Słownik metodologiczny · Psychometria

KR-20 (Kuder–Richardson) – co to jest i jak go policzyć?

KR-20 to klasyczna miara rzetelności testu z pytaniami punktowanymi 0/1. Pokazujemy wzór, dlaczego daje ten sam wynik co alfa Cronbacha, czym różni się od KR-21 oraz przykład z testu wiedzy z kodem R.

W skrócie: KR-20 (wzór 20 Kudera–Richardsona) to współczynnik spójności wewnętrznej testu z pytaniami punktowanymi 0/1, dla takich danych równy alfie Cronbacha. Podawaj go z 95% przedziałem ufności i pamiętaj, że rośnie z liczbą pytań i nie dowodzi jednowymiarowości testu.

Co to jest KR-20?

KR-20 (wzór 20 Kudera–Richardsona, ang. Kuder–Richardson Formula 20) to współczynnik spójności wewnętrznej testu, którego pozycje punktuje się 0/1: dobrze – źle albo tak – nie. Kuder i Richardson (1937) wyprowadzili kilka wzorów na rzetelność testu, zależnie od dostępnych informacji i dodatkowych założeń; nazwy KR-20 i KR-21 to po prostu numery wzorów w ich artykule. Stosuje się go w testach wiedzy, egzaminach i listach objawów z odpowiedziami tak/nie. Im wyższa wartość (zwykle od 0 do 1), tym mniejszy udział błędu losowego w wynikach testu.

Wzór KR-20

KR-20 = k / (k − 1) × (1 − Σpiqi / s2X)

k to liczba pozycji, pi – odsetek poprawnych odpowiedzi na pozycję i, qi = 1 − pi, a s2X – wariancja wyniku ogólnego. Σpq to suma wariancji pojedynczych pytań. Wariancja wyniku ogólnego zawiera dodatkowo kowariancje między pytaniami, więc im silniej pytania są ze sobą powiązane, tym bardziej przewyższa tę sumę i tym wyższy KR-20. Iloczyn pq to wariancja pozycji 0/1, dlatego Cronbach (1951) mógł pokazać, że KR-20 jest szczególnym przypadkiem alfy: dla tych samych danych obie liczby są identyczne. KR-21 upraszcza wzór, zakładając jednakową trudność wszystkich pytań – wystarczą mu liczba pozycji, średnia i wariancja wyniku.

Przykład

Stu pięćdziesięciu studentów rozwiązało 12-pytaniowy test z metodologii badań (dane symulowane). Suma pq wyniosła 2.25, a wariancja wyniku 8.55, więc KR-20 = 12/11 × (1 − 2.25/8.55) = .80, 95% CI [.75, .85] – dokładnie tyle co alfa Cronbacha. Pytania różniły się trudnością (od 15% do 89% poprawnych odpowiedzi), dlatego KR-21 dał tylko .71.

Jak zapisać w pracy

Rzetelność testu wiedzy (12 pytań punktowanych 0/1, N = 150) oszacowana współczynnikiem KR-20 wyniosła .80, 95% CI [.75, .85].

Na co uważać

  • KR-20 rośnie z liczbą pytań. Krótki test z dobrymi pytaniami może mieć niski współczynnik, a długi – wysoki mimo przeciętnych pytań. Tę zależność opisuje wzór Spearmana–Browna.
  • Wysoki KR-20 nie dowodzi jednowymiarowości. Alfa nie mówi nic o wewnętrznej strukturze testu (Sijtsma, 2009). Strukturę sprawdź analizą czynnikową na korelacjach tetrachorycznych. KR-20, tak jak alfa, zakłada też jednakowe ładunki pozycji – omega McDonalda tego nie wymaga.
  • KR-21 tylko awaryjnie – gdy nie masz odpowiedzi na poszczególne pytania. Przy różnej trudności pytań zaniża rzetelność.
  • Pytania za 0, 1 i 2 punkty albo odpowiedzi na skali Likerta to już nie KR-20 – licz alfę lub omegę.
  • Niski wynik? Słabe pytania wskaże analiza pozycji testu. Pełny przykład z testem wiedzy pacjentów znajdziesz w poradniku ankieta wiedzy – analiza krok po kroku.
Przykład reprodukowalny

Przykład w R

Kod tworzy odpowiedzi z przykładu, liczy KR-20 i KR-21 ze wzorów i porównuje wynik z alfą Cronbacha z pakietu psych, razem z 95% przedziałem ufności metodą Feldta. Wariancję wyniku liczymy z mianownikiem N, tak jak iloczyny pq – wtedy KR-20 i alfa są identyczne.

KR-20, KR-21 i alfa dla testu 0/1

Dane wejściowe: odpowiedzi 150 studentów na 12 pytań punktowanych 0/1 (dane symulowane, set.seed(73)).

Co odczytać: sumę pq, wariancję wyniku, zakres łatwości pytań, KR-20, KR-21 oraz alfę z 95% CI.

R
set.seed(73)
wiedza <- rnorm(150)                                       # poziom wiedzy 150 studentów
odp <- sapply(seq(-1.8, 1.4, length.out = 12), function(b) rbinom(150, 1, plogis(1.5 * (wiedza - b))))   # 12 pytań: 1 = poprawna
k <- ncol(odp); p <- colMeans(odp); X <- rowSums(odp)
s2 <- mean((X - mean(X))^2)                                # wariancja wyniku z mianownikiem N, jak p × q
round(c(k = k, suma_pq = sum(p * (1 - p)), s2 = s2, p_min = min(p), p_max = max(p),
        KR20 = k / (k - 1) * (1 - sum(p * (1 - p)) / s2),
        KR21 = k / (k - 1) * (1 - mean(X) * (k - mean(X)) / (k * s2))), 3)
a <- psych::alpha(odp)                                     # alfa Cronbacha dla tych samych danych
round(c(alfa = a$total$raw_alpha, CI_dolna = a$feldt$lower.ci$raw_alpha, CI_gorna = a$feldt$upper.ci$raw_alpha), 3)   # 95% CI (Feldt)
Wynik w R
      k suma_pq      s2   p_min   p_max    KR20    KR21 
 12.000   2.251   8.552   0.153   0.893   0.804   0.712 
    alfa CI_dolna CI_gorna 
   0.804    0.754    0.847 

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3. 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]. Northwestern University. https://doi.org/10.32614/CRAN.package.psych

Najczęstsze pytania

Czym różni się KR-20 od KR-21?

KR-21 upraszcza KR-20, zakładając jednakową trudność wszystkich pytań – wystarczą mu średnia i wariancja wyniku. Gdy trudność pytań się różni, KR-21 daje wartość niższą niż KR-20, czyli zaniża rzetelność.

Jak policzyć KR-20 w SPSS?

Wybierz Analyze > Scale > Reliability Analysis, przenieś pytania zakodowane 0/1 i zostaw model Alpha. Dla pozycji dychotomicznych alfa jest równoważna KR-20, więc w pracy możesz podać wynik jako KR-20.

Czy KR-20 można liczyć dla pytań z punktami częściowymi?

Nie – KR-20 wymaga pozycji punktowanych 0/1. Gdy pytanie daje 0, 1 lub 2 punkty albo odpowiedź na skali Likerta, policz alfę Cronbacha lub omegę McDonalda; KR-20 jest szczególnym przypadkiem alfy.

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. 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
  2. Kuder, G. F., & Richardson, M. W. (1937). The theory of the estimation of test reliability. Psychometrika, 2(3), 151–160. https://doi.org/10.1007/BF02288391
  3. Sijtsma, K. (2009). On the use, the misuse, and the very limited usefulness of Cronbach's alpha. Psychometrika, 74(1), 107–120. https://doi.org/10.1007/s11336-008-9101-0 ● Otwarty dostęp

Cytowania BibTeX

@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{kuder1937theory, author={Kuder, G. F. and Richardson, M. W.}, title={{The theory of the estimation of test reliability}}, journal={Psychometrika}, year={1937}, volume={2}, number={3}, pages={151--160}, doi={10.1007/bf02288391}}
@article{sijtsma2009use, author={Sijtsma, Klaas}, title={{On the use, the misuse, and the very limited usefulness of Cronbach's alpha}}, journal={Psychometrika}, year={2009}, volume={74}, number={1}, pages={107--120}, doi={10.1007/s11336-008-9101-0}}
R