Метрики · 13 сентября 2026 г.

Какой статистический тест выбрать для анализа опроса: пошаговый алгоритм

Выбор статистического теста для анализа опроса определяется тремя вопросами по порядку: какой уровень измерения у переменной (номинальная, порядковая, интервальная или шкала отношений), сколько групп сравнивается (одна, две или больше), и — для интервальных данных — распределены ли они нормально. Для номинальных данных это частоты и критерий хи-квадрат; для порядковых — медиана, критерии Манна-Уитни и Краскела-Уоллиса, корреляция Спирмена; для интервальных и шкалы отношений с нормальным распределением — t-критерий, дисперсионный анализ, корреляция Пирсона. Ниже — единый алгоритм и таблица-шпаргалка, которая сводит все эти решения в одну точку входа, со ссылками на подробный разбор каждого метода.

Зачем нужен единый алгоритм выбора

Методов анализа данных опроса набирается больше десятка — t-критерий, дисперсионный анализ, критерий хи-квадрат, Манна-Уитни, Краскела-Уоллиса, корреляция Пирсона и Спирмена, регрессионный и факторный анализ, — и у каждого есть подробный разбор со своими условиями применимости. Проблема в том, что перед конкретной задачей анализа — сравнить два сегмента по оценке удовлетворённости, проверить связь дохода и NPS — не всегда очевидно, с какой из статей начинать: разбор конкретного теста предполагает, что метод уже выбран, а вопрос «какой тест вообще нужен в моей ситуации» остаётся без ответа.

Эта статья — точка входа, а не замена подробным разборам: она сводит выбор к последовательности из трёх практических вопросов и указывает, к какому именно методу приводит каждая комбинация ответов, оставляя саму механику расчёта, формулу и типичные ошибки конкретного теста для отдельной статьи по ссылке.

Шаг 1. Определите уровень измерения переменной

Первый и самый важный развилка — какой уровень измерения у анализируемой переменной: номинальная шкала (категории без порядка — канал связи, регион), порядковая (категории с порядком, но без гарантированно равных интервалов — оценка удовлетворённости от 1 до 5), интервальная или шкала отношений (числа с содержательными равными интервалами — возраст, доход, число покупок). Подробный разбор того, как определить уровень измерения конкретного вопроса анкеты, — в отдельной статье, с которой стоит начать, если этот шаг вызывает сомнение.

Ошибка на этом шаге обходится дороже, чем на любом из следующих: если переменная ошибочно принята за интервальную, когда на самом деле она порядковая, весь последующий выбор теста окажется неверным независимо от того, насколько аккуратно посчитаны все остальные шаги алгоритма.

Шаг 2. Определите, что сравнивается

Второй вопрос — какая именно задача решается: описание одной переменной (какое типичное значение, как распределены ответы), сравнение двух групп (два сегмента, до и после изменения), сравнение трёх и более групп (несколько тарифов, несколько филиалов) или проверка связи между двумя переменными (доход и NPS, стаж и вовлечённость). От ответа на этот вопрос зависит, какая колонка таблицы-шпаргалки ниже применима к конкретной задаче.

Отдельный практический случай — сравнение одной и той же группы респондентов до и после события (например, до и после внедрения изменения в продукте): это так называемые связанные, или парные, выборки, и для них существуют отдельные версии тестов — парный t-критерий вместо обычного, критерий Уилкоксона вместо Манна-Уитни, — которые учитывают, что наблюдения не независимы друг от друга, а получены от одних и тех же людей дважды.

Шаг 3. Для интервальных данных — проверьте нормальность

Если переменная относится к интервальной шкале или шкале отношений, следующий и последний развилка перед выбором конкретного теста — распределены ли данные (или, точнее, распределение внутри каждой сравниваемой группы) достаточно близко к нормальному. Подробный алгоритм проверки — гистограмма, QQ-график, тест Шапиро-Уилка — разобран в отдельной статье. Для номинальных и порядковых данных этот шаг не нужен вовсе: параметрическая статистика для них неприменима независимо от формы распределения, и путь сразу ведёт к непараметрическим методам.

При нормальном распределении и достаточной выборке доступна вся параметрическая статистика — t-критерий, ANOVA, корреляция Пирсона; при выраженном отклонении от нормальности, что для оценочных шкал и счётных переменных встречается чаще, чем хотелось бы, — их непараметрические аналоги, которые сравнивают ранги значений и не требуют допущения о нормальности.

Таблица-шпаргалка: что выбрать в зависимости от ответов на три шага

Разобранный пример: от вопроса анкеты до конкретного теста

Возьмём конкретную задачу: аналитик хочет понять, отличается ли удовлетворённость сервисом между клиентами, пришедшими по рекламе, и клиентами, пришедшими по рекомендации. Шаг 1 — уровень измерения: удовлетворённость собрана по шкале от 1 до 5, это порядковая шкала, а не интервальная, потому что расстояние между соседними баллами не гарантировано равным. Шаг 2 — что сравнивается: две независимые группы клиентов, не связанные попарно между собой. Шаг 3 для порядковых данных не нужен — проверка нормальности касается только интервальной шкалы и шкалы отношений.

По таблице-шпаргалке выше комбинация «порядковая шкала плюс две независимые группы» указывает на критерий Манна-Уитни. Если бы вместо оценки удовлетворённости сравнивался, например, средний чек в рублях между теми же двумя группами клиентов — переменная шкалы отношений, — потребовался бы дополнительный шаг 3: проверить нормальность распределения чека в каждой из групп. При нормальном распределении и выборке достаточного размера подошёл бы обычный t-критерий для независимых групп; при выраженной асимметрии (для среднего чека это скорее правило — распределение расходов почти всегда скошено вправо из-за небольшой доли крупных покупок) — критерий Манна-Уитни оказался бы правильным выбором и для этой, изначально интервальной переменной.

Третий вариант того же примера — если бы сравнивалось не два, а четыре канала привлечения клиентов (реклама, рекомендация, органический поиск, партнёрская программа), число сравниваемых групп на шаге 2 стало бы больше двух, и для порядковой удовлетворённости это означало бы переход от критерия Манна-Уитни к критерию Краскела-Уоллиса, а для интервального среднего чека — от t-критерия к дисперсионному анализу. Этот пример показывает главное свойство алгоритма: смена всего одного ответа на любом из трёх шагов меняет итоговый метод, поэтому важно пройти все три шага по порядку, а не выбирать тест по интуиции или по тому, какой метод аналитик знает лучше остальных.

Частные случаи, которые не укладываются в основную таблицу

Связь двух номинальных переменных не требует уровня выше — критерий хи-квадрат остаётся единственным базовым инструментом независимо от того, сколько категорий в каждой из двух переменных, хотя для оценки силы связи, а не только значимости, к нему добавляют коэффициент V Крамера. Ранжирование вариантов респондентом — особый вид порядковых данных, для которого используется не критерий Манна-Уитни, а коэффициент конкордации Кендалла, если нужно оценить согласованность ранжирования между респондентами.

Влияние сразу нескольких независимых переменных на один результат — например, как пол, возраст и тариф вместе влияют на итоговую оценку удовлетворённости — не решается ни одним из парных методов таблицы выше: для этого нужен многофакторный дисперсионный анализ (two-way ANOVA) или регрессионный анализ, в зависимости от уровня измерения предсказываемой переменной. Поиск скрытых групп респондентов со схожими паттернами ответов — задача кластерного анализа, а не сравнения заранее заданных групп.

Особый случай: связь категориальной и числовой переменной

Таблица-шпаргалка выше устроена по принципу «одинаковый уровень измерения по обе стороны сравнения», но на практике частая задача — проверить связь между категориальной переменной (например, тарифом) и числовой (например, временем использования продукта до отмены подписки). Формально это не «связь двух переменных» в смысле корреляции, а «сравнение числовой переменной между несколькими группами», поэтому правильный путь — тот же, что и для сравнения групп: дисперсионный анализ при нормальном распределении числовой переменной внутри каждой группы тарифа, критерий Краскела-Уоллиса при отклонении от нормальности.

Похожая ситуация возникает при попытке «посчитать корреляцию» между номинальной категорией и числовой переменной напрямую — это частая техническая ошибка, потому что коэффициенты корреляции Пирсона и Спирмена математически не определены для номинальной шкалы без порядка. Правильный инструмент здесь — не корреляция, а сравнение средних или медиан числовой переменной между категориями тем же ANOVA или Краскела-Уоллисом, а при бинарной категории (два варианта, например «подписка продлена» и «подписка отменена») — обычным t-критерием или Манна-Уитни для двух групп, что математически эквивалентно точечно-бисериальной корреляции, если кому-то нужна именно формулировка через связь.

Когда данных слишком мало, чтобы вообще выбирать тест

Алгоритм из трёх шагов предполагает, что выборка достаточно велика для расчёта любого из перечисленных методов, но на практике сегмент из 5-10 респондентов — обычное дело для узких B2B-опросов и внутренних HR-исследований в маленьких командах. Формально к такой выборке всё ещё можно применить критерий Манна-Уитни или t-критерий, и статистический пакет послушно вернёт число, но статистическая мощность подобного теста настолько мала, что почти любой результат, значимый или нет, требует крайне осторожной интерпретации, разобранной подробнее в статье про мощность и ошибки I и II рода.

Практический ориентир для таких случаев — не отказываться от статистики полностью, а явно понизить уровень притязаний: сообщать описательные показатели (доли, медиану, диапазон значений) без громкого заявления о статистической значимости, и рассматривать любой формальный тест на такой выборке как ориентировочный, а не как окончательное доказательство. Альтернатива — объединить несколько похожих сегментов в один более крупный для целей статистического сравнения, отказавшись от избыточной детализации ради увеличения размера выборки внутри каждой сравниваемой группы.

Что проверить перед тем, как доверять результату теста

Выбор правильного теста по алгоритму выше — необходимое, но не достаточное условие надёжного результата. Перед интерпретацией стоит проверить ещё три вещи: посчитан ли размер выборки заранее с учётом нужной статистической мощности, чтобы незначимый результат не оказался следствием ошибки II рода из-за маленькой выборки; проверены ли данные на выбросы, способные исказить и результат теста, и оценку нормальности; и не проводится ли на этих же данных множество параллельных сравнений без поправки, что раздувает риск ложного срабатывания.

1. Определите уровень измерения переменной по алгоритму из отдельной статьи.
2. Определите, что сравнивается — одна переменная, две группы, три и более групп или связь двух переменных.
3. Для интервальных данных проверьте нормальность распределения внутри каждой сравниваемой группы.
4. Найдите нужную строку в таблице-шпаргалке и перейдите к подробному разбору метода.
5. Перед интерпретацией результата проверьте выборку на достаточную мощность и данные на выбросы.
6. Если сравнений много — примените поправку на множественные сравнения, а не интерпретируйте каждое p-значение по отдельности.

Типичные ошибки при выборе теста

• Выбирать тест по привычке или удобству интерпретации, а не по фактическому уровню измерения переменной.
• Пропускать проверку нормальности для интервальных данных и по умолчанию применять параметрические методы.
• Использовать обычный t-критерий или Манна-Уитни для связанных (парных) выборок вместо их специализированных версий.
• Считать корреляцию Пирсона для порядковых данных вместо корреляции Спирмена.
• Не учитывать множественность сравнений при большом числе тестов на одних данных.

С чего начать

Возьмите конкретный вопрос анализа последнего опроса — например, «отличается ли удовлетворённость между двумя тарифами» — и пройдите три шага алгоритма по порядку: уровень измерения, число сравниваемых групп, для интервальных данных — нормальность. Итоговая строка таблицы-шпаргалки укажет метод и ссылку на статью с формулой и разбором условий применимости. В сервисе «До Сути» опрос собирается с любым сочетанием типов вопросов, а выбор и расчёт статистического теста — задача, которая решается уже после выгрузки ответов во внешний инструмент анализа. Держите эту статью под рукой как точку входа при каждом новом вопросе анализа — три шага алгоритма занимают меньше времени, чем повторный поиск подходящего метода наугад по памяти, а ссылки на подробные разборы под рукой избавляют от необходимости запоминать формулы и условия применимости каждого отдельного теста. Со временем три вопроса алгоритма — уровень измерения, число групп, нормальность — начинают задаваться почти автоматически при взгляде на любую новую таблицу с результатами опроса, ещё до того, как дело доходит до открытия статистического пакета.