Alfa Cronbacha poniżej .70 – co zrobić?

Autor: Konrad Hryniewicz · Opublikowano: 28 października 2026 · Aktualizacja: 26 października 2026

Próg .70 to umowa, nie granica zaliczenia

Wartość .70 jest zwyczajowym punktem odniesienia, ale w literaturze podaje się różne wartości akceptowalne, od .70 do .95 (Tavakol i Dennick, 2011). Alfa zależy od dwóch rzeczy: od liczby pozycji i od średniej korelacji między nimi (Cortina, 1993). Krótka skala z dobrymi pozycjami może więc mieć alfę poniżej .70, a długa skala ze słabymi pozycjami – powyżej. Zanim uznasz, że „skala nie działa”, sprawdź po kolei, skąd bierze się niski wynik. Pełne omówienie alfy, jej założeń i analizy pozycji znajdziesz we wpisie alfa Cronbacha – rzetelność skali.

Co sprawdzić po kolei

Przykład: krótka skala poczucia przynależności do uczelni, pięć pozycji 1–5, 120 osób studiujących (dane symulowane). Pozycja 4 („Czuję się na uczelni obco”) jest sformułowana odwrotnie.

1. Czy pozycje odwrócone są przekodowane?

To najczęstsza przyczyna bardzo niskiej alfy. Przed odwróceniem pozycji 4 alfa wynosi .26, a korelacja tej pozycji z sumą pozostałych jest ujemna (−.42). Po przekodowaniu (6 − odpowiedź) alfa rośnie do .68. Jak przekodować pozycje odwrócone, wyjaśnia hasło o rekodowaniu. Ujemna korelacja pozycja–reszta prawie zawsze oznacza błąd kodowania, a nie złą pozycję.

2. Czy w danych nie ma kodów braków i literówek?

Sprawdź minimum i maksimum każdej pozycji. Kod braku 99 albo odpowiedź 55 zamiast 5 potrafią obniżyć alfę bardziej niż słaba pozycja. Wszystkie kody zapisz w książce kodowej.

3. Ile pozycji ma skala i jak silnie są powiązane?

W przykładzie średnia korelacja między pozycjami wynosi .30, a pojedyncze korelacje mieszczą się w zakresie .20–.40. Korelacje pozycji z sumą pozostałych wynoszą .35–.51. To rozsądne wartości: Clark i Watson (1995) zalecają, by przy budowie skali dążyć do jednowymiarowości i umiarkowanych korelacji między pozycjami, a nie do maksymalnej spójności. Niska alfa wynika tu głównie z tego, że pozycji jest pięć. Ze wzoru Spearmana–Browna wynika, że przy tej samej średniej korelacji skala z ośmiu pozycji miałaby alfę .78, a z dziesięciu – .81. Do progu .70 wystarczyłoby sześć pozycji. Nie dopisuj jednak pozycji po zebraniu danych. To argument do dyskusji, nie poprawka.

4. Czy skala mierzy jedną rzecz?

Jeżeli narzędzie ma podskale, licz alfę osobno dla każdej z nich (Tavakol i Dennick, 2011). Jedna alfa dla całego wielowymiarowego kwestionariusza mało mówi. W przykładzie pierwsza wartość własna wynosi 2.22, a druga 0.84, a ładunki w modelu jednoczynnikowym mieszczą się w zakresie .43–.66, więc jedna wspólna cecha dobrze opisuje dane. Dokładniej sprawdzisz to w analizie czynnikowej.

5. Czy usunięcie pozycji naprawdę pomaga?

Kolumna „alfa po usunięciu pozycji” kusi, ale w przykładzie każda wartość (.60–.67) jest niższa niż alfa całej skali, .68. Usuwanie nic tu nie da. Tavakol i Dennick (2011) radzą poprawić albo usunąć pozycję, gdy jej korelacja z wynikiem testu jest bliska zeru. W gotowym, opublikowanym narzędziu usunięcie pozycji zmienia jednak narzędzie i utrudnia porównanie z innymi badaniami. Jeśli to zrobisz, napisz to wprost i podaj wyniki dla obu wersji.

6. Podaj przedział ufności i omegę

Alfa z jednej próby jest oszacowaniem, więc podaj ją z przedziałem ufności (Kelley i Pornprasertmanit, 2016). Tutaj α = .68, 95% CI [.58, .76]. Górna granica przekracza .70, więc nie wiesz nawet, czy rzetelność w populacji jest niższa od progu. Warto też podać omegę McDonalda, bo nierealistyczne założenia alfy zwykle prowadzą do zaniżenia rzetelności (McNeish, 2018), a omegę z przedziałem ufności policzysz w darmowym oprogramowaniu (Dunn i in., 2014). W przykładzie omega wynosi .69, czyli prawie tyle samo, bo ładunki są dość podobne.

Czy mogę dalej używać tej skali?

Zwykle tak, ale z jasnym zastrzeżeniem. Niższa rzetelność oznacza więcej błędu pomiaru, a to osłabia korelacje i efekty z tą skalą. Wynik nieistotny może więc wynikać po części z pomiaru, a wynik istotny jest raczej niedoszacowany niż zawyżony. Napisz o tym w ograniczeniach badania. Nie ukrywaj alfy i nie zastępuj jej wartością z podręcznika testu. Zdania na różne sytuacje, w tym przy niskiej alfie i podskalach, znajdziesz we wzorze raportowania alfy Cronbacha, a całą ścieżkę oceny narzędzia porządkuje przewodnik po psychometrii i skalach.

Inaczej wygląda sytuacja, gdy skala powstała na potrzeby Twojej pracy. Wtedy niska alfa mówi coś o samym narzędziu: pozycje mogą dotyczyć różnych rzeczy albo być niejasno sformułowane. Pokaż w pracy macierz korelacji między pozycjami i potraktuj wynik jako wstępną ocenę skali, a nie jej walidację. Jak przygotować własną skalę od podstaw, opisuje wpis o budowie i walidacji skali.

Jak to opisać w pracy

Jeśli alfa jest bardzo niska (np. poniżej .50) i żaden z kroków jej nie wyjaśnia, rozważ analizę pojedynczych pozycji zamiast wyniku skali i skonsultuj decyzję z promotorem. Gdy chcesz, żeby ktoś sprawdził kodowanie i rzetelność Twoich skal, zajrzyj do oferty dla studentów.

# B139: niska alfa Cronbacha – co sprawdzić po kolei (dane symulowane, set.seed(1390)).
# 120 osób studiujących; krótka skala poczucia przynależności do uczelni: 5 pozycji 1–5,
# pozycja p4 jest sformułowana odwrotnie („Czuję się na uczelni obco”).
suppressPackageStartupMessages(library(psych))
set.seed(1390)
n <- 120
f <- rnorm(n)
ladunki <- c(.60, .62, .55, -.50, .52)          # p4 odwrócona: ujemny ładunek
progi <- c(-1.6, -0.6, 0.4, 1.4)
pozycje <- sapply(ladunki, function(l) as.integer(cut(l * f + sqrt(1 - l^2) * rnorm(n), c(-Inf, progi, Inf))))
colnames(pozycje) <- paste0("p", 1:5)

cat("== Krok 1. Alfa z pozycją p4 NIEodwróconą\n")
a1 <- psych::alpha(pozycje, check.keys = FALSE, warnings = FALSE)
print(round(a1$total[, c("raw_alpha", "average_r")], 2))
cat("Korelacja pozycja–reszta (r.drop):\n"); print(round(a1$item.stats[, "r.drop"], 2))

cat("\n== Krok 2. Po odwróceniu p4 (6 − odpowiedź)\n")
popr <- pozycje; popr[, "p4"] <- 6 - popr[, "p4"]
a2 <- psych::alpha(popr, warnings = FALSE)
print(round(a2$total[, c("raw_alpha", "average_r")], 2))
cat("95% CI dla alfy (Feldt):", round(unlist(a2$feldt[c("lower.ci", "upper.ci")]), 2), "\n")
cat("Korelacja pozycja–reszta:\n"); print(round(a2$item.stats[, "r.drop"], 2))
cat("Alfa po usunięciu pozycji:\n"); print(round(a2$alpha.drop[, "raw_alpha"], 2))
cat("Korelacje między pozycjami (zakres):", round(range(cor(popr)[lower.tri(cor(popr))]), 2), "\n")

cat("\n== Krok 3. Jednowymiarowość i omega\n")
fa1 <- fa(popr, nfactors = 1, fm = "ml")
l <- as.numeric(fa1$loadings); u <- fa1$uniquenesses
cat("Ładunki:", round(l, 2), "\n")
cat("Omega całkowita (model 1-czynnikowy):", round(sum(l)^2 / (sum(l)^2 + sum(u)), 2), "\n")
cat("Wartości własne (pierwsze dwie):", round(eigen(cor(popr))$values[1:2], 2), "\n")

cat("\n== Krok 4. Alfa a liczba pozycji (wzór Spearmana–Browna przy średniej r)\n")
rbar <- a2$total$average_r
for (k in c(5, 8, 10)) cat(k, "pozycji: alfa =", round(k * rbar / (1 + (k - 1) * rbar), 2), "\n")
cat("Pozycji potrzebnych do .70:", ceiling(.70 * (1 - rbar) / (rbar * (1 - .70))), "\n")
cat("\nPakiety: R", as.character(getRversion()), "psych", as.character(packageVersion("psych")), "\n")

== Krok 1. Alfa z pozycją p4 NIEodwróconą
 raw_alpha average_r
      0.26      0.07
Korelacja pozycja–reszta (r.drop):
[1]  0.34  0.21  0.26 -0.42  0.44

== Krok 2. Po odwróceniu p4 (6 − odpowiedź)
 raw_alpha average_r
      0.68       0.3
95% CI dla alfy (Feldt): 0.58 0.76 
Korelacja pozycja–reszta:
[1] 0.43 0.35 0.48 0.42 0.51
Alfa po usunięciu pozycji:
[1] 0.64 0.67 0.61 0.64 0.60
Korelacje między pozycjami (zakres): 0.2 0.4 

== Krok 3. Jednowymiarowość i omega
Ładunki: 0.55 0.43 0.62 0.5 0.66 
Omega całkowita (model 1-czynnikowy): 0.69 
Wartości własne (pierwsze dwie): 2.22 0.84 

== Krok 4. Alfa a liczba pozycji (wzór Spearmana–Browna przy średniej r)
5 pozycji: alfa = 0.68 
8 pozycji: alfa = 0.78 
10 pozycji: alfa = 0.81 
Pozycji potrzebnych do .70: 6 

Pakiety: R 4.5.3 psych 2.6.5 

Najczęstsze pytania

Czy alfa Cronbacha .65 dyskwalifikuje skalę w pracy licencjackiej?

Nie. Wartość .70 jest zwyczajowym punktem odniesienia, a w literaturze podaje się różne progi (Tavakol i Dennick, 2011). Przy krótkiej skali alfa .65 może wynikać z małej liczby pozycji. Podaj wartość z przedziałem ufności, sprawdź kodowanie i opisz niższą rzetelność w ograniczeniach.

Dlaczego alfa Cronbacha wyszła bliska zeru?

Najczęściej dlatego, że pozycje odwrócone nie zostały przekodowane albo w danych są kody braków, np. 99. W przykładzie z tego wpisu nieprzekodowana pozycja obniżyła alfę z .68 do .26, a jej korelacja z pozostałymi pozycjami była ujemna. Sprawdź też, czy liczysz alfę dla jednej podskali, a nie dla całego kwestionariusza.

Jak podnieść alfę Cronbacha w swoim badaniu?

Po zebraniu danych uczciwie możesz tylko naprawić błędy: przekodować pozycje odwrócone, usunąć kody braków i liczyć alfę osobno dla podskal. Usuwanie pozycji tylko po to, by przekroczyć .70, zmienia narzędzie. Zrób to jedynie przy pozycji o korelacji bliskiej zeru i opisz w pracy obie wersje.

Czy przy niskiej alfie mogę liczyć korelacje i testy na wyniku skali?

Tak, ale błąd pomiaru osłabia związki, więc efekty z tą skalą są raczej niedoszacowane, a wynik nieistotny trudniej zinterpretować. Napisz o tym w ograniczeniach, a przy bardzo niskiej alfie rozważ analizę pojedynczych pozycji.

Powiązane hasła

Przeczytaj też

@article{clark1995constructing, author={Clark, Lee Anna and Watson, David}, title={{Constructing validity: Basic issues in objective scale development}}, journal={Psychological Assessment}, year={1995}, volume={7}, number={3}, pages={309--319}, doi={10.1037/1040-3590.7.3.309}}

@article{cortina1993what, author={Cortina, Jose M.}, title={{What is coefficient alpha? An examination of theory and applications}}, journal={Journal of Applied Psychology}, year={1993}, volume={78}, number={1}, pages={98--104}, doi={10.1037/0021-9010.78.1.98}}

@article{dunn2014alpha, author={Dunn, Thomas J. and Baguley, Thom and Brunsden, Vivienne}, title={{From alpha to omega: A practical solution to the pervasive problem of internal consistency estimation}}, journal={British Journal of Psychology}, year={2014}, volume={105}, number={3}, pages={399--412}, doi={10.1111/bjop.12046}}

@article{kelley2016confidence, author={Kelley, Ken and Pornprasertmanit, Sunthud}, title={{Confidence intervals for population reliability coefficients: Evaluation of methods, recommendations, and software for composite measures}}, journal={Psychological Methods}, year={2016}, volume={21}, number={1}, pages={69--92}, doi={10.1037/a0040086}}

@article{mcneish2018thanks, author={McNeish, Daniel}, title={{Thanks coefficient alpha, we’ll take it from here}}, journal={Psychological Methods}, year={2018}, volume={23}, number={3}, pages={412--433}, doi={10.1037/met0000144}}

@article{tavakol2011making, author={Tavakol, Mohsen and Dennick, Reg}, title={{Making sense of Cronbach's alpha}}, journal={International Journal of Medical Education}, year={2011}, volume={2}, pages={53--55}, doi={10.5116/ijme.4dfb.8dfd}}