 oznacza, że
wyznaczamy kwartyle, a n równe 3 - tetryle, n równe 100 - percentyle), z - numer żądanego
kwantyla (np. trzeciego kwartyla), ld - dolna granica przedziału, w której znajduje się z-ty n-
tyl, fz - liczebność przedziału zawierającego z-ty kwantyl, m - liczebność skumulowana
populacji, i - numer przedziału klasowego, r - rozpiętość przedziału zawierającego z-ty n-tyl.
Dowolny kwantyl można również wyznaczyć metodą graficzną (por.Zając, 1988,
Kowal,1998).
Zalety, możliwości zastosowania i wady miar tendencji centralnej zestawiono w tabeli 3., a
formuły w tabeli 4.
Tabela 3. Zestawienie miar tendencji centralnej oraz ich wad i zalet

121
 Miary tendencji
Zalety i możliwości zastosowania Wady
centralnej
- zmienne mierzone są na - nie jest miarą adekwatną dla
interwałowej i ilorazowej próby mało licznej lub
- pomiary zmiennych dokonywane niesymetrycznej
na skalach metrycznych pochodzą - zmiany wartości pomiarów
z prób statystycznie dużych lub ekstremalnych mają wpływ na
małych wartość średniej, co może dać
- rozkłady wartości analizowanych mylące rezultaty przy próbach
zmiennych są raczej symetryczne. mało licznych.
-zużytkowuje więcej informacji
niż mediana, ponieważ oblicza się
ją na podstawie wszystkich
pomiarów, podczas gdy mediana
jest sama pojedynczym pomiarem
- miernikiem bardziej stabilnym
Średnia arytmetyczna jest średnia, ponieważ wartość jej
x ulega mniejszym wahaniom przy
porównywaniu od prób różnej
wielkości
- przy zmianie próby wartość
mediany zmienia się bardziej niż
wartość średniej
- średnia jest wygodniejsza w
operacjach algebraicznych
- jest miarą pewniejszą w
sytuacjach, gdy istnieją
wątpliwości co do tego, który
miernik można uznać za bardziej
rzetelny i wykazuje mniejszą
zmienność przy przechodzeniu od
próby do próby.
- ma zastosowanie jako liczebność zawiera tylko informację o
Średnia arytmetyczna względna,(częstość, frakcja częstości wystapienia zjawiska
dla skal elementów wyróżnionych),
umożliwia zastosowania metod
dychotomicznych p̂
wieloimiennych parametrycznych
w przypadku skali kategorialnej
- miara adekwatna dla skal nie może być obliczana dla
ilorazowych; wartości równych zeru
charakteryzuje natężenie
występowania jakiejś właściwości
w jednostce innej, na przykład
Średnia harmoniczna przy obliczeniach przeciętnej
H liczby popełnianych błędów przez
osoby badane w czasie (ilość
błędów/min); wykorzystywana w
analizie wariancji (por. model
ANOVA), kiedy badana jest
zmienność wewnątrzgrupowa i

122
 międzygrupowa zmiennej zależnej,
a liczebności w poszczególnych
klasach istotnie różnią się między
sobą.
rzadko stosowana dobrze
charakteryzuje zmienne, wyrażone
w liczbach względnych przy
nadaje się jedynie do
Średnia geometryczna szeregach ze znacznymi różnicami
charakteryzowania wartości
G między obserwacjami; mało
dodatnich; rzadko stosowana
wrażliwa na wartości krańcowe niż
średnia arytmetyczna; lepiej
stosować ją przy dużych próbach,
-stosowana przy bardzo licznych
populacjach próbnych, logarytm
Średnia średniej geometrycznej, podobne -wady średniej geometrycznej
logarytmiczna log zalety i zastosowania, jak średnia
geometryczna

-adekwatna dla wartości dodatnich

i ujemnych skal metrycznych;
mało praktyczna i raczej trudno
Średnia kwadratowa rzadko stosowana, znajduje
interpretowalna w opisie
K zastosowanie we wzorze na
statystycznym
wariancję i odchylenie
standardowe
- adekwatne dla skal
jakościowych, ale również dla
porządkowych lub interwałowych i
ilorazowych w przypadku
rozkładów asymetrycznych,
wady kwantyli, ale jest jeszcze
małych prób i dużych różnic w
mniej stabilna przy
Modalna Mo wynikach skrajnych;
porównaniach prób różnej
-- dobrze je stosować dla małych
wielkości
prób, przy dużej różnicy w
zakresie wyników skrajnych;
umożliwia sprawdzenie asemterii
rozkładu w porównaniu ze średnią
lub medianą
- mierniki adekwatne dla skal - nie wykorzystują wszystkich
porządkowych lub interwałowych i informacji o populacji; mierniki
ilorazowych w przypadku mało stabilne przy zmianie
rozkładów asymetrycznych, wielkości próby
Kwantyle: małych prób i dużych różnic w - nie obejmują wszystkich
Mediana Me wynikach skrajnych; wartości obserwacji zbiorowości
Q – kwartyle, -- dobrze je stosować dla małych statystycznej, np. mediana
D – decyle, prób, przy dużej różnicy w bazuje tylko na wartościach
C – centyle. zakresie wyników skrajnych; środkowych
mediana -- miernik wygodny przy - mediana i pozostałe kwantyle
próbach małych lub silnie mogą pozostać takie same w
skośnych próbach o zupełnie różnej
- zmiany wartości pomiarów zmienności

123
 ekstremalnych nie wpływają na jej - są bardziej skomplikowane w
wartość, dopóki nie zmienia się obliczeniach niż średnia
wartość pomiaru środkowego. - trudniej je stosować w
skomplikowanych operacjach
algebraicznych.-
Źródło: opracowanie własne (por. Zając, 1988; Andreasen, 1988; Jackson, 1983; Brzeziński,
1987; Kowal, 1998; paragraf 2.1. bieżącej monografii).

Tabela 4. Formuły dla miar tendencji centralnej dla szeregów szczegółowych i

rozdzielczych
Miary tendencji
Formuły dla szeregu szczegółowego Formuły dla szeregu rozdzielczego
centralnej
k

 n x i i
1 n
x  x2    xn i=1
x   xi  1 ,
x=
n
,
Średnia n i 1 n
gdzie ni – liczba przypadków i-tej kategorii,
arytmetyczna x gdzie xi – wartość i-tego pomiaru, n –
liczebność badanej populacji
xi – środek i-tego przedziału klasowego, k –
liczba przedziałów klasowych, n – liczebność
badanej populacji.

n k
 di  ni d i
Średnia x = x  + i=1  , x = x  + i=1 ,
arytmetyczna x n n
na podstawie
średniej
n

 xi  x   gdzie d i =x  x oznacza odległość od
i
środka danego przedziału od średniej
odgadniętej
 x  + i=1 ,
n odgadniętej x
gdzie: x - średnia odgadnięta
Średnia m  1  (n  m)  0 m
arytmetyczna dla pˆ   , gdzie
n n
skal
m
dychotomicznych gdzie pˆ  - frakcja elementów
(liczebność n
względna,(często wyróżnionych w próbce, n –liczebność
ść, frakcja próbki; m – liczba elementów
elementów wyróżnionych w próbce o kodzie równym 1
wyróżnionych)
p̂
k

Średnia H=
n
= n
n
, n1+ n2 +...+ nk
i=1
ni
1 1 1 1 H= = k ,
harmoniczna H +
x1 x2
+...+
xn
x
i=1 i
1 1
n1 + n2 +...+ nk
1

ni

x1 x2 xk i=1 xi
Średnia
geometryczna G
G =n x1 x2 x3 ... xn , G = n x1n1 x2n2 ... xk nk ,

124
 n k
Średnia
1
 log x i
n1 log x1+ n 2 log x 2 +...+n log x k
 n log x
i i

logarytmiczna l ogG= ( log x1+ log x2 +...+ log xn )= i=1

, log G= = i=1
k
.
n n n1+ n 2 +...+ n k
logG  ni
i=1

f
n 2

Średnia 2
+ 2 +...+ xn 2
x i
2

K= i=1
i xi
,
kwadratowa K K= x1 x2 = i=1
, k
n
n f i=1
i

M o = xid , gdzie xid oznacza wartość, M o = ld + r

n m - n m -1
.
która występuje najczęściej, id – ( nm - nm-1 ) + ( nm - nm+1 )
numer kolejnej wartości zmiennej lub gdzie ld - dolna granica przedziału
cechy X, dla której liczebność osiąga zawierającego modalną, nm -liczebność
wartość największą: przedziału zawierającego modalną, nm-1 -
Modalna Mo ni d n n n  liczebność przedziału poprzedzającego
 max  1 , 2 ,..., k  , gdzie modalną, nm+1 - liczebność przedziału
n n n n następującego po modalnej, r - wielkość
n – liczebność badanej populacji, ni – przedziału zawierającego modalną. Istnieją
ilość i-tej wartości cechy lub również sposoby graficznego wyznaczenia
zmiennej X modalnej
n m1
  ni
2 i 1
Me  xlm   hm
nm
lub
m 1
1  n
Me   x 1  x 1  dla n i 
2
2  2 n 2
n 1
 Me  x pm  i 1
 hm ,
parzystej liczby obserwacji nm
gdzie xlm – dolna granica przedziału
lub zawierającego medianę, n – liczebność
Mediana Me badanej populacji, ni – liczebność
m 1
Me  x 1
 n - liczebność
dla nieparzystej liczby
 n 1 przedziału o numerze i, i
2
i 1
obserwacji skumulowana przedziału poprzedzającego
medianę, hm – rozpiętość przedziału
zawierającego medianę, nm – liczebność
przedziału mediany, xpm – górna granica
m 1
przedziału zawierającego medianę, n
i 1
i -

liczebność skumulowana przedziału

następującego po medianie
n m1
  ni
4 i 1
Q1  x m   hm ;
nm
Q – kwartyle, k – ty centyl: 3n m 1
D – decyle,   ni
C – centyle. Ck  1  k  n  1, k  0,1. 4 i 1
Q3  x m   hm
Q1  x 1 , nm
1  n 1
4
gdzie xm – dolna granica przedziału
zawierającego 1 lub 3 kwartyl, n –

125
 Q3  x 3 , liczebność badanej populacji, ni –
1 n 1 m 1

n -
4
1  k n  1 C
liczebność przedziału o numerze i, i
i 1
liczebność skumulowana przedziału
poprzedzającego1 lub 3 kwartyl, hm –
rozpiętość przedziału zawierającego1 lub 3
kwartyl, nm – liczebność przedziału
zawierającego 1 lub 3 kwartyl
x i - środek przedziału klasowego dla i-tego
xi-wynik obserwacji dla i-tego przedziału klasowego, x - średnia
obiektu, x - średnia arytmetyczna, n arytmetyczna, n - liczebność badanej
- liczebność badanej populacji, populacji, ni – liczebność przedziału
Oznaczenia
Me – mediana, Q1 – kwartyl klasowego o numerze i, k – liczba
pierwszy, Q3 – kwartyl trzeci, Mo - przedziałów klasowych, Me – mediana, Q1
modalna – kwartyl pierwszy, Q3 – kwartyl trzeci, Mo
– modalna
Źródło: opracowanie własne (por. Zając, 1988; Andreasen, 1988; Jackson, 1983; Brzeziński,
1987; Steczkowski i Zeliaś, 1997; Kowal, 1998; par.2.6.2. bieżącej monografii; Jóźwiak i
Podgórski, 2003).

4. Miary dyspersji
Miary dyspersji (rozrzutu, zmienności, zróżnicowania) zawierają informację o
zróżnicowaniu wyników względem miar tendencji centralnej. Miary są tak skonstruowane, że
im większa wartość bezwzględna miary rozrzutu, tym bardziej populacja jest heterogeniczna,
tym mniej obiekty badawcze są do siebie podobne ze względu na analizowaną właściwość.
Miary dyspersji mogą być bezwzględne (rozstęp zwykły, rozstęp kwartylowy, odchylenie
ćwiartkowe odchylenie przeciętne, wariancja, odchylenie standardowe) lub względne
(współczynnik zmienności względem średniej, współczynnik zmienności względem mediany,
kwartylowy współczynnik zmienności). Do określenia stopnia zróżnicowania populacji ze
względu na badaną cechę lub zmienną łatwiej interpretować i porównywać miary względne,
ponieważ można wtedy abstrahować od jednostek, w jakich wyrażone były pomiary
pierwotne. Wiadomo, że populacja jest jednorodna, jeżeli współczynnik zmienności
względem średniej lub mediany danej cechy lub zmiennej nie przekracza wartości 0,1; raczej
słabo zróżnicowana przy wartościach współczynnika zmienności nie przekraczających
wartości 0,2; od 0, 20 do 0,4 - zróżnicowanie cechy można uznać za umiarkowane; od 0,4 do
0,6 za silne; powyżej 0,6 – bardzo silne. Przy silnym zróżnicowaniu średnia arytmetyczna jest
niemiarodajną charakterystyką cechy i lepiej wtedy stosować wówczas opis oparty na miarach
pozycyjnych.

126
 Większe wartości współczynników świadczą o tym, że badana populacja jest
niejednorodna i być może należałoby się zastanowić nad koniecznością podzielenia jej na
bardziej homogeniczne podzbiory, ze względu na wyróżnione kryteria.
Definicje miar dyspersji, zalety i możliwości zastosowań oraz wady w tabeli 5,
natomiast formuły zawarte są w tabeli 6.
Zróżnicowanie cechy silne i bardzo silne wskazuje, że zbiorowość jest niejednorodna. W
takich sytuacjach średnia arytmetyczna jest niemiarodajna charakterystyka cechy. Stosujemy
wówczas opis oparty na miarach pozycyjnych.

Warto zauważyć, że wariancja i odchylenie standardowe są najczęściej stosowanymi i

najważniejszymi miernikami dyspersji (patrz formuły: tabela 6). Wariancja jest średnią
arytmetyczną kwadratów odchyleń od średniej i jest to miara całkowitego zróżnicowania
populacji. Pojęciem wymiennym w stosunku do wariancji jest odchylenie standardowe,
ponieważ jest pierwiastkiem kwadratowym z wariancji. Wszystkie wzory dotyczące postaci
wariancji, można odnosić do odchylenia standardowego. Jednakże miary różnią się nieco w
sensie interpretacyjnym. Średnią arytmetyczną i odchylenie standardowe można obliczać
również dla cech jakościowych, po odpowiednich przekształceniach zmiennych, opartych na
liczebnościach i proporcjach wartości, jakie zmienna pierwotna może przyjąć.

Tabela 5. Zestawienie definicji miar dyspersji oraz ich wad i zalet

Miary dyspersji –
definicje i Zalety i możliwości zastosowania Wady
interpretacje
-adekwatny dla skal porządkowych,
interwałowych i ilorazowych - opiera się tylko na dwóch
Rozstęp R: różnica
- łatwy do obliczeń; pomiarach ekstremalnych;
między pomiarem
- daje szybką orientacyjną - stosując ten miernik nie mamy
najwyższym i
charakterystykę dyspersji, co jest żadnych informacji o
najniższym, w wypadku
szczególnie istotne dla osób zróżnicowaniu pozostałych
danych pogrupowanych,
nieobeznanych za statystyką; pomiarów;
rozstęp oblicza się jako
- jest użyteczny we wstępnym - jest miarą bardzo zmienną przy
różnicę środków
zwiadzie badawczym, jako pierwszy zmianach próby;
przedziałów
rzut oka na dane, umożliwia - im próba większa, tym większy
krańcowych,
sprawdzenie poprawności jest rozstęp, ponieważ wzrasta
charakteryzuje
wprowadzenia danych w zakresie prawdopodobieństwo wylosowania
rozpiętość wyników
wartości skrajnych do próby przypadków
ekstremalnych
Rozstęp kwartylowy
RQ połowa różnicy
między trzecim i patrz odchylenie ćwiartkowe patrz odchylenie ćwiartkowe
pierwszym kwartylem:
Q3-Q1

127
Odchylenie ćwiartkowe - adekwatne dla skal porządkowych - nie wykorzystuje wszystkich
: połowa różnicy - adekwatne dla skal interwałowych i informacji o populacji;
między trzecim i ilorazowych przy rozkładach - nie można przy jego pomocy
pierwszym kwartylem: asymetrycznych, przy małych próbach uchwycić zmian na krańcach
Q=(Q3-Q1)/2; i dużej różnicy wyników skrajnych; rozkładu;
intuicyjnie - mierzy rozstęp pokryty przez połowę - nie daje informacji o zmienności
interpretowane jako wszystkich przypadków; w środkowej połowie przypadków
przeciętna odległość, - Q1 i Q3 są mniej zależne od wahań
jakiej można się próby niż wartości pomiarów
spodziewać w zbiorze ekstremalnych;
wyników obserwacji w - jest miernikiem bardziej stabilnym
stosunku do mediany w niż rozstęp
środkowej połowie
przypadków
- miara adekwatna dla skal - operowanie wartościami
Odchylenie przeciętne interwałowych i ilorazowych bezwzględnymi jest niewygodne
względem średniej - pozwala określić średnią odległość algebraicznie;
d x lub mediany d Me : między pomiarem a średnią lub - trudno interpretować je
średnia arytmetyczna medianą; teoretycznie, nie prowadzi do
wartości - ujmuje informacje o wszystkich prostych rezultatów
bezwzględnych różnic wynikach obserwacji; matematycznych;
między pomiarami i - daje się interpretować bardziej - trudno posługiwać się nim w
intuicyjnie jako średnia odległość przypadku krzywej normalnej
średnią( d x ) lub
między pomiarem a średnią;
medianą ( d Me ) - jest miernikiem wygodnym do celów
czysto opisowych
Wariancja: średnia
arytmetyczna zalety odchylenia standardowego;
kwadratów odchyleń od stosowana częściej do badania
średniej, miara istotności różnic w zakresie wady odchylenia standardowego
całkowitego zmienności międzygrupowej i
zróżnicowania populacji wewnątrzgrupowej wyników

128
 - miara adekwatna dla skal
interwałowych i ilorazowych, ale
może być również stosowane dla skal
zerojedynkowych lub porządkowych
- ekstremalne odchylenia od
-łatwo interpretowalne;
średniej mają silny wpływ na
Odchylenie - jest tym większe, im większy jest
wartość odchylenia standardowego;
standardowe s lub ŝ : rozrzut wokół średniej;
- przy małej próbie wartości
pierwiastek kwadratowy - gdyby wszystkie pomiary były sobie
przypadków ekstremalnych mogą
ze średniej równe, odchylenia pomiarów od
spowodować, że odchylenie
arytmetycznej średniej byłyby równe zeru, a tym
standardowe może zrobić się
kwadratów odchyleń od samym odchylenie standardowe
niezwykle wielkie i dać przez to
średniej i można je również byłoby równe zeru;
mylące rezultat (w takiej sytuacji
interpretować - miernik satysfakcjonujący dla
lepiej jest stosować medianę jako
intuicyjnie jako większości zbiorów danych, w
miernik tendencji centralnej , a
przeciętną odległość, szczególności dla zbiorów o dużej
odchylenie ćwiartkowe jako
jakiej można się liczebności i dla cech o rozkładach
miernik rozrzutu);
spodziewać w populacji symetrycznych;
- miernik niesatysfakcjonujący dla
w stosunku do średniej - może być obliczane również dla
zmiennych o rozkładach
cech jakościowych, po odpowiednich
niesymetrycznych
przekształceniach zmiennych,
opartych na liczebnościach i
proporcjach wartości, jakie zmienna
pierwotna może przyjąć
- często wykorzystywany po oceny
Współczynnik dyspersji zgodności opinii ekspertów w
względnej klasyfikacji - wymaga skategoryzowanych
metodach heurystycznych, np. w odpowiedzi, wady skal
hr dla skal metodzie delfickiej, hr  <0, 1> - im kategorialnych
kategorialnych
hr bliższe 0, tym większa zgodność
- adekwatne dla skal porządkowych
lub interwałowych i ilorazowych w
przypadku rozkładów
Współczynnik
asymetrycznych, małych prób i
zmienności względem
dużych różnic w wynikach skrajnych;
mediany VMe wady miar opartych na kwartylach
- dobre miary do porównania
Kwartylowy i medianie
jednorodności tej samej cechy lub
współczynnik
zmiennej dla różnych grup
zmienności VQ
- dobrze je stosować dla małych prób,
przy dużej różnicy w zakresie
wyników skrajnych
-dobra miara dla zmiennych ciągłych,
o rozkładach symetrycznych
- dobra miara, gdy celem badania jest
Współczynnik sprawdzenie, czy dwie różne grupy są
zmienności względem jednorodne pod względem jakiejś wady odchylenia przeciętnego lub
cechy, na przykład wieku standardowego
średniej Vs lub Vd
- dobra miara do porównań
zmienności cech mierzonych w
różnych jednostkach, np. wagi i
wzrostu
Źródło: opracowanie własne (por. Zając, 1988; Andreasen, 1988; Jackson, 1983; Brzeziński,
1987; Kowal, 1998; paragraf 2.5. bieżącej monografii).

129
Tabela 6. Formuły dla miar dyspersji dla szeregów szczegółowych i rozdzielczych
Miary
Formuły dla szeregu szczegółowego Formuły dla szeregu rozdzielczego
dyspersji
Rozstęp R R  xmax  xmin R  x k  x1
Rozstęp
RQ  Q3  Q1
kwartylowy RQ
Odchylenie Q3  Q1
ćwiartkowe Q
Q
2
Odchylenie 1 n 1 k
przeciętne dx   xi  x ,
n i 1
d x   x i  x ni .
n i 1
względem
1 n 1 k
średniej d x lub d Me   xi  Me d Me   xi  Me ni
mediany d Me n i 1 n i 1
Wariancja dla
n n k n
dużej próbki s 2 s 2  1
 xi  x 2  1 xi2  x 2 s 2  1 xi  x 2 ni  1
   x 2
ni  x 
2

(n 30) dla skal

i
n i 1 n i 1 n i 1 n i 1
interwałowych i
ilorazowych
Wariancja dla
małej próbki ŝ 2 1 n 1 k
(n < 30) dla skal sˆ 2   xi  x 2 sˆ 2  xi  x 2 ni

interwałowych i
n  1 i 1 n  1 i 1
ilorazowych
m  m
s 2  pˆ  1  pˆ    1   ,
Wariancja s 2
n  n
dla skal m
dychotomicznyc gdzie pˆ  - frakcja elementów
n
h, wyróżnionych w próbce, n –liczebność
zerojedynkowyc
próbki; m – liczba elementów
h wyróżnionych w próbce o kodzie równym
1
Odchylenie
standardowe s s  s 2 , sˆ  sˆ 2
lub ŝ
Współczynnik
zmienności Q
VQ 
względem Me
mediany VMe
k  k 
Współczynnik hr  1   f rj2  ,
dyspersji k  1  j 1


względnej k oznacza liczbę kategorii wyróżnionych w r–tym pytaniu, frj – częstość
klasyfikacji hr występowania j–tej kategorii w r–tym pytaniu.

Kwartylowy Q3  Q1
współczynnik VQ 
zmienności VQ Q3  Q1
Współczynnik s s
zmienności Vs  , Vs %   100%
względem x x

130
 średniej Vs lub d d
Vd  , Vd %   100%
Vd x x

xi - środek przedziału klasowego dla i-

xi-wynik obserwacji dla i-tego tego przedziału klasowego, x - średnia
obiektu, x - średnia arytmetyczna, n - arytmetyczna, n - liczebność badanej
Oznaczenia liczebność badanej populacji, populacji, ni – liczebność przedziału
Me – mediana, Q1 – kwartyl pierwszy, klasowego o numerze i, k – liczba
Q3 – kwartyl trzeci przedziałów klasowych, Me – mediana, Q1
– kwartyl pierwszy, Q3 – kwartyl trzeci
Źródło: opracowanie własne (por. Zając, 1988; Andreasen, 1988; Jackson, 1983; Brzeziński,
1987; Kowal, 1998; par.2.3.3. bieżącej monografii, Steczkowski i Zeliaś, 2003).

5. Miary asymetrii i koncentracji.

Momenty. W opisywaniu badanej populacji, w której zmienne mierzono na skalach
metrycznych, jest czasem celowe wskazanie stopnia skośności lub spłaszczenia rozkładu.
Służa temu celowi miary zwane momentami.
Momentem r-tego rzędu określa się średnią arytmetyczną z r-tego stopnia odchyleń
wartości zmiennej od dowolnie przyjętej stałej wielkości (A, patrz Tab. 2.1.4.3).
Największe znaczenie mają tzw. momenty zwykłe, wyrażające odchylenia względem zera, tj.
od A=0.
Momenty centralne wyrażają odchylenia względem średniej arytmetycznej.
Momentem zwykłym rzędu pierwszego jest średnia arytmetyczna, momentem zwykłym rzędu
drugiego jest średnia arytmetyczna kwadratów wartości zmiennej.
Najczęściej stosowane miary asymetrii. Najczęściej stosowane miary asymetrii to
współczynnik asymetrii AQ oparty na medianie i dominancie dla skal porządkowych,

współczynnik skośności (oparty na średniej, medianie i odchyleniu standardowym As lub

Ws , obliczony na podstawie średniej, mody i odchylenia standardowego) dla skal

interwałowych i ilorazowych, trzeci moment centralny  3 , współczynnik asymetrii α3

(iloraz trzeciego momentu centralnego przez trzecią potęgę odchylenia standardowego) dla
skal interwałowych i ilorazowych. Asymetrię rozkładu określa się przez porównywanie
średniej x , mediany Me i dominanty Dx .
Jeżeli:
a) x = Me = Dx – to jest szereg symetryczny, a obserwacje rozłożone są równomiernie
po obu stronach osi symetrii;

131
 b) x > Me > Dx – obserwujemy rozkład o asymetrii prawostronnej, większość obserwacji
znajduje się w przedziałach położonych bliżej początku szeregu, większość cech ma
wartości o niskich nominałach
c) x < Me < Dx –występuje asymetria lewostronna, przedział klasowy zawierający
największą liczbę obserwacji przesunięty jest w prawo i znajduje się przy ostatnich
przedziałach.
Mogą zdarzyć się również rozkłady bimodalne, o dwóch wyraźnych punktach skupienia, przy
czym mogą mieć kształt symetryczny lub niesymetryczny.
Przy opisie statystycznym warto również uwagę poświęcić miarom koncentracji, jak kurtoza

α 4 i eksces α 4  , które zawierają informację, jak silnie wyniki obserwacji skupiają się wokół
średniej arytmetycznej (Tabela 7).
Charakterystykę momentów, dokładne wzory, opis możliwości zastosowań można znaleźć u
Kowal (1998), Jóźwiaka i Podgórskiego (1994), Steczkowskiego (1970, s. 79-88),
Steczkowskiego i Zeliasia (1997).
Tabela 7. Formuły i interpretacja miar asymetrii i koncentracji dla szeregów
szczegółowych i rozdzielczych
Miary asymetrii i Formuły dla szeregu
Formuły dla szeregu szczegółowego
koncentsracji rozdzielczego
Moment r-tego rzędu – wzór  n  1  k
 1
ogólny dla miar asymetrii   x i  A r  .   ni xi  Ar   k .
 i 1  n  i 1 
koncentracji dla cech i  ni
zmiennych interwałowych i i 1

ilorazowych
Miary asymetrii
1 1 k
3 n  i 3 n 
(x  x)3 ( x i  x ) 3 ni
α3  3  α 3  3  i 1
s s3 s s3

Interpretacja
Współczynnik asymetrii α 3 α3  <-2,2> – im bliższy 0 tym asymetria jest słabsza
dla skal interwałowych i α3 =0: rozkład idealnie symetryczny względem średniej, zwykle dominuja
ilorazowych
wyniki przeciętne;
α3 <0: dominują wyniki wysokie, powyżej średniej; asymetria lewostronna,
rozkład lew skośny;
α3 >0: dominują wyniki niskie, poniżej średniej; asymetria prawostronna,
rozkład prawo skośny
Współczynnik asymetrii As 3  ( x  Me)
As 
dla skal interwałowych i s
ilorazowych, częściej Interpertacja
stosowany dla małych As  <-2,2> – im bliższy 0 tym asymetria jest słabsza

132
 populacji As = 0: rozkład idealnie symetryczny względem średniej, zwykle dominuja
wyniki przeciętne;
As < 0: dominują wyniki wysokie, powyżej średniej; asymetria
lewostronna, rozkład lewskośny
As > 0: dominują wyniki niskie, poniżej średniej; asymetria prawostronna,
rozkład prawo skośny
x  Dx
Ws 
s
Interpretacja
Współczynnik skosności Ws Ws <-1, 1> – im bliższy 0 tym asymetria
jest słabsza
dla skal interwałowych i
ilorazowych, częściej Ws = 0: rozkład idealnie symetryczny względem średniej, zwykle dominuja
stosowany dla małych wyniki przeciętne;
populacji, raczej miara stabilna Ws < 0: dominują wyniki wysokie, powyżej średniej; asymetria
lewostronna, rozkład lewskośny
Ws > 0: dominują wyniki niskie, poniżej średniej; asymetria prawostronna,
rozkład prawo skośny
(Q3  Me)  ( Me  Q1 ) Q1  Q3  2Me
AQ  
(Q3  Me)  ( Me  Q1 ) 2Q
Interpretacja
AQ  <-1,1> – im bliższy 0 tym asymetria jest słabsza
Pozycyjny współczynnik
asymetrii AQ dla skal AQ = 0: rozkład idealnie symetryczny względem mediany, zwykle dominują
porządkowych wyniki przeciętne;
AQ < 0: dominują wyniki wysokie, powyżej mediany asymetria
lewostronna, rozkład lewoskośny
AQ > 0: dominują wyniki niskie, poniżej mediany asymetria prawostronna,
rozkład prawo skośny
a) Dla szeregu o parzystej liczbie wariantów:

1  2j j

AS   (i  j ) f   (i  j  1) f i  ,
100 
i
j i  j 1 i 1 
k
Gdzie j  ,
2
k=1, 4, 6 … - liczba wariantów w szeregu,
ni
Współczynnik asymetrii AS fi   100 - częstość i-tego wariantu dla i=1. …k,
n
dla wszystkich skal k
pomiarowych n   ni ,
i 1

b) Dla szeregu o nieparzystej liczbie wariantów:

1  2j 
AS    (i  j ) f i  ,
100  ( j  1) i  j 1 
k 1
Gdzie j  , (2.1.5.13)
2

133
 k=3, 5, 7 … - liczba wariantów w szeregu,
ni
fi   100 - częstość i-tego wariantu dla i=1. …k,
n
k
n   ni
i 1
Interpretacja
AS  <-1, +1> – im bliższy 0 tym asymetria jest słabsza
AS = 0: rozkład idealnie symetryczny względem mediany, zwykle dominują
wyniki przeciętne;
AS < 0: dominują wyniki wysokie, powyżej mediany asymetria
lewostronna, rozkład lewoskośny
AS > 0: dominują wyniki niskie, poniżej mediany asymetria prawostronna,
rozkład prawo skośny
Miary koncentracji
1 1 k
 
( xi  x ) 4
 n
 ( x i  x ) 4 ni
α 4  44  n α 4  44  i 1
s s 4
s s4
Współczynnik koncentracji α 4
dla skal interwałowych i Interpretacja
ilorazowych (współczynnik Jeżeli α 4 = 3: rozkład jest normalny;
skupienia, kurioza) α 4 < 3: rozkład jest bardziej spłaszczony, wyniki obserwacji są mniej
skoncentrowane wokół średniej niż w rozkładzie normalnym;
α 4 > 3: rozkład jest bardziej spiczasty, wyniki obserwacji są bardziej
skoncentrowane wokół średniej niż w rozkładzie normalnym
 
α4  α4  3  α4  α4  3 
1 k
1
 ( xi  x ) 4 4  ( x i  x ) 4 ni
4 3 
n i 1
3
 4 3  n 3 s4 s4
s s4

Współczynnik spłaszczenia α 4 Interpretacja
dla skal interwałowych i 
Jeżeli α 4 =0: rozkład jest normalny;
ilorazowych (eksces)

α 4 < 0: rozkład jest bardziej spłaszczony, wyniki obserwacji są mniej
skoncentrowane wokół średniej niż w rozkładzie normalnym;

α 4 > 0: rozkład jest bardziej spiczasty, wyniki obserwacji są bardziej
skoncentrowane wokół średniej niż w rozkładzie normalnym
xi - środek przedziału klasowego
xi-wynik obserwacji dla i-tego dla i-tego przedziału klasowego,
obiektu, A - dowolnie przyjęta stała A - dowolnie przyjęta stała
wielkość, x - średnia arytmetyczna, n wielkość, x - średnia arytmetyczna,
- liczebność badanej populacji, n - liczebność badanej populacji, ni
Oznaczenia Me – mediana, Q1 – kwartyl pierwszy, – liczebność przedziału klasowego
o numerze i, k – liczba przedziałów
Q3 – kwartyl trzeci, Dx - moda dla
klasowych, Me – mediana, Q1 –
zmiennej X, s – odchylenie kwartyl pierwszy, Q3 – kwartyl
standardowe
trzeci, Dx - moda dla zmiennej X, s
– odchylenie standardowe

134
 a) Stopień skupienia obserwacji wokół poszczególnych wariantów
cechy na podstawie częstości

1  k 100  ,
C  k fi 
200  (k  1)  i 1 k 
gdzie k=1, 2 … - liczba wariantów w szeregu,
ni
fi   100 - częstość i-tego wariantu dla i=1. …k,
n
k
Współczynnik koncentracji C n   ni ,
dla wszystkich skal i 1
pomiarowych, stopień
skupienia obserwacji wokół b) Stopień skupienia obserwacji wokół poszczególnych wariantów
poszczególnych wariantów cechy na podstawie liczebności
cechy
1  k n
C  k  ni   ,
200  n  (k  1)  i 1 k
Gdzie,
k=1, 2, … - liczba wariantów w szeregu,
k
n   ni
i 1
Interpretacja
C  <0, +1> – im bliższy 0 tym koncentracja jest słabsza
Źródło: opracowanie własne (por. Kowal,1998; Jóźwiak i Podgórski, 1994; Steczkowski,
1970; Steczkowski i Zeliaś, 1997).

6. Miary współzmienności

Współzmienność cech lub zmiennych może być charakteryzowana przez kowariancję lub
różne współczynniki korelacji, które powinny być dobrane adekwatnie do skal pomiarowych.
Współzmienność dwóch zmiennych: X i Y. Kowariancja jest wielkością, charakteryzującą
wspólne zmiany dwóch zmiennych X i Y. Służy do pomiaru siły korelacji między zmiennymi
X i Y. Kowariancja jest definiowana jako średnia arytmetyczna odchyleń wartości dwóch
zmiennych od ich średnich arytmetycznych:
1 n
cov(X,Y) =  xi yi - x x yy .
n i =1
(por. Zając, 1988, Kowal, 1998)
W badaniach jakościowych często jednym z zadań jest ocena siły związku między zmiennymi
(np., określenie siły związku między typem umysłu badanych osób a preferowanym rodzajem
symboliki w reklamie lub ulubionym gatunkiem literackim). Służą do tego współczynniki
korelacji, które należy dobierać adekwatnie do:
 skal pomiarowych analizowanych zmiennych lub cech,
135
  liczby cech lub zmiennych,
 wielkości próby oraz czasami
 kształtu rozkładu zmiennych.
Współczynniki korelacji są miarami względnymi, niemianowanymi (nie wyrażonymi w
jednostkach), dzięki czemu możliwe jest dokonywanie porównań korelacji dla różnych
zestawów zmiennych.
Czasami badacze dysponują już pewna populacją, na przykład własnych pacjentów lub klientów
- wtedy wyniki analizy korelacji będą prawomocne tylko dla posiadanego zbioru wyników
obserwacji. Należy dobrać współczynnik korelacji, adekwatny do skali pomiarowej, ilości
zmiennych lub kształtu rozkładów cech, obliczyć wartość współczynnika, określić siłę związku i
zinterpretować, poprzestać na opisie, a wniosków nie uogólniać na populację generalną.
Współczynniki korelacji przyjmują wartości z przedziałów liczbowych:
 ρ ϵ <0,1> albo
 ρ ϵ <-1,1> .
Orientacyjnie można przyjąć, że siła korelacji między dwiema cechami jest
 niewyraźna jeśli |  | 0,2 ;
 wyraźna, ale niska jeśli 0,2 |  | 0,4 ;

 umiarkowana jeśli 0,4 |  | 0,6 ;

 znacząca jeśli 0,6 |  | 0,8 ;

 bardzo silna |  | 0,8

 idealna |  | =1.
Jeżeli jednak celem badań jakościowych byłoby generalizowanie wniosków, należałoby dobrać
reprezentatywna próbę, najlepiej losową. Nie wystarczy wtedy tylko obliczyć współczynnika,
należy również sprawdzić jego istotność za pomocą odpowiedniego testu statystycznego. W
takich sytuacjach należy:
 określić liczbę zmiennych oraz ich skale pomiarowe,
 wielkość próby,
 wylosować próbę z populacji,
 dokonać pomiaru zmiennych, opisujących badane obiekty,
 wyszczególnić możliwe do zastosowania współczynniki,
 wybrać współczynnik optymalny, obciążony najmniejszym błędem,
 obliczyć współczynnik,

136
  przetestować hipotezę zerową o braku zależności między zmiennymi za pomocą
odpowiedniego testu istotności (tab.2.6.6.1 i paragraf 2.7 w bieżącej monografii; Kowal,
1998 ; por. Brzeziński, 1980).

7. Współczynniki siły związku

Współczynnik φ (phi) Yule'a. Współczynnik mierzy siłę związku między dwiema zmiennymi
mierzonymi na skalach niemetrycznych nominalnych. Może on mieć zastosowanie w
przykładowych problemach, które opisano poniżej.
Często zdarza się, że producenci chcą się szybko dowiedzieć, czy na przykład zmiana
opakowania towaru lub zastosowanie nowej reklamy wpływa na zwiększenie popytu na
wspomniany towar. W takich wypadkach zwykle przeprowadza się albo test rynkowy, albo
eksperyment w połączeniu z krótkim sondażem. Przykładem może być sytuacja, w której na
rynku pojawia się margaryna w nowym opakowaniu. Krótki sondaż wśród sprzedawców, czy
przy nowym opakowaniu margaryna sprzedaje się lepiej czy nie, pozwoli producentom na
podjęcie decyzji, czy warto zmieniać opakowanie. W omawiamym klasycznym przykładzie
szybkiego testu rynkowego w połączeniu z sondażem, występują dwie zmienne
dychotomiczne (lub zdychotomizowane najlepiej w punkcie mediany). Zmienna X oznacza
rodzaj opakowania (1 - nowe, 0 - stare opakowanie). Zmienna Y przyjmuje również dwie
wartości: 1 - oznacza wzrost zainteresowania klientów produktem i zwiększenie sprzedaży
margaryny w sklepie w ciągu tygodnia, czyli pozytywny efekt zmiany opakowania, natomiast
0 - brak widocznych efektów.
Współczynnik Yule'a przedstawia poniższy wzór:
2
χ
φ= lub
N
ad-bc
φ= ,
(a+b)(a+c)(b+d)(c+d)

φ  0,1

gdzie χ2 oblicza się według wzoru

2
2 N(ad-bc )
χ =
(a+b)(a+c)(b+d)(c+d)
N oznacza wielkość próby, natomiast litery : a,b,c,d - liczebności poszczególnych zdarzeń.

137
Obie zmienne X i Y dychotomiczne lub zdychotomizowane, najlepiej w punkcie mediany lub
dychotomiczne, dane zestawione w tabeli krzyżowej postaci:
X
0 1
Y 1 a B a+b
0 c D c+d
a+c b+d N

Jeśli rozkłady brzegowe obu zmiennych są równe albo jeśli liczebność pól leżących na tej
samej przekątnej jest zerowa, to współczynnik Yule'a równy jest 1 (Patrz Przykład 2.1.6.1).
Współczynnik Yule'a (phi) testuje się przy pomocy test χ2, przy liczbie stopni swobody
równej df=1. Hipoteza zerowa przyjmuje postać
H0: ρ=0: odrzuca się, gdy:
χ2 ≥ χα/2 (test dwustronny);
χ2 ≥ χα (test jednostronny),
gdzie ρ oznacza współczynnik korelacji w populacji generalnej
Jeżeli rozkład zmiennej Y jest ustalony przez metodę operacjonalizacji (na przykład w
punkcie mediany), to zamiast współczynnika korelacji Yule'a lepiej jest stosować
współczynnik korelacji Q - Kendalla. (por.Guilford, 1964; Góralski, 1976; Blalock, 1975;
Brzeziński, 1980)

Współczynnik Q-Kendalla. Podobnie jak współczynnik Yule'a - współczynnik Q-Kendalla

stosuje się dla dwóch zmiennych zdychotomizowanych, najlepiej w punkcie mediany.
Wpółczynnik Q-Kendalla:
ad - bc
Q= ,
ad + bc

Q  0,1 ,

gdzie χ2 oblicza się według wzoru jak wyżej. Testowania istotności dokonuje się - jak przy
współczynniku Yule'a.
Wspomniano wyżej, że jeśli rozkład zdychotomizowanej zmiennej zależnej lub niezależnej,
wyrażonej pierwotnie w skali wyższego rzędu niż nominalna, określony jest przez metodę
operacjonalizacji (na przykład w punkcie mediany), to test Q-Kendalla daje lepsze rezultaty,
ponieważ jest testem mocniejszym.

138
Poniżej przedstawiono ideowy przykład klasycznej sytuacji w badaniach sondażowych, w
których przydatny mógły być właśnie współczynnik Kendalla. Celem badań było
stwierdzenie zależności między zainteresowaniem, jakie wzbudza komputer osobisty 486 DX
a projektami obudowy komputera - standardowym (wartość zmiennej niezależnej w tym
wypadku wynosiła X=0) oraz tzw. ergonomicznym (wartość zmiennej niezależnej wynosiła
X=1). Sondaż przeprowadzono wśród potencjalnych klientów, wybieranych losowo metodą
sondażu wyrywkowego, na małej próbie respondentów. Zmienna zależna, oznaczająca chęć
zakupu była pierwotnie mierzona na skali porządkowej. Klientom pokazywano prospekty ze
zdjęciami komputera tego samego typu 386 DX, ale w różnych obudowach (każdy klient
oglądał tylko jeden prospekt). Respondenci oceniali chęc kupienia produktu w skali 1 - 5.
Dychotomizacja zmiennej zależnej - czyli chęci zakupu za pomocą mediany pozwoliła
wyłowić z populacji próbnej dwie skrajne grupy osób:
1) z jednej strony osoby, które wykazywały słabą chęć nabycia produktu (zmienna zależna
przyjmowała wartości mniejsze niż mediana, co oznaczono jako Y=0 );
2) z drugiej strony osoby bardzo zainteresowane , które chciałyby produkt mieć ( zmienna
zależna przyjmowała wartości wyższe niż mediana, co oznaczono jako Y=1). Testowano
hipotezę zerową, zakładającą brak związku między typem obudowy komputera a chęcią jego
posiadania. Obliczony współczynnik Q - Kendalla wyniósł 0.000 przy obserwowanym
poziomie istotności równym 0.89. Oznacza to, że nie ma podstaw do odrzucenia H0 o braku
związku. Uogólniając teoretycznie wnioski z przykładu praktycznego, można powiedzieć, że
sposób operacjonalizacji za pomocą mediany zmiennej wyrażonej na skali co najmniej
porządkowej jest bardzo dobrym i szybkim sposobem dychotomizacji. Wyodrębnienie grup
skrajnych z kolei pozwala na łatwiejsze analizowanie przyczyn ocen atrybutów obiektów oraz
przyczyn preferencji konsumenckich w stosunku do tych obiektów. Bardzo przydatnym
testem do omawianych analiz jest test median (por. testy istotności różnic dla danych
niezależnych), występujący w wielu standardowych pakietach statystycznych, dostarczający
badaczowi tablicy kontyngencji dla zmiennej zależnej (która od razu w teście jest
dychotomizowana) i dla zmiennej niezależnej. W teście obliczana jest również statystyka chi-
kwadrat wraz z liczbą stopni swobody i poziomem istotności, co już pozwala stwierdzić, czy
zmienne są zależne, czy nie. Na podstawie tablicy kontyngencji można przeanalizować
rozkłady zmiennych oraz obliczyć współczynnik Q - Kendalla, który z kolei pozwoli określić
siłę związku między zmiennymi. Taka procedura postępowania badawczego w gruncie rzeczy
nie jest czasochłonna, nie wymaga specjalnych założeń co do kształtu rozkładu zmiennych nie
mierzonych na skalach nominalnych, może być stosowana zarówno przy małych statystycznie

139
próbkach, jak i przy dużych. Co więcej nie wymaga wielkiej wiedzy matematycznej, a przy
tym szybko prowadzi do wyciągnięcia wniosków. Opisaną procedurę można stosować w
szybkich i tanich badaniach sondażowych produktów i reklamy, a na pewno we wszystkich
przypadkach zostaną uzyskane satysfakcjonujące menedżerów rezultaty praktyczne, w postaci
między innymi zwiększonego zainteresowania klientów i zwiększenia sprzedaży produktów.
Wzór tablicy kontyngencji przedstawiono poniżej.
X
0 1
Y 1 a b a+b
0 c d c+d
a+c b+d N
Gdzie X=0 - obudowa standardowa, X=1 - obudowa ergonomiczna,
Y=0 - niska chęć posiadania komputera, Y=1 - wysoka chęć posiadania komputera.
((Patrz Przykład 2.1.6.1, por. Brzeziński, 1996; Guilford, 1964; Góralski. 1976; Blalock,
1975).

Współczynnik korelacji C Pearsona (współczynnik kontyngencji). Współczynnik ten służy do

badania siły związku między zmiennymi, mierzonymi na skali nominalnej.
Współczynnik C-Pearsona może być szczególnie przydatny w sytuacjach, w których dwie
zmienne podlegające badaniom sondażowym, mierzone są na skalach nominalnych, a
rezultaty pomiarów przedstawione są w macierzy o dowolnej liczbie wierszy i kolumn. Przy
analizie współczynnika C-Pearsona istnieje niebezpieczeństwo mylnej interpretacji siły
zależności między zmiennymi, ponieważ omawiana statystyka przybiera wartość maksymalną
zależnie od liczby wierszy i kolumn w macierzy danych. Im większa liczba kolumn i wierszy,
tym wyższy współczynnik. Najwyższe wyniki osiągane są dla macierzy kwadratowych.
Współczynnik C-Pearsona przedstawia się wzorem:

2
C= ,
 2+N

C  0,1

w k ( f ij - eij )2
χ =
2
,
i=1 j=1 eij

przy czym

140
 f i..  f . j
eij = ,
n

gdzie i=1,2,…,w – numer wiersza, a j=1,2,…,k numer kolumny; fi. – suma liczebności
brzegowej dla wiersza i; f.j – suma liczebności brzegowej dla kolumny j, przy liczbie stopni
swobody równej df=(w-1)(k-1)
Wzór przykładowych tabel dla liczebności empirycznych i obliczanych teoretycznych
(oczekiwanych): dla dwóch zmiennych X i Y, o wymiarach w na k, o dowolnej liczbie kolumn i
wierszy, nie musi być kwadratowa; gdzie w - liczba wierszy, a k - liczba kolumn, n – liczebność
badane populacji

Liczebności empiryczne
X
i\j 1 2 k suma
1 f11 f12 … f1k f1.
Y … … … ……
w fw1 fw2 … fwk fw.
suma f.1 f.2 f.k n

Liczebności oczekiwane
X
i\j 1 2 k suma
1 e11 e12 … e1k f1.
Y … … … ……
w ew1 ew2 … ewk fw.
suma f.1 f.2 … f.k n

Istotność współczynnika bada się za pomocą testu test χ2 dla liczby stopni swobody df=(w-
1)(k-1).
Hipoteza zerowa przyjmuje postać:
H0: ρ=0: odrzuca się, gdy:
χ2 ≥ χα/2 (test dwustronny);

141
 χ2 ≥ χα (test jednostronny),
gdzie ρ oznacza współczynnik korelacji w populacji generalnej
(por. Brzeziński, 1996; Blalock, 1975; Góralski, 1976; Guilford, 1964).

Współczynnik V - Cramera. Wspólczynnik V Cramera, uważany za najbardziej obiektywny ze

współczynników opartych na statystyce χ 2 , mierzy siłę związku między zmiennymi, których
pomiary wyrażone są na sklalch nominalnych. Można go stosować w sytuacjach podobnych,
jak w przypadku C Pearsona lub T Czuprowa, ponieważ wymaga podobnych założeń i daje
podobne rezultaty obliczeń. Testowanie istotności również odbywa się za pomocą testu χ2. W
większości standardowych pakietów statystycznych właśnie ten współczynnik jest obliczany,
przede wszystkim dlatego, że wysokość współczynnika V-Cramera nie zależy od liczby
kolumn i wierszy macierzy danych, w przeciwieństwie do współczynnika C Pearsona i T
Czuprowa.

χ2
V= ,
N min ((w-1 ),(k-1 ))

V  0,1

Oznaczenia przyjęto, jak przy współczynniku C Pearsona.

Istotność współczynnika również bada się za pomocą testu test χ2 dla liczby stopni swobody
df=(w-1)(k-1).
Hipoteza zerowa przyjmuje postać:
H0: ρ=0: odrzuca się, gdy:
χ2 ≥ χα/2 (test dwustronny);
χ2 ≥ χα (test jednostronny),
gdzie ρ oznacza współczynnik korelacji w populacji generalnej
(por. Brzeziński, 1996; Blalock, 1975; Góralski, 1976; Guilford, 1964).
Współczynnik korelacji T Czuprowa. Jak wspomniano wyżej, przy zastosowaniu
współczynnika korelacji T Czuprowa powinny być spełnione założenia, takie jak dla C
Pearsona i dla V Cramera. Wyraża się on wzorem:
2
χ
T= ,
N (w-1 )(k-1 )

oznaczenia, jak przy obliczaniu C Pearsona

T  0,1

142
Współczynnik T przybiera wartość maksymalną dla tabeli o liczbie wierszy równej liczbie
kolumn (w=k) (por. współczynnik V Cramera). Testowanie istotności współczynnika – jak
przy C Pearsona.

Współczynnik korelacji λ (lambda). W analizach współczynniki siły związku dla zmiennych,

mierzonych na skalach nominalnych (lub znominalizowanych), oparte na stystystyce chi-
kwadrat coraz częściej wypierane są przez grupy miar, które uwzględniają proporcjonalną
redukcję błędów (proportional reduction in error - PRE) przy przewidywaniu wartości
zmiennych. Procedura konstrukcji takich statystyk dla skal nominalnych obejmuje najpierw
próbę przewidywania, do jakiej kategorii można zaliczyć poszczególne przypadki zmiennej
zależnej (Y), nie uwzględniając wpływu zmiennej niezależnej (X). Jest oczywiste, że
szacowany na oko rozkład zmiennej zależnej będzie zawierał wiele błędnych wartości (dużo
przypadków zostanie zakwalifikowanych do niewłaściwych kategorii). Następnym etapem
jest ponowne przewidywanie kategorii zmiennej zależnej, przy uwzględnieniu zmiennej
niezależnej. Jeżeli istnieje związek pomiędzy zmiennymi obliczanymi w obydwóch etapach,
to pozwoli on zredukować liczbę błędnych klasyfikacji. Im silniejszy związek między
omawianymi zmiennymi, tym więcej błędów można zredukować przy predykcji.
Teoretycznie w przypadku związku idealnego, badacz nie powinien popełnić absolutnie
żadnych błędów przy przewidywaniu wartości zmiennej zależnej (Y) na podstawie wartości
zmiennej niezależnej (X). Z drugiej strony, jeśli nie ma związku między zmiennymi, wiedza o
zmiennej niezależnej nie polepszy dokładności predykcji.
Miarą, która pozwala na określenie siły związku i redukcję błędów przy predykcji jest
współczynnik siły związku lambda (λ).
A oto przykład 1. Niech ε1 oznacza liczbę błędów predykcji, przy przewidywaniu kategorii
zmiennej zależnej bez uwzględniania zmiennej niezależnej, a ε2 - liczbę błędów predykcji
przy przewidywaniu kategorii zmiennej zależnej przy uwzględnieniu zmiennej niezależnej.
Współczynniki : λY(λX,λXY) Goodmana i Kruskala:

 = 1 2,
-
1
  0,1
Wartość lambdy równa 0.53 wskazuje, że popełnimy 53% błędów mniej, jeśli uwzględnimy
w przewidywaniach zmienną niezależną. Testowanie istotności współczynnika – jak przy C
Pearsona (Healey, 1984).

143
Współczynnik lambda (λ), opracowany przez Goodman i Kruskala jest miarą proporcjonalnej
redukcji błędu w analizie statystyk, opartych na tabelach krzyżowych (cross tabulation
analysis). Załóżmy, że w próbce określamy niezależną zmienną nominalną X oraz zależną Y
(traktowaną również jako nominalna). Współczynnik lambda (λ) wskazuje stopień
zróżnicowania kategorii i liczebności modalnych (najczęściej występujących) dla każdej
wartości zmiennej niezależnej X, w stosunku do ogólnej kategorii i liczebności modalnej, tzn.
że dla wszystkich wartości ogółem zmiennej niezależnej X, współczynnik lambda (λ) może
być obliczony z równania:

 = 1 2,
-
1
  0,1 ,
gdzie  1 jest najmniejszą liczebnością ogólną, a  2 - sumą niemodalnych liczebności dla
wszystkich wartości zmiennej niezależnej X.
Mimo, że lambda (λ) jest stosowana do obliczania siły związku między zmiennymi,
rezultatem obliczeń może być wartość 0, (oznaczająca brak związku), ilekroć dwie zmienne
są zgodne, tzn., kiedy kategoria modalna jest taka sama dla wszystkich wartości zmiennej
niezależnej, nawet jeżeli liczebności lub proporcje modalne różnią się (Goodman i Kruskal,
1954, 1959, 1963).

Współczynniki korelacji rang Kendalla τa, τb, τc (tau) . Współczynniki korelacji rang Kendalla
mają zastosowanie w ocenie siły związku między zmiennymi, które mierzono na skali
porządkowej lub których wartości zostały porangowane., a założenia są podobne, jak przy
obliczaniu współczynnika RS Spearmana. Wielkości obu współczynników zwykle nie
pokrywają się, z powodu nieco innych podstaw logicznych oraz formuł obliczeniowch.
Różnią się również pod względem interpretacji.
Zależność między dwoma miarami wyrażają w postaci nierówności:
 1  3    2  Rs  1 , (Siegel i Castellan,1988).
Współczynnik RS Spearmana ma zbliżoną interpretację do współczynnika korelacji momentu
iloczynowego Pearsona, tzn. w kategoriach proporcji wyjaśnianej zmienności (po
podniesieniu do kwadratu), przy czym R Spearmana jest wyliczany na podstawie rang.
Współczynnik Tau Kendalla jest obliczany na podstawie różnicy prawdopodobieństw
zdarzenia A (dwie zmienne układają się w tym samym porządku w obrębie obserwowanych
danych) oraz zdarzenia B ( uporządkowanie zmiennych różni się). Obliczane są dwa

144
warianty:taub i tauc. Różnią się one sposobem traktowania rang wiązanych, czyli sposobem
nadawania rang tym samym wartościom. Zwykle obie wartości są podobne, a w przypadku
rozbieżności, lepiej uwzględniać wartość mniejszą.
Wzór na współczynniki korelacji rang Kendalla przedstawia się poniżej :
a) dla danych porangowanych
P-Q
b= ,
(P + Q + T X )(P + Q + T Y )

 b   1,1
b) dla tablic o dowolnej liczbie wierszy i kolumn
2m(P-Q)
τc = 2
,
n (m-1 )
gdzie : P - liczba zgodnych par, których rangi zmierzają w tym samym kierunku; Q - liczba par,
których rangi zmierzają ku przeciwnym kierunkom.. Współczynniki τb (tau-b) i τc (tau-c)
niewiele się różnią co do wartości, jeżeli wartości marginalne macierzy danych mają w
przybliżeniu równe liczebności
Jeżeli żadna z wartości marginalnych nie jest równa 0, τb (tau-b) może osiągnąć wartości
maksymalne -1 lub +1 tylko w przypadku kwadratowej tablicy kontyngencji. W przypadku
tablicy o dowolnej liczbie kolumn i wierszy miara Kendalla może przybierać wartości
maksymalne lub im bliskie dla następującego wzoru na τc (tau-c)
Testowanie istotności współczynników:
a) Dla małych prób tablice podają Kendall (1955), Siegel (1956) i Castellan (1988),
Degenne (1972) i Hays (1973),
b) Rozkład tau bardzo szybko dąży do rozkładu normalnego, więc dla prób n≥10 można
już stosować rozkład normalny (Hays, 1973) i test Z.
H0: ρ=0: odrzuca się, gdy:
z ≥ zα/2 (test dwustronny),
z≥ zα (test prawostronny),
z ≤ -zα (test lewostronny),
gdzie ρ oznacza współczynnik korelacji w populacji generalnej, a statystyka z obliczana jest
według wzoru:
τ τ .
z = 
τ σ
τ 22n  5
9n(n  1)

145
Współczynniki z serii gamma (γ). Bardzo zbliżona w sensie idei, wzoru i interpretacji do
stastystyk tau Kendalla jest gamma (γ) zaproponowana przez Goodmana i Kruskala :

PQ
Γ= .
P+Q

Gamma (γ) nie wyszczególnia idealnie zgodnych rang wiązanych. Wartość maksymalną
osiąga w przypadku, gdy obserwacje są skoncentrowane na diagonalnej tablicy kontyngencji.
Jeśli zmienne są niezależne gamma wynosi zero, jednakże z zastrzeżeniem, że nie musi to być
prawdą w przypadku tablic o wymiarach 2x2. Procedura obliczania statystyki gamma (γ)
traktuje zmienne jako symetryczne i nie wyróżnia zmiennej zależnej i niezależnej.
Sommer (1962) zaproponował asymetryczne rozszerzenie statystyki gamma (γ), które różni
się tylko tym od omawianej powyżej, że w mianowniku występuje liczba par idealnie
zgodnych co do wysokości rang i kierunku ich zmierzania, ale tylko dla zmiennej zależnej Y :
P-Q
dY = .
P + Q +T Y
Współczynnik dY wskazuje proporcjonalną nadwyżkę par zgodnych pod względem kierunku
zmierzania rang nad liczbą par zmierzających w przeciwnych kierunkach, przy nie
uwzględnianiu par idealnie zgodnych co do wysokości rang i kierunku zmierzania dla
zmiennej niezależnej X.
Testowanie istotności współczynnika przeprowadza się, jak w przypadku tau Kendalla.
Współczynnik korelacji rang Spearmana. Współczynnik rang Spearmana stosuje się dla
zmiennych, które mierzono na skali porządkowej lub których wartości zostały porangowane.
Jest on bardzo przydatny (ze względu na to, że wiele zmiennych w kwestionariuszach
sondażowych wyraża się w skalach porządkowych), wygodny i łatwy w interpretacji dla
potrzeb marketingu.
Współczynnik korelacji rang Spearmana może porównywać rangi dwóch zmiennych, np.
zmiennych oznaczających wiedzę i wykształcenie personelu domów towarowych oraz jakości
sprzedawanych tam towarów. Współczynnik korelacji rang Spearmana odpowiada na pytanie,
czy wyższe rangi jednej zmiennej są związane z wyższymi (lub niższymi) rangami innej
zmiennej. Jeśli rangi rozważanych zmiennych zmierzają w tym samym kierunku,
współczynnik rs przyjmuje wartość dodatnią. W sytuacji odwrotnej, gdy rangi zmierzają w
przeciwnych kierunkach, rs przyjmuje wartość ujemną. Wartości bezwzględne współczynnika
zawsze znajdują się w przedziale od -1 do 1. Im wartość bezwzględna współczynnika rs
bliższa jest jedności, tym silniejszy związek między rangami zmiennych.

146
 Współczynnik rS oblicza się według wzoru:
n
6 d i2
i=1
r S =1-
n n
3

W przypadku wystąpienia rang wiązanych oblicza się odpowiednią poprawkę (por.Siegel

1956, s.207):
 x2 +  y 2 -  d i2
rS =
2  x2 -  y 2

t3  t
gdzie T X = ,
12

n3  n
 x2 = - T X ,
12

n3  n
 y2= - T Y ,
12
gdzie n – liczebność próbki, (n>5) di=rxi-ryi – różnica między rangami dwóch zmiennych, t –
liczba obserwacji związanych z tą samą rangą, Tx - liczba par pomiarów, przyjmujących
identyczne rangi wyłącznie dla zmiennej X, a nie Y; Ty - liczba par pomiarów, przyjmujących
identyczne rangi dla zmiennej Y, a nie X.
Testowanie istotności współczynnika:

a) dla 5<n<30 krytyczne wartości rS dla α=0.05 i 0.01w tablicach - por. (tab. L u Guilforda ,1964,
s.550; Olds, 1938; Jóźwiak,. Podgórski, 2006, str. 498; Ramsey, 1989, pp. 245-253;
Steczkowski i Zeliaś, 1997), dla n>30 - test T (Siegel 1956) dla df=n-2

H0: ρ=0: odrzuca się, gdy:

t≥ tα/2 (test dwustronny);
t≥ tα (test prawostronny),
t≤ -tα (test lewostronny),
t - statystyka empiryczna testu o postaci:

n-2
t= r S .
1- r 2S

Standardowe pakiety statystyczne (np. SPSS lub STATGRAPHICS) podają wartość

współczynnika rS wraz z odpowiadającymi prawdopodobieństwami, że ρ=0, co ułatwia
analizy i pozwala oszczędzić czas.

147
Współczynnik korelacji liniowej r Pearsona. Podobne rezultaty badań, jak przy
współczynniku Spearmana, można osiągnąć przez zastosowanie współczynnika korelacji
Pearsona, częściej dla zmiennych wyrażonych na skali interwałowej lub ilorazowej.
Współczynnik korelacji Pearsona pozwala badać liniowość i siłę związku między dwiema
zmiennymi X i Y, przy założeniu, że ich rozkłady są normalne lub do nich zbliżone, ale
symetryczne względem siebie. Według niektórych autorów liczebność próby N powinna być
statystycznie duża (N > 30, Brzeziński, 1996), jednak badania związane z teorią
eksperymentów optymalnych wskazują na możliwość stosowania współczynnika korelacji
Pearsona (jak i metod regresji) w przypadku prób statystycznie małych, również dla
zmiennych typu skokowego, w tym zero-jedynkowych (Taguchi i Wu, 1980; Wawrzynek,
1997; Walesiak, 1993).
Innym zastosowaniem współczynnika korelacji r Pearsona jest użycie go jako miary
rozpiętości, na podstawie której można określić, czy prosta przechodząca przez punkty,
reprezentująca pary pomiarów, dobrze przedstawia dane i czy pasuje do nich (wysoka wartość
r), czy też słabo (niskie wartości r).
Współczynnik korelacji Pearsona r może być dodatni lub ujemny i przyjmować wartości w
przedziale od -1 do 1, a oblicza się go według wzoru :
CX , Y 
rXY  
s X  sY

1 n n

 xi  x  y i  y 
n i 1
 x
i 1
i  x  y i  y 
rXY  
1 n n n n

  x i  x 2  1   y i  y 2  x i  x
2
 y i  y
2

n i 1 n i 1 i 1 i 1

Współczynnik korelacji prostoliniowej Pearsona charakteryzuje się następującymi

własnościami:

 -1  rxy  +1
 rxy = 0 – zmienne X oraz Y nie są skorelowane (są niezależne),
 rxy < 0 – zmienne X oraz Y są skorelowane ujemnie,
 rxy > 0 – zmienne X oraz Y są skorelowane dodatnio,
 rxy =+1 – zależność funkcyjna dodatnia,
 rxy =-1 – zależność funkcyjna ujemna.
Orientacyjne przedziały wielkości współczynników korelacji ułatwiające interpretację, mogą
być nastepujące na przykład ( Zając,1982, s. 298):

148
 rxy   0,3 – korelacja niewyraźna,

0,3 < rxy   0,5 – korelacja średnia,

 rxy  > 0,5 – korelacja silna.

Alternatywną skalą mogłaby być:

 rxy   0,2 – korelacja raczej słaba, prawie nizauważalna,

0,2 < rxy   0,4 – korelacja raczej slaba, siły mniej niż umiarkowanej

0,4 < rxy   0,6 – korelacja umiarkowana,

0,6 < rxy   0,8 – korelacja dość silna

0,8 < rxy   1 – korelacja silna.

Proporcję populacji, której zależność dotyczy stanowi kwadrat współczynnika korelacji (r2).
Jeżeli populacja liczy co najmniej 50 przypadków, można wyznaczyć procent populacji, której
współzmienność dotyczy, mnożąc kwadrat współczynnika korelacji przez 100 (r 2×100%).

Testowanie istotności współczynnika:

a) Dla prób małych test T dla df=n-2:
H0: ρ=0: odrzuca się, gdy:
t≥ tα/2 (test dwustronny);
t≥ tα (test prawostronny),
t≤ -tα (test lewostronny),
gdzie ρ oznacza współczynnik korelacji w populacji generalnej. Postać statystyki empirycznej
testu:

n2
t= r XY
1  r 2XY
b) Dla prób dużych (n>100) stosuje się statystykę u rozkładu normalnego.
H0: ρ=0: odrzuca się, gdy:
u≥ uα/2 (test dwustronny),
u≥ uα (test prawostronny),
u≤ -uα (tes lewostronny).
Postać statystyki empirycznej:

149
 n
u  r XY 
1 r 2XY
(por. Andreasen, 1988; Brzeziński, 1975; Guilford, 1964; Blalock 1975, Góralski 1974,
Siegel, 1989, Kowal, 1998).
Większość standardowych statystycznych programów komputerowych oblicza zarówno
współczynnik r - Pearsona, jak i prawdopodobieństwo, że wartość współczynnika korelacji w
populacji generalnej wynosi 0.

Współczynniki korelacji dotyczące mocy dyskryminacyjnej poszczególnych pozycji

kwestionariusza, przeznaczonego do badań sondażowych. Moc dyskryminacyjna danej
pozycji kwestionariusza informuje badacza, w jakim stopniu badana populacja jest
zróżnicowana pod względem właściwości, której dotyczy. Moc dyskryminacyjną można
oszacować przy pomocy odpowiedniego współczynnika korelacji. Poniżej przedstawiono trzy
ze współczynników, które stosuje się w badaniach psychologicznych, przy konstruowaniu
kwestionariuszy (por. Brzeziński, 1975; Kaczmarczyk, 1991; Sanocki, 1981) :
a) Współczynnik korelacji dwuseryjnej (rbi). W opracowywaniu kwestionariuszy
ankietowych ważną funkcję może pełnić współczynnik korelacji dwuseryjnej, który
umożliwia zbadanie mocy dyskryminacyjnej niektórych pozycji kwestionariusza, zanim
zostanie wykorzystany we właściwych badaniach sondażowych. Załóżmy, że celem badania
jest wyłowienie i próba określenia pewnego typu potencjalnych klientów oraz sprawdzenie,
jaki rodzaj reklamy może wpłynąć na zwiększenie chęci zakupu pewnych bardzo
specyficznych produktów. Jeżeli analizowane zmienne są ciągłe, mają rozkład normalny lub
do niego zbliżony oraz jedna ze zmiennych jest zdychotomizowana (najlepiej w punkcie
mediany), to współczynnik korelacji dwuseryjnej może pomóc rozwiązać problem, czy
wybrane pozycje kwestionariusza różnicują klientów na chętnych do zakupu towaru i na
niechętnych oraz na podatnych na wpływ reklamy i nie podatnych.
Współczynnik korelacji dwuseryjnej wyraża się wzorem :
współczynnik korelacji dwuseryjnej (rbi)
M p - M q pq
r bi = ,
s y
gdzie Mp - średni wynik ogólny (por. Sanocki, 1981) osób, które udzielały odpowiedzi zgodnej z
kluczem na daną pozycję; Mq - średni wynik ogólny osób, które udzielały odpowiedzi
niezgodnej z kluczem na daną pozycję; s - odchylenie standardowe wyników kwestionariusza w

150
całej badanej próbie; p - proporcja osób, które odpowiedziały zgodnie z kluczem na daną
pozycję; q - proporcja osób, które odpowiedziały niezgodnie z kluczem na daną pozycję (q=p-1).
Według Guilforda i Brzezińskiego (Guilford 1964, s.307) dwuseryjne r jest mniej rzetelne niż
r - Pearsona. Testowanie istotności współczynnika odbywa się tak, jak w przypadku
współczynnika r - Pearsona.

b) Współczynnik korelacji punktowo-dwuseryjnej rpbi. Idea omawianego

współczynnika jest taka sama, jak omawianego wyżej współczynnika korelacji dwuseryjnej.
Zmienne muszą spełniać takie same założenia, jakie są wymagane dla zastosowania
współczynnika korelacji r-Pearsona (związek zmiennych X i Y liniowy, duża próba: N > 30,
rozkłady normalne i symetryczne lub zbliżone do normalnych), ale jedna zmienna jest
dychotomiczna.
Poniżej przedstawia się wzór (oznaczenia, jak wyżej):
M p - Mq
r pbi = . pq ,
st
związek między r pbi a r bi :

pq
r bi = r pbi . ,
y

y
r pbi = r bi
pq

Testowanie istotności współczynnika rpbi - przeprowadza się tym samym sposobem, jak
testoweanie współczynnika r - Pearsona.

c) Współczynnik korelacji punktowo-czteropolowej phi (  ). Współczynnik phi jest przydatny

przy małych próbach. Im próba liczniejsza, tym niższa wartość współczynnika phi jest
statystycznie istotna. Na przykład na poziomie istotności α=0.05, przy liczebnościach grup
25, 50, 100, 200 krytyczne wartości phi wynoszą odpowiednio : 0.39, 0.28, 0.20, 0.14 (por.
Brzeziński, 1978).
Przed obliczaniem współczynnika phi wyniki obserwacji należy zestawić w szereg
statystyczny uporządkowany i podzielić na dwie części według mediany. W każdej części
oblicza się proporcję osób, które odpowiedziały zgodnie z kluczem na daną pozycję testu.
Uzyskane wartości można wstawić do poniższego wzoru (por. Brzeziński, 1978):

151
 fg- fd
= ,
pq

gdzie fg - proporcja osób, odpowiadająca zgodnie z kluczem w górnej połowie, fd - proporcja

osób, odpowiadających zgodnie z kluczem w dolnej połowie, p - ogólna poroporcja osób,
odpowiadających zgodnie z kluczem (p=fg + fd), q - proporcja osób, odpowiadających
niezgodnie z kluczem (q=1-p).
Współczynnik W Kendalla.
Współczynnik W Kendalla znajduje zastosowanie m. in. w heurystycznych metodach
prognozowania, np. w metodzie delfickiej. Eksperci próbują prognozować zjawisko poprzez
nadanie rang poszczególnym wariantom odpowiedzi, co ma wskazywać na szanse realizacji
prognozy, w odpowiedniej kolejności. Prognozę formułuje się zgodnie z regułą największego
prawdopodobieństwa (szans) realizacji prognozy. Jest nią wartość modalna, czyli ten wariant
cechy, któremu odpowiada największe prawdopodobieństwo realizacji. Zgodność opinii
sędziów kompetentnych szacuje się na podstawie współczynnika konkordancji, którego
wartość zawiera się w przedziale [0, 1] i powinna być jak największa. W jakościowych
badaniach marketingowych celem badania z udziałem ekspertów jest na przykład
kształtowanie produktu, opracowanie strategii polityki komunikacji społecznej lub strategii
finansowej firmy lub prognoza jakiegoś zjawiska w czasie (Kowal, 1998).
Miara W Kendalla sprawdza podobieństwo n uporządkowań w p kategoriach. Statystyka ta
pozwala odpowiedzieć na pytanie, jak podobne są rozkłady odpowiedzi na n pytań u p
sędziów kompetentnych (por. Kendall, 1955). Formułą współczynnika dana jest wzorem:
12S
W= , a z poprawką na rangi wiązane, stosowaną przez niektórych badaczy
p ( n 3  n)
2

12S
W=
p (n  n)  pT
2 3

lub

12S   3 p 2 n(n  1) 2
W= 2 3 , przy czym
p (n  n)  pT
p n n
1
Ri   rij , R  p(n  1), S   ( Ri  R ) 2 , S    Ri2  SSR
j 1 2 i 1 i 1

gdzie n – liczba obiektów (pytań), p – liczba sędziów, Rij oznacza rangę, jaką nadał obiektowi
j-ty sędzia w i-tym pytaniu, Ri –suma rang dla pytania o numerze i, R - średnia rang, T –
korekta dla rang wiązanych

152
 m
T   (t k3  t k ) ,
k 1

Gdzie tk jest liczba rang wiązanych w każdej k z m grup rang wiązanych; suma jest obliczana
dla wszystkich grup rang w p kolumnach oznaczających odpowiedzi sędziów
Statystyka W jest ilorazem wariancji sum z p rang przez maksymalną możliwą wariancję z
sum p rang. Jeśli n uporządkowań rang w p kategoriach ma takie same rozkłady,
współczynnik W Kendalla wynosi 1. Jeśli omawiane rozkłady rang w p kategoriach są istotnie
różne - miara W przyjmuje wartość 0.
Lepiej daje się interpretować współczynnik podobieństwa rS Spearmana, obliczany na
podstawie wysokości współczynnika W Kendalla, a rozumiany jako korelacja wszystkich
możliwych par uporządkowań:
pW - 1 ( p  1)  1
rS = , czyli W  r S , gdzie oznaczenia, jak wyżej.
p -1 p
Pozwala on określić, w jakim procencie sędziowie byli zgodni w swych ocenach. Gdy
korzysta się z testu Kendalla, należy przyjąć następujące założenia:
Skale pomiarowe: oceniany obiekt - skala nominalna, numer pytania - skala nominalna, ocena
obiektu w każdym z n pytań - skala porządkowa;
Model: zależne próby losowe;
Postać hipotezy zerowej w przypadku każdego z pakietów: uporządkowania rang dotyczących
n pytań są identyczne u każdego sędziego kompetentnego. Współczynnik Kendalla W w
populacji generalnej wynosi 0.
Postać hipotezy alternatywnej: uporządkowania pytań u każdego sędziego kompetentnego są
istotnie różne.
Istotność współczynnika W Kendalla bada się za pomocą statystyki S Friedmana lub
 2  p(n  1)W , która ma rozkład chi-kwadrat przy liczbie stopni swobody df=p-1.
 dla p = 3 i 2 ≤ n ≤ 9 lub p = 4 i 2 ≤n ≤4 wartości krytyczne Sα na poziomie istotności
α=0.05 i α =0.01 odczytuje się z tablic (por. Brzeziński, 1978; Siegel, 1956; Siegel i
Castellan, 1988, Abdi, 2007). Jeśli S z próby jest wyższe niż wartość krytyczna
statystyki Sα , to przyjmuje się, że współczynnik jest istotny na poziomie α. (por.
rozdział 5: test S Friedmana; Kirk, 1968). Jeśli statystyka S jest znacząca, można
wnioskować, że miara W nie jest równa 0 (por. Kirk, 1968). Badanie istotności
współczynnika W zależy od liczebności próby:

153
  dla większych p i n rozkład współczynnika W aproksymuje się do rozkładu chi-
kwadrat ze stopniem swobody df=n-1 wg wzoru:  2  p(n  1)W

Istotność współczynnika W bada się więc w tym wypadku poprzez istotność chi-kwadrat.
(por. Brzeziński, 1975; Kirk, 1968; Siegel, 1956)
H0: Wρ=0: odrzuca się, gdy:
 χ2 ≥ χα/2 (test dwustronny);
 χ2 ≥ χα (test jednostronny),

gdzie ρ oznacza współczynnik korelacji w populacji generalnej.

Współczynnik korelacji częściowej (tau) τ12.3 Kendalla. Współczynnik ten dotyczy

zmiennych wyrażonych na skali co najmniej porządkowej. W pakietach statystycznych
obliczany jest przeważnie przy okazji zestawiania tablic kontyngencji (procedura
CROSSTABS), dla jednej zmiennej zależnej, jednej zmiennej niezależnej głównej przy
kontrolowanym wpływie innych zmiennych niezależnych. Przykładowo współczynnik
pierwszego rzędu wyraża się wzorem:
τ 12 - τ 13 - τ 23
τ 12..3= ,
2
(1- τ 13 )(1- τ 23 ) 2

gdzie 1 – indeks zmiennej zależnej Y, 2 – indeks zmiennej niezależnej głównej X, 3 – indeks

zmiennej niezależnej, której wpływ badacz chce kontrolować Można obliczyć współczynniki
korelacji częściowej Kendalla dla dowolnego rzędu. Rząd oznacza liczbę zmiennych
niezależnych podlegających kontroli przez badacza, a w zapisie zmiennych umieszcza się je
za kropką.
Współczynniki korelacji cząstkowej tau Kendalla testuje się za pomocą testu Kr (Moran,
1951, Maghsoodloo, 1975, Abdi, 2007). Testowana jest hipoteza zerowa, że współczynnik
korelacji cząstkowej wynosi 0.
W teście oblicza się jednostronne prawdopodobieństwo dla obserwowanej wartości τ xy..z ,

które jest proporcją wartości statystyki równej lub większej od wartości obserwowanej. Jeżeli
zmienna Z jest ustalona, traktowana jako stała, dla każdej próbki o liczebności n mamy n!
permutacji zarówno dla X jak i Y, a więc obliczamy (n!)2 możliwych wartości τ xy..z minus

154
liczba permutacji, w których τ xz lub τ y.z jest równa ±1, co umożliwia wyznaczenie wartości

równania τ 12..3= τ 12 - τ 13 - τ 23
.
(1- τ 13 2)(1- τ 23 2)

Dla próbek o liczebności większej niż 7 Maghsoodloo (1975) opracował wartości

prawdopodobieństw na podstawie wszystkich możliwych permutacji z prób losowych (na
podstawie metody Monte Carlo).
Moran (1951) i Kendall (1948) dowodzili, że istotność współczynników korelacji cząstkowej
można sprawdzać za pomocą testu T Studenta, gdzie postać statystyki empirycznej dana jest
wzorem :
1
 9n  (n  1) 2
    1
 2  (2n  5) 
t ,
1   
1
2 2

gdzie t – wartość statystyki empirycznej, n – liczebność badanej próbki,  – wartość

współczynnika korelacji cząstkowej obliczona na podstawie próby, liczba stopni swobody
9n  (n  1)
wynosi df   1 . Dla n≥10 statystyka jest zbieżna z rozkładem normalnym (Abdi,
2  (2n  5)
2007).
Do wzoru (2.1.6.40) można też podstawiać współczynniki korelacji Pearsona lub Spearmana.
Na przykład . współczynnik korelacji cząstkowej Pearsona między zmiennymi Xi, oraz Xj z
wyłączeniem wpływu zmiennej Xl można przedstawić wzorem :
rij  ril  r jl
rij.l  , -1  rij.l  1,
( 1  ril2 ) ( 1  r jl2 )

Współczynnik korelacji cząstkowej między zmiennymi X1, X2 z wyłączeniem wpływu

zmiennej X3:
r12  r13  r23
r123 
( 1  r132 ) ( 1  r232 ) ,

Współczynnik korelacji cząstkowej między zmiennymi X1, X3 z wyłączeniem wpływu

zmiennej X2:
r13  r12  r23
r132 
( 1  r122 ) ( 1  r232 )

155
Współczynnik korelacji cząstkowej między zmiennymi X3, X2 z wyłączeniem wpływu
zmiennej X1:
r23  r12  r13
r231  .
( 1  r122 ) ( 1  r132 )

Istotność współczynników korelacji cząstkowej Pearsona i Spearmana można sprawdzać za

pomocą testu T Studenta, gdzie postać statystyki empirycznej dana jest wzorem :

r  (n  k  2)
t ,
1 r2
gdzie t – wartość statystyki empirycznej, n – liczebność badanej próbki, r – wartość
współczynnika korelacji cząstkowej obliczona na podstawie próby, k – liczba zmiennych
niezależnych, których wpływ badacz chce kontrolować,, liczba stopni swobody wynosi :
df=n-k-2.2
H0: ρ=0: odrzuca się, gdy:
t≥ tα/2 (test dwustronny);
t≥ tα (test prawostronny),
t≤ -tα (test lewostronny),
przy czym ρ oznacza współczynnik korelacji w populacji generalnej

Zakończenie

Współcześnie w naukach społeczno-ekonomicznych i psychologicznych korzysta się

najczęściej z metod ilościowych opartych m.in. na pomiarach sondażowych, eksperymentach
przeprowadzanych w warunkach laboratoryjnych, na tzw. metodach formalnych
(obejmujących m.in. ekonometrię), czy też metodach modelowania matematycznego3.
Metody jakościowe rozwinęły się w naukach społecznych przy badaniach zjawisk
społeczno-kulturowych. Przykładami metod jakościowych są m.in. badania w działaniu,
analiza przypadku czy badania etnograficzne. Źródłami danych jakościowych są m.in.
obserwacja oraz obserwacja uczestnicząca, wywiady i kwestionariusze, dokumenty i teksty,
wypowiedzi – monologi badanych, czy też wrażenia i reakcje badacza. Historia formalnych
badań jakościowych sięga czasów i badań z zakresu psychologii - Freuda, Carla Rogersa,
czy Piageta.

2
http://support.sas.com/documentation/cdl/en/procstat/63032/HTML/default/procstat_corr_sect017.htm
3
D. Straub, D. Gefen, M. Boudreau, The ISWorld Quantitative, Positivist Research Methods Website,
http://dstraub.cis.gsu.edu:88/quant/; 2004.

156
 Metody jakościowe częściej zaczęto wykorzystywać w latach siedemdziesiątych
dwudziestego wieku. Do tego czasu były traktowane raczej marginalnie i częściej stosowano
je w etnografii, socjologii i psychologii. W latach siedemdziesiątych, osiemdziesiątych i
dziewięćdziesiątych ubiegłego stulecia metody jakościowe zaczęto stosować częściej w
badaniach społecznych, pedagogicznych, czy w badaniach związanych z zarządzaniem
zasobami ludzkimi, informatyką, medycyną i innymi dziedzinami. Opracowano również nowe
metody badań jakościowych, kładące nacisk na zagadnienia rzetelności i analizy danych,
jako niezbędne w studiach eksploracyjnych.4

Badania jakościowe przeprowadzane są coraz częściej w naukach społeczno-

ekonomicznych, humanistycznych oraz w praktyce, przy różnych podejściach teoretycznych
(np. przy podejściu pozytywistycznym, interpretacjonistycznym czy krytycznym) i przy
wykorzystaniu rozmaitych metod i technik (najczęściej są to zogniskowane wywiady
grupowe – ang. focus group interview, burze mózgów – ang, brain storming, indywidualne
wywiady pogłębione – ang. in depth interviewe czy copy tests oraz eksperymenty i
obserwacje). Metody jakościowe i ilościowe mogą współwystępować i wzajemnie się
uzupełniać. Wybór procedury badań jest wyznaczany głównie przyjmowanym przez badacza
paradygmatem i jego ontologicznymi i epistemologicznymi założeniami. Jeżeli zakładamy
tylko różne metody badań, na przykład pogłębiony wywiad indywidualny, obserwację i
równolegle przeprowadzane badanie kwestionariuszowe, to przeciwstawianie badań
jakościowych i ilościowych jest nieuzasadnione, gdyż wykorzystywane w nich metody są
empiryczne, oparte na danych uzyskanych od respondentów.

Jeżeli z kolei zakładamy różne paradygmaty badawcze (z innymi założeniami

ontologicznymi i epistemologicznymi), to oba podejścia można traktować jako
przeciwstawne.

W sensie statystycznym wyniki badań jakościowych można obiektywnie uogólniać na

populację tylko pod pewnymi warunkami, umożliwiającymi zastosowanie na przykład metod
wnioskowania statystycznego i optymalizacji statystycznej (Kowal 2000, Kowal 2003, patrz
Algorytm eliminacji obiektów niejednoznacznych) lub pewne elementy matematycznej teorii
zbiorów rozmytych.

4
D.M. Myers, D.E. Avison (red.), Qualitative Research in Information Systems, “A Reader”, Sage Publications,
London 2002.; R. E. Stake, Case studies, [in:] N. K. Denzin, Y. S. Lincoln (red.), Handbook of Qualitative
Research, s.237-261, Thousand Oaks: Sage 1994

157
Literatura
Abdi, H., The Kendall Rank Correlation Coefficient, [In:] Salkind, N. (ed.), Encyclopedia of
Measurement and Statistics, Sage, Thousand Oaks (CA 2007.
Ajdukiewicz K., Główne zasady metodologii nauk i logiki formalnej. Skrypt autoryzowany,
Warszawa 1928
Andreasen A.R., Cheap but good marketing research, Dow Jones-Irwin, Homewood, Illinois 1988.
Bartosz B., Metody jakościowe – nadzieje, dylematy i perspektywy, [w:] Straś-Romanowska M.,
Metody jakościowe w Psychologii współczesnej, Prace Psychologiczne LIII, Wydawnictwo
Uniwersytetu Wrocławskiego, Wrocław 2000, s. 39-53.
Benbasat I., D K Goldstein, M Mead The Case Research Strategy in Studies of Information Systems ,
[in:] Myers, M.D., Avison, D.E. (red.). Qualitative Research in Information Systems: A Reader, Sage
Publications, London, 2002.
Brzeziński j., Metodologia badań psychologicznych, PWN, Warszawa, 1997.
Pawłowski T., Tworzenie pojęć i definiowanie w naukach humanistycznych, Warszawa, 1972, r. 1, ss.
9-38.
Brzeziński j., Badania eksperymentalne w psychologii i pedagogice. Scholar, Warszawa 2000.
Bobryk J., Problem relacji między teoriami naukowymi a danymi empirycznymi...w: Materiały do
nauczania psychologii, seria III, t. 4., Warszawa 1985.
Burrell, G. , Morgan, G. Sociological Paradigms and Organisational Analysis, Heinemann, London,
1979.
Carr, W. , Kemmis, S. Becoming Critical: Education, Knowledge and Action Research, Falmer Press,
London, 1986.
Chisholm, R.F. , Elden, M. Features of Emerging Action Research, Human Relations (46:2), 1993, s.
275-298.
Choynowski, M.. Pomiar w psychologii (w:) Kozielecki J.(red.) Problemy psychologii matematycznej,
Warszawa: PWN, 1971.

Clark, P.A. Action Research and Organizational Change, Harper and Row, London, 1972.
Coombs C.H.,Dawes R.M.,Tversky A., Wprowadzenie do psychologii matematycznej, PWN,
Warszawa 1977.
Cohen J.A., Profile similarity coefficient invariant over variable reflection, Psychological Bulletin,
1969, vol. 71, s.281-284.
Cohen J.A., The cost of dychotomization, Applied Psychological Measurement. 7, 1983, 249-253.
Gable, G., Integrating Case Study and Survey Research Methods: An Example in Information
Systems, European Journal of Information Systems, (3:2), 1994, s. 112-126.
Gephart R. P., Ethnostatistics: Qualitative Foundations for Quantitative Research, Sage 1988, London

158
Guba, E.G. , Lincoln, Y.S. Competing paradigms in qualitative research, in Handbook of Qualitative
Research, N.K. Denzin and Y.S. Lincoln (red.), Sage, Thousand Oaks, 1994, s. 105-117.
Kalton G., Collins M., Brook L. (1978): Experiments in Wording Opinion Questions. Applied
Statistics, 27, 149-161
Góralski A., Metody opisu i wnioskowania statystycznego w psychologii, PWN, Warszawa 1976.
Kamieński A., Metoda, technika, procedura badawcza w pedagogice empirycznej. w: Metodologia
pedagogiki społecznej, red. R. Wroczyński, T. Pilch, Wrocław 1974, s. 42.
Kaplan, B. , Maxwell, J.A. Qualitative Research Methods for Evaluating Computer Information
Systems, in Evaluating Health Care Information Systems: Methods and Applications, J.G. Anderson,
C.E. Aydin and S.J. Jay (red.), Sage, Thousand Oaks, CA, 1994, s. 45-68.
Kaplan, B., Duchon, D. Combining Qualitative and Quantitative Methods in Information Systems
Research: A Case Study, MIS Quarterly (12:4) 1988, s. 571-587.
Kaplan, B., Maxwell, J.A. Qualitative Research Methods for Evaluating Computer Information
Systems, in Evaluating Health Care Information Systems: Methods and Applications, J.G. Anderson,
C.E. Aydin , S.J. Jay (red.), Sage, Thousand Oaks, CA, 1994, s. 45-68.
Kemmis, S. , McTaggart, R. The Action Research Reader. Third edition. Deakin University Press,
Victoria, 1988.
Korycka-Skorupa J., Od danych do mapy,
http://www.wgsr.uw.edu.pl/kartografia/atlasmetod/wpr_m.htm; 22 sierpnia 2007.
Kotarbiński T.,, Próba zastosowania pewnych pojęć prakseologicznych do metodologii pracy
naukowej, Wybór pism, t. I, Warszawa, 1957, s. 667.
Kowal J. (red.), Wybrane zagadnienia weryfikacji reprezentatywności prób w społeczno-
ekonomicznych badaniach jakościowych. Metody i oprogramowanie komputerowe. Zeszyty Naukowe
nr 12. Wyższa Szkoła Zarządzania Edukacja, Wrocław 2002.
Kowal J., Metody statystyczne w badaniach sondażowych rynku, PWN, Warszawa-Wrocław 1998
Kowal J., Niektóre etyczne, metodologiczne i pragmatyczne aspekty badań statystycznych, [w:]
Kowal J.,(red.), Węgłowska-Rzepa K., (red.), Psychospołeczne i etyczne aspekty badań rynkowych,
Wyższa Szkoła Zarządzania Edukacja, Wrocław 2002 s.143-159.
Kowal J., Niektóre zagadnienia optymalizacji statystycznej w jakościowych badaniach społeczno-
ekonomicznych, [w:] Łaguna M., (red.), Lachowska B., (red.), Rysunek projekcyjny jako metoda
badań psychologicznych, Towarzystwo Naukowe KUL, Lublin 2003, s.57-87.
Nagel E., Measurement,[w:] Danto A.(red.), Morgenbesser S. (red.), Philosophy of Science, Meridian
Books, New York, 1960, s. 121-140.
Węglowska-Rzepa K., Kowal J., A Vision of Oneself and of the Wporld – Constructive and
Reconstructive Function of Narrative Stories , [w:] Knecht Z., Gospodarka, Rynek, Edukacja nr 10,
Wydawnictwo Wyższej Szkoły Zarządzania, Wrocław 2005, s. 6-12.

159
Kowal J., Wielozmiennowe modele regresji w badaniach jakościowych w warunkach małej próby,
[w:] Straś-Romanowska M. (red.), Metody jakościowe w psychologii współczesnej, Prace
Psychologiczne, Wydawnictwo Uniwersytetu Wrocławskiego Wrocław 2000, s. 83-101.
Kuraś M., System informacyjny -- system informatyczny. Co poza nazwą ró ni te dwa obiekty?;
http://ki.ae.krakow.pl/~kurasm/artykuly/SI-vs-SIT.pdf; 2006.
Kuraś, M., Jakość danych a jakość informacji. Systemy informatyczne nr 1/87. SPIS ’87. Jakość
danych w systemach informacyjnych. Ośrodek Badawczo-Rozwojowy Państwowej Informacji
Statystycznej, 1987.
Lee, A.S., Liebenau, J. , DeGross, J.I. (red.). Information Systems and Qualitative Research, Chapman
and Hall, London, 1997.
Marcinkowski R. (red.). Encyklopedia popularna PWN. Wyd. 8. Warszawa: PWN, 1986.
Markus, M.L. The Qualitative Difference in Information Systems Research and Practice, In
Information Systems and Qualitative Research, A. S. Lee, J. Liebenau and J. I. DeGross (red.),
Chapman and Hall, London, 1997, s. 11-27.
Martin, P.Y. , B.A. Turner. Grounded Theory and Organizational Research, The Journal of Applied
Behavioral Science, (22:2), 1986, s. 141-157.
Mingers, J. Combining IS Research Methods: Towards a Pluralist Methodology, Information Systems
Research (12:3), 2001, s. 240-259.
Morey, N.C. , Luthans, F. An Emic Perspective and Ethnoscience Methods for Organizational
research, Academy of Management Review (9:1), January 1984, s. 27-36.
Mumford E., Hirschheim, R.A., Fitzgerald, G. , Wood-Harper, A.T. (red.). Research Methods in
Information Systems, North-Holland Publishers, New York, 1985.
Myers, M.D., Avison, D.E. (red.). Qualitative Research in Information Systems: A Reader, Sage
Publications, London, 2002.
Nowak S., Metodologia badań socjologicznych. Zagadnienia ogólne. Warszawa, 1970, s. 214.
Orlikowski W. and J J Baroudi Studying Information Technology in Organizations: Research
Approaches and Assumptions , [in:] Myers, M.D. and Avison, D.E. (red.). Qualitative Research in
Information Systems: A Reader, Sage Publications, London, 2002.
Paluchowski J.(2000). Metodologiczne problemy analizy treści, [w:] Straś-Romanowska M. (red.)
Metody jakościowe w psychologii współczesnej. Prace Psychologiczne LIII. Wrocław: Wydawnictwo
Uniwersytetu Wrocławskiego. s. 55-57
Pilch T., Bauman T., Zasady badań pedagogicznych, Strategie ilościowe i jakościowe, Wydawnictwo
Akademickie Żak, Warszawa 2001
Pilch T., Zasady badań pedagogicznych, Warszawa 1977, s. 116.

160
Proctor R. W., Capaldi E. J. ,Teaching Scientific Methodology,
http://www.psychologicalscience.org/teaching/tips/tips_0103.html; 22 sierpnia 2007.
Ragin, C. C., The Comparative Method: Moving Beyond Qualitative and Quantitative Strategies,
University of California Press, Berkeley and London, 1987.
Rapoport, R.N. Three Dilemmas in Action Research, Human Relations, (23:4), 1970, s. 499-513.
Boland R., Information System Use as an Hermeneutic Process, [in:] Myers, M.D. and Avison, D.E.
(red.). Qualitative Research in Information Systems: A Reader, Sage Publications, London, 2002.
Hirschheim R., Newman M., Symbolism and Information Systems Development: Myth, Metaphor and
Magic , [in:] Myers, M.D. and Avison, D.E. (red.). Qualitative Research in Information Systems: A
Reader, Sage Publications, London, 2002.
Runyan W., McKinley W., Historia życia a psychobiografia, Warszawa, PWN 1992, s. 163.
Skorupka S., Auderska H., Łempicka Z. (1974). Mały słownik języka polskiego. Warszawa: PWN , s.
244.
Steinmüller, W., Zautomatyzowane systemy informacyjne w administracji prywatnej i publicznej.
Organizacja Metoda Technika. Nr. 1977/9, 1977.
Stevens S.S., Mathematics, Measurement and Psychophysics, in: S.S Stevens (Ed.). Handbook of
Experimental Psychology, New York 1951: John Wiley. 1-49.
Straś-Romanowska M., Słowo wstępne, [w:] Straś-Romanowska M. (red.) Metody jakościowe w
psychologii współczesnej. Prace Psychologiczne LIII. Wrocław: Wydawnictwo Uniwersytetu
Wrocławskiego, 2000.
Straś-Romanowska M., Los człowieka jako problem psychologiczny. Podstawy teoretyczne,
Wrocław: Wyd. UWr., 1992.
Straś-Romanowska M., Hermenutyka w psychologicznych badaniach jakościowych, [w:] Gałdowa A.
(red.), Hermeneutyka a psychologia, Wydawnictwo UJ, Kraków, 1997.
Straś-Romanowska M., O metodzie jakościowej w kontekście rozważań na tożsamością Psychologii,
[w:] Straś-Romanowska M. (red.), Metody jakościowe w Psychologii współczesnej, Prace
Psychologiczne LIII, Acta Universitatis Wratislaviensis No 2263, Wydawnictwo Uniwersytetu
Wrocławskiego, Wrocław 2000, s. 16-32.
Straub, D., Gefen, D., Boudreau, M.-C. The ISWorld Quantitative, Positivist Research Methods
Website, http://dstraub.cis.gsu.edu:88/quant/; 2004.
Such J.,O uniwersalności praw nauki. Studium metodologiczne, Wyd.Nauk. UAM, Poznań, s. 89 (I
wyd.); PWN, Warszawa 1972, s. 398 (II wyd.).
Tarnowski A., Metodologia badań psychologicznych,
http://64.233.183.104/search?q=cache:vtGKes8pXyAJ:www.adam_t.republika.pl/wyklady%2520z%2
520metodologii.doc+Choynowski+1971&hl=pl&ct=clnk&cd=4&gl=pl&client=firefox-a; 22 sierpnia
2007.

161
 Walsham G., Interpretive Case Studies in IS Research: Nature and Method, [in:] Myers, M.D., Avison,
D.E. (red.). Qualitative Research in Information Systems: A Reader, Sage Publications, London, 2002.
Wawrzynek J., Uwagi o efektywności planowania eksperymentów. Przegl. Statyst. XXVI, 1977, s.
111-125.
Yin, R. K. Case Study Research, Design and Methods, 3rd ed. Newbury Park, Sage Publications,
2002.
Zając K., Metody opisu statystycznego. Warszawa: PWE, 1988.

162

View publication stats