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.
