Równoliczność grup – oznacza podobną liczebność porównywanych grup w badaniu. Nie jest ona bezwzględnym założeniem parametrycznych testów statystycznych, takich jak test t Studenta dla prób niezależnych czy analiza wariancji, jednak zbliżone liczebności grup zwiększają stabilność wyników i ułatwiają interpretację.

Równoliczność grup ma również znaczenie dla mocy testu. Przy tej samej całkowitej liczebności próby układ zbliżonych liczebności grup jest zwykle bardziej efektywny statystycznie niż układ silnie niezrównoważony.  Przy stałej liczebności całej próby najbardziej efektywny jest zazwyczaj schemat, w którym porównywane grupy mają podobną liczbę obserwacji. 

Równoliczność najlepiej uwzględniać już na etapie planowania badania. Można ją osiągać np. przez kontrolowany dobór uczestników, odpowiednio zaplanowany dobór kwotowy albo procedury doboru losowego. Do oceny równoliczności wystarczy zwykle bezpośrednie porównanie liczebności grup i ich proporcji, np. przeez analizę częstości. Można posługiwać się orientacyjnymi regułami, np. oceną stosunku największej do najmniejszej liczebności, ale nie istnieje jeden uniwersalny próg określający, kiedy grupy stają się „nierównoliczne”.

Test chi-kwadrat dla jednej zmiennej może sprawdzać, czy obserwowane liczebności różnią się od określonych liczebności oczekiwanych, ale nie jest standardowym testem równoliczności dla testu t czy ANOVA i nie powinien być tak interpretowany, jak twierdzi Statystyczny drogowskaz.  Równoliczność grup jest przede wszystkim cechą projektu badania, a nie założeniem, które należy formalnie „zaliczyć” testem statystycznym po zebraniu danych. 

Liczebności grup warto więc planować przed rozpoczęciem badania, uwzględniając oczekiwaną siłę efektu, poziom istotności oraz wymaganą moc. Pomocne może być w tym narzędzie G*Power, które pozwala określić wymaganą liczebność próby również przy założeniu nierównych proporcji pomiędzy grupami.

Literatura:
Bedyńska, S., Cypryańska, M. (2013). Statystyczny drogowskaz. 1, Praktyczne wprowadzenie do wnioskowania statystycznego.
Hinkle, D. E., Wiersma, W., Jurs, S. G. (2003). Applied statistics for the behavioral sciences. Boston: Houghton Mifflin.