MSPSS – jak policzyć wynik skali spostrzeganego wsparcia społecznego

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

Czym jest MSPSS

MSPSS (Multidimensional Scale of Perceived Social Support) to krótka skala samoopisowa, która mierzy spostrzegane wsparcie społeczne, czyli to, jak osoba ocenia dostępność wsparcia, a nie liczbę kontaktów czy faktycznie otrzymaną pomoc. Opracowali ją Zimet i in. (1988) na próbie 275 studentów. Wyodrębnili trzy podskale według źródła wsparcia: rodzinę, przyjaciół i osobę znaczącą. Wyższe wsparcie wiązało się z mniejszym nasileniem objawów depresji i lęku. Kolejne badanie, z udziałem kobiet w ciąży, nastolatków i lekarzy rezydentów, potwierdziło strukturę trójczynnikową i dobrą rzetelność (Zimet i in., 1990).

W pracach dyplomowych MSPSS pojawia się najczęściej jako zmienna wyjaśniająca albo moderator w badaniach stresu, wypalenia, depresji czy przystosowania do choroby. Dzięki trzem podskalom można zapytać nie tylko, „czy wsparcie pomaga”, lecz także, „czyje wsparcie”. Ten wpis należy do serii o liczeniu wyników kwestionariuszy, w której opisaliśmy m.in. PSS-10 i skalę GSE.

Budowa: 12 pozycji, trzy podskale, skala 1–7

Skala ma 12 stwierdzeń, po cztery na każde źródło wsparcia. Osoba badana ocenia każde na siedmiostopniowej skali Likerta, od 1 („zdecydowanie się nie zgadzam”) do 7 („zdecydowanie się zgadzam”) (Dambi i in., 2018). Wszystkie pozycje są sformułowane w tym samym kierunku, więc MSPSS nie ma pozycji odwróconych. Treści pozycji nie przytaczamy, dlatego weź je z wersji, której używasz.

Przypisanie pozycji do podskal podajemy za walidacją, która odtworzyła wymiary oryginału (Efthymiou i in., 2025). Zwróć uwagę, że pozycje podskal są przemieszane. Liczenie „pierwsze cztery pozycje to rodzina” to jeden z najczęstszych błędów.

Jak policzyć wynik MSPSS krok po kroku

Krok 1. Sprawdź kodowanie

W danych mają być tylko wartości 1–7, przy czym 7 oznacza najsilniejszą zgodę. Formularze online czasem zapisują odpowiedzi jako 0–6 albo jako tekst. Przekodowanie w Excelu, SPSS i R pokazuje poradnik jak policzyć wynik kwestionariusza.

Krok 2. Policz trzy podskale

Wynik podskali to średnia jej czterech pozycji. Średnia ma tę zaletę, że zostaje na skali odpowiedzi: wynik 5.5 znaczy „pomiędzy raczej a zdecydowanie się zgadzam”. Średnie z różnych badań porównuje się wprost, a pojedynczy brak nie zaniża wyniku. Tak liczyli MSPSS np. Adesola i in. (2025). Jeśli wolisz sumę, nic się nie zmienia w korelacjach i testach, bo suma to średnia razy liczba pozycji. Ogólnie piszemy o tym w haśle wynik skali: średnia czy suma.

Krok 3. Zdecyduj o wyniku ogólnym

Wynik ogólny to średnia 12 pozycji, a w wersji sumarycznej wynik 12–84 (Dambi i in., 2018). Czy warto go raportować obok podskal, zależy od pytania badawczego. Wracamy do tego przy strukturze czynnikowej, a różnice między wynikiem ogólnym a podskalą wyjaśnia hasło podskala i wynik ogólny.

Krok 4. Ustal regułę dla braków

W publikacjach, z których korzystaliśmy, nie ma reguły dla braków odpowiedzi. Musisz ją więc przyjąć sam(a) i opisać. W przykładzie podskalę liczymy z co najmniej trzech z czterech odpowiedzi, a wynik ogólny z co najmniej 10 z 12. To decyzja badacza, a nie zalecenie autorów. Gdy braków jest więcej, zajrzyj do hasła braki danych MCAR, MAR i MNAR.

Interpretacja: bez punktów odcięcia

Wynik MSPSS interpretuje się kierunkowo: im wyższy, tym większe spostrzegane wsparcie (Dambi i in., 2018). Skala nie służy do przesiewu i nie ma progów potwierdzonych w badaniach z kryterium zewnętrznym. Autorzy przeglądu przekładów wprost zalecają, żeby punkty odcięcia dopiero zbadać (Dambi i in., 2018). W internecie i w części artykułów krążą przedziały „niskie, umiarkowane, wysokie wsparcie” dla średniej 1–7. Nie podajemy ich, bo nie znaleźliśmy ich w przeczytanych publikacjach autorów skali. Jeśli promotor wymaga poziomów, podaj, skąd pochodzą, i przeczytaj wcześniej poradnik niski, przeciętny, wysoki wynik. Do analiz zawsze używaj wyniku ciągłego.

W próbach nieklinicznych średnie bywają wysokie, a rozkład lewostronnie skośny. Sprawdź więc odsetek osób z maksymalnym wynikiem 7, bo duży efekt sufitu ogranicza zmienność i zaniża korelacje.

Przykład: MSPSS i stres u 310 osób studiujących

W pracy magisterskiej 310 osób studiujących wypełniło MSPSS i PSS-10. Dane są symulowane i możesz je pobrać jako plik CSV (kolumny m1–m12 z odpowiedziami 1–7 i pss10). Trzy osoby pominęły pozycję 8, a jedna – pozycje 6 i 9. Zgodnie z regułą ta ostatnia nie ma wyniku podskali przyjaciół, ale ma wynik ogólny, bo odpowiedziała na 10 z 12 pozycji.

^a Omega całkowita z modelu bifaktorowego. Rzetelność policzono dla 306 osób z kompletem odpowiedzi.

Średnie wszystkich podskal leżą powyżej 5, a rozkłady są lewostronnie skośne (rysunek 1). Maksymalny wynik podskali miało od 6.5% do 9.0% osób, więc efekt sufitu jest widoczny, ale umiarkowany. Wśród 306 osób z kompletem odpowiedzi suma wyniosła M = 64.43 (SD = 11.50), czyli dokładnie 12 razy średnia. Średnia i suma niosą więc tę samą informację.

Struktura: trzy podskale czy jeden wynik?

Rysunek 2 pokazuje macierz korelacji pozycji. Pozycje tej samej podskali korelują ze sobą od .57 do .74, a pozycje różnych podskal – od .15 do .45. Taki blokowy układ to wizualny ślad trzech czynników. CFA z estymatorem WLSMV potwierdza ten obraz. Model trójczynnikowy był dobrze dopasowany, χ²(51) = 41.68, CFI = 1.000, RMSEA = .000, SRMR = .024, a ładunki wyniosły od .79 do .89. Model jednoczynnikowy był wyraźnie gorszy, χ²(54) = 1100.02, CFI = .788, RMSEA = .252, różnica χ²(3) = 294.1, p < .001. Prawdziwe dane rzadko dają tak czyste dopasowanie, więc nie traktuj tych liczb jako wzorca.

Czynniki korelowały ze sobą: osoba znacząca z rodziną .62, 95% CI [.54, .69], osoba znacząca z przyjaciółmi .51, 95% CI [.42, .59], a rodzina z przyjaciółmi .36, 95% CI [.26, .47]. Czy w takiej sytuacji wynik ogólny ma sens? Pomaga tu model bifaktorowy i omega hierarchiczna, czyli część wariancji wyniku ogólnego przypadająca na czynnik ogólny (Rodriguez i in., 2016). W przykładzie ω_h = .70 przy omedze całkowitej .94. Wynik ogólny w dużej mierze odzwierciedla wspólny czynnik wsparcia, ale część jego wariancji pochodzi ze specyfiki źródeł. Gdy pytanie dotyczy wsparcia „w ogóle”, wynik ogólny jest uprawniony. Gdy pytasz, kto wspiera, analizuj podskale. Szerzej o tych modelach piszemy we wpisie model bifactor i ESEM.

Rzetelność

Alfa podskal wyniosła od .88 do .90, a omega McDonalda z jednoczynnikowych modeli podskal była praktycznie taka sama. Dla całej skali α = .89. Omegi całej skali nie licz z modelu jednoczynnikowego, bo ten jest źle dopasowany. Wybór właściwej omegi do modelu wyjaśnia Flora (2020), a o ograniczeniach alfy pisze McNeish (2018). Gotowe zdania znajdziesz we wzorze raportowania alfy Cronbacha.

Wsparcie a stres

Wszystkie wyniki MSPSS korelowały ujemnie ze stresem mierzonym PSS-10. Dla wyniku ogólnego r(308) = −.40, 95% CI [−.49, −.30], p < .001. Dla podskal: osoba znacząca r(308) = −.34, 95% CI [−.44, −.24], rodzina r(308) = −.26, 95% CI [−.36, −.15], przyjaciele r(307) = −.35, 95% CI [−.44, −.25], wszystkie p < .001. Takie związki to argument za trafnością pomiaru w Twojej próbie. Z badania korelacyjnego nie wynika jednak, że wsparcie obniża stres.

Jak opisać MSPSS w pracy

Wzór zawiera liczby z przykładu. W nawiasach kwadratowych uzupełnij dane wersji, której używasz. Ogólny schemat opisu jest w poradniku opis narzędzia badawczego – wzór.

Polska wersja i warunki użycia

MSPSS przetłumaczono na wiele języków. Przegląd Dambiego i in. (2018) objął 70 artykułów o wersjach w 22 językach, wśród nich polskiej. Większość przekładów nie była rygorystycznie tłumaczona, a CFA wykonano tylko w dziewięciu badaniach. Dlatego właściwości wersji, której używasz, bierz z jej publikacji walidacyjnej, a nie z oryginału czy z przekładów na inne języki. W pracy nie podawaj też cudzych norm jako polskich. Gdy porównujesz grupy albo kraje, zajrzyj do wpisu inwariancja pomiaru krok po kroku, a etapy przygotowania przekładu opisuje adaptacja kulturowa kwestionariusza.

Warunków licencji nie podajemy, bo nie potwierdziliśmy ich w oficjalnym źródle. Przed badaniem sprawdź je u autorów skali lub autorów polskiej adaptacji i zacytuj obie publikacje. Jak szukać narzędzi i informacji o zgodach, opisuje poradnik gdzie znaleźć kwestionariusze psychologiczne.

# B128 – MSPSS: wyniki podskal i wynik ogólny, rzetelność, struktura czynnikowa (dane symulowane, set.seed(1288)).
# 310 osób studiujących; 12 pozycji ocenianych od 1 (zdecydowanie się nie zgadzam) do 7 (zdecydowanie się zgadzam).
# Podskale (numery pozycji): osoba znacząca 1, 2, 5, 10; rodzina 3, 4, 8, 11; przyjaciele 6, 7, 9, 12. Brak pozycji odwróconych.
# Dodatkowo wynik PSS-10 (stres, 0–40) do przykładu trafności. Treści pozycji nie podajemy.
suppressPackageStartupMessages({ library(psych); library(lavaan); library(semTools); library(GPArotation) })
set.seed(1288)
n <- 310
R <- matrix(c(1, .55, .50,  .55, 1, .40,  .50, .40, 1), 3)           # korelacje czynników: osoba znacząca, rodzina, przyjaciele
F <- MASS::mvrnorm(n, rep(0, 3), R)
pod <- list(SO = c(1, 2, 5, 10), FAM = c(3, 4, 8, 11), FRI = c(6, 7, 9, 12))
lam <- c(.84, .86, .80, .78, .88, .80, .82, .85, .83, .86, .81, .84)    # ładunki pozycji 1–12
czyn <- c(1, 1, 2, 2, 1, 3, 3, 2, 3, 1, 2, 3)                           # czynnik każdej pozycji
progi <- c(-2.3, -1.8, -1.3, -0.75, -0.1, 0.75)                        # 7 kategorii, przewaga odpowiedzi wysokich
odp <- sapply(1:12, function(j) 1 + findInterval(lam[j] * F[, czyn[j]] + sqrt(1 - lam[j]^2) * rnorm(n), progi))
colnames(odp) <- paste0("m", 1:12)
dane <- data.frame(id = 1:n, odp)
stres <- -.30 * F[, 2] - .15 * F[, 3] - .10 * F[, 1] + rnorm(n, 0, .9)  # PSS-10: słabszy stres przy większym wsparciu
dane$pss10 <- pmin(40, pmax(0, round(18 + 6.5 * stres)))
dane[c(23, 140, 251), "m8"] <- NA                                     # trzy osoby pominęły pozycję 8
dane[77, c("m6", "m9")] <- NA                                         # jedna osoba pominęła dwie pozycje podskali przyjaciół
write.csv(dane, "../mspss-dane-przyklad.csv", row.names = FALSE)    # plik do pobrania

# Krok 1. Kontrola zakresu: tylko 1–7 albo brak
all(sapply(dane[paste0("m", 1:12)], function(x) all(x %in% c(1:7, NA))))
colSums(is.na(dane[paste0("m", 1:12)]))[colSums(is.na(dane[paste0("m", 1:12)])) > 0]

# Krok 2. Wyniki jako średnie (1–7); reguła własna: podskala liczona, gdy są co najmniej 3 z 4 odpowiedzi
srednia <- function(kol, min_odp) { x <- dane[paste0("m", kol)]
  w <- rowMeans(x, na.rm = TRUE); w[rowSums(!is.na(x)) < min_odp] <- NA; w }
dane$SO  <- srednia(pod$SO, 3); dane$FAM <- srednia(pod$FAM, 3); dane$FRI <- srednia(pod$FRI, 3)
dane$OGOLEM <- srednia(1:12, 10)                                       # wynik ogólny: co najmniej 10 z 12 odpowiedzi
dane$SUMA <- rowSums(dane[paste0("m", 1:12)])                           # wersja sumy 12–84 (tylko komplet odpowiedzi)
opis <- function(x) { x <- na.omit(x)
  round(c(n = length(x), M = mean(x), SD = sd(x), Me = median(x), min = min(x), max = max(x),
          skosnosc = psych::skew(x), proc_max = 100 * mean(x == 7)), 2) }
rbind(osoba_znaczaca = opis(dane$SO), rodzina = opis(dane$FAM), przyjaciele = opis(dane$FRI), ogolem = opis(dane$OGOLEM))
round(c(n = sum(!is.na(dane$SUMA)), M_suma = mean(dane$SUMA, na.rm = TRUE), SD_suma = sd(dane$SUMA, na.rm = TRUE),
        M_srednia_x12 = 12 * mean(dane$OGOLEM[!is.na(dane$SUMA)])), 2)

# Krok 3. Rzetelność: alfa i omega podskal (osoby z kompletem odpowiedzi); omegę całej skali liczymy w kroku 5,
# bo jednoczynnikowy model 12 pozycji jest źle dopasowany
pelne <- na.omit(dane[paste0("m", 1:12)])
nrow(pelne)
rz <- function(kol) { x <- pelne[paste0("m", kol)]
  a <- psych::alpha(x, warnings = FALSE)
  m <- cfa(paste("f =~", paste(names(x), collapse = " + ")), data = x, std.lv = TRUE)
  round(c(alfa = a$total$raw_alpha, omega = unname(unlist(compRelSEM(m))), r_drop_min = min(a$item.stats$r.drop),
          r_drop_max = max(a$item.stats$r.drop)), 3) }
rbind(osoba_znaczaca = rz(pod$SO), rodzina = rz(pod$FAM), przyjaciele = rz(pod$FRI))
a12 <- psych::alpha(pelne, warnings = FALSE)
round(c(alfa_ogolem = a12$total$raw_alpha, r_drop_min = min(a12$item.stats$r.drop), r_drop_max = max(a12$item.stats$r.drop)), 3)

# Krok 4. Struktura: CFA trójczynnikowa vs jednoczynnikowa (WLSMV, pozycje porządkowe)
m3 <- "SO =~ m1 + m2 + m5 + m10\nFAM =~ m3 + m4 + m8 + m11\nFRI =~ m6 + m7 + m9 + m12"
m1 <- paste("WS =~", paste0("m", 1:12, collapse = " + "))
f3 <- cfa(m3, data = pelne, ordered = TRUE, estimator = "WLSMV", std.lv = TRUE)
f1 <- cfa(m1, data = pelne, ordered = TRUE, estimator = "WLSMV", std.lv = TRUE)
miary <- c("chisq.scaled", "df.scaled", "cfi.scaled", "tli.scaled", "rmsea.scaled", "srmr")
round(rbind(trzy_czynniki = fitMeasures(f3, miary), jeden_czynnik = fitMeasures(f1, miary)), 3)
lavTestLRT(f1, f3)[, c("Df", "Chisq diff", "Df diff", "Pr(>Chisq)")]
st <- standardizedSolution(f3)
round(range(st$est.std[st$op == "=~"]), 2)
st[st$op == "~~" & st$lhs != st$rhs, c("lhs", "rhs", "est.std", "ci.lower", "ci.upper")] |>
  transform(est.std = round(est.std, 2), ci.lower = round(ci.lower, 2), ci.upper = round(ci.upper, 2))

# Krok 5. Czy wynik ogólny ma sens? Omega hierarchiczna (model bifaktorowy, rotacja Schmida–Leimana)
om <- psych::omega(pelne, nfactors = 3, plot = FALSE)
round(c(omega_h = om$omega_h, omega_total = om$omega.tot), 3)

# Krok 6. Trafność: korelacje podskal i wyniku ogólnego ze stresem (PSS-10), 95% CI
t(sapply(c("SO", "FAM", "FRI", "OGOLEM"), function(v) { ct <- cor.test(dane[[v]], dane$pss10)
  round(c(r = unname(ct$estimate), df = unname(ct$parameter), lo = ct$conf.int[1], hi = ct$conf.int[2], p_ponizej_001 = ct$p.value < .001), 3) }))

[1] TRUE
m6 m8 m9 
 1  3  1 
                 n    M   SD   Me  min max skosnosc proc_max
osoba_znaczaca 310 5.38 1.18 5.50 1.25   7    -0.67     9.03
rodzina        310 5.43 1.21 5.75 1.00   7    -1.06     6.45
przyjaciele    309 5.33 1.26 5.50 1.25   7    -0.98     6.80
ogolem         310 5.38 0.96 5.58 1.58   7    -0.79     1.29
            n        M_suma       SD_suma M_srednia_x12 
       306.00         64.43         11.50         64.43 
[1] 306
                alfa omega r_drop_min r_drop_max
osoba_znaczaca 0.901 0.902      0.760      0.811
rodzina        0.878 0.879      0.698      0.767
przyjaciele    0.886 0.886      0.734      0.774
alfa_ogolem  r_drop_min  r_drop_max 
      0.895       0.540       0.700 
              chisq.scaled df.scaled cfi.scaled tli.scaled rmsea.scaled  srmr
trzy_czynniki       41.684        51      1.000      1.002        0.000 0.024
jeden_czynnik     1100.020        54      0.788      0.741        0.252 0.170
   Df Chisq diff Df diff Pr(>Chisq)    
f3 51                                  
f1 54      294.1       3  < 2.2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
[1] 0.79 0.89
    lhs rhs est.std ci.lower ci.upper
100  SO FAM    0.62     0.54     0.69
101  SO FRI    0.51     0.42     0.59
102 FAM FRI    0.36     0.26     0.47
    omega_h omega_total 
      0.704       0.941 
            r  df     lo     hi p_ponizej_001
SO     -0.341 308 -0.436 -0.239             1
FAM    -0.255 308 -0.356 -0.148             1
FRI    -0.347 307 -0.441 -0.245             1
OGOLEM -0.400 308 -0.489 -0.302             1

Najczęstsze błędy przy MSPSS

• Podskale jako kolejne bloki pozycji. Pozycje są przemieszane, więc zawsze korzystaj z klucza: 1, 2, 5, 10 / 3, 4, 8, 11 / 6, 7, 9, 12.
• Mieszanie średniej i sumy. Wynik 5.4 i wynik 64 mogą opisywać tę samą osobę. Napisz, którą wersję raportujesz, i nie porównuj ich z literaturą na krzyż.
• Kodowanie 0–6. Każda średnia przesuwa się wtedy o 1 punkt, a suma o 12.
• Własne progi „niskiego wsparcia”. Skala nie ma zweryfikowanych punktów odcięcia, a podział po medianie traci informację.
• Sam wynik ogólny bez sprawdzenia struktury. Jeśli podskale korelują słabo, wynik ogólny miesza różne źródła wsparcia.
• Wnioski przyczynowe z korelacji. Ujemna korelacja wsparcia ze stresem nie mówi, co jest przyczyną.

Więcej o budowie i ocenie skal znajdziesz w przewodniku psychometria i budowa skal. Jeśli chcesz sprawdzić liczenie podskal, CFA i opis wyników w swojej pracy, możesz skorzystać z konsultacji w ramach oferty analizy statystyczne dla studentów. Wyniki musisz jednak rozumieć i umieć obronić samodzielnie.

Najczęstsze pytania

Które pozycje MSPSS należą do której podskali?

Osoba znacząca to pozycje 1, 2, 5 i 10, rodzina – 3, 4, 8 i 11, a przyjaciele – 6, 7, 9 i 12. Pozycje są przemieszane, dlatego licz podskale według klucza, a nie kolejnymi blokami po cztery pozycje.

Wynik MSPSS liczyć jako średnią czy jako sumę?

Obie wersje są w użyciu: średnia daje zakres 1–7, a suma 12 pozycji – 12–84 (Dambi i in., 2018). Średnia zostaje na skali odpowiedzi i lepiej znosi pojedyncze braki, a w korelacjach i testach obie dają te same wyniki. Napisz w pracy, którą wersję wybrałeś (wybrałaś).

Od jakiego wyniku MSPSS wsparcie jest niskie?

Skala nie ma punktów odcięcia potwierdzonych w badaniach z kryterium zewnętrznym. Przegląd Dambiego i in. (2018) zaleca, by dopiero je zbadać. Interpretuj wynik kierunkowo i analizuj go jako zmienną ciągłą.

Czy można raportować wynik ogólny MSPSS zamiast podskal?

Tak, jeśli pytanie dotyczy wsparcia w ogóle, a podskale wyraźnie ze sobą korelują. Sprawdź to w CFA lub modelu bifaktorowym: wysoka omega hierarchiczna przemawia za wynikiem ogólnym. Gdy interesuje Cię źródło wsparcia, analizuj podskale.

Czy MSPSS ma pozycje odwrócone?

Nie. Wszystkie 12 pozycji jest sformułowanych w tym samym kierunku: wyższa odpowiedź oznacza silniej spostrzegane wsparcie. Ujemna korelacja pozycji z resztą skali wskazuje raczej na błąd kodowania niż na pozycję odwróconą.

Powiązane hasła

Przeczytaj też

@article{adesola2025psychometric, author={Adesola, Adeniyi Abraham and Akoki, David Mobolaji and Aderemi, Temilola Victoria and Abraham, Miracle Ifeoluwani}, title={{Psychometric properties of the multidimensional scale of perceived social support among University of Ibadan medical students}}, journal={BMC Psychology}, year={2025}, volume={13}, number={1}, eid={481}, doi={10.1186/s40359-025-02823-9}}

@article{dambi2018systematic, author={Dambi, Jermaine M. and Corten, Lieselotte and Chiwaridzo, Matthew and Jack, Helen and Mlambo, Tecla and Jelsma, Jennifer}, title={{A systematic review of the psychometric properties of the cross-cultural translations and adaptations of the Multidimensional Perceived Social Support Scale (MSPSS)}}, journal={Health and Quality of Life Outcomes}, year={2018}, volume={16}, number={1}, eid={80}, doi={10.1186/s12955-018-0912-0}}

@article{efthymiou2025validity, author={Efthymiou, Vasiliki and Chrousos, George P. and Kounenou, Kalliopi and Kalamatianos, Antonios and Pezirkianidis, Christos and Korelopoulos, Markos and Stefanaki, Charikleia and Kourmousi, Ntina}, title={{Validity and reliability of the Multidimensional Scale of Perceived Social Support (MSPSS) in Greek secondary school students}}, journal={Children}, year={2025}, volume={12}, number={6}, eid={706}, doi={10.3390/children12060706}}

@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{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{rodriguez2016evaluating, author={Rodriguez, Anthony and Reise, Steven P. and Haviland, Mark G.}, title={{Evaluating bifactor models: Calculating and interpreting statistical indices}}, journal={Psychological Methods}, year={2016}, volume={21}, number={2}, pages={137--150}, doi={10.1037/met0000045}}

@article{zimet1988multidimensional, author={Zimet, Gregory D. and Dahlem, Nancy W. and Zimet, Sara G. and Farley, Gordon K.}, title={{The Multidimensional Scale of Perceived Social Support}}, journal={Journal of Personality Assessment}, year={1988}, volume={52}, number={1}, pages={30--41}, doi={10.1207/s15327752jpa5201_2}}

@article{zimet1990psychometric, author={Zimet, Gregory D. and Powell, Suzanne S. and Farley, Gordon K. and Werkman, Sidney and Berkoff, Karen A.}, title={{Psychometric characteristics of the Multidimensional Scale of Perceived Social Support}}, journal={Journal of Personality Assessment}, year={1990}, volume={55}, number={3–4}, pages={610--617}, doi={10.1080/00223891.1990.9674095}}