Psychometria · Ćwiczenia

Psychometria – zadania z rozwiązaniami: 10 zadań krok po kroku

Dziesięć zadań z psychometrii jak na kolokwium: alfa Cronbacha ręcznie, alfa po usunięciu pozycji, korelacja pozycja–reszta, trudność i dyskryminacja pytań, omega z ładunków, błąd standardowy pomiaru, RCI, normy T, sten i stanin, wzór Spearmana–Browna i korekta na atenuację.

Strona główna / Blog / Psychometria – zadania
W skrócie: Dziesięć zadań obejmuje typowy materiał kolokwium z psychometrii: alfę Cronbacha z wariancji pozycji i sumy, alfę po usunięciu pozycji, korelację pozycja–reszta, trudność i dyskryminację pytań testu wiedzy z KR-20, omegę McDonalda z ładunków, błąd standardowy pomiaru i przedział dla wyniku prawdziwego, RCI dla pacjentów, wynik T, sten i stanin z rangi centylowej, wzór Spearmana–Browna i korektę na atenuację. Każde rozwiązanie ma wzór, podstawienie, wynik, interpretację i typowy błąd. Wszystkie liczby sprawdzono w R, a dane do zadań możesz pobrać w pliku CSV.

Psychometria – zadania z rozwiązaniami: jak z nich korzystać

Poniżej znajdziesz psychometrię – zadania z rozwiązaniami w formie, w jakiej pojawiają się na kolokwium z psychometrii lub diagnozy psychologicznej: mała tabela odpowiedzi kilku osób albo gotowe parametry testu z podręcznika. Zadania idą od rzetelności skali (alfa Cronbacha, analiza pozycji, omega) przez błąd pomiaru u jednej osoby i wiarygodną zmianę po terapii do norm, długości testu i korekty na atenuację.

Każde zadanie ma ten sam układ: treść, rozwiązanie krok po kroku, interpretacja i typowy błąd. Rzetelność, korelacje i wskaźniki pozycji podajemy do trzech miejsc po kropce bez zera wiodącego (np. α = .868), pozostałe wyniki do dwóch miejsc. Wszystkie liczby sprawdziliśmy w R (kod na końcu wpisu); inna ostatnia cyfra przy liczeniu na kalkulatorze to zwykle skutek zaokrągleń pośrednich. Zbiór nie powtarza zadania 2 z zadań ze statystyki na psychologii (wynik surowy na z, IQ, sten i centyl) – tu liczysz normy z rangi centylowej i porównujesz je z przeliczeniem liniowym.

Spis zadań: numer, historyjka i to, co trzeba policzyć
ZadanieHistoryjkaCo liczysz
1skala lęku przed wystąpieniami, 5 pozycji, 8 osóbwariancje pozycji i sumy, alfa Cronbacha
2te same danealfa po usunięciu pozycji
3te same danekorelacja pozycja–reszta (moc dyskryminacyjna pozycji)
4test wiedzy z metodologii, 6 pytań 0/1, 10 studentówwskaźnik trudności, wskaźnik dyskryminacji D, KR-20
5skala wsparcia społecznego, podane ładunkiomega McDonalda i alfa z ładunków
6kwestionariusz neurotyczności, jedna osobabłąd standardowy pomiaru, przedział dla wyniku prawdziwego
76 pacjentów przed i po terapiiwskaźnik wiarygodnej zmiany (RCI)
8skala objawów z prawoskośnymi normamiwynik T, sten i stanin liniowo i z rangi centylowej
9test 20 pozycjiwzór Spearmana–Browna: wydłużenie, skrócenie, potrzebna liczba pozycji
10perfekcjonizm a wypaleniekorekta na atenuację

Odpowiedzi z zadań 1–4 i wyniki pacjentów z zadania 7 pobierzesz w pliku psychometria-zadania-dane.csv (format długi: zadanie, osoba, zmienna, wartość) – przyda się do ćwiczeń w R, SPSS lub jamovi.

Zadanie 1. Alfa Cronbacha ręcznie z wariancji pozycji i sumy

Treść zadania

W badaniu pilotażowym 8 studentów wypełniło 5-pozycyjną skalę lęku przed wystąpieniami publicznymi (odpowiedzi 1–5, wyższy wynik = większy lęk). Oblicz alfę Cronbacha.

Odpowiedzi 8 osób na 5 pozycji skali lęku i suma punktów
Osobap1p2p3p4p5Suma
14544219
22232413
35455322
43323213
5121239
64453521
7212229
83434418
Wariancja1.7141.8392.1251.2681.26826.857

Rozwiązanie krok po kroku

Krok 1. Wariancje pozycji. Dla każdej kolumny policz wariancję z próby (dzielnik n − 1 = 7). Np. p1: średnia 3.00, kwadraty odchyleń 1, 1, 4, 0, 4, 1, 1, 0 – suma 12, więc s² = 12 / 7 = 1.714. Suma wariancji pięciu pozycji: Σsi² = 8.214.

Krok 2. Wariancja sumy. Średnia sumy wynosi 15.50, a jej wariancja sX² = 26.857 (ten sam dzielnik 7).

Krok 3. Wzór na alfę (Cronbach, 1951), k = 5 pozycji:

α = k / (k − 1) × (1 − Σsi² / sX²) = 5/4 × (1 − 8.214 / 26.857) = 1.25 × 0.694 = .868

Krok 4. Kontrola. Średnia korelacja między pozycjami wynosi .549, a alfa standaryzowana kr̄ / [1 + (k − 1)r̄] = .859 – blisko alfy z wariancji, bo pozycje mają podobne wariancje.

Interpretacja

Spójność wewnętrzna skali lęku przed wystąpieniami w badaniu pilotażowym była wysoka, α = .87 (n = 8, 5 pozycji).

Alfa mierzy spójność wewnętrzną, a przy 8 osobach jest oszacowaniem bardzo niepewnym. Pełny przykład z przedziałem ufności znajdziesz we wpisie alfa Cronbacha – rzetelność skali.

Typowy błąd

Mieszanie dzielników: wariancje pozycji z n − 1, a wariancja sumy z n. Wtedy wychodzi .813 zamiast .868. Wybierz jeden dzielnik i stosuj go wszędzie – przy jednolitym wyborze wynik jest identyczny.

Zadanie 2. Alfa po usunięciu pozycji

Treść zadania

Dla danych z zadania 1 oblicz alfę skali po usunięciu każdej pozycji. Którą pozycję warto przejrzeć? Policz krok po kroku wariant bez p5.

Rozwiązanie krok po kroku

Krok 1. Skala bez p5. Zostają 4 pozycje. Suma ich wariancji: 1.714 + 1.839 + 2.125 + 1.268 = 6.946. Nowa suma punktów (bez p5) ma wariancję 23.411.

αbez p5 = 4/3 × (1 − 6.946 / 23.411) = .938

Krok 2. Pozostałe pozycje liczysz tak samo. Wyniki zebrano w tabeli.

Alfa po usunięciu pozycji i korelacja pozycja–reszta dla 5 pozycji skali lęku
PozycjaWariancja sumy bez pozycjiAlfa po usunięciuKorelacja pozycja–resztaKorelacja z sumą (z pozycją)
p116.000.792.873.926
p216.268.811.800.884
p314.839.786.881.936
p418.268.826.761.845
p523.411.938.200.404

Krok 3. Porównanie z alfą całej skali (.868). Usunięcie p1–p4 obniża alfę (do .786–.826), a usunięcie p5 ją podnosi (do .938). Kandydatem do przejrzenia jest p5.

Interpretacja

Pozycja p5 słabo pasuje do pozostałych – jej korelacje z p1–p4 wynoszą .097, .175, .424 i −.014. Zanim ją usuniesz, sprawdź treść (może mierzy inny aspekt, np. tempo mówienia, a nie lęk), czy nie jest pozycją odwróconą bez przekodowania i czy wynik powtarza się w większej próbie. Decyzja o skróceniu skali wpływa na trafność treściową, nie tylko na rzetelność.

Typowy błąd

Usuwanie pozycji „po kolei, dopóki alfa rośnie”. Po usunięciu p5 dalsze usunięcie p4 obniża alfę do .924, a przy 8 osobach różnice rzędu kilku setnych są w granicach przypadku. Kolumna „alfa po usunięciu” to wskazówka do przejrzenia pozycji, a nie automatyczna reguła.

Zadanie 3. Korelacja pozycja–reszta, czyli moc dyskryminacyjna pozycji

Treść zadania

Dla tych samych danych oblicz korelację każdej pozycji z sumą pozostałych pozycji (pozycja–reszta) oraz – dla porównania – z sumą wszystkich pozycji. Dlaczego te dwie liczby się różnią? Która pozycja nie spełnia orientacyjnego progu .30?

Rozwiązanie krok po kroku

Krok 1. Reszta skali. Dla p5 reszta to suma p1–p4: 17, 9, 19, 11, 6, 16, 7, 14 (suma całej skali minus p5).

Krok 2. Korelacja Pearsona p5 z resztą: r = .200. Analogicznie dla pozostałych pozycji: .873, .800, .881, .761 (tabela w zadaniu 2).

Krok 3. Wersja nieskorygowana. Korelacja p5 z sumą, która zawiera p5, wynosi .404 – dwa razy więcej. Pozycja koreluje sama ze sobą, więc ta wersja zawyża moc dyskryminacyjną pozycji, najbardziej przy krótkich skalach.

Dwa panele dla pozycji p1–p5 skali lęku. Lewy: korelacje pozycja–reszta .873, .800, .881, .761 i .200 – tylko p5, zaznaczona na czerwono, leży poniżej przerywanej linii progu .30. Prawy: alfa po usunięciu pozycji .792, .811, .786, .826 i .938 – tylko usunięcie p5 przesuwa alfę powyżej alfy całej skali .868
Rysunek 1. Analiza pozycji w zadaniach 2–3. Pozycja o niskiej korelacji z resztą skali to ta sama, której usunięcie podnosi alfę. Obliczenia: R (dane z treści zadania 1).

Interpretacja

Skorygowane korelacje pozycja–reszta wynosiły od .76 do .88 dla pozycji 1–4 i .20 dla pozycji 5, której usunięcie podnosiło alfę z .87 do .94.

Próg .30 (czasem .20) to reguła orientacyjna, a nie twarde kryterium. Jak budować skalę z analizą pozycji na dużej próbie, opisuje wpis budowa i walidacja skali psychometrycznej.

Typowy błąd

Raportowanie korelacji pozycji z całą sumą zamiast z resztą. W SPSS i w psych::alpha() szukaj kolumny „skorygowana korelacja pozycji z całością” (r.drop), nie zwykłej korelacji z sumą.

Zadanie 4. Trudność i moc dyskryminacyjna pytań testu wiedzy

Treść zadania

Prowadzący dał 10 studentom krótki test z metodologii: 6 pytań, 1 = odpowiedź poprawna, 0 = błędna. Oblicz dla każdego pytania wskaźnik trudności pi i wskaźnik dyskryminacji D (grupa górna = 3 najlepszych, dolna = 3 najsłabszych), a potem rzetelność testu wzorem KR-20.

Odpowiedzi 10 studentów na 6 pytań testu wiedzy
Studentz1z2z3z4z5z6Wynik
11111116
21111105
31110104
41101003
51010103
61101003
71001103
80000011
91000001
101000012

Rozwiązanie krok po kroku

Krok 1. Trudność. pi to odsetek poprawnych odpowiedzi (im wyższy, tym pytanie łatwiejsze). Dla z1: 9/10 = .900; dalej .500, .400, .500, .500, .300.

Krok 2. Grupy skrajne. Grupa górna: studenci 1–3 (wyniki 6, 5, 4); dolna: studenci 8, 9, 10 (wyniki 1, 1, 2). Granice grup nie przecinają remisów, więc podział jest jednoznaczny.

Krok 3. Dyskryminacja D = pgórna − pdolna.

Wskaźniki trudności i dyskryminacji 6 pytań
Pytaniepip w grupie górnejp w grupie dolnejDKorelacja pozycja–reszta
z1.9001.000.667.333.286
z2.5001.000.0001.000.500
z3.4001.000.0001.000.550
z4.500.667.000.667.312
z5.5001.000.0001.000.500
z6.300.333.667−.333−.327

Krok 4. KR-20 (szczególny przypadek alfy dla pytań 0/1; Cronbach, 1951). Σp(1 − p) = 1.290; wariancja wyników liczona z dzielnikiem n (jak pq) wynosi 2.290:

KR-20 = 6/5 × (1 − 1.290 / 2.290) = .524
Wykres punktowy 6 pytań: na osi poziomej wskaźnik trudności p, na pionowej wskaźnik dyskryminacji D. Pytania z2, z3, z4 i z5 leżą w zielonym obszarze umiarkowanej trudności i D co najmniej .30; z1 jest bardzo łatwe (p = .90, D = .33); z6 zaznaczone na czerwono ma ujemne D = −.33
Rysunek 2. Trudność i dyskryminacja pytań w zadaniu 4. Zielony obszar to orientacyjna strefa dobrych pytań (umiarkowana trudność, D ≥ .30). Obliczenia: R (dane z treści zadania).

Interpretacja

Pytania z2, z3 i z5 dobrze różnicują studentów. z1 jest bardzo łatwe – niewiele mówi o różnicach w wiedzy. z6 ma ujemne D: częściej odpowiadali na nie poprawnie słabsi studenci, co zwykle oznacza błędny klucz, dwuznaczne sformułowanie albo zgadywanie. Po usunięciu z6 KR-20 rośnie z .524 do .723. Orientacyjne progi (pi ok. .30–.80, D ≥ .30) to reguły robocze; w dużych testach analizę pozycji robi się często w modelu IRT.

Typowy błąd

Łączenie pq (wariancja z dzielnikiem n) z wariancją wyników z dzielnikiem n − 1: wychodzi .592 zamiast .524. Drugi błąd to nazywanie pi „trudnością” i czytanie go odwrotnie – wysoki pi oznacza pytanie łatwe.

Zadanie 5. Omega McDonalda z ładunków standaryzowanych

Treść zadania

W konfirmacyjnej analizie czynnikowej 6-pozycyjnej skali wsparcia społecznego otrzymano standaryzowane ładunki: .72, .65, .80, .55, .70, .45. Zakładając model jednoczynnikowy bez skorelowanych błędów, oblicz omegę McDonalda i porównaj ją z alfą standaryzowaną wynikającą z tych samych ładunków.

Rozwiązanie krok po kroku

Krok 1. Suma ładunków i jej kwadrat. Σλ = 3.87; (Σλ)² = 14.977.

Krok 2. Wariancje błędów przy ładunkach standaryzowanych: 1 − λ² = 0.482, 0.577, 0.360, 0.698, 0.510, 0.797; suma 3.424.

ω = (Σλ)² / [(Σλ)² + Σ(1 − λ²)] = 14.977 / (14.977 + 3.424) = .814

Krok 3. Alfa z ładunków. Model przewiduje korelacje rij = λiλj; ich średnia to .413, a alfa standaryzowana 6 × .413 / (1 + 5 × .413) = .809.

Interpretacja

Rzetelność skali wsparcia społecznego oszacowana współczynnikiem omega McDonalda wynosiła ω = .81 (alfa standaryzowana = .81).

Omega (McDonald, 1999) nie zakłada równych ładunków, dlatego jest zalecana zamiast alfy, gdy pozycje różnią się siłą związku z czynnikiem (Dunn i in., 2014). Tu ładunki różnią się umiarkowanie, więc obie miary prawie się pokrywają (.814 vs .809); przy równych ładunkach (średnia .645) omega spadłaby do .810, czyli praktycznie do alfy. Obliczenia sprawdzisz w kalkulatorze alfy i omegi.

Typowy błąd

Wstawianie do wzoru ładunków niestandaryzowanych razem z 1 − λ² albo pomijanie kwadratu w liczniku. Drugi błąd: liczenie jednej omegi dla skali wielowymiarowej – wzór dotyczy modelu jednoczynnikowego.

Zadanie 6. Błąd standardowy pomiaru i przedział dla wyniku prawdziwego

Treść zadania

Kwestionariusz neurotyczności ma w normach M = 24, SD = 6 i rzetelność rxx = .84. Osoba uzyskała 33 punkty. Oblicz błąd standardowy pomiaru (SEM) oraz 68%, 90% i 95% przedział wokół wyniku obserwowanego. Następnie oszacuj wynik prawdziwy metodą Kelleya. Czy można z pewnością powiedzieć, że wynik przekracza próg „wysoki” (M + 1 SD = 30)?

Rozwiązanie krok po kroku

Krok 1. SEM.

SEM = SD × √(1 − rxx) = 6 × √0.16 = 2.40

Krok 2. Przedziały wokół wyniku obserwowanego (X ± z × SEM):

Przedziały dla wyniku 33 przy SEM równym 2.40
PoziomzPrzedział
68%0.994[30.61, 35.39]
90%1.645[29.05, 36.95]
95%1.960[28.30, 37.70]

Krok 3. Wynik prawdziwy oszacowany (Kelley). Wynik obserwowany „cofa się” ku średniej proporcjonalnie do rzetelności:

T̂ = M + rxx(X − M) = 24 + .84 × (33 − 24) = 31.56
błąd estymacji = SD × √[rxx(1 − rxx)] = 6 × √(.84 × .16) = 2.20 → 95%: [27.25, 35.87]

Interpretacja

Z 95% pewnością wynik prawdziwy mieści się w przybliżeniu między 28 a 38 punktami. Dolna granica (28.30) leży poniżej progu 30, więc nie można stanowczo twierdzić, że osoba ma wynik wysoki – można powiedzieć „wynik wysoki lub przeciętny”. Przy słabszej rzetelności (.70) SEM rośnie do 3.29, a 95% przedział rozszerza się do [26.56, 39.44].

Typowy błąd

Mylenie SEM z błędem standardowym średniej (SD / √n). SEM dotyczy pojedynczej osoby i nie maleje, gdy przebadasz więcej osób – zależy tylko od SD i rzetelności testu.

Zadanie 7. Wskaźnik wiarygodnej zmiany (RCI) przed i po terapii

Treść zadania

Sześciu pacjentów wypełniło skalę objawów depresyjnych (0–63, wyższy wynik = więcej objawów) przed terapią i po niej. Odchylenie standardowe wyników przed terapią wynosi 7.5, a rzetelność test–retest .86. Dla każdego pacjenta oblicz RCI według Jacobsona i Truaxa (1991) i oceń, czy zmiana jest wiarygodna (|RCI| ≥ 1.96).

Rozwiązanie krok po kroku

Krok 1. SEM i błąd różnicy.

SEM = 7.5 × √(1 − .86) = 2.806;   Sdiff = √2 × SEM = 3.969

Krok 2. RCI = (po − przed) / Sdiff. Pacjent A: (19 − 28) / 3.969 = −2.27.

Wyniki przed i po, zmiana, RCI i ocena dla 6 pacjentów
PacjentPrzedPoZmianaRCIOcena
A2819−9−2.27wiarygodna poprawa
B3125−6−1.51bez wiarygodnej zmiany
C2412−12−3.02wiarygodna poprawa
D222420.50bez wiarygodnej zmiany
E3532−3−0.76bez wiarygodnej zmiany
F2719−8−2.02wiarygodna poprawa

Krok 3. Próg w punktach. Zmiana jest wiarygodna, gdy przekracza 1.96 × 3.969 = 7.78 punktu, czyli w tej skali co najmniej 8 punktów.

Wykres wyników przed terapią (oś pozioma) i po terapii (oś pionowa) dla pacjentów A–F z przekątną bez zmiany i niebieskim pasmem plus minus 7.78 punktu. Pacjenci A, C i F, zaznaczeni na czerwono, leżą poniżej pasma (wiarygodna poprawa); B, D i E leżą w paśmie
Rysunek 3. RCI w zadaniu 7. Punkty w niebieskim paśmie to zmiany mniejsze niż błąd pomiaru różnicy (|RCI| < 1.96). Obliczenia: R (dane z treści zadania).

Interpretacja

Według kryterium Jacobsona i Truaxa (1991) wiarygodną poprawę (RCI ≤ −1.96, czyli spadek o co najmniej 8 punktów) uzyskało 3 z 6 pacjentów; u pozostałych zmiana nie przekraczała błędu pomiaru.

Pacjent B poprawił się o 6 punktów – tyle samo co średnio cała grupa (−6.00) – ale u pojedynczej osoby taka zmiana mieści się w błędzie pomiaru. Drugą część kryterium (przejście do zakresu populacji funkcjonalnej) i MCID omawia wpis RCI, MDC i MCID; obliczenia dla jednej osoby zrobisz w kalkulatorze RCI i MDC.

Typowy błąd

Dzielenie zmiany przez SEM zamiast przez Sdiff. Różnica dwóch pomiarów ma dwa błędy, stąd √2. Bez niego pacjent B dostałby RCI = −2.14 i fałszywie trafiłby do grupy z wiarygodną poprawą.

Zadanie 8. Wynik T, sten i stanin: liniowo i z rangi centylowej

Treść zadania

Skala objawów lękowych ma w grupie normalizacyjnej (N = 400) M = 12.4 i SD = 6.0, a jej rozkład jest prawoskośny. Osoba uzyskała 17 punktów; w normach 268 osób miało wynik niższy, a 16 osób – dokładnie 17. (a) Przelicz wynik liniowo na z, wynik T, sten i stanin. (b) Oblicz rangę centylową i wyniki znormalizowane. (c) Ta sama osoba w innym teście (M = 80, SD = 12) uzyskała 92 punkty. W którym teście wypadła lepiej?

Rozwiązanie krok po kroku

Krok 1. Przeliczenie liniowe. z = (17 − 12.4) / 6.0 = 0.767. Wynik T (skala tenowa: M = 50, SD = 10): 50 + 10 × 0.767 = 57.67. Sten: 5.5 + 2 × 0.767 = 7.03 → 7. Stanin: 5 + 2 × 0.767 = 6.53 → 7.

Krok 2. Ranga centylowa (osobom z tym samym wynikiem przypisz połowę):

PR = (liczba niższych + ½ × liczba równych) / N = (268 + 8) / 400 = .690, czyli centyl 69

Krok 3. Wyniki znormalizowane. Odczytaj z, dla którego pole pod krzywą normalną na lewo wynosi .690: z = 0.496. Stąd T = 54.96 ≈ 55, sten = 6.49 → 6. Stanin z rangi centylowej odczytasz z rozkładu 4–7–12–17–20–17–12–7–4%: skumulowane granice 4, 11, 23, 40, 60, 77, 89, 96, 100, więc centyl 69 (między 60 a 77) to stanin 6.

Krok 4. Porównanie testów. W drugim teście z = (92 − 80) / 12 = 1.000, T = 60.00. Liniowo osoba wypada lepiej w teście drugim (T = 60 vs 58).

Interpretacja

Przy rozkładzie skośnym przeliczenie liniowe zakłada normalność, której nie ma: według krzywej normalnej z = 0.767 odpowiadałoby centylowi 77.8, a w rzeczywistości 69% grupy ma wynik niższy. Dlatego normy większości testów psychologicznych podaje się jako wyniki znormalizowane z rang centylowych – tu sten 6 i stanin 6, a nie 7. Przeliczenia sprawdzisz w konwerterze wyników na normy.

Typowy błąd

Liczenie stanina „ze wzoru” przy skośnych normach i porównywanie wyników surowych z różnych testów. Porównuj wyniki przeliczone na tę samą skalę, a do decyzji diagnostycznych używaj tabel norm z podręcznika testu.

Zadanie 9. Wzór Spearmana–Browna: wydłużenie i skrócenie testu

Treść zadania

Test uwagi ma 20 pozycji i rzetelność .72. (a) Jaka będzie rzetelność po dodaniu 20 pozycji równoległych (40 pozycji)? (b) Po skróceniu do 10 pozycji? (c) Ile pozycji potrzeba, aby osiągnąć rzetelność .85? (d) Korelacja dwóch połówek innego testu wynosi .58 – jaka jest rzetelność całości?

Rozwiązanie krok po kroku

Krok 1. Wzór (Spearman, 1910; Brown, 1910), gdzie m = nowa długość / stara długość:

rnowe = m × r / [1 + (m − 1) × r]

Krok 2. (a) m = 2: 2 × .72 / (1 + .72) = .837. (b) m = 0.5: 0.5 × .72 / (1 − 0.5 × .72) = .36 / .64 = .562.

Krok 3. (c) Wzór odwrócony.

m = rcel(1 − r) / [r(1 − rcel)] = .85 × .28 / (.72 × .15) = 2.204 → 20 × 2.204 = 44.07 → 45 pozycji

Kontrola: dla 45 pozycji (m = 2.25) rzetelność wynosi .853. Zaokrąglaj zawsze w górę – 44 pozycje dałyby nieco mniej niż .85.

Krok 4. (d) Rzetelność połówkowa. Korelacja połówek dotyczy testu o połowę krótszego, więc m = 2: 2 × .58 / 1.58 = .734.

Krzywa przewidywanej rzetelności w funkcji liczby pozycji od 4 do 80 dla testu, który przy 20 pozycjach ma rzetelność .72. Zaznaczono 10 pozycji: .562, 20 pozycji: .720, 40 pozycji: .837 i 45 pozycji: .853, czyli pierwszą długość powyżej przerywanej linii celu .85. Krzywa spłaszcza się powyżej 40 pozycji
Rysunek 4. Wzór Spearmana–Browna w zadaniu 9. Każde kolejne podwojenie testu daje coraz mniejszy przyrost rzetelności. Obliczenia: R (dane z treści zadania).

Interpretacja

Podwojenie testu podnosi rzetelność z .72 do .84, a skrócenie o połowę obniża ją do .56. Aby osiągnąć .85, test musiałby mieć 45 pozycji – to ponad dwa razy więcej i dużo więcej czasu badanego. Wzór zakłada, że dodane lub usunięte pozycje są równoległe do obecnych; więcej w haśle rzetelność połówkowa i wzór Spearmana–Browna.

Typowy błąd

Podawanie korelacji połówek (.58) jako rzetelności całego testu – to rzetelność testu o połowie długości i trzeba ją „wydłużyć” wzorem. Drugi błąd: m jako liczba dodanych pozycji (20) zamiast stosunku długości (2).

Zadanie 10. Korekta na atenuację

Treść zadania

W badaniu nauczycieli korelacja perfekcjonizmu z wypaleniem zawodowym wyniosła r = .38. Rzetelność (alfa) skali perfekcjonizmu to .78, a skali wypalenia .85. (a) Jaka jest największa korelacja możliwa do zaobserwowania przy tych rzetelnościach? (b) Oblicz korelację skorygowaną na atenuację dla obu zmiennych i (c) tylko dla kryterium. (d) Co się stanie, gdy rzetelności wynoszą .60 i .55, a obserwowana korelacja .62?

Rozwiązanie krok po kroku

Krok 1. Górna granica. √(rxx × ryy) = √(.78 × .85) = .814.

Krok 2. Korekta podwójna (wzór Spearmana):

rskor = rxy / √(rxx × ryy) = .38 / .814 = .467

Krok 3. Korekta pojedyncza (tylko błąd pomiaru kryterium): .38 / √.85 = .412.

Krok 4. Słabe rzetelności. Przy .60 i .55 ta sama korelacja .38 urosłaby do .661, a obserwowana .62 dałaby 1.079 – wartość niemożliwą dla korelacji.

Interpretacja

Perfekcjonizm korelował dodatnio z wypaleniem zawodowym, r = .38; po korekcie na nierzetelność obu skal (α = .78 i .85) oszacowana korelacja konstruktów wynosiła .47.

Korekta na atenuację pokazuje, jak silny byłby związek przy bezbłędnym pomiarze. Muchinsky (1996) omawia, kiedy stosować korektę podwójną, a kiedy pojedynczą, oraz skąd biorą się skorygowane współczynniki większe niż 1. Podawaj zawsze obie wartości – obserwowaną i skorygowaną.

Typowy błąd

Raportowanie samej skorygowanej korelacji i testowanie jej istotności jak zwykłego r. Wynik powyżej 1 nie oznacza „idealnego związku”, tylko że rzetelności są niedoszacowane albo korelacja obserwowana jest zawyżona przez przypadek.

Ściąga wzorów do zadań z psychometrii

Ściąga: wielkość, wzór i szybka kontrola wyniku
WielkośćWzórSzybka kontrola
Alfa Cronbachak/(k − 1) × (1 − Σsi² / sX²)ten sam dzielnik wariancji wszędzie
KR-20k/(k − 1) × (1 − Σpq / sX²)sX² z dzielnikiem n
Trudność, dyskryminacjapi = odsetek poprawnych; D = pgórna − pdolnaujemne D – sprawdź klucz
Omega(Σλ)² / [(Σλ)² + Σ(1 − λ²)]przy równych ładunkach ≈ alfa
SEMSD√(1 − rxx)zawsze mniejszy niż SD
RCI(po − przed) / (√2 × SEM)|RCI| ≥ 1.96 – zmiana wiarygodna
Wynik T, sten, stanin50 + 10z; 5.5 + 2z; 5 + 2zprzy skośnych normach – z rangi centylowej
Spearman–Brownmr / [1 + (m − 1)r]m to stosunek długości
Korekta na atenuacjęrxy / √(rxxryy)wynik > 1 – sygnał problemu

Inne zbiory zadań ze statystyki

Ten wpis należy do serii, którą zbiera strona zadania ze statystyki z rozwiązaniami. Najbliższe tematycznie są: zadania ze statystyki na psychologii (wynik z, sten i centyl w rozkładzie normalnym), korelacja i regresja (korelacja Pearsona, na której opiera się analiza pozycji) i metodologia badań (operacjonalizacja i trafność). Jeśli liczysz rzetelność skal do własnej pracy dyplomowej, możesz skorzystać z konsultacji analizy statystycznej dla studentów.

Przykład reprodukowalny

Sprawdź wyniki w R: kod i wynik

Dwa przepisy liczą wszystkie liczby z rozwiązań na danych wpisanych w kod (bez losowania). Każde zadanie jest policzone wzorem, tak jak na kartce; w zadaniach 1–3 wynik sprawdza dodatkowo funkcja psych::alpha(). Rysunki i plik CSV powstały w osobnym skrypcie, który wczytuje dane z tych przepisów.

Zadania 1–4: alfa Cronbacha, alfa po usunięciu pozycji, korelacja pozycja–reszta, trudność, dyskryminacja i KR-20

Dane wejściowe: odpowiedzi z treści zadań 1–4 wpisane w kod; funkcje bazowego R (var, cor, rowSums) i kontrolnie psych::alpha().

Co odczytać: wariancje pozycji i sumy, alfę ze wzoru i z psych (powinny być identyczne), tabelę „alfa po usunięciu” i korelacji pozycja–reszta, wskaźniki p i D, KR-20 oraz linie „Błąd”, które pokazują skutek typowej pomyłki.

R
# B390 – zadania 1–4: alfa Cronbacha ręcznie, alfa po usunięciu pozycji, korelacja pozycja–reszta, trudność i moc dyskryminacyjna pozycji
# Dane wpisane na sztywno – te same co w treści zadań. Funkcje bazowego R; psych::alpha() tylko jako kontrola.
z2 <- function(x) formatC(x, format = "f", digits = 2)
z3 <- function(x) formatC(x, format = "f", digits = 3)
bz <- function(x) sub("^(-?)0\\.", "\\1.", z3(x))   # bez zera przed kropką (alfa, r, p)
alfa <- function(X) { k <- ncol(X); k / (k - 1) * (1 - sum(apply(X, 2, var)) / var(rowSums(X))) }

# Zadania 1–3. Skala lęku przed wystąpieniami publicznymi: 5 pozycji (1–5), 8 osób z badania pilotażowego
lek <- data.frame(
  p1 = c(4, 2, 5, 3, 1, 4, 2, 3),
  p2 = c(5, 2, 4, 3, 2, 4, 1, 4),
  p3 = c(4, 3, 5, 2, 1, 5, 2, 3),
  p4 = c(4, 2, 5, 3, 2, 3, 2, 4),
  p5 = c(2, 4, 3, 2, 3, 5, 2, 4))
suma <- rowSums(lek)
cat("Zadanie 1\n")
print(data.frame(osoba = 1:8, lek, suma = suma), row.names = FALSE)
wariancje <- apply(lek, 2, var)
cat("Średnie pozycji:", z2(colMeans(lek)), "\n")
cat("Wariancje pozycji (n - 1):", z3(wariancje), "; suma =", z3(sum(wariancje)), "\n")
cat("Średnia sumy =", z2(mean(suma)), "; wariancja sumy (n - 1) =", z3(var(suma)), "\n")
k <- ncol(lek)
a1 <- k / (k - 1) * (1 - sum(wariancje) / var(suma))
cat("alfa = 5/4 * (1 -", z3(sum(wariancje)), "/", z3(var(suma)), ") =", bz(a1), "\n")
var_pop <- function(x) mean((x - mean(x))^2)
cat("Ten sam wynik z wariancjami populacyjnymi (n) w obu miejscach:",
    bz(k / (k - 1) * (1 - sum(apply(lek, 2, var_pop)) / var_pop(suma))), "\n")
cat("Błąd: wariancje pozycji z n - 1, wariancja sumy z n:",
    bz(k / (k - 1) * (1 - sum(wariancje) / var_pop(suma))), "\n")
r_sr <- mean(cor(lek)[lower.tri(cor(lek))])
cat("Średnia korelacja między pozycjami =", bz(r_sr), "; alfa standaryzowana =", bz(k * r_sr / (1 + (k - 1) * r_sr)), "\n")
ps <- suppressWarnings(psych::alpha(lek))
cat("Kontrola psych::alpha(): raw_alpha =", bz(ps$total$raw_alpha), "; std.alpha =", bz(ps$total$std.alpha), "\n\n")

cat("Zadania 2–3\n")
bez <- sapply(names(lek), function(j) alfa(lek[, names(lek) != j]))
r_reszta <- sapply(names(lek), function(j) cor(lek[[j]], suma - lek[[j]]))
r_calosc <- sapply(names(lek), function(j) cor(lek[[j]], suma))
tab <- data.frame(pozycja = names(lek), war_sumy_bez = z3(sapply(names(lek), function(j) var(suma - lek[[j]]))),
                  alfa_bez = bz(bez), r_reszta = bz(r_reszta), r_z_suma = bz(r_calosc))
print(tab, row.names = FALSE)
cat("Alfa bez p5 krok po kroku: 4/3 * (1 -", z3(sum(wariancje[1:4])), "/", z3(var(suma - lek$p5)), ") =", bz(bez[["p5"]]), "\n")
cat("Kontrola psych::alpha(): alfa po usunięciu =", bz(ps$alpha.drop$raw_alpha), "\n")
cat("Kontrola psych::alpha(): r.drop =", bz(ps$item.stats$r.drop), "\n")
cat("Korelacje p5 z pozostałymi pozycjami:", bz(cor(lek)[5, 1:4]), "\n")
cat("Alfa skali 4 pozycji przy n = 8: ", bz(bez[["p5"]]), "; alfa bez p5 i p4 =", bz(alfa(lek[, 1:3])), "\n\n")

# Zadanie 4. Test wiedzy z metodologii: 6 pytań (1 = dobrze, 0 = źle), 10 studentów
test <- data.frame(
  z1 = c(1, 1, 1, 1, 1, 1, 1, 0, 1, 1),
  z2 = c(1, 1, 1, 1, 0, 1, 0, 0, 0, 0),
  z3 = c(1, 1, 1, 0, 1, 0, 0, 0, 0, 0),
  z4 = c(1, 1, 0, 1, 0, 1, 1, 0, 0, 0),
  z5 = c(1, 1, 1, 0, 1, 0, 1, 0, 0, 0),
  z6 = c(1, 0, 0, 0, 0, 0, 0, 1, 0, 1))
wynik <- rowSums(test)
cat("Zadanie 4\n")
cat("Wyniki studentów (suma punktów):", wynik, "\n")
p <- colMeans(test)
kol <- order(-wynik)
gora <- kol[1:3]; dol <- kol[8:10]
cat("Grupa górna (studenci):", gora, "; wyniki:", wynik[gora], "\n")
cat("Grupa dolna (studenci):", dol, "; wyniki:", wynik[dol], "\n")
D <- colMeans(test[gora, ]) - colMeans(test[dol, ])
r_pr <- sapply(names(test), function(j) cor(test[[j]], wynik - test[[j]]))
print(data.frame(pytanie = names(test), p = bz(p), p_gora = bz(colMeans(test[gora, ])), p_dol = bz(colMeans(test[dol, ])),
                 D = bz(D), r_reszta = bz(r_pr)), row.names = FALSE)
kk <- ncol(test)
cat("Suma pq =", z3(sum(p * (1 - p))), "; wariancja wyników (n) =", z3(var_pop(wynik)), "; (n - 1) =", z3(var(wynik)), "\n")
kr20 <- kk / (kk - 1) * (1 - sum(p * (1 - p)) / var_pop(wynik))
cat("KR-20 = 6/5 * (1 -", z3(sum(p * (1 - p))), "/", z3(var_pop(wynik)), ") =", bz(kr20), "\n")
cat("Kontrola: alfa z wariancji (n - 1) =", bz(alfa(test)), "\n")
cat("Błąd: pq z wariancją wyników (n - 1) =", bz(kk / (kk - 1) * (1 - sum(p * (1 - p)) / var(wynik))), "\n")
cat("KR-20 bez pytania z6 =", bz(alfa(test[, -6])), "\n")
Wynik w R
Zadanie 1
 osoba p1 p2 p3 p4 p5 suma
     1  4  5  4  4  2   19
     2  2  2  3  2  4   13
     3  5  4  5  5  3   22
     4  3  3  2  3  2   13
     5  1  2  1  2  3    9
     6  4  4  5  3  5   21
     7  2  1  2  2  2    9
     8  3  4  3  4  4   18
Średnie pozycji: 3.00 3.12 3.12 3.12 3.12 
Wariancje pozycji (n - 1): 1.714 1.839 2.125 1.268 1.268 ; suma = 8.214 
Średnia sumy = 15.50 ; wariancja sumy (n - 1) = 26.857 
alfa = 5/4 * (1 - 8.214 / 26.857 ) = .868 
Ten sam wynik z wariancjami populacyjnymi (n) w obu miejscach: .868 
Błąd: wariancje pozycji z n - 1, wariancja sumy z n: .813 
Średnia korelacja między pozycjami = .549 ; alfa standaryzowana = .859 
Kontrola psych::alpha(): raw_alpha = .868 ; std.alpha = .859 

Zadania 2–3
 pozycja war_sumy_bez alfa_bez r_reszta r_z_suma
      p1       16.000     .792     .873     .926
      p2       16.268     .811     .800     .884
      p3       14.839     .786     .881     .936
      p4       18.268     .826     .761     .845
      p5       23.411     .938     .200     .404
Alfa bez p5 krok po kroku: 4/3 * (1 - 6.946 / 23.411 ) = .938 
Kontrola psych::alpha(): alfa po usunięciu = .792 .811 .786 .826 .938 
Kontrola psych::alpha(): r.drop = .873 .800 .881 .761 .200 
Korelacje p5 z pozostałymi pozycjami: .097 .175 .424 -.014 
Alfa skali 4 pozycji przy n = 8:  .938 ; alfa bez p5 i p4 = .924 

Zadanie 4
Wyniki studentów (suma punktów): 6 5 4 3 3 3 3 1 1 2 
Grupa górna (studenci): 1 2 3 ; wyniki: 6 5 4 
Grupa dolna (studenci): 10 8 9 ; wyniki: 2 1 1 
 pytanie    p p_gora p_dol     D r_reszta
      z1 .900  1.000  .667  .333     .286
      z2 .500  1.000  .000 1.000     .500
      z3 .400  1.000  .000 1.000     .550
      z4 .500   .667  .000  .667     .312
      z5 .500  1.000  .000 1.000     .500
      z6 .300   .333  .667 -.333    -.327
Suma pq = 1.290 ; wariancja wyników (n) = 2.290 ; (n - 1) = 2.544 
KR-20 = 6/5 * (1 - 1.290 / 2.290 ) = .524 
Kontrola: alfa z wariancji (n - 1) = .524 
Błąd: pq z wariancją wyników (n - 1) = .592 
KR-20 bez pytania z6 = .723 

Zadania 5–10: omega, SEM i wynik prawdziwy, RCI, normy, Spearman–Brown i korekta na atenuację

Dane wejściowe: parametry z treści zadań 5–10 wpisane w kod; funkcje bazowego R (qnorm, pnorm, outer, findInterval).

Co odczytać: wyniki pośrednie każdego wzoru, przedziały dla wyniku prawdziwego, tabelę RCI dla pacjentów, porównanie norm liniowych i znormalizowanych oraz potrzebną długość testu.

R
# B390 – zadania 5–10: omega z ładunków, błąd standardowy pomiaru, RCI, normy (T, sten, stanin), Spearman–Brown, korekta na atenuację
# Dane wpisane na sztywno – te same co w treści zadań. Tylko funkcje bazowego R (stats).
z2 <- function(x) formatC(x, format = "f", digits = 2)
z3 <- function(x) formatC(x, format = "f", digits = 3)
bz <- function(x) sub("^(-?)0\\.", "\\1.", z3(x))

# Zadanie 5. Omega McDonalda z ładunków standaryzowanych (6 pozycji skali wsparcia społecznego)
lam <- c(.72, .65, .80, .55, .70, .45)
cat("Zadanie 5\n")
S <- sum(lam); bl <- 1 - lam^2
cat("Suma ładunków =", z2(S), "; (suma)^2 =", z3(S^2), "\n")
cat("Wariancje błędów 1 - lambda^2:", z3(bl), "; suma =", z3(sum(bl)), "\n")
omega <- S^2 / (S^2 + sum(bl))
cat("omega = ", z3(S^2), "/ (", z3(S^2), "+", z3(sum(bl)), ") =", bz(omega), "\n")
R <- outer(lam, lam); diag(R) <- 1
k5 <- length(lam); rbar <- mean(R[lower.tri(R)])
cat("Średnia korelacja wynikająca z ładunków =", bz(rbar), "; alfa standaryzowana =", bz(k5 * rbar / (1 + (k5 - 1) * rbar)), "\n")
cat("Kontrola: alfa z macierzy korelacji =", bz(k5 / (k5 - 1) * (1 - k5 / sum(R))), "\n")
lam_r <- rep(mean(lam), 6)
cat("Ładunki równe (średnia", z3(mean(lam)), "): omega =", bz(sum(lam_r)^2 / (sum(lam_r)^2 + sum(1 - lam_r^2))), "\n")
cat("Omega bez pozycji 6 =", bz(sum(lam[-6])^2 / (sum(lam[-6])^2 + sum(bl[-6]))), "\n\n")

# Zadanie 6. Błąd standardowy pomiaru i przedział dla wyniku prawdziwego (kwestionariusz neurotyczności)
M6 <- 24; SD6 <- 6; rxx6 <- .84; X6 <- 33
cat("Zadanie 6\n")
sem6 <- SD6 * sqrt(1 - rxx6)
cat("SEM = 6 * sqrt(1 - .84) =", z2(sem6), "\n")
for (pz in c(.68, .90, .95)) {
  zq <- qnorm(1 - (1 - pz) / 2)
  cat(sprintf("%d%%: z = %s; %d +/- %s -> [%s, %s]\n", round(pz * 100), z3(zq), X6, z2(zq * sem6), z2(X6 - zq * sem6), z2(X6 + zq * sem6)))
}
T_est <- M6 + rxx6 * (X6 - M6); see <- SD6 * sqrt(rxx6 * (1 - rxx6))
cat("Wynik prawdziwy oszacowany (Kelley) =", M6, "+ .84 * (", X6, "-", M6, ") =", z2(T_est), "\n")
cat("Błąd standardowy estymacji = 6 * sqrt(.84 * .16) =", z2(see), "; 95%: [", z2(T_est - qnorm(.975) * see), ",", z2(T_est + qnorm(.975) * see), "]\n")
cat("Próg wyniku wysokiego (M + 1 SD) =", M6 + SD6, "; dolna granica 95% przedziału wokół X =", z2(X6 - qnorm(.975) * sem6), "\n")
cat("Ta sama osoba przy rxx = .70: SEM =", z2(SD6 * sqrt(.30)), "; 95%: [", z2(X6 - qnorm(.975) * SD6 * sqrt(.30)), ",", z2(X6 + qnorm(.975) * SD6 * sqrt(.30)), "]\n\n")

# Zadanie 7. Wskaźnik wiarygodnej zmiany (RCI, Jacobson i Truax) – skala objawów depresyjnych 0–63, 6 pacjentów przed i po terapii
SD7 <- 7.5; rtt7 <- .86
przed <- c(28, 31, 24, 22, 35, 27)
po    <- c(19, 25, 12, 24, 32, 19)
cat("Zadanie 7\n")
sem7 <- SD7 * sqrt(1 - rtt7); sdiff <- sqrt(2) * sem7
cat("SEM = 7.5 * sqrt(1 - .86) =", z3(sem7), "; S_diff = sqrt(2) * SEM =", z3(sdiff), "\n")
rci <- (po - przed) / sdiff
kat <- ifelse(rci <= -qnorm(.975), "wiarygodna poprawa", ifelse(rci >= qnorm(.975), "wiarygodne pogorszenie", "bez wiarygodnej zmiany"))
print(data.frame(pacjent = LETTERS[1:6], przed, po, zmiana = po - przed, RCI = z2(rci), ocena = kat), row.names = FALSE)
cat("Najmniejsza wiarygodna zmiana = 1.96 * S_diff =", z2(qnorm(.975) * sdiff), "pkt\n")
cat("Średnia zmiana w grupie =", z2(mean(po - przed)), "\n")
cat("Błąd: S_diff = SEM (bez sqrt(2)) -> RCI pacjenta B =", z2((po[2] - przed[2]) / sem7), "\n\n")

# Zadanie 8. Normy: wynik T (skala tenowa), sten i stanin – liniowo i z rangi centylowej
M8 <- 12.4; SD8 <- 6.0; X8 <- 17; N8 <- 400; nizej <- 268; rowno <- 16
cat("Zadanie 8\n")
z8 <- (X8 - M8) / SD8
cat("z =", z3(z8), "; T = 50 + 10z =", z2(50 + 10 * z8), "; sten = 5.5 + 2z =", z2(5.5 + 2 * z8),
    "; stanin = 5 + 2z =", z2(5 + 2 * z8), "\n")
pr <- (nizej + rowno / 2) / N8
cat("Ranga centylowa = (", nizej, "+", rowno, "/ 2 ) /", N8, "=", z3(pr), "\n")
zn <- qnorm(pr)
cat("z znormalizowane = qnorm(", z3(pr), ") =", z3(zn), "; T znormalizowane =", z2(50 + 10 * zn), "; sten =", z2(5.5 + 2 * zn), "\n")
granice <- cumsum(c(4, 7, 12, 17, 20, 17, 12, 7, 4))
cat("Skumulowane procenty staninów 1–9:", granice, "\n")
cat("Stanin z rangi centylowej", z2(100 * pr), "=", findInterval(100 * pr, c(0, granice[-9]), left.open = TRUE), "\n")
cat("Pole na lewo od z liniowego =", z3(pnorm(z8)), "(centyl z założenia normalności)\n")
cat("Ta sama osoba w teście 2 (M = 80, SD = 12), wynik 92: z =", z3((92 - 80) / 12), "; T =", z2(50 + 10 * (92 - 80) / 12), "\n\n")

# Zadanie 9. Wzór Spearmana–Browna: wydłużenie i skrócenie testu (20 pozycji, rxx = .72)
sb <- function(r, m) m * r / (1 + (m - 1) * r)
r9 <- .72
cat("Zadanie 9\n")
cat("40 pozycji (m = 2):", bz(sb(r9, 2)), "; 10 pozycji (m = 0.5):", bz(sb(r9, .5)), "; 30 pozycji (m = 1.5):", bz(sb(r9, 1.5)), "\n")
m_cel <- (.85 * (1 - r9)) / (r9 * (1 - .85))
cat("m dla rxx = .85:", z3(m_cel), "; liczba pozycji =", z2(20 * m_cel), "-> zaokrąglij w górę:", ceiling(20 * m_cel), "\n")
cat("Kontrola dla", ceiling(20 * m_cel), "pozycji:", bz(sb(r9, ceiling(20 * m_cel) / 20)), "\n")
cat("Rzetelność połówkowa: r połówek = .58 -> pełny test", bz(sb(.58, 2)), "\n\n")

# Zadanie 10. Korekta na atenuację: perfekcjonizm (alfa = .78) a wypalenie (alfa = .85), r = .38
r10 <- .38; rx <- .78; ry <- .85
cat("Zadanie 10\n")
cat("Maksymalna obserwowalna korelacja = sqrt(.78 * .85) =", bz(sqrt(rx * ry)), "\n")
cat("r skorygowane (obie zmienne) = .38 / sqrt(.78 * .85) =", bz(r10 / sqrt(rx * ry)), "\n")
cat("r skorygowane (tylko kryterium) = .38 / sqrt(.85) =", bz(r10 / sqrt(ry)), "\n")
cat("Przy rzetelnościach .60 i .55: r = .38 ->", bz(r10 / sqrt(.60 * .55)), "\n")
cat("r = .62 przy rzetelnościach .60 i .55 ->", z3(.62 / sqrt(.60 * .55)), "\n")
Wynik w R
Zadanie 5
Suma ładunków = 3.87 ; (suma)^2 = 14.977 
Wariancje błędów 1 - lambda^2: 0.482 0.577 0.360 0.698 0.510 0.797 ; suma = 3.424 
omega =  14.977 / ( 14.977 + 3.424 ) = .814 
Średnia korelacja wynikająca z ładunków = .413 ; alfa standaryzowana = .809 
Kontrola: alfa z macierzy korelacji = .809 
Ładunki równe (średnia 0.645 ): omega = .810 
Omega bez pozycji 6 = .817 

Zadanie 6
SEM = 6 * sqrt(1 - .84) = 2.40 
68%: z = 0.994; 33 +/- 2.39 -> [30.61, 35.39]
90%: z = 1.645; 33 +/- 3.95 -> [29.05, 36.95]
95%: z = 1.960; 33 +/- 4.70 -> [28.30, 37.70]
Wynik prawdziwy oszacowany (Kelley) = 24 + .84 * ( 33 - 24 ) = 31.56 
Błąd standardowy estymacji = 6 * sqrt(.84 * .16) = 2.20 ; 95%: [ 27.25 , 35.87 ]
Próg wyniku wysokiego (M + 1 SD) = 30 ; dolna granica 95% przedziału wokół X = 28.30 
Ta sama osoba przy rxx = .70: SEM = 3.29 ; 95%: [ 26.56 , 39.44 ]

Zadanie 7
SEM = 7.5 * sqrt(1 - .86) = 2.806 ; S_diff = sqrt(2) * SEM = 3.969 
 pacjent przed po zmiana   RCI                  ocena
       A    28 19     -9 -2.27     wiarygodna poprawa
       B    31 25     -6 -1.51 bez wiarygodnej zmiany
       C    24 12    -12 -3.02     wiarygodna poprawa
       D    22 24      2  0.50 bez wiarygodnej zmiany
       E    35 32     -3 -0.76 bez wiarygodnej zmiany
       F    27 19     -8 -2.02     wiarygodna poprawa
Najmniejsza wiarygodna zmiana = 1.96 * S_diff = 7.78 pkt
Średnia zmiana w grupie = -6.00 
Błąd: S_diff = SEM (bez sqrt(2)) -> RCI pacjenta B = -2.14 

Zadanie 8
z = 0.767 ; T = 50 + 10z = 57.67 ; sten = 5.5 + 2z = 7.03 ; stanin = 5 + 2z = 6.53 
Ranga centylowa = ( 268 + 16 / 2 ) / 400 = 0.690 
z znormalizowane = qnorm( 0.690 ) = 0.496 ; T znormalizowane = 54.96 ; sten = 6.49 
Skumulowane procenty staninów 1–9: 4 11 23 40 60 77 89 96 100 
Stanin z rangi centylowej 69.00 = 6 
Pole na lewo od z liniowego = 0.778 (centyl z założenia normalności)
Ta sama osoba w teście 2 (M = 80, SD = 12), wynik 92: z = 1.000 ; T = 60.00 

Zadanie 9
40 pozycji (m = 2): .837 ; 10 pozycji (m = 0.5): .562 ; 30 pozycji (m = 1.5): .794 
m dla rxx = .85: 2.204 ; liczba pozycji = 44.07 -> zaokrąglij w górę: 45 
Kontrola dla 45 pozycji: .853 
Rzetelność połówkowa: r połówek = .58 -> pełny test .734 

Zadanie 10
Maksymalna obserwowalna korelacja = sqrt(.78 * .85) = .814 
r skorygowane (obie zmienne) = .38 / sqrt(.78 * .85) = .467 
r skorygowane (tylko kryterium) = .38 / sqrt(.85) = .412 
Przy rzetelnościach .60 i .55: r = .38 -> .661 
r = .62 przy rzetelnościach .60 i .55 -> 1.079 

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje pakietów base i stats oraz pakietu psych); rysunki przygotowano w pakietach ggplot2, svglite i magick. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. psych (wersja 2.6.5): Revelle, W. (2026). psych: Procedures for psychological, psychometric, and personality research (R package version 2.6.5) [Computer software]. Northwestern University. https://CRAN.R-project.org/package=psych
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  4. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An ‘SVG’ graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite
  5. magick (wersja 2.9.1): Ooms, J. (2026). magick: Advanced graphics and image-processing in R [R package]. https://doi.org/10.32614/CRAN.package.magick

Najczęstsze pytania

Jak policzyć alfę Cronbacha ręcznie z wariancji pozycji?

Policz wariancję każdej pozycji i wariancję sumy punktów, a potem wstaw je do wzoru α = k/(k − 1) × (1 − Σsi² / sX²). W zadaniu 1 pięć pozycji ma łączną wariancję 8.214, suma punktów 26.857, więc α = 1.25 × (1 − 8.214 / 26.857) = .868.

Czy w alfie Cronbacha liczyć wariancje z n czy z n − 1?

Obojętnie, byle tak samo w liczniku i mianowniku – wtedy wynik jest identyczny. Błąd powstaje przy mieszaniu: w zadaniu 1 wariancje pozycji z n − 1 i wariancja sumy z n dają .813 zamiast .868. W KR-20 iloczyny pq są wariancjami z dzielnikiem n, więc wariancję wyników też licz z n.

Jak obliczyć wskaźnik trudności pytania testowego?

Wskaźnik trudności to odsetek osób, które odpowiedziały poprawnie, np. 9 z 10 daje .90 – pytanie bardzo łatwe. Mimo nazwy wyższa wartość oznacza pytanie łatwiejsze. Uzupełnij go wskaźnikiem dyskryminacji D (różnica odsetków poprawnych odpowiedzi w grupie najlepszych i najsłabszych); ujemne D zwykle oznacza błąd w kluczu lub dwuznaczne pytanie.

Czym różni się przedział dla wyniku obserwowanego od przedziału wokół wyniku prawdziwego?

Pierwszy buduje się wokół wyniku osoby: X ± 1.96 × SEM. Drugi wokół wyniku prawdziwego oszacowanego metodą Kelleya, który jest przesunięty ku średniej: M + rxx(X − M), z błędem SD√[rxx(1 − rxx)]. W zadaniu 6 daje to [28.30, 37.70] i [27.25, 35.87]; przy wynikach skrajnych różnica jest wyraźniejsza.

Ile pozycji dodać do testu, żeby osiągnąć zakładaną rzetelność?

Użyj odwróconego wzoru Spearmana–Browna: m = rcel(1 − r) / [r(1 − rcel)] i pomnóż obecną liczbę pozycji przez m, zaokrąglając w górę. Test 20 pozycji o rzetelności .72 potrzebuje 45 pozycji, aby osiągnąć .85. Wzór zakłada, że nowe pozycje są równoległe do obecnych.

Powiązane hasła

Przeczytaj też

Liczysz rzetelność skal do pracy dyplomowej?

Pomożemy policzyć alfę, omegę i analizę pozycji, sprawdzimy obliczenia w R lub SPSS i wyjaśnimy wyniki tak, żebyś umiał(a) samodzielnie je opisać i obronić.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Brown, W. (1910). Some experimental results in the correlation of mental abilities. British Journal of Psychology, 3(3), 296–322. https://doi.org/10.1111/j.2044-8295.1910.tb00207.x ● Otwarty dostęp: pełny tekst
  2. Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297–334. https://doi.org/10.1007/bf02310555 ● Otwarty dostęp
  3. Dunn, T. J., Baguley, T., & Brunsden, V. (2014). From alpha to omega: A practical solution to the pervasive problem of internal consistency estimation. British Journal of Psychology, 105(3), 399–412. https://doi.org/10.1111/bjop.12046 ● Otwarty dostęp: pełny tekst
  4. Jacobson, N. S., & Truax, P. (1991). Clinical significance: A statistical approach to defining meaningful change in psychotherapy research. Journal of Consulting and Clinical Psychology, 59(1), 12–19. https://doi.org/10.1037/0022-006x.59.1.12
  5. McDonald, R. P. (1999). Test theory: A unified treatment. Lawrence Erlbaum Associates.
  6. Muchinsky, P. M. (1996). The correction for attenuation. Educational and Psychological Measurement, 56(1), 63–75. https://doi.org/10.1177/0013164496056001004
  7. Spearman, C. (1910). Correlation calculated from faulty data. British Journal of Psychology, 3(3), 271–295. https://doi.org/10.1111/j.2044-8295.1910.tb00206.x

Cytowania BibTeX

@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{cronbach1951coefficient, author={Cronbach, Lee J.}, title={{Coefficient alpha and the internal structure of tests}}, journal={Psychometrika}, year={1951}, volume={16}, number={3}, pages={297--334}, doi={10.1007/bf02310555}}
@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{jacobson1991clinical, author={Jacobson, Neil S. and Truax, Paula}, title={{Clinical significance: A statistical approach to defining meaningful change in psychotherapy research}}, journal={Journal of Consulting and Clinical Psychology}, year={1991}, volume={59}, number={1}, pages={12--19}, doi={10.1037/0022-006x.59.1.12}}
@book{mcdonald1999test, author={McDonald, Roderick P.}, title={{Test theory: A unified treatment}}, year={1999}, publisher={Lawrence Erlbaum Associates}}
@article{muchinsky1996correction, author={Muchinsky, Paul M.}, title={{The correction for attenuation}}, journal={Educational and Psychological Measurement}, year={1996}, volume={56}, number={1}, pages={63--75}, doi={10.1177/0013164496056001004}}
@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}}
R