Kalkulator alfy i omegi z ładunków czynnikowych

Autor: Konrad Hryniewicz · Opublikowano: 28 października 2026 · Aktualizacja: 27 października 2026

Kalkulator omegi McDonalda i alfy Cronbacha

Kalkulator liczy omegę tym samym wzorem co funkcja compRelSEM() z pakietu semTools, a alfę – tak jak psych::alpha() na macierzy implikowanej modelem. Zgodność z R sprawdziliśmy na 122 przypadkach testowych, w tym przy dwóch pozycjach, ładunku ujemnym, ładunkach niestandaryzowanych i 20 pozycjach. Największa różnica wyniosła 9 × 10⁻¹⁵.

Jak używać kalkulatora

Tryb (a): ładunki jednego czynnika

1. Dopasuj model jednoczynnikowy. Ładunki pochodzą z konfirmacyjnej analizy czynnikowej, w której wszystkie pozycje skali (albo podskali) ładują jeden czynnik, a błędy pozycji nie są skorelowane. Jak przeprowadzić taką analizę, pokazuje poradnik analiza czynnikowa EFA i CFA. Przy odpowiedziach na skali Likerta z małą liczbą kategorii rozważ estymator dla danych porządkowych (zob. kategorialna CFA w lavaan).
2. Przepisz ładunki standaryzowane. Wpisz je w kolejności pozycji, rozdzielone przecinkami, spacjami albo w kolumnie wklejonej z Excela. Ładunek standaryzowany leży między −1 a 1, a kalkulator przyjmuje wariancję błędu θ = 1 − λ².
3. Wariancje błędów wpisz tylko wtedy, gdy masz rozwiązanie niestandaryzowane. Wtedy ładunki mogą być większe od 1, a θ to wariancje reszt z wydruku programu. Kalkulator sprawdzi, czy liczba wariancji zgadza się z liczbą ładunków i czy wszystkie są dodatnie.
4. Odwróć pozycje odwrócone. Ujemny ładunek zwykle oznacza, że pozycja odwrócona nie została przekodowana. Kalkulator ostrzeże o każdym ujemnym ładunku.

Kalkulator poda omegę, alfę, współczynnik H, średnią korelację między pozycjami wynikającą z modelu oraz omegę i alfę po usunięciu każdej pozycji.

Tryb (b): alfa standaryzowana i liczba pozycji

Wpisz liczbę pozycji k i średnią korelację między pozycjami r̄ (albo alfę obecnej skali) oraz docelową rzetelność. Kalkulator policzy alfę standaryzowaną i najmniejszą liczbę pozycji, przy której alfa osiągnie cel. Ten tryb przydaje się przy planowaniu nowej skali, skracaniu kwestionariusza i odpowiedzi na pytanie, czy niska alfa wynika z małej liczby pozycji. O tym, co robić z alfą poniżej .70, piszemy we wpisie alfa Cronbacha poniżej .70.

Wzory

W modelu jednoczynnikowym odpowiedź na pozycję i to ładunek λ_i razy czynnik plus błąd o wariancji θ_i. Omega McDonalda to stosunek wariancji wspólnej sumy pozycji do całej jej wariancji:

Model implikuje macierz kowariancji pozycji: poza przekątną λ_iλ_j, na przekątnej λ_i² + θ_i. Alfa Cronbacha policzona z tej macierzy ma postać:

Oba wzory mają ten sam mianownik, czyli wariancję sumy. Z nierówności Cauchy’ego–Schwarza (Σλ_i)² ≤ kΣλ_i², więc α ≤ ω zawsze, gdy model jednoczynnikowy z nieskorelowanymi błędami jest prawdziwy. Równość zachodzi tylko przy równych ładunkach, czyli w modelu tau-ekwiwalentnym. Różnicę między modelem tau-ekwiwalentnym a kongenerycznym opisał Graham (2006). To stąd bierze się znane zdanie, że alfa jest dolnym ograniczeniem rzetelności.

Kalkulator podaje też współczynnik H, czyli rzetelność optymalnie ważonego kompozytu, a nie zwykłej sumy:

W trybie (b) alfa standaryzowana zależy tylko od liczby pozycji i średniej korelacji. Wzór Spearmana–Browna (Spearman, 1910; Brown, 1910) przewiduje rzetelność testu wydłużonego n razy, a po przekształceniu mówi, ile razy trzeba go wydłużyć, żeby osiągnąć rzetelność ρ*:

Potrzebna liczba pozycji to n × k zaokrąglone w górę. Cortina (1993) pokazał na przykładach, że przy tej samej średniej korelacji alfa rośnie z liczbą pozycji. Wysoka alfa długiej skali nie dowodzi więc, że pozycje mierzą jedną cechę.

Przykład w R z domyślnymi danymi

Domyślne ładunki dotyczą fikcyjnej skali zaangażowania w naukę z 6 pozycjami. Skalę wymyśliliśmy na potrzeby przykładu. Ładunki .80, .75, .70, .65, .55 i .45 dają sumę Σλ = 3.90 i sumę wariancji błędów Σθ = 6 − 2.62 = 3.38. Stąd ω = 15.21 / (15.21 + 3.38) = .818. Żeby sprawdzić rachunek na danych, wygenerowaliśmy w R 300 fikcyjnych osób o dokładnie tej macierzy korelacji i dopasowaliśmy CFA w lavaan. Program odtworzył te same ładunki, a compRelSEM() dało ω = .818, a psych::alpha() α = .813.

Przy domyślnych ładunkach alfa jest niższa od omegi zaledwie o .005. Przy ładunkach bardzo nierównych różnica rośnie do .045 (różnice liczymy przed zaokrągleniem). Pozycje z ładunkami .30 i niższymi niewiele wnoszą do pomiaru, a alfa zakłada, że wszystkie pozycje są związane z czynnikiem tak samo silnie. Współczynnik H dla domyślnych ładunków wynosi .845, a średnia korelacja między pozycjami implikowana modelem – .420.

Po usunięciu pozycji 6 (ładunek .45) omega rośnie z .818 do .822, a alfa z .813 do .819. Usunięcie każdej innej pozycji obniża oba współczynniki, np. bez pozycji 1 omega spada do .761.

W trybie (b) domyślne wartości to 8 pozycji o średniej korelacji .30. Alfa standaryzowana wynosi 8 × .30 / (1 + 7 × .30) = .774. Do rzetelności .80 trzeba wydłużyć skalę 1.167 razy, czyli do 9.33 pozycji, a po zaokrągleniu w górę do 10 pozycji (α = .811). Przy 9 pozycjach alfa wyniosłaby .794, a więc za mało.

# Kalkulator alfy i omegi (K7) – przykład liczbowy z domyślnymi wartościami kalkulatora.
# Uruchomienie z folderu kod/: LANG=en_US.UTF-8 LC_ALL=en_US.UTF-8 Rscript k7-przyklad.R > k7-przyklad-wynik.txt
suppressPackageStartupMessages({ library(psych); library(lavaan); library(semTools) })

# Fikcyjna skala zaangażowania w naukę: 6 pozycji, standaryzowane ładunki z jednoczynnikowej CFA
lam <- c(.80, .75, .70, .65, .55, .45); k <- length(lam)
theta <- 1 - lam^2                                     # wariancje błędów (rozwiązanie standaryzowane)

# 1. Wzory, które stosuje kalkulator
omega <- sum(lam)^2 / (sum(lam)^2 + sum(theta))
R_impl <- tcrossprod(lam); diag(R_impl) <- 1           # macierz korelacji implikowana modelem
alfa <- k / (k - 1) * (1 - sum(diag(R_impl)) / sum(R_impl))
H <- sum(lam^2 / theta) / (1 + sum(lam^2 / theta))
r_sr <- mean(R_impl[lower.tri(R_impl)])
round(c(suma_lambda = sum(lam), suma_theta = sum(theta), omega = omega, alfa = alfa,
        roznica = omega - alfa, H = H, sr_korelacja = r_sr), 3)

# 2. Ta sama analiza na danych: 300 fikcyjnych osób o dokładnie tej macierzy korelacji
dimnames(R_impl) <- list(paste0("p", 1:k), paste0("p", 1:k))
set.seed(2026)
dane <- as.data.frame(MASS::mvrnorm(300, mu = rep(0, k), Sigma = R_impl, empirical = TRUE))
fit <- cfa("zaang =~ p1 + p2 + p3 + p4 + p5 + p6", data = dane, std.lv = TRUE)
round(standardizedSolution(fit)[1:6, "est.std"], 3)    # ładunki odtworzone z danych
round(c(omega_semTools = as.numeric(compRelSEM(fit)),
        alfa_psych = suppressMessages(psych::alpha(dane))$total$raw_alpha), 3)

# 3. Alfa i omega po usunięciu każdej pozycji
po_usunieciu <- sapply(1:k, function(i) {
  l <- lam[-i]; t <- theta[-i]
  c(omega = sum(l)^2 / (sum(l)^2 + sum(t)), alfa = psych::alpha(R_impl[-i, -i])$total$raw_alpha)
})
colnames(po_usunieciu) <- paste0("bez_p", 1:k); round(po_usunieciu, 3)

# 4. Ładunki bardzo nierówne: różnica między alfą a omegą rośnie
lam2 <- c(.90, .85, .80, .30, .25, .20); th2 <- 1 - lam2^2
R2 <- tcrossprod(lam2); diag(R2) <- 1
round(c(omega = sum(lam2)^2 / (sum(lam2)^2 + sum(th2)), alfa = psych::alpha(R2)$total$raw_alpha), 3)
# ładunki równe (.70): alfa = omega
lam3 <- rep(.70, 6); R3 <- tcrossprod(lam3); diag(R3) <- 1
round(c(omega = sum(lam3)^2 / (sum(lam3)^2 + sum(1 - lam3^2)), alfa = psych::alpha(R3)$total$raw_alpha), 3)

# 5. Tryb (b): 8 pozycji, średnia korelacja .30, cel .80; Spearman–Brown
alfa_std <- function(k, r) k * r / (1 + (k - 1) * r)
a8 <- alfa_std(8, .30)
n_wydl <- .80 * (1 - a8) / (a8 * (1 - .80))           # czynnik wydłużenia
round(c(alfa_8 = a8, czynnik = n_wydl, pozycje = 8 * n_wydl, alfa_10 = alfa_std(10, .30),
        alfa_9 = alfa_std(9, .30), alfa_16 = alfa_std(16, .30)), 3)
# skala 6 pozycji z alfą .65: średnia korelacja i liczba pozycji dla .80
r6 <- .65 / (6 - 5 * .65)
round(c(r_sr = r6, pozycje_dla_80 = .80 * (1 - r6) / (r6 * (1 - .80))), 3)
ceiling(.80 * (1 - r6) / (r6 * (1 - .80)))

 suma_lambda   suma_theta        omega         alfa      roznica            H 
       3.900        3.380        0.818        0.813        0.005        0.845 
sr_korelacja 
       0.420 
[1] 0.80 0.75 0.70 0.65 0.55 0.45
omega_semTools     alfa_psych 
         0.818          0.813 
      bez_p1 bez_p2 bez_p3 bez_p4 bez_p5 bez_p6
omega  0.761  0.771  0.781  0.790  0.807  0.822
alfa   0.755  0.764  0.773  0.782  0.801  0.819
omega  alfa 
0.750 0.704 
omega  alfa 
0.852 0.852 
 alfa_8 czynnik pozycje alfa_10  alfa_9 alfa_16 
  0.774   1.167   9.333   0.811   0.794   0.873 
          r_sr pozycje_dla_80 
         0.236         12.923 
[1] 13

Jak interpretować wynik

Omega mówi, jaka część wariancji sumy (albo średniej) pozycji pochodzi od wspólnego czynnika. Wynik .818 znaczy, że około 82% zróżnicowania wyników skali to wariancja cechy, a 18% to błąd pomiaru. McNeish (2018) pokazuje, że nierealistyczne założenia alfy zwykle prowadzą do zaniżenia rzetelności, i przedstawia alternatywy, wśród nich omegę całkowitą. Dunn i in. (2014) przedstawili omegę jako praktyczną alternatywę dla alfy. Wartości rzetelności i progi .70 czy .80 omawiamy we wpisie alfa Cronbacha – rzetelność skali. W praktyce do omegi stosuje się te same umowne progi co do alfy.

Różnica ω − α mówi, jak bardzo ładunki się różnią. Różnica rzędu .01 nie zmienia żadnego wniosku, więc samą alfę możesz wtedy zostawić dla porównania z wcześniejszymi badaniami. Większa różnica wskazuje pozycje słabo związane z czynnikiem. Wtedy alfa wyraźnie zaniża rzetelność. Raykov (1997) zaproponował oszacowanie rzetelności miar kongenerycznych w modelu strukturalnym, które w przeciwieństwie do alfy nie ma ogólnej tendencji do zaniżania.

Współczynnik H jest wyższy od omegi, bo zakłada wagi proporcjonalne do jakości pozycji. Opisuje kompozyt ważony optymalnie, podobny do wyników czynnikowych, a nie zwykłą sumę. Jeśli w analizach używasz sumy albo średniej pozycji, raportuj omegę. Współczynnik H dotyczy rzetelności czynnika w modelu SEM.

Liczba pozycji z trybu (b) zakłada, że nowe pozycje będą tak samo dobre jak obecne. W praktyce nowe pozycje bywają słabsze, więc traktuj wynik jako minimum. Rzetelności kompozytowej w modelach z wieloma konstruktami poświęcone jest hasło rzetelność kompozytowa (rho_C), a AVE i HTMT policzysz w kalkulatorze AVE, CR i HTMT.

Ograniczenia

• Tylko jeden czynnik. Wzór zakłada, że wszystkie pozycje mierzą jedną cechę. Przy skali wieloczynnikowej licz omegę osobno dla każdej podskali. Gdy oprócz podskal jest też czynnik ogólny, potrzebny jest model bifactor i omega hierarchiczna. Flora (2020) opisuje, którą odmianę omegi wybrać przy danym modelu CFA.
• Bez skorelowanych błędów. Jeśli w Twojej CFA są korelacje reszt, omega z kalkulatora je pomija. Wtedy policz ją w programie z pełnej macierzy, np. compRelSEM() w R.
• Oszacowanie punktowe. Kalkulator nie podaje przedziału ufności, bo ładunki nie niosą informacji o liczebności próby. Dunn i in. (2014) pokazują, jak policzyć przedział ufności dla omegi w R.
• Dobre ładunki nie wystarczą. Wysoka omega nie dowodzi, że model jednoczynnikowy pasuje do danych. Najpierw sprawdź dopasowanie modelu, a dopiero potem licz rzetelność.
• Usuwanie pozycji. Wzrost omegi po usunięciu pozycji o kilka tysięcznych nie uzasadnia skracania skali. Pozycja może być potrzebna ze względu na treść, a usuwanie pozycji na podstawie jednej próby utrudnia porównanie z innymi badaniami.

Jeśli Twoja skala ma podskale, pozycje odwrócone albo słabo dopasowany model, a recenzent pyta o omegę, możesz skorzystać z pomocy w analizie danych do pracy. Przeprowadzimy CFA, policzymy rzetelność i wyjaśnimy wyniki tak, żebyś umiał(a) je obronić.

Jak opisać rzetelność w pracy

W części „Narzędzia” albo „Wyniki” podaj, z jakiego modelu pochodzą ładunki, i obok omegi podaj alfę, żeby czytelnik mógł porównać wynik z wcześniejszymi badaniami. Pole „Gotowy opis do pracy” w kalkulatorze tworzy zdanie z wpisanych danych. Wzór dla przykładu:

Więcej wzorów, w tym opis przedziału ufności i porównanie z alfą z podręcznika testu, znajdziesz we wpisie wzór raportowania alfy Cronbacha. Inne miary rzetelności i trafności skal zestawia przewodnik po psychometrii i budowie skal. Jeśli liczysz wyniki skali dla pojedynczych osób, przyda się kalkulator wyniku skali.

Najczęstsze pytania

Dlaczego kalkulator pokazuje omegę wyższą od alfy dla tych samych ładunków?

Bo alfa zakłada równe ładunki wszystkich pozycji (model tau-ekwiwalentny), a omega korzysta z rzeczywistych ładunków. Gdy ładunki się różnią, alfa zaniża rzetelność. Przy ładunkach .80–.45 różnica wynosi tylko .005, ale przy ładunkach .90, .85, .80, .30, .25 i .20 rośnie do .045 (ω = .750, α = .704). Przy równych ładunkach oba współczynniki są identyczne.

Skąd wziąć standaryzowane ładunki do kalkulatora omegi?

Z jednoczynnikowej konfirmacyjnej analizy czynnikowej: w lavaan z standardizedSolution() (kolumna est.std), w JASP i jamovi z tabeli ładunków standaryzowanych, w AMOS z „Standardized Regression Weights”. Ładunki z artykułu autorów skali też się nadają, ale wtedy wynik opisuje ich próbę, a nie Twoją.

Ile pozycji trzeba dodać do skali, żeby alfa wzrosła do .80?

Policz czynnik wydłużenia ze wzoru Spearmana–Browna: n = .80 × (1 − α) / (α × .20). Skala z 6 pozycjami i alfą .65 wymaga n = 2.15, czyli 13 pozycji, o ile nowe pozycje są tak samo dobre jak dotychczasowe. Tryb (b) kalkulatora liczy to automatycznie.

Czy omegę można policzyć z ładunków z EFA zamiast z CFA?

Tak, jeśli EFA ma jeden czynnik. Wzór jest ten sam, a różnica polega na estymacji ładunków. Przy kilku czynnikach ładunki jednej pozycji rozkładają się między czynniki i prosta omega z kalkulatora przestaje mieć sens. Wtedy policz omegę dla każdej podskali osobno albo użyj modelu bifactor i omegi hierarchicznej.

Czy w pracy mogę podać omegę policzoną w kalkulatorze zamiast w programie statystycznym?

Tak, jeśli wpiszesz ładunki z własnej CFA, bo wynik jest identyczny z tym z semTools::compRelSEM() w R. Napisz, z jakiego modelu i estymatora pochodzą ładunki, i podaj dopasowanie modelu. Kalkulator nie zastępuje sprawdzenia, czy model jednoczynnikowy w ogóle pasuje do danych.

Powiązane hasła

Przeczytaj też

@article{brown1910some, author={Brown, William}, title={{Some experimental results in the correlation of mental abilities}}, journal={British Journal of Psychology}, year={1910}, volume={3}, number={3}, pages={296--322}, doi={10.1111/j.2044-8295.1910.tb00207.x}}

@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{flora2020your, author={Flora, David B.}, title={{Your coefficient alpha is probably wrong, but which coefficient omega is right? A tutorial on using R to obtain better reliability estimates}}, journal={Advances in Methods and Practices in Psychological Science}, year={2020}, volume={3}, number={4}, pages={484--501}, doi={10.1177/2515245920951747}}

@article{graham2006congeneric, author={Graham, James M.}, title={{Congeneric and (essentially) tau-equivalent estimates of score reliability}}, journal={Educational and Psychological Measurement}, year={2006}, volume={66}, number={6}, pages={930--944}, doi={10.1177/0013164406288165}}

@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{raykov1997estimation, author={Raykov, Tenko}, title={{Estimation of composite reliability for congeneric measures}}, journal={Applied Psychological Measurement}, year={1997}, volume={21}, number={2}, pages={173--184}, doi={10.1177/01466216970212006}}

@article{spearman1910correlation, author={Spearman, Charles}, title={{Correlation calculated from faulty data}}, journal={British Journal of Psychology}, year={1910}, volume={3}, number={3}, pages={271--295}, doi={10.1111/j.2044-8295.1910.tb00206.x}}