Od surowych danych do tabeli wyników: jak przygotować czytelną prezentację w pracy dyplomowej bez przeładowania

Od surowych danych do wyników – na czym naprawdę polega „prezentacja”

Surowe dane, wyniki analiz i interpretacja – trzy różne poziomy

Praca z danymi w badaniu empirycznym zawsze przechodzi przez trzy odrębne poziomy, które w tekście i tabelach łatwo pomieszać:

• surowe dane – pojedyncze odpowiedzi, wyniki, pomiary każdej osoby lub obserwacji, często w arkuszu Excela lub pliku z programu statystycznego,
• wyniki analiz – statystyki opisowe, wyniki testów, wskaźniki dopasowania modeli; to efekt obliczeń, nie „gołe” odpowiedzi,
• interpretacja – znaczenie wyników w kontekście pytania badawczego i literatury, czyli „co z tego wynika”.

Prezentacja wyników badań w pracy dyplomowej powinna bardzo wyraźnie oddzielać te poziomy. Tabele w rozdziale wyników nie służą do pokazywania każdej odpowiedzi ankietowanego, lecz do syntetycznego zaprezentowania wyników analiz. Natomiast interpretacje i ocena zgodności z hipotezami należą do odrębnych akapitów, a często do osobnego rozdziału „Dyskusja”.

Przeskoczenie któregoś poziomu prowadzi do chaosu. Gdy do tabeli trafiają surowe dane, czytelnik tonie w szczegółach i nie widzi żadnego wniosku. Z kolei gdy pojawia się jedynie interpretacja słowna bez konkretnej tabeli wyników, praca wygląda jak esej, a nie raport badawczy. Dobrze zaprojektowana tabela w pracy dyplomowej jasno sygnalizuje: „tu kończą się obliczenia, a zaczyna się ich sens”.

Co realnie pokazywać: dane jednostkowe, podsumowania czy tylko statystyki?

W standardowej pracy licencjackiej lub magisterskiej prezentacja wyników badań powinna opierać się głównie na podsumowaniach i statystykach zbiorczych, a nie na danych jednostkowych. Dane pojedynczych osób mają sens tylko w kilku sytuacjach:

• gdy badanie ma bardzo małą próbę (np. 5–10 przypadków) i każdy przypadek jest analizowany jakościowo,
• gdy pokazujesz przykładowy rekord (np. fragment transkryptu wywiadu, przykładowe odpowiedzi),
• gdy w załączniku przedstawiasz pełną bazę danych do wglądu, a w treści pracy – jedynie analizy.

W większości prac dyplomowych czytelnik oczekuje tabel z:

• średnimi, odchyleniami standardowymi, medianami, kwartylami,
• liczebnościami i procentami odpowiedzi,
• wartościami statystyk testowych, p‑value, przedziałami ufności, wielkościami efektu.

Samą bazę z odpowiedziami „1, 2, 3, 4, 5” albo surowymi wartościami pomiarów możesz przenieść do załącznika. W rozdziale wyników ma być to, czego potrzebuje odbiorca, aby zrozumieć siłę, kierunek i istotność zjawisk, a nie wszystkie cyfry, które wygenerował program.

Rola tabeli wyników na tle całej pracy dyplomowej

Rozdział z wynikami to środek całej konstrukcji pracy. Na początku definiujesz problem i pytania badawcze, na końcu dyskutujesz ich znaczenie. Tabele są łącznikiem między jednym a drugim. Dobrze przygotowana tabela:

• odpowiada na konkretne pytanie badawcze lub hipotezę, a nie jest „składowiskiem wyników” z całego SPSS‑a,
• ma jasny zakres – jeden typ analizy, jeden obszar zmiennych, jeden etap badania,
• pozwala porównać to, co w pytaniu było istotne (np. grupy, warunki, czasy pomiaru),
• ogranicza potrzebę lania wody w opisie słownym – w tekście można się odwołać: „Zob. tabela 3”.

Zbyt ogólne, zbiorcze tabele, w których mieszają się różne analizy, utrudniają czytelnikowi orientację. Z kolei dzielenie wszystkiego na kilkadziesiąt mini‑tabel sprawia, że rozdział wyników wygląda jak raport techniczny z laboratorium, a nie praca dyplomowa. Miarą jakości jest powiązanie każdej tabeli z konkretnym fragmentem planu badania.

Tabela, skrótowy opis, a może wykres – co wybrać?

Trzy podstawowe narzędzia prezentacji wyników – tabela, opis tekstowy i wykres – pełnią różne funkcje:

• tabela – dobra, gdy kluczowa jest dokładność liczb, porównania kilku wartości naraz, przedstawienie pełnego zestawu statystyk,
• opis słowny – wystarczy, gdy wynik jest prosty („brak różnic między grupami”) albo liczby są drugorzędne wobec ogólnej konkluzji,
• wykres – najlepszy, gdy chcesz pokazać trend, kształt zależności, różnice wizualne pomiędzy grupami lub momentami pomiaru.

Jeśli prezentacja wyników badań polega na powielaniu tych samych wartości w tekście, tabeli i na wykresie, rozdział robi się przeładowany. Lepsze podejście to:

• główne liczby – w tabeli,
• główne wnioski – w tekście,
• główne zależności/kształty – na wykresie (tam, gdzie to rzeczywiście pomaga).

Minimalne dane, maksimum przejrzystości

Dobra tabele w pracy dyplomowej trzyma jedną prostą zasadę: minimum potrzebne do zrozumienia wyników, maksimum czytelności. Nadmiar kolumn, powtarzających się informacji, skrótów tworzy wizualny szum. Z drugiej strony zbyt duża „oszczędność” (np. sam p‑value bez informacji o kierunku efektu) rodzi podejrzenia o brak rzetelności.

Praktyczny filtr jest prosty: dla każdej potencjalnej kolumny zadaj pytanie: „Czy bez tej informacji czytelnik zrozumie mniej, czy tylko będzie miał mniej cyferek do obejrzenia?”. Jeśli odpowiedź brzmi: „nie straci nic kluczowego”, tę kolumnę można przenieść do załącznika lub całkowicie ją pominąć.

Jakie wyniki w ogóle raportować – selekcja zamiast „wylewania Excela”

Kryteria wyboru wyników: pytania badawcze i plan analiz

Przygotowanie tabel w pracy dyplomowej warto zacząć nie od Excela, ale od listy pytań badawczych i hipotez. Każde pytanie powinno mieć odpowiadający mu zestaw analiz, a następnie – jedną lub kilka tabel. Selekcja wyników opiera się na czterech prostych kryteriach:

• związek z pytaniem badawczym – jeśli jakaś analiza nie odpowiada na żadne pytanie, jest kandydatem do skrócenia lub przeniesienia do załącznika,
• ważność teoretyczna – wyniki kluczowe dla tez pracy mają pierwszeństwo przed pobocznymi ciekawostkami,
• zgodność z planem analizy – to, co zaplanowane w metodologii, powinno znaleźć odbicie w tabelach,
• spójność z objętością pracy – praca licencjacka nie pomieści tak szczegółowego raportu jak doktorat.

Pomocne jest wypisanie pytań badawczych i pod nimi – nazw analiz oraz szkicu tabeli, jeszcze przed odpaleniem programu statystycznego. Dzięki temu unikniesz sytuacji, w której prezentacja wyników badań jest po prostu kopią raportów z SPSS‑a, a nie logicznym ciągiem odpowiedzi na to, o co naprawdę pytasz.

Analizy główne a eksploracyjne – różne miejsce w tabelach

W praktyce zawsze pojawiają się dwa typy analiz:

• analizy główne – zaplanowane wcześniej, opisane w rozdziale „Metody”, bezpośrednio powiązane z hipotezami,
• analizy eksploracyjne – „dodatkowe spojrzenie” na dane, korelacje, które wyszły ciekawe, testy sprawdzone z ciekawości.

W pracy dyplomowej powinno to być widoczne także w prezentacji wyników:

• tabele dla analiz głównych – wyeksponowane, powiązane z podrozdziałami odpowiadającymi na kolejne pytania badawcze,
• tabele dla analiz eksploracyjnych – wyraźnie oznaczone jako „dodatkowe”, często krótsze, czasem przeniesione do załączników.

Tym samym czytelnik widzi, które wyniki są najważniejsze, a które tylko uzupełniają obraz. W opisie można wtedy jasno powiedzieć: „Przeprowadzono również analizy eksploracyjne (tabela 8), które sugerują…”. Nadrzędnym celem jest uniknięcie wrażenia, że prezentacja wyników badań to nieuporządkowana lista wszystkiego, co przyszło do głowy podczas pracy z programem.

Wyniki nieistotne – pokazywać, chować czy minimalizować?

Dylemat „co zrobić z nieistotnymi wynikami” wraca w niemal każdej pracy. Z perspektywy rzetelności naukowej ukrywanie nieistotnych wyników jest złym pomysłem. Jeśli w hipotezie założono różnice między grupami, a test ich nie potwierdził, to właśnie ten „brak efektu” jest kluczowym wynikiem.

Można natomiast inaczej traktować formę prezentacji takich rezultatów:

• waga w opisie – wyniki kluczowych hipotez, nawet nieistotne, zasługują na pełną tabelę,
• stopień szczegółowości – w drugorzędnych analizach wystarczy krótsza tabela lub opis: „Nie stwierdzono istotnych korelacji (p > 0,10)”.

Strategia, która dobrze sprawdza się w pracach dyplomowych: pokazać wszystkie ważne wyniki, niezależnie od p‑value, ale różnicować rozbudowanie tabel. Duże, pełne tabele dla hipotez głównych (niezależnie od wyniku), małe lub zbiorcze tabele dla pobocznych testów.

Grupowanie wyników: tabele tematyczne a tabele „po procedurze”

Organizacja tabel wyników może iść dwiema głównymi ścieżkami:

• tabele tematyczne – każda tabela odpowiada na konkretne pytanie badawcze lub dotyczy jednego „bloku” tematycznego zmiennych,
• tabele „po procedurze” – zbiory testów tego samego typu (np. wszystkie korelacje, wszystkie t‑testy) bez względu na temat.

Oba podejścia mają plusy i minusy.

W pracach dyplomowych najczęściej lepiej sprawdzają się tabele tematyczne, bo promotor i recenzent zwykle śledzą, czy odpowiedzi udzielone są na zadane pytania, a nie jakie dokładnie testy zastosowano. Tabele „proceduralne” warto wykorzystać w załącznikach, gdy chcesz pokazać pełen przegląd analiz.

Kiedy szczegóły przenieść do załącznika

Próba zmieszczenia wszystkich możliwych wyników w głównym tekście kończy się nadmiarem stron i spadkiem czytelności. Naturalnym buforem są załączniki. Dobrze się tam sprawdzają:

• pełne macierze korelacji dla wielu zmiennych,
• szczegółowe wyniki wielokrotnych porównań post‑hoc,
• pełne raporty z regresji dla modeli pomocniczych,
• surowe dane (np. zanonimizowane odpowiedzi ankietowe).

W głównym tekście wtedy znajdują się skrócone tabele, a w przypisie pod tabelą lub w tekście dopisek typu: „Pełne wyniki analiz regresji przedstawiono w Załączniku 3”. Takie rozwiązanie pozwala zachować równowagę między rzetelnością raportowania a przejrzystością prezentacji wyników badań.

Standardy raportowania: co musi się znaleźć przy każdym wyniku

Podstawowy zestaw: statystyka testowa, df, p‑value, CI, efekt

Niezależnie od stylu (APA, lokalne wytyczne uczelni, inspiracja czasopismami), dla większości testów istnieje pewien minimalny pakiet informacji, który powinien trafić do tabel w pracy dyplomowej:

• wartość statystyki testowej (np. t, F, χ², r, β),
• stopnie swobody (df) tam, gdzie mają sens,
• p‑value – najlepiej w formie dokładnej (np. 0,032) zamiast tylko < 0,05,
• przedział ufności (CI) – przynajmniej dla głównych estymacji (średnie, różnice średnich, współczynniki regresji),
• wielkość efektu (np. Cohen’s d, η², r, OR), jeśli to możliwe.

Jak kompletować pakiet informacji: różne testy, różne minimum

„Podstawowy pakiet” wygląda inaczej dla różnych typów analiz. Zamiast próbować upchnąć wszystkie możliwe parametry wszędzie, lepiej przyjąć proste reguły w zależności od rodzaju testu.

• Testy różnic średnich (t‑test, ANOVA) – w tabeli zwykle pokazuje się:
  • średnie i odchylenia standardowe w każdej grupie,
  • wynik testu (t lub F) z df,
  • p‑value,
  • wielkość efektu (np. Cohen’s d, η²),
  • czasem 95% CI dla różnicy średnich (bardziej w zaawansowanych pracach).
• Korelacje – przy macierzy korelacji:
  • współczynniki r (lub rho),
  • oznaczenia poziomów istotności (np. * p < 0,05),
  • opcjonalnie liczebność (N) w nagłówku lub pod tabelą,
  • przedziały ufności raczej w załączniku niż w głównej tabeli (chyba że macierz jest mała).
• Regresja liniowa/logistyczna – tu standard jest wyraźniej ukształtowany:
  • szacowane współczynniki (B lub β),
  • SE (błąd standardowy),
  • wartość statystyki (t lub z),
  • p‑value,
  • 95% CI dla B lub OR (przy regresji logistycznej),
  • miary dopasowania modelu (R², pseudo‑R², AIC/BIC – zależnie od poziomu pracy).
• Testy chi‑kwadrat – przy tabelach krzyżowych:
  • częstości obserwowane (czasem także procenty w wierszach/kolumnach),
  • χ², df, p‑value,
  • miarę wielkości efektu (np. V Craméra),
  • opcjonalnie – informację o liczebnościach oczekiwanych (np. w przypisie, gdy jest z nimi problem).

Różnica między pracą licencjacką a magisterską często polega nie na tym, czy te elementy się pojawią, ale jak szeroko. Na niższym poziomie wystarczą główne parametry (np. średnie, t, p, d), w bardziej zaawansowanych pracach recenzenci częściej oczekują przedziałów ufności i raportowania kilku komplementarnych miar efektu.

Styl APA a „lokalne zwyczaje” – jak uniknąć chaosu w tabelach

Na wielu kierunkach domyślnym punktem odniesienia jest styl APA, ale jednocześnie funkcjonują „lokalne zwyczaje” promotorów czy zakładów. Często prowadzi to do hybryd: trochę APA, trochę „tak się u nas pisze od lat”. Tabele mogą wtedy sprawiać wrażenie niespójnych.

Najprościej przyjąć jedną zasadę: najpierw spójność, potem styl. Zamiast mieszać różne sytemy raportowania:

• wybierz jeden punkt odniesienia (np. APA 7),
• sprawdź, co promotor konkretnie wymaga (np. pełne p czy tylko < 0,05; zapisy dziesiętne z przecinkiem czy kropką),
• zastosuj te reguły do wszystkich tabel: identyczny układ nagłówków, takie same skróty, jednolity sposób zaokrąglania.

Dwóch typowych konfliktów, które dobrze rozwiązać z góry:

• Przecinek czy kropka dziesiętna? – w polskich wydawnictwach częściej spotyka się przecinek, w APA – kropkę. Jeśli wytyczne uczelni tego nie regulują, uzgodnij z promotorem i zastosuj jedną konwencję w całej pracy.
• p‑value: „0,000” vs „< 0,001” – oprogramowanie lubi zwracać „0,000”. W naukowej praktyce przyjęło się raportowanie „p < 0,001”, bo prawdziwe p nigdy nie jest równe dokładnie zero. Dobrym kompromisem jest ręczne zastąpienie wszystkich „0,000” zapisem „< 0,001”.

Przypisy pod tabelą: gdzie upchnąć ważne, ale poboczne informacje

Wielu studentów próbuje wcisnąć każde zastrzeżenie czy komentarz do głównej części tabeli. Mniej inwazyjnym rozwiązaniem są przypisy pod tabelą. Świetnie nadają się do:

• definiowania skrótów i oznaczeń (np. „CI – 95% przedział ufności dla średniej”),
• wyjaśnienia przyjętych konwencji (np. „* p < 0,05; ** p < 0,01”),
• opisania nietypowych decyzji (np. „Test t z poprawką Welcha ze względu na brak równości wariancji.”),
• informacji o liczebnościach różniących się między zmiennymi („N waha się od 95 do 102 z powodu braków danych”).

Dzięki temu główna część tabeli pozostaje czysta, a jednocześnie czytelnik ma pełny obraz kontekstu, jeśli go potrzebuje.

Struktura tabeli: od pytania badawczego do kolumn i wierszy

Wyjście od pytania: co ma zobaczyć czytelnik w pierwszym rzucie oka

Tabela powstaje o wiele sprawniej, gdy zaczyna się od pytania: co czytelnik ma z niej „wyczytać” w 5 sekund? Czy chodzi o:

• porównanie dwóch lub więcej grup,
• zobaczenie siły związku między zmiennymi,
• śledzenie zmian w czasie,
• ocenę znaczenia poszczególnych predyktorów w modelu.

W zależności od odpowiedzi, inaczej buduje się strukturę.

• Gdy kluczowe jest porównanie grup, zazwyczaj:
  • wiersze – zmienne wynikowe,
  • kolumny – poszczególne grupy (średnia, SD, N) oraz kolumny z wynikiem testu i wielkością efektu.
• Dla związków między zmiennymi (korelacje):
  • macierz, w której zmienne pojawiają się w nagłówkach wierszy i kolumn,
  • często wypełnia się tylko trójkąt macierzy (górny lub dolny), by uniknąć duplikacji.
• W regresji:
  • wiersze – zmienne niezależne (predyktory),
  • kolumny – kolejno: B, SE, β, t/z, p, CI (lub OR, CI dla OR),
  • na dole tabeli – zbiorcze informacje o modelu (R², F, p, N).

Różnica między „tabelą z programu” a dobrze zaprojektowaną tabelą polega właśnie na tym, że ta druga jest zbudowana wokół pytania badawczego, a nie wokół kolejności, w jakiej SPSS wypisał wyniki.

Kolejność zmiennych: alfabetyczna, teoretyczna czy praktyczna?

Kolejność wierszy i kolumn nie jest neutralna. Może pomóc albo przeszkodzić w interpretacji. Do wyboru są trzy główne strategie:

• Alfabetyczna – „bezpieczna”, łatwa do obrony, gdy nie ma wyraźnej hierarchii zmiennych; słabiej prowadzi narrację wyników.
• Teoretyczna – zmienne ułożone zgodnie z modelem lub przyjętą koncepcją (np. najpierw predyktory socjodemograficzne, potem psychologiczne); sprzyja dyskusji teoretycznej.
• Praktyczna (wg ważności) – na szczycie tabeli zmienne kluczowe dla hipotez, niżej poboczne; szczególnie przydatna w tabelach regresji, gdy część predyktorów jest tylko kontrolna.

Na poziomie pracy dyplomowej zwykle lepiej sprawdza się układ teoretyczny lub praktyczny. Czytelnik łatwiej śledzi wtedy logikę badań, zamiast skakać po alfabetycznej liście skrótów, które niewiele mówią.

Grupowanie kolumn i wierszy: bloki zamiast „ściany liczb”

W większych tabelach przydatne jest łączenie podobnych elementów w bloki. Zamiast kilkunastu pojedynczych wierszy, można wprowadzić:

• nagłówki podgrup (np. „Zmienne socjodemograficzne”, „Zmienne psychologiczne”),
• delikatne linie oddzielające sekcje (bez tworzenia kraty niczym z zeszytu w kratkę),
• podsumowania cząstkowe (np. osobne R² dla różnych kroków modelu regresji w kolejnych blokach).

Podobnie z kolumnami: wyniki „parametryczne” (średnia, SD, N) mogą tworzyć jedną logiczną grupę, a parametry testu (t, p, d) – drugą. W HTML i arkuszach stylów da się to zaznaczyć wizualnie (np. grubszą linią między blokami kolumn), ale nawet na prostym wydruku różnice są widoczne.

Opis tabeli (tytuł i legenda): streszczenie, a nie zagadka

Tytuł tabeli często jest traktowany jak formalność („Tabela 3. Wyniki badań”). Lepiej potraktować go jak bardzo krótkie streszczenie.

Dobre tytuły:

• konkretnie wskazują, czego dotyczą wyniki („Porównanie poziomu satysfakcji z pracy w grupie A i B”),
• sygnalizują rodzaj miary („Średnie, odchylenia standardowe i wyniki testów t…”),
• czasem delikatnie nawiązują do pytania badawczego („…, odpowiadające na pytanie 2”).

Przykład różnicy:

• „Tabela 5. Wyniki testów t” – mało mówi, trzeba wczytać się w treść.
• „Tabela 5. Średnie poziomu lęku i wyniki testów t dla grup leczonych farmakoterapią vs. terapią poznawczo‑behawioralną” – czytelnik wie od razu, co ogląda.

Jakie liczby naprawdę pomagają czytelnikowi – dobór statystyk opisowych

Średnia czy mediana? Gdy rozkład nie jest „książkowy”

Domyślną reakcją bywa: „Wstawiam średnią i odchylenie standardowe, bo tak robi program”. Tymczasem wybór między średnią a medianą jest decyzją merytoryczną, szczególnie gdy dane są skośne lub zawierają obserwacje odstające.

• Średnia i SD są sensowne, gdy:
  • rozkład jest w miarę symetryczny,
  • nie ma skrajnych wartości znacząco „ciągnących” wynik,
  • interesuje cię suma/ogólny „poziom” zmiennej (np. poziom wyniku testu).
• Mediana i kwartyle lepiej sprawdzają się, gdy:
  • rozkład jest skośny (np. liczba hospitalizacji, dochód),
  • występują wartości ekstremalne,
  • dzielisz grupy według rang (np. dolny/środkowy/górny tercyl).

W praktyce często sensowne jest pokazanie obu typów miar w jednym miejscu – średniej/SD w głównej tabeli, a informacji o skośności i kurtozie w załączniku. W ten sposób zachowujesz prostotę dla recenzenta, który potrzebuje „szybkich” statystyk, a jednocześnie wykazujesz się świadomością jakości danych.

Liczebności i procenty: kiedy podawać jednocześnie

Przy zmiennych kategorycznych i tabelach krzyżowych wybór między liczebnościami a procentami ma bezpośredni wpływ na przejrzystość.

• Wyłączne liczebności (N) – dobre, gdy grupy są podobnej wielkości i kluczowa jest sama liczba przypadków (np. rzadkie zdarzenia).
• Wyłączne procenty – przy nierównych grupach procenty pomagają porównać proporcje, ale bez N ich interpretacja jest ryzykowna („20%” w grupie N=10 to co innego niż „20%” w N=200).
• N + % – bezpieczny kompromis w większości prac dyplomowych. Typowy zapis: „n (%)” w jednej komórce tabeli (np. „35 (46%)”).

Różnice widać szczególnie przy testach chi‑kwadrat. Sama informacja o istotności bez wiedzy, ile osób weszło do analizy, bywa myląca. Podanie liczebności wraz z procentami pozwala ocenić, czy wynik jest oparty na solidnej podstawie, czy na „przypadkach jednostkowych”.

Zaokrąglanie: więcej cyfr nie oznacza większej rzetelności

Raportowanie zbyt dużej liczby miejsc po przecinku tworzy złudzenie precyzji i zaciemnia obraz. Dobrze jest przyjąć stałą politykę zaokrąglania, np.:

• średnie i SD – do dwóch miejsc po przecinku,
• wielkości efektu (d, r, η²) – do dwóch lub trzech miejsc,
• p‑value – do trzech miejsc (z wyjątkiem „p < 0,001”).

Ważniejsza od konkretnej liczby miejsc jest konsekwencja. Mieszanka zapisów „0,3”, „0,27” i „0,2738” w jednej tabeli wygląda nieprofesjonalnie, sugeruje też bezrefleksyjne kopiowanie danych z programu.

Miary dyspersji: SD, błąd standardowy, zakres, IQR

Statystyki opisowe to nie tylko „średnia + coś jeszcze”. „Coś jeszcze” może być różne, zależnie od celu:

• SD (odchylenie standardowe) – pokazuje zróżnicowanie w próbie, najbardziej „klasyczna” miara.

Najważniejsze wnioski

• Praca empiryczna operuje na trzech wyraźnie oddzielnych poziomach: surowe dane, wyniki analiz i ich interpretacja; mieszanie ich w jednym miejscu (np. w tabeli) prowadzi do chaosu i rozmywa sens badań.
• W rozdziale wyników pokazuje się głównie statystyki zbiorcze (średnie, odchylenia, procenty, p‑value, wielkości efektu), a nie dane jednostkowe; pełna baza odpowiedzi trafia co najwyżej do załącznika.
• Dobra tabela jest ściśle powiązana z konkretnym pytaniem badawczym lub hipotezą, obejmuje jeden typ analizy i jasno pokazuje porównywane grupy/warunki, zamiast być „magazynem” wszystkiego, co wypluł program statystyczny.
• Tabela, opis słowny i wykres uzupełniają się, a nie dublują: liczby szczegółowe trafiają do tabeli, główne wnioski do tekstu, a kształt zależności (trend, różnice wizualne) najlepiej pokazać na wykresie.
• Przejrzystość tabeli polega na połączeniu minimalnej liczby naprawdę potrzebnych informacji z maksymalną czytelnością; każdą kolumnę warto „przefiltrować” pytaniem, czy bez niej zrozumienie wyników faktycznie ucierpi.
• Wybór raportowanych wyników powinien zaczynać się od listy pytań badawczych i hipotez: pokazuje się to, co na nie odpowiada i ma znaczenie teoretyczne, a analizy poboczne ogranicza lub przenosi do załącznika.