Słownik metodologiczny · Pomiar i skale

Inercja emocjonalna – jak mierzyć bezwładność emocji w badaniach ESM?

Inercja emocjonalna opisuje, jak bardzo afekt z jednego pomiaru przenosi się na następny. Pokazujemy, jak ją szacować wielopoziomowym modelem autoregresyjnym, co mówi o psychopatologii i na co uważać przy centrowaniu i brakach danych.

Strona główna / Słownik / Inercja emocjonalna
W skrócie: Inercja emocjonalna to stopień, w jakim stan emocjonalny opiera się zmianie. W badaniach ESM mierzy się ją wewnątrzosobowym współczynnikiem autoregresyjnym: na ile afekt w danym sygnale da się przewidzieć z afektu w sygnale poprzednim. Wyższa inercja wiąże się z gorszym dobrostanem i depresją.

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:

Yit = γ0i + γ1i · Yi,t−1 + εit

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.

Dwa panele. Panel A: szeregi negatywnego afektu dwóch osób w 50 sygnałach, obie ze średnią 40 i SD 12. U osoby 1 (niebieska linia) wynik skacze wokół średniej z sygnału na sygnał, r(t, t − 1) = 0.23. U osoby 2 (pomarańczowa linia) afekt utrzymuje się przez kilka sygnałów nad lub pod średnią, r(t, t − 1) = 0.60. Panel B: wykresy rozrzutu afektu w sygnale t względem sygnału t − 1; u osoby 1 chmura jest szeroka, a prosta płaska, u osoby 2 punkty układają się wzdłuż rosnącej prostej.
Rysunek 1. Negatywny afekt dwóch osób o tej samej średniej i SD, ale różnej inercji: przebieg w czasie (A) i zależność od poprzedniego sygnału (B). Obliczenia: R, pakiety ggplot2 i patchwork (dane symulowane, 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:

Rysunek 1. Negatywny afekt dwóch uczestników w 50 kolejnych sygnałach badania ESM. Uwaga. Panel A: przebieg w czasie, linia przerywana – średnia osoby. Panel B: afekt w sygnale t względem afektu w sygnale t − 1 z prostą regresji; nachylenie odpowiada inercji emocjonalnej. Obie osoby mają tę samą średnią (M = 40) i odchylenie standardowe (SD = 12), autokorelacja przy opóźnieniu 1 wynosi 0.23 i 0.60.

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))
p
Wynik 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 10.43

Na 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.
Przykład reprodukowalny

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

Dane wejściowe: negatywny afekt 80 osób w 50 kolejnych sygnałach oraz nasilenie depresji (z) każdej osoby (dane symulowane, set.seed(3271)).

Co odczytać: współczynnik na_lag_cw (średnia inercja), interakcję na_lag_cw:dep, SD losowego nachylenia i prawdziwą średnią inercję w symulacji.

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()).

  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. 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
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  4. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
  5. 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

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. 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
  2. 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
  3. 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}}
R