Co to jest inercja emocjonalna?
Inercja emocjonalna (ang. emotional inertia) to stopień, w jakim stan emocjonalny opiera się zmianie (Kuppens i in., 2010). Przy wysokiej inercji afekt z jednego pomiaru dobrze przewiduje afekt w następnym, więc emocje „ciągną się” w czasie. W danych z badań ESM i EMA mierzy się ją wewnątrzosobowym współczynnikiem autoregresyjnym, czyli odpowiednikiem autokorelacji przy opóźnieniu 1 szacowanym dla wielu osób naraz.
Jak się ją szacuje
Najczęściej używa się wielopoziomowego modelu autoregresyjnego. Afekt w sygnale t zależy od afektu tej samej osoby w sygnale t − 1:
γ1i to inercja osoby i. Stały efekt opisuje przeciętną inercję, a losowe nachylenie – różnice między osobami. W modelu wielopoziomowym opóźniony predyktor zwykle centruje się do średniej osoby. Hamaker i Grasman (2015) pokazali, że takie centrowanie zaniża średnią inercję, ale jest lepszym wyborem, gdy pytasz o interakcję międzypoziomową, np. czy inercja zależy od nasilenia depresji. Pełny przykład, z wpływem braków danych, opisuje wpis wielopoziomowy model autoregresyjny i braki danych w ESM.
Inercja a psychopatologia
Kuppens i in. (2010) w dwóch badaniach naturalistycznych stwierdzili wyższą inercję emocji pozytywnych i negatywnych u osób z niską samooceną i z depresją. Metaanaliza Houbena i in. (2015) objęła 79 artykułów. Niski dobrostan współwystępował w niej z bardziej inercyjnymi emocjami (ρ = −.151), a związek był silniejszy dla emocji negatywnych.
Przykład
W danych symulowanych 80 osób odpowiadało na 50 sygnałów, a prawdziwa średnia inercja wynosiła 0.344. Model z opóźnieniem centrowanym w osobie dał 0.315 (SE = 0.018), czyli zgodnie z Hamakerem i Grasmanem (2015) nieco mniej. SD inercji między osobami wyniosło 0.088. Interakcja z depresją (0.075 na 1 SD) oznacza wyższą inercję u osób z silniejszymi objawami.
Na rysunku
Rysunek pokazuje, czego nie widać w średniej i odchyleniu standardowym: dwie osoby mają w 50 sygnałach tę samą średnią (40) i to samo SD (12) negatywnego afektu, a ich emocje zachowują się inaczej w czasie.
set.seed(3272)).Co widać. U osoby 1 afekt po wysokim wyniku zwykle szybko wraca do średniej, więc linia w panelu A skacze, a w panelu B prosta jest prawie płaska: autokorelacja przy opóźnieniu 1 wynosi 0.23. U osoby 2 zły nastrój „ciągnie się” przez kilka sygnałów, linia tworzy dłuższe fale, a punkty w panelu B układają się wzdłuż rosnącej prostej: autokorelacja wynosi 0.60. To jest właśnie inercja – nachylenie w panelu B to odpowiednik γ1i z modelu. Przy tym samym SD wyższa inercja oznacza mniejsze zmiany z sygnału na sygnał: RMSSD wynosi 10.43 u osoby 2 i 14.36 u osoby 1.
Na co uważać. Szeregi wygenerowano z inercją 0.10 i 0.75 (wartości ustawione ręcznie, żeby różnica była wyraźna; ziarna nie zmieniano), a z 50 sygnałów oszacowano 0.23 i 0.60. Przy kilkudziesięciu pomiarach oszacowanie inercji jednej osoby jest więc bardzo niepewne, a w krótkich szeregach przeciętnie nieco zaniżone. Dlatego inercję szacuje się w modelu wielopoziomowym, który pożycza informację od innych osób. Rysunek pokazuje też tylko szereg bez braków i w równych odstępach; w prawdziwych danych pary sygnałów rozdzielonych nocą trzeba wyłączyć.
Podpis do pracy:
Kod jest samowystarczalny: prosty motyw i paletę definiuje sam, a jedyny losujący blok zaczyna się od set.seed(3272). Rysunek na stronie powstał z tego samego obiektu p z motywem serwisu – dane, geometrie i skale są identyczne, różni się tylko krój czcionki.
Kod R rysunku
# Rysunek 1. Dwie osoby o tej samej średniej i SD negatywnego afektu, ale różnej inercji (50 sygnałów ESM)
library(ggplot2)
library(patchwork)
# Paleta Okabe–Ito i prosty motyw
kol <- c("Osoba 1: niska inercja" = "#0072B2", "Osoba 2: wysoka inercja" = "#D55E00")
motyw <- theme_minimal(base_size = 14) +
theme(plot.title = element_text(face = "bold", colour = "#0f1d3a", size = rel(1.0)),
panel.grid.minor = element_blank(), panel.grid.major = element_line(colour = "grey88", linewidth = 0.4),
strip.text = element_text(face = "bold"), legend.position = "none",
plot.background = element_rect(fill = "white", colour = NA))
# Proces autoregresyjny AR(1) z inercją phi; phi = 0.10 i 0.75 ustawiono ręcznie, żeby różnica była wyraźna.
# Oba szeregi przeskalowano do tej samej średniej (40) i SD (12) – różnią się tylko kolejnością zmian.
set.seed(3272)
ar1 <- function(phi, n = 50, rozbieg = 100) {
y <- numeric(n + rozbieg)
for (t in 2:(n + rozbieg)) y[t] <- phi * y[t - 1] + rnorm(1)
tail(y, n)
}
skaluj <- function(y) 40 + 12 * (y - mean(y)) / sd(y)
d <- data.frame(osoba = rep(names(kol), each = 50), sygnal = rep(1:50, 2),
na = c(skaluj(ar1(0.10)), skaluj(ar1(0.75))))
d$na_lag <- ave(d$na, d$osoba, FUN = function(x) c(NA, head(x, -1))) # sygnał t − 1
podsum <- do.call(rbind, lapply(split(d, d$osoba), function(x) data.frame(
srednia = mean(x$na), SD = sd(x$na),
inercja_r1 = cor(x$na, x$na_lag, use = "complete.obs"), # autokorelacja przy opóźnieniu 1
RMSSD = sqrt(mean(diff(x$na)^2)))))
round(podsum, 2)
etyk <- data.frame(osoba = names(kol), tekst = sprintf("średnia = %.0f, SD = %.0f, r(t, t − 1) = %.2f",
podsum$srednia, podsum$SD, podsum$inercja_r1))
pA <- ggplot(d, aes(sygnal, na, colour = osoba)) +
geom_hline(yintercept = 40, colour = "grey55", linetype = "dashed") +
geom_line(linewidth = 0.6) +
geom_point(size = 1.4) +
geom_text(data = etyk, aes(x = 1, y = 80, label = tekst), hjust = 0, size = 3.6, colour = "grey20") +
facet_wrap(~ osoba, ncol = 1) +
scale_colour_manual(values = kol) +
scale_y_continuous(limits = c(5, 84)) +
labs(title = "A. Negatywny afekt w 50 kolejnych sygnałach", x = "Numer sygnału", y = "Negatywny afekt (0–100)") +
motyw
pB <- ggplot(na.omit(d), aes(na_lag, na, colour = osoba, shape = osoba)) +
geom_abline(slope = 1, intercept = 0, colour = "grey70", linetype = "dotted") +
geom_point(size = 1.8, alpha = 0.8) +
geom_smooth(method = "lm", formula = y ~ x, se = FALSE, linewidth = 0.9) +
facet_wrap(~ osoba, ncol = 2) +
scale_colour_manual(values = kol) +
scale_shape_manual(values = c(16, 17)) +
coord_equal() +
labs(title = "B. Afekt w sygnale t względem sygnału t − 1", x = "Afekt w sygnale t − 1", y = "Afekt w sygnale t") +
motyw
p <- pA / pB + plot_layout(heights = c(1.1, 1))
pWynik w R
srednia SD inercja_r1 RMSSD
Osoba 1: niska inercja 40 12 0.23 14.36
Osoba 2: wysoka inercja 40 12 0.60 10.43Na co uważać
- Opóźnienie tylko z poprzedniego sygnału tego samego dnia. Nie łącz wieczoru z porankiem (zob. badania dzienniczkowe i EMA).
- Braki danych zaniżają inercję, najsilniej wtedy, gdy osoba pomija sygnały w najgorszych chwilach.
- Inercja to nie niestabilność. Wielkość zmian z sygnału na sygnał opisuje RMSSD, które zależy zarówno od wariancji, jak i od inercji.
Inercja emocjonalna w R
Kod symuluje negatywny afekt z procesem autoregresyjnym u każdej osoby, buduje opóźnienie centrowane w osobie i szacuje w lme4 średnią inercję, jej zmienność oraz interakcję z depresją.
Wielopoziomowy model autoregresyjny z interakcją międzypoziomową
R
suppressPackageStartupMessages(library(lme4))
set.seed(3271)
n_os <- 80; n_t <- 50
phi <- pmin(pmax(rnorm(n_os, 0.35, 0.12), -0.9), 0.9) # inercja każdej osoby
dep <- as.numeric(scale(phi + rnorm(n_os, sd = 0.12))) # nasilenie depresji (z), związane z inercją
d <- do.call(rbind, lapply(1:n_os, function(i) {
y <- numeric(n_t); y[1] <- rnorm(1, 0, 10)
for (t in 2:n_t) y[t] <- phi[i] * y[t - 1] + rnorm(1, 0, 10)
data.frame(id = i, t = 1:n_t, na = 40 + rnorm(1, 0, 8) + y, dep = dep[i])
}))
d$na_lag <- ave(d$na, d$id, FUN = function(x) c(NA, head(x, -1))) # sygnał t − 1
d$na_lag_cw <- d$na_lag - ave(d$na, d$id) # centrowanie w osobie
m <- lmer(na ~ na_lag_cw * dep + (1 + na_lag_cw | id), data = d)
round(summary(m)$coefficients, 3)
round(as.data.frame(VarCorr(m))[2, "sdcor"], 3) # SD inercji między osobami
round(c(prawda = mean(phi), r_phi_dep = cor(phi, dep)), 3)Wynik w R
Estimate Std. Error t value
(Intercept) 37.493 0.937 40.030
na_lag_cw 0.315 0.018 17.295
dep -1.077 0.943 -1.142
na_lag_cw:dep 0.075 0.018 4.120
[1] 0.088
prawda r_phi_dep
0.344 0.649 Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (pakiet lme4). Rysunek 1 wykonano w pakietach ggplot2 i patchwork i zapisano pakietem svglite. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- 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/
- lme4 (wersja 2.0.1): Bates, D., Mächler, M., Bolker, B., & Walker, S. (2015). Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67(1), 1–48. https://doi.org/10.18637/jss.v067.i01
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
- 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
Najczęstsze pytania
Czy inercja emocjonalna to to samo co autokorelacja?
Prawie. Inercja to autokorelacja afektu przy opóźnieniu 1 w obrębie osoby. W danych wielu osób szacuje się ją współczynnikiem autoregresyjnym w modelu wielopoziomowym, bo zwykła korelacja sygnałów wszystkich osób miesza inercję z różnicami średnich między osobami.
Czy wysoka inercja jest zawsze niekorzystna?
Nie w każdym badaniu, ale w metaanalizie Houbena i in. (2015) bardziej inercyjne emocje przeciętnie współwystępowały z niższym dobrostanem, a związek był silniejszy dla emocji negatywnych. Interpretuj inercję razem ze średnim poziomem i zmiennością afektu.
Ile pomiarów na osobę potrzeba do oszacowania inercji?
Nie ma jednej granicy. Im mniej par kolejnych sygnałów, tym mniej precyzyjne są inercje osób. Pominięte sygnały usuwają pary podwójnie, bo ta sama zmienna jest wynikiem i predyktorem, więc planuj badanie z myślą o wysokim compliance.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Planowanie badania ESM
Ile osób, dni i sygnałów: moc dla efektu wewnątrzosobowego i interakcji międzypoziomowej, spadek kompliancji i symulacja w R.
Czytaj →PoradnikModel autoregresyjny i braki danych w ESM
Inercja afektu w modelu MLAR(1), centrowanie opóźnienia, compliance oraz braki MCAR i ogonowe – z symulacją w lme4 i zaleceniami projektowymi.
Czytaj →PoradnikBadania dzienniczkowe i EMA – analiza danych
Compliance, ICC, centrowanie w osobie, opóźnienia w obrębie dnia, reaktywność afektywna w lme4 i rzetelność zmiany – z kodem R i wzorem opisu.
Czytaj →PoradnikZmienność regulacji emocji w ESM
SD i względne SD, Bray–Curtis z podziałem na przełączanie i zmianę nasilenia, RMSSD, AR, %DET i entropia – wzory, R i interpretacja.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Hamaker, E. L., & Grasman, R. P. P. P. (2015). To center or not to center? Investigating inertia with a multilevel autoregressive model. Frontiers in Psychology, 5. https://doi.org/10.3389/fpsyg.2014.01492 ● Otwarty dostęp
- Houben, M., Van Den Noortgate, W., & Kuppens, P. (2015). The relation between short-term emotion dynamics and psychological well-being: A meta-analysis. Psychological Bulletin, 141(4), 901–930. https://doi.org/10.1037/a0038822
- Kuppens, P., Allen, N. B., & Sheeber, L. B. (2010). Emotional inertia and psychological maladjustment. Psychological Science, 21(7), 984–991. https://doi.org/10.1177/0956797610372634 ● Otwarty dostęp: pełny tekst
Cytowania BibTeX
@article{hamaker2015center, author={Hamaker, Ellen L. and Grasman, Raoul P. P. P.}, title={{To center or not to center? Investigating inertia with a multilevel autoregressive model}}, journal={Frontiers in Psychology}, year={2015}, volume={5}, doi={10.3389/fpsyg.2014.01492}}@article{houben2015relation, author={Houben, Marlies and Van Den Noortgate, Wim and Kuppens, Peter}, title={{The relation between short-term emotion dynamics and psychological well-being: A meta-analysis}}, journal={Psychological Bulletin}, year={2015}, volume={141}, number={4}, pages={901--930}, doi={10.1037/a0038822}}@article{kuppens2010emotional, author={Kuppens, Peter and Allen, Nicholas B. and Sheeber, Lisa B.}, title={{Emotional inertia and psychological maladjustment}}, journal={Psychological Science}, year={2010}, volume={21}, number={7}, pages={984--991}, doi={10.1177/0956797610372634}}