Słownik metodologiczny · Ludzie statystyki

Louis Guttman (1916–1987) – twórca skalogramu i dolnych granic rzetelności

Louis Guttman zaproponował skalogram, czyli skalę kumulatywną z pytań tak/nie, podał sześć dolnych granic rzetelności (lambdy, wśród nich wzór znany jako alfa) i dolną granicę liczby czynników, z której wyrosło kryterium Kaisera. Przedstawiamy jego drogę od armii USA do instytutu w Izraelu i skalogram na danych z Bangladeszu w R.

Strona główna / Słownik / Louis Guttman
W skrócie: Louis Guttman (1916–1987) – amerykański badacz pomiaru, od 1947 r. dyrektor naukowy Israel Institute of Applied Social Research. Twórca skalogramu (skali Guttmana), sześciu dolnych granic rzetelności (λ1–λ6, w tym λ3 = alfa) i dolnej granicy liczby czynników, a także teorii faset.

Kim był Louis Guttman?

Louis Guttman (1916–1987) był amerykańskim badaczem pomiaru w naukach społecznych i psychologii, który większość kariery spędził w Izraelu. Urodził się 10 lutego 1916 r. w Brooklynie. Na Uniwersytecie Minnesoty uzyskał licencjat (1936), magisterium (1939) i doktorat z pomiaru społecznego i psychologicznego (1942) (Lingoes i in., 1988).

W latach 1941–1945 był ekspertem doradzającym amerykańskiemu Sekretarzowi Wojny, a jego metodę skalowania stosowano wtedy w badaniach morale w armii USA (Guttman, 1944; Lingoes i in., 1988). W 1947 r. założył Israel Institute of Applied Social Research (Izraelski Instytut Stosowanych Badań Społecznych) i przez wiele lat był jego dyrektorem naukowym; w latach 1955–1987 był związany z Uniwersytetem Hebrajskim w Jerozolimie. Pracował też w Cornell (1941–1950 i 1972–1978), a gościnnie m.in. na Harvardzie i w Michigan. Otrzymał Nagrodę Rothschilda (1963) i Nagrodę Izraela w dziedzinie nauk społecznych (1978), a w 1970 r. był prezesem Psychometric Society. Zmarł 25 października 1987 r. w Minneapolis, dokąd przyjechał z wykładami i na leczenie (Lingoes i in., 1988).

Najważniejsze pomysły

  • Skalogram. Sposób porządkowania osób na podstawie odpowiedzi na pytania jakościowe – opinie, postawy, wiedzę – tak, by sam wynik sumaryczny odtwarzał cały wzorzec odpowiedzi (Guttman, 1944). Dziś to skala Guttmana zbudowana z pozycji typu tak/nie.
  • Dolne granice rzetelności. W 1945 r. zdefiniował rzetelność przez zmienność wyników między powtórzeniami pomiaru i podał sześć dolnych granic współczynnika rzetelności, które można policzyć z jednego pomiaru (Guttman, 1945). Trzecia z nich, λ3, to wzór znany dziś jako alfa Cronbacha; druga, λ2, bywa od niej nieco wyższa.
  • Liczba czynników. Udowodnił, że liczba wartości własnych macierzy korelacji nie mniejszych od 1 jest dolną granicą liczby czynników wspólnych, i podał dwie lepsze granice (Guttman, 1954). Najsłabsza z nich trafiła do programów komputerowych jako kryterium Kaisera – czego sam Guttman nie zalecał (Lingoes i in., 1988).
  • Analiza czynnikowa i skalowanie. Teoria obrazu (image analysis), wykazanie nieoznaczoności wyników czynnikowych, radeks i sympleks jako modele struktury zdolności, analiza najmniejszej przestrzeni (SSA) – odmiana skalowania wielowymiarowego – oraz teoria faset do planowania pytań (Lingoes i in., 1988).

Ciekawostka

Samuel Shye, uczeń Guttmana, wspomina w jego nekrologu ulubiony chwyt dydaktyczny mistrza. Guttman pokazywał wyrobionemu audytorium symetryczną macierz współczynników i pytał, co jest jej najważniejszą cechą. Po serii pomysłowych odpowiedzi wskazywał rzecz oczywistą, którą wszyscy przeoczyli: wszystkie korelacje są dodatnie (Lingoes i in., 1988). Z tej obserwacji wyrosły jego „pierwsze prawa” postaw i inteligencji: w niewyselekcjonowanej populacji pozycje dotyczące tej samej postawy albo zadania inteligencji korelują nieujemnie.

Jest też ironia losu. Skalogram rozsławił nazwisko Guttmana, ale on sam w przemówieniu prezesa Psychometric Society w 1971 r. wyraził rozczarowanie tym, jak rozumiano „skalę Guttmana”, a mechaniczne konstruowanie takich skal uznał za działalność nienaukową. Skalowalność zestawu pozycji traktował jako hipotezę, która – jak piszą autorzy nekrologu – częściej się nie potwierdza (Lingoes i in., 1988).

Przykład na historycznych danych

Zbiór Mobility z pakietu ltm to – według pliku pomocy – wiejska podpróba 8445 kobiet z badania Bangladesh Fertility Survey z 1989 r. Pytano, czy mogą same zrobić osiem rzeczy, np. pójść w dowolne miejsce w swojej miejscowości, wyjść poza nią, pójść na zakupy czy na zebranie polityczne (1 = tak, 0 = nie). To dobry kandydat na skalogram: kolejne czynności wymagają coraz większej swobody.

Po uporządkowaniu pozycji od najczęściej wybieranej (80% odpowiedzi „tak”) do najrzadszej (5%) wzorzec doskonały, w którym wynik sumaryczny odtwarza wszystkie odpowiedzi, miało 69.7% kobiet. Błędów było 5260 na 8 × 8445 odpowiedzi, więc współczynnik odtwarzalności CR = 0.922. Często stosowany próg 0.90 (zob. skala Guttmana) jest przekroczony, ale minimalna odtwarzalność brzegowa, którą dają same odsetki odpowiedzi, wynosi MMR = 0.819 – struktura kumulatywna jest więc wyraźna, choć nie idealna.

Na tych samych danych policzyliśmy dolne granice rzetelności Guttmana z macierzy kowariancji: λ1 = 0.665, λ2 = 0.773 i λ3 = 0.760 (czyli alfa). Wszystkie są dolnymi granicami, a alfa ma jako oszacowanie rzetelności poważne ograniczenia (Sijtsma, 2009), więc warto podać obok niej także λ2.

Na rysunku

Pozioma oś czasu od 1910 do 1990 z dziewięcioma zdarzeniami: 1916 urodził się w Nowym Jorku; 1942 doktorat na Uniwersytecie Minnesoty; 1944 skalogram, praca A basis for scaling qualitative data; 1945 dolne granice rzetelności (lambdy); 1947 zakłada Israel Institute of Applied Social Research; 1954 granice liczby czynników; 1970 prezes Psychometric Society; 1978 Nagroda Izraela w naukach społecznych; 1987 zmarł w Minneapolis. Rodzaj zdarzenia oznaczają kształt i kolor znacznika: koło – życie, kwadrat – praca, romb – publikacja, trójkąt – wyróżnienie
Rysunek 1. Oś czasu: Louis Guttman, 1916–1987. Lata według Lingoesa i in. (1988) oraz prac Guttmana (1944, 1945, 1954). Rysunek: R, pakiet ggplot2.

Co widać. Trzy najczęściej cytowane prace metodologiczne Guttmana – o skalogramie, rzetelności i liczbie czynników – powstały w ciągu dziesięciu lat, w okresie, w którym zakładał też swój instytut.

Na co uważać. Oś pokazuje tylko wybrane lata z cytowanych źródeł; brak na niej m.in. lat pracy w Cornell i na Uniwersytecie Hebrajskim oraz prac o teorii faset.

Podpis do pracy:

Rysunek 1. Najważniejsze daty z życia i pracy Louisa Guttmana, 1916–1987. Uwaga. Kształt znacznika oznacza rodzaj zdarzenia (życie, praca, publikacja, wyróżnienie).
Dwa panele. A: wykres punktowy odsetka odpowiedzi tak na osiem pozycji, posortowanych od najłatwiejszej: dowolne miejsce w miejscowości 80%, rozmowa z nieznajomym mężczyzną 75%, kino lub pokaz kulturalny 36%, wyjście poza miejscowość 31%, spółdzielnia lub klub 11%, ośrodek zdrowia lub szpital 9%, zakupy 7%, zebranie polityczne 5%. B: słupki 100% dla wyników sumarycznych od 0 do 8 z liczbą osób pod osią; zielona dolna część to odsetek osób z wzorcem doskonałym, pomarańczowa górna – z co najmniej jednym błędem; przy wyniku 0 i 8 wzorzec jest zawsze doskonały, przy wynikach 2 i 4 doskonałych jest około 85% i 81%, przy wynikach 1 i 3 około połowy, a przy 5–7 od 22% do 37%
Rysunek 2. Odsetek odpowiedzi „tak” na osiem pozycji o swobodzie poruszania się (A) oraz odsetek wzorców doskonałych Guttmana według wyniku sumarycznego (B); N = 8445 kobiet z wiejskiej podpróby Bangladesh Fertility Survey 1989 (zbiór Mobility, pakiet ltm). Obliczenia i rysunek: R, pakiety ggplot2 i patchwork.

Co widać. Panel A pokazuje trudność pozycji: dwie łatwe, dwie średnie i cztery rzadkie. Panel B pokazuje, gdzie skalogram działa: przy wynikach 2 i 4 ponad 80% kobiet ma wzorzec doskonały, bo łatwe pozycje tworzą wyraźne pary. Przy wynikach 5–7 doskonałych wzorców jest mniej niż 40% – rzadkie czynności nie układają się w jedną kolejność.

Na co uważać. Wyniki 0 i 8 są doskonałe z definicji, więc podnoszą CR bez informacji o strukturze. Kolejność pozycji wyznaczono na tych samych danych, co zawyża CR; prawdziwy test kumulatywności wymaga nowej próby albo modelu probabilistycznego, np. skalowania Mokkena.

Podpis do pracy:

Rysunek 2. Odsetek odpowiedzi „tak” na osiem pozycji dotyczących swobody poruszania się (A) i odsetek osób z doskonałym wzorcem Guttmana dla każdego wyniku sumarycznego (B), N = 8445. Uwaga. Dane: Bangladesh Fertility Survey 1989, wiejska podpróba kobiet. Pozycje uporządkowano od najczęściej do najrzadziej wybieranej; współczynnik odtwarzalności CR = 0.922, minimalna odtwarzalność brzegowa MMR = 0.819.

Gdzie spotkasz Guttmana w swojej pracy

Spory, mity i trudne strony

  • „Skala Guttmana” wbrew Guttmanowi. Jak opisano w ciekawostce, Guttman krytykował mechaniczne budowanie skal kumulatywnych; uważał skalowalność za hipotezę do sprawdzenia, a gdy się nie potwierdzała, proponował analizy wielowymiarowe (Lingoes i in., 1988).
  • Istotność statystyczna a naukowa. Guttman ostro krytykował rutynowe testowanie istotności zastępujące pytanie o znaczenie naukowe wyniku i opisał typowe błędy w pracy „What is not what in statistics” (1977); był też zwolennikiem replikacji (Lingoes i in., 1988).
  • Kryterium Kaisera to nie „reguła Guttmana”. Choć bywa nazywane kryterium Kaisera–Guttmana, Guttman przedstawił je jako najsłabszą dolną granicę liczby czynników i zalecał wyodrębnianie większej liczby czynników (Guttman, 1954; Lingoes i in., 1988).
Przykład reprodukowalny

Skalogram i lambdy Guttmana w R

Kod wczytuje zbiór Mobility z pakietu ltm, porządkuje pozycje od najczęściej wybieranej, wyznacza wzorce idealne, liczy współczynnik odtwarzalności i minimalną odtwarzalność brzegową, a następnie dolne granice rzetelności λ1, λ2 i λ3 (alfa) z macierzy kowariancji. Nie ma tu losowania. Drugi przepis rysuje oś czasu (rysunek 1). Rysunki na stronie powstały z tych samych obiektów p1 i p2, którym podmieniono tylko motyw na motyw serwisu; dane, geometrie i skale są identyczne.

1. Skalogram, CR i lambdy: rysunek 2

Dane wejściowe: data(Mobility, package = "ltm") – 8445 kobiet, 8 pozycji 0/1 (czy może sama wykonać daną czynność).

Co odczytać: odsetki odpowiedzi „tak”; liczbę błędów, odsetek wzorców doskonałych, CR i MMR; λ1, λ2 i λ3 (alfa); odsetek wzorców doskonałych dla każdego wyniku sumarycznego.

Kod R rysunku 2
# Louis Guttman: skalogram, współczynnik odtwarzalności i lambda-2 na danych o swobodzie poruszania się kobiet (ltm::Mobility)
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
kol <- c(tak = "#0072B2", wzor = "#009E73", blad = "#D55E00")   # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
  theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "bottom")
data(Mobility, package = "ltm")   # 8445 kobiet, 8 pozycji: czy może to zrobić sama (1 = tak, 0 = nie)
X <- as.matrix(Mobility)
etykiety <- c("Item 1" = "dowolne miejsce w miejscowości", "Item 2" = "wyjście poza miejscowość",
              "Item 3" = "rozmowa z nieznajomym mężczyzną", "Item 4" = "kino / pokaz kulturalny",
              "Item 5" = "zakupy", "Item 6" = "spółdzielnia / klub", "Item 7" = "zebranie polityczne",
              "Item 8" = "ośrodek zdrowia / szpital")
# Skalogram: pozycje od najczęściej do najrzadziej wybieranej
X <- X[, order(colMeans(X), decreasing = TRUE)]
k <- ncol(X); n <- nrow(X); p_tak <- colMeans(X)
print(data.frame(pozycja = etykiety[colnames(X)], odsetek_tak = round(p_tak, 3)), row.names = FALSE)
# Wzorzec idealny: wynik s oznacza "tak" dokładnie na s najłatwiejszych pozycjach
s <- rowSums(X)
idealny <- t(sapply(s, function(m) as.numeric(seq_len(k) <= m)))
bledy <- sum(X != idealny)
CR  <- 1 - bledy / (n * k)                 # współczynnik odtwarzalności
MMR <- mean(pmax(p_tak, 1 - p_tak))        # minimalna odtwarzalność brzegowa
c(osoby = n, pozycje = k, bledy = bledy, wzorzec_doskonaly = round(mean(rowSums(X != idealny) == 0), 3),
  CR = round(CR, 3), MMR = round(MMR, 3))
# Rzetelność: lambda-1, lambda-3 (= alfa Cronbacha) i lambda-2 Guttmana (1945) z macierzy kowariancji
C <- cov(X); V <- sum(C); poza <- C; diag(poza) <- 0
lambda1 <- 1 - sum(diag(C)) / V
lambda3 <- k / (k - 1) * lambda1
lambda2 <- lambda1 + sqrt(k / (k - 1) * sum(poza^2)) / V
round(c(lambda1 = lambda1, lambda2 = lambda2, lambda3_alfa = lambda3), 3)

# Rysunek 2A: odsetek odpowiedzi "tak" na każdą pozycję (kolejność skalogramu)
dA <- data.frame(pozycja = factor(etykiety[colnames(X)], levels = rev(etykiety[colnames(X)])), p = p_tak)
pA <- ggplot(dA, aes(p, pozycja)) +
  geom_segment(aes(x = 0, xend = p, yend = pozycja), colour = "grey75") +
  geom_point(size = 3, colour = kol[["tak"]]) +
  geom_text(aes(label = sprintf("%.0f%%", 100 * p)), hjust = -0.35, size = 3.3) +
  scale_x_continuous(labels = function(x) paste0(100 * x, "%"), limits = c(0, 1)) +
  labs(title = "A. Pozycje od najłatwiejszej", x = "Odsetek odpowiedzi „tak”", y = NULL) +
  motyw
# Rysunek 2B: dla każdego wyniku sumarycznego – ile osób ma wzorzec dokładnie zgodny ze skalogramem
dB <- data.frame(s = s, zgodny = rowSums(X != idealny) == 0)
dB <- aggregate(zgodny ~ s, data = dB, FUN = function(z) c(n = length(z), odsetek = mean(z)))
dB <- data.frame(s = dB$s, n = dB$zgodny[, "n"], odsetek = dB$zgodny[, "odsetek"])
print(transform(dB, odsetek = round(odsetek, 3)), row.names = FALSE)   # wynik, liczba osób, odsetek wzorców doskonałych
dB <- rbind(data.frame(s = dB$s, n = dB$n, rodzaj = "wzorzec doskonały", udzial = dB$odsetek),
            data.frame(s = dB$s, n = dB$n, rodzaj = "co najmniej jeden błąd", udzial = 1 - dB$odsetek))
dB$rodzaj <- factor(dB$rodzaj, levels = c("co najmniej jeden błąd", "wzorzec doskonały"))
pB <- ggplot(dB, aes(factor(s), udzial, fill = rodzaj)) +
  geom_col(width = 0.75, colour = "white") +
  scale_fill_manual(values = c("wzorzec doskonały" = kol[["wzor"]], "co najmniej jeden błąd" = kol[["blad"]]), name = NULL) +
  scale_y_continuous(labels = function(x) paste0(100 * x, "%"), breaks = seq(0, 1, 0.25)) +
  scale_x_discrete(labels = function(x) paste0(x, "\n", dB$n[match(as.numeric(x), dB$s)])) +   # pod wynikiem: liczba osób
  labs(title = "B. Zgodność z wzorcem Guttmana", x = "Wynik sumaryczny (pod spodem: liczba osób)",
       y = "Odsetek osób") +
  motyw
p2 <- pA + pB + plot_layout(widths = c(1, 1.15))
p2
Wynik w R
                         pozycja odsetek_tak
  dowolne miejsce w miejscowości       0.799
 rozmowa z nieznajomym mężczyzną       0.752
         kino / pokaz kulturalny       0.365
        wyjście poza miejscowość       0.314
             spółdzielnia / klub       0.111
       ośrodek zdrowia / szpital       0.087
                          zakupy       0.069
             zebranie polityczne       0.053
            osoby           pozycje             bledy wzorzec_doskonaly 
         8445.000             8.000          5260.000             0.697 
               CR               MMR 
            0.922             0.819 
     lambda1      lambda2 lambda3_alfa 
       0.665        0.773        0.760 
 s    n odsetek
 0  829   1.000
 1 1617   0.543
 2 2369   0.852
 3 1533   0.497
 4 1126   0.809
 5  389   0.373
 6  193   0.223
 7  143   0.364
 8  246   1.000

2. Oś czasu: rysunek 1

Dane wejściowe: dziewięć zdarzeń z latami według cytowanych źródeł, wpisanych ręcznie.

Co odczytać: nic – kod tylko rysuje oś czasu.

Kod R rysunku 1
# Oś czasu: Louis Guttman, 1916–1987 – lata według cytowanych źródeł
library(ggplot2)
zdarzenia <- data.frame(
  rok = c(1916, 1942, 1944, 1945, 1947, 1954, 1970, 1978, 1987),
  opis = c("urodził się\nw Nowym Jorku", "doktorat\n(Minnesota)", "skalogram\n(„A basis for scaling…”)",
           "dolne granice\nrzetelności (lambdy)", "zakłada Israel Institute\nof Applied Social Research",
           "granice liczby\nczynników", "prezes Psychometric\nSociety", "Nagroda Izraela\n(nauki społeczne)",
           "zmarł\nw Minneapolis"),
  rodzaj = c("życie", "praca", "publikacja", "publikacja", "praca", "publikacja", "wyróżnienie", "wyróżnienie", "życie"))
zdarzenia$wysokosc <- c(0.5, -0.5, 0.85, -0.85, 0.35, -0.5, 0.5, -0.5, 0.5)   # nad (+) i pod (−) osią
zdarzenia$wyrownanie <- c(0.5, 1, 0.5, 0.5, 0, 0.5, 0.5, 0.5, 0.5)            # etykiety lat 1942–1947 rozsunięte
ksztalty <- c("życie" = 21, "praca" = 22, "publikacja" = 23, "wyróżnienie" = 24)
kolory <- c("życie" = "grey40", "praca" = "#0072B2", "publikacja" = "#D55E00", "wyróżnienie" = "#009E73")   # Okabe–Ito
p1 <- ggplot(zdarzenia, aes(rok, 0)) +
  geom_hline(yintercept = 0, colour = "grey60", linewidth = 0.8) +
  geom_segment(aes(xend = rok, y = 0, yend = wysokosc), colour = "grey70") +
  geom_point(aes(shape = rodzaj, fill = rodzaj), size = 4, colour = "black") +
  geom_text(aes(y = wysokosc + 0.05 * sign(wysokosc), label = paste0(rok, "\n", opis), vjust = ifelse(wysokosc > 0, 0, 1),
                hjust = wyrownanie),
            size = 3.4, lineheight = 0.9) +
  scale_shape_manual(values = ksztalty, name = NULL) +
  scale_fill_manual(values = kolory, name = NULL) +
  scale_x_continuous(limits = c(1908, 1995), breaks = seq(1910, 1990, by = 10)) +
  scale_y_continuous(limits = c(-1.35, 1.35)) +
  labs(x = NULL, y = NULL) +
  theme_minimal(base_size = 13) +
  theme(axis.text.y = element_blank(), panel.grid = element_blank(), axis.text.x = element_text(colour = "grey30"),
        legend.position = "bottom")
p1

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (dane – pakiet ltm; obliczenia – funkcje cov() i rowSums() z pakietów stats i base; rysunki – pakiety ggplot2 i patchwork). 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. ltm (wersja 1.2.0): Rizopoulos, D. (2006). ltm: An R package for latent variable modeling and item response theory analyses. Journal of Statistical Software, 17(5), 1–25. https://doi.org/10.18637/jss.v017.i05
  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

Najczęstsze pytania

Kim był Louis Guttman?

Amerykańskim badaczem pomiaru (1916–1987), absolwentem i doktorem Uniwersytetu Minnesoty. W czasie II wojny światowej doradzał amerykańskiemu Sekretarzowi Wojny, w 1947 r. założył Israel Institute of Applied Social Research, a od 1955 r. był związany z Uniwersytetem Hebrajskim w Jerozolimie. Otrzymał m.in. Nagrodę Izraela (1978).

Co to jest lambda 2 Guttmana?

Jedna z sześciu dolnych granic rzetelności, które Guttman podał w 1945 r. Liczy się ją z jednego pomiaru, z wariancji i kowariancji pozycji. Wzór λ3 to alfa Cronbacha, a λ2 bywa od niej nieco wyższa – w naszym przykładzie λ2 = 0.773, a alfa = 0.760.

Czy kryterium Kaisera wymyślił Guttman?

Guttman (1954) udowodnił, że liczba wartości własnych macierzy korelacji nie mniejszych od 1 jest dolną granicą liczby czynników wspólnych, i podał dwie lepsze granice. Tę najsłabszą granicę programy komputerowe stosują jako regułę wyboru czynników, choć Guttman zalecał wyodrębnianie większej liczby czynników.

Co Guttman sądził o skali Guttmana?

Był rozczarowany tym, jak ją rozumiano. W przemówieniu prezesa Psychometric Society w 1971 r. skrytykował mechaniczne konstruowanie takich skal; skalowalność zestawu pozycji traktował jako hipotezę do sprawdzenia, a gdy się nie potwierdzała, proponował analizy wielowymiarowe.

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. Guttman, L. (1944). A basis for scaling qualitative data. American Sociological Review, 9(2), 139–150. https://doi.org/10.2307/2086306
  2. Guttman, L. (1945). A basis for analyzing test-retest reliability. Psychometrika, 10(4), 255–282. https://doi.org/10.1007/bf02288892
  3. Guttman, L. (1954). Some necessary conditions for common-factor analysis. Psychometrika, 19(2), 149–161. https://doi.org/10.1007/bf02289162
  4. Lingoes, J. C., Tucker, L. R., & Shye, S. (1988). Louis E. Guttman (1916–1987). Psychometrika, 53(2), 153–159. https://doi.org/10.1007/bf02294129 ● Otwarty dostęp
  5. 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{guttman1944basis, author={Guttman, Louis}, title={{A basis for scaling qualitative data}}, journal={American Sociological Review}, year={1944}, volume={9}, number={2}, pages={139--150}, doi={10.2307/2086306}}
@article{guttman1945basis, author={Guttman, Louis}, title={{A basis for analyzing test-retest reliability}}, journal={Psychometrika}, year={1945}, volume={10}, number={4}, pages={255--282}, doi={10.1007/bf02288892}}
@article{guttman1954some, author={Guttman, Louis}, title={{Some necessary conditions for common-factor analysis}}, journal={Psychometrika}, year={1954}, volume={19}, number={2}, pages={149--161}, doi={10.1007/bf02289162}}
@article{lingoes1988louis, author={Lingoes, James C. and Tucker, Ledyard R. and Shye, Samuel}, title={{Louis E. Guttman (1916–1987)}}, journal={Psychometrika}, year={1988}, volume={53}, number={2}, pages={153--159}, doi={10.1007/bf02294129}}
@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