Wypełnione ankiety. Zebrane dane. Arkusz w Excelu. I co teraz?
Znasz to uczucie: masz 50, 100, może 500 odpowiedzi i patrzysz na ten ocean danych z pytaniem:
👉 „Co ja mam z tym wszystkim zrobić?”
👉 „Czy to coś znaczy?”
👉 „Jak to przekuć w coś sensownego – i udowodnić hipotezę?”
Odpowiedź: potrzebujesz analizy danych ilościowych, czyli procesu przekształcania wyników w konkretne wnioski. Spokojnie, to da się zrobić – nawet jeśli nie jesteś statystykiem.
1. Na czym polega analiza danych ilościowych?
To proces, w którym liczby, zebrane np. przez ankietę, test czy formularz online, przekształcasz w uporządkowaną wiedzę. Inaczej mówiąc – szukasz zależności, wzorców i różnic, które pozwolą Ci odpowiedzieć na pytanie badawcze lub zweryfikować hipotezę.
Najczęstsze typy danych:
● odpowiedzi zamknięte (tak/nie, wybór opcji)
● skale Likerta (np. od 1 do 5)
● pytania ilościowe (ile razy, ile godzin, jaki procent)
● dane demograficzne
2. Etapy analizy danych ilościowych – krok po kroku
Krok 1: Porządkowanie danych
● Sprawdź, czy wszystko jest kompletne – usuń odpowiedzi niepełne lub błędne.
● Przypisz wartości liczbowe tam, gdzie trzeba (np. Tak = 1, Nie = 0).
● Upewnij się, że dane są gotowe do obliczeń (Excel, SPSS, Google Sheets itp.).
Krok 2: Analiza opisowa (statystyki podstawowe)
Zaczynasz od prostych rzeczy:
● Średnie, mediana, dominanta
● Odchylenie standardowe
● Procenty, rozkład odpowiedzi
To daje Ci ogólny obraz – np. ile osób wybrało daną opcję, jaka była przeciętna odpowiedź, ile wynosił rozrzut wyników.
Przykład:
„Średnia liczba godzin poświęcanych na naukę języka tygodniowo to 5,3. Najczęściej wybieraną odpowiedzią była 4 (27% wszystkich respondentów).”
Krok 3: Analiza porównań i korelacji
Tutaj zaczyna się robić ciekawie:
● Czy jest różnica między grupami? (np. kobiety vs mężczyźni, młodzi vs starsi)
● Czy istnieje związek między dwiema zmiennymi? (np. liczba godzin nauki a poziom stresu)
W zależności od narzędzi możesz wykorzystać:
● test t-studenta (porównanie dwóch grup)
● ANOVA (porównanie wielu grup)
● korelację Pearsona (związek między dwiema liczbami)
● regresję liniową (przewidywanie)
Przykład:
„Wyniki pokazują umiarkowaną korelację między ilością snu a wynikami testu wiedzy (r = 0,42; p < 0,05).”
Nie musisz używać wzorów – większość programów robi to za Ciebie. Ważne, żeby wiedzieć, co oznaczają wyniki.
3. Jak nie zgubić się w liczbach? Zasady dobrej analizy
Zacznij od pytań – nie analizuj wszystkiego. Wybierz 2–3 kluczowe pytania badawcze i skup się na nich.
Nie patrz tylko na średnie – czasem różnice w grupach są ukryte w rozrzutach lub skrajnych odpowiedziach.
Wizualizuj dane – wykresy słupkowe, kołowe, liniowe. Ułatwiają zrozumienie (i prezentację).
Opisuj, nie tylko pokazuj – sam wykres to za mało. Napisz, co z niego wynika.
4. Jak pisać o analizie – styl i struktura
W raporcie badawczym (lub pracy) część dotycząca analizy danych ilościowych powinna zawierać:
Opis metody analizy
Jakie narzędzia zostały użyte? Jak przygotowano dane?
Opis statystyk opisowych
Jakie są średnie, odchylenia, najczęstsze odpowiedzi?
Opis porównań/korelacji
Czy są istotne różnice? Co one znaczą?
Wizualizacje (wykresy, tabele)
Z podpisami i odniesieniem w tekście.
Interpretację wyników
Nie tylko co, ale dlaczego tak jest – i co to znaczy dla Twojego pytania badawczego.
5. Narzędzia do analizy danych ilościowych
Excel / Google Sheets
– dobre dla prostych analiz, wykresów i obliczeń
– łatwe filtrowanie, średnie, tabele przestawne
SPSS (IBM)
– profesjonalne, szerokie możliwości statystyczne
– używane na uczelniach i w firmach badawczych
R lub Python (dla zaawansowanych)
– pełna elastyczność i automatyzacja
– wymaga nauki, ale daje ogromną kontrolę
Statistica, Jamovi, JASP
– alternatywy dla SPSS, często darmowe i intuicyjne
6. Najczęściej popełniane błędy. Jak ich unikać?
Analiza bez wcześniej dobrze postawionego pytania – jeśli nie wiesz, czego szukasz, znajdziesz wszystko i nic.
Wyciąganie wniosków z przypadków skrajnych – np. jedna osoba udzieliła nietypowej odpowiedzi i na niej opierasz całą teorię.
Brak interpretacji – dane mówią coś tylko wtedy, gdy Ty im nadasz znaczenie.
Użycie zaawansowanych testów bez zrozumienia – nie chodzi o to, żeby było „mądrze”. Ma być trafnie i czytelnie.
7. Jak zakończyć analizę – czyli co z tego wynika?
Nie chodzi tylko o przedstawienie danych. Kluczowe jest, by na końcu jasno odpowiedzieć na pytanie badawcze.
Wyobraź sobie, że Twój czytelnik zapamięta z całej analizy jedno zdanie. Nie będzie to ani wykres ani liczba, ale sens, który za nim stoi.
Na przykład:
„Osoby uczące się ponad 6 godzin tygodniowo miały średnio o 12% lepsze wyniki. To sugeruje, że czas poświęcony na naukę naprawdę się opłaca.”
To właśnie takie zdanie zostaje w głowie – proste, konkretne, z jasnym wnioskiem.
Liczby też potrafią mówić – trzeba tylko je zrozumieć
Analiza danych ilościowych to nie tylko matematyka. To sposób na znalezienie logicznych, potwierdzonych dowodami odpowiedzi na pytania, które naprawdę mają znaczenie.
Dobra analiza to taka, która:
✅ jest logicznie powiązana z celem badania,
✅ jest czytelnie opisana,
✅ prowadzi do sensownych wniosków,
✅ nie gubi się w liczbach, tylko ich używa.
