Podskala i wynik ogólny – kiedy wolno zsumować całą skalę?

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 25 października 2026

Co to jest podskala i wynik ogólny?

Podskala (ang. subscale) to wynik z części pozycji kwestionariusza, które mierzą jeden wymiar konstruktu, np. objawy somatyczne w skali lęku. Wynik ogólny (ang. total score) łączy wszystkie pozycje w jedną liczbę. Które pozycje tworzą podskale i czy wynik ogólny w ogóle przewidziano, mówi klucz odpowiedzi.

Kiedy wolno liczyć wynik ogólny

Wynik ogólny ma sens, gdy pozycje łączy silny wspólny czynnik. Decyduje o tym struktura czynnikowa, sprawdzana w CFA (zob. analiza czynnikowa EFA i CFA), a nie sama wysoka alfa. Reise i in. (2013) pokazują, że wielowymiarowość nie przekreśla automatycznie wyniku ogólnego i nie zmusza do liczenia podskal. O tym, ile wariancji niesie czynnik ogólny, a ile podskale, mówi model bifaktorowy (Reise, 2012), w którym każda pozycja ładuje czynnik ogólny i czynnik swojej podskali. Rodriguez i in. (2016) opisują wskaźniki z tego modelu: omegę hierarchiczną (ω_h) dla wyniku ogólnego, omegę hierarchiczną podskal (ω_hs) oraz ECV, czyli udział czynnika ogólnego we wspólnej wariancji.

Przykład

Kwestionariusz ma 12 pozycji 1–5 w trzech podskalach po cztery pozycje (dane symulowane, N = 300). Alfa podskal wynosi .84, .83 i .85, a wyniku ogólnego .90. Model bifaktorowy daje ω_h = .77 i ECV = .64, więc wynik ogólny odzwierciedla głównie czynnik ogólny. Po jego odjęciu podskale zachowują mało rzetelnej wariancji: ω_hs = .36, .24 i .29. Wysoka alfa podskali nie oznacza zatem, że mierzy ona coś odrębnego.

Jak opisać w pracy

Na co uważać

• Raportuj rzetelność osobno dla każdej podskali, którą analizujesz, najlepiej w tabeli rzetelności. Obok alfy możesz podać omegę McDonalda.
• Nie dodawaj do siebie podskal, jeśli autorzy narzędzia nie przewidzieli wyniku ogólnego.
• Jak opisać strukturę narzędzia w rozdziale metodologicznym, pokazuje wpis opis narzędzia badawczego.

suppressPackageStartupMessages(library(psych))
set.seed(156)
n <- 300; g <- rnorm(n); s <- matrix(rnorm(n * 3), n)    # czynnik ogólny i trzy specyficzne
dane <- sapply(1:12, function(j) {
  k <- (j - 1) %/% 4 + 1                                  # pozycje 1–4, 5–8, 9–12 = trzy podskale
  ciagla <- 0.6 * g + 0.45 * s[, k] + rnorm(n, 0, 0.65)
  as.numeric(cut(ciagla, c(-Inf, -1.2, -0.4, 0.4, 1.2, Inf)))   # odpowiedź 1–5
})
colnames(dane) <- paste0("p", 1:12)
podskale <- list(A = 1:4, B = 5:8, C = 9:12)
round(sapply(podskale, function(i) psych::alpha(dane[, i])$total$raw_alpha), 2)   # alfa podskal
round(psych::alpha(dane)$total$raw_alpha, 2)                                       # alfa wyniku ogólnego
om <- omega(dane, nfactors = 3, plot = FALSE)
round(c(omega_total = om$omega.tot, omega_h = om$omega_h, ECV = om$ECV), 2)
grp <- om$omega.group[-1, ]                               # wiersze F1*–F3*: czynniki specyficzne
rownames(grp) <- sapply(rownames(grp), function(f) names(which.max(sapply(podskale, function(i) mean(om$schmid$sl[i, f])))))
round(grp[order(rownames(grp)), ], 2)                     # total = omega podskali, group = omega_hs (ponad czynnik ogólny)

   A    B    C 
0.84 0.83 0.85 
[1] 0.9
omega_total     omega_h       ECV.g 
       0.93        0.77        0.64 
  total general group
A  0.84    0.48  0.36
B  0.83    0.59  0.24
C  0.85    0.57  0.29

Najczęstsze pytania

Czy można zsumować podskale w jeden wynik ogólny?

Tylko gdy przewidują to autorzy narzędzia i wspiera to struktura czynnikowa, np. wysoka omega hierarchiczna w modelu bifaktorowym. Wysoka alfa całej skali tego nie dowodzi.

Czy trzeba podawać alfę Cronbacha dla każdej podskali?

Tak, dla każdej podskali, której wynik analizujesz, i osobno dla wyniku ogólnego, jeśli go używasz. Najwygodniej zebrać te wartości w jednej tabeli.

Co mówi omega hierarchiczna podskali?

Jaka część wariancji wyniku podskali jest rzetelna po odjęciu czynnika ogólnego. Niska wartość oznacza, że podskala mierzy głównie to samo co wynik ogólny.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

@article{reise2012rediscovery, author={Reise, Steven P.}, title={{The rediscovery of bifactor measurement models}}, journal={Multivariate Behavioral Research}, year={2012}, volume={47}, number={5}, pages={667--696}, doi={10.1080/00273171.2012.715555}}

@article{reise2013scoring, author={Reise, Steven P. and Bonifay, Wes E. and Haviland, Mark G.}, title={{Scoring and modeling psychological measures in the presence of multidimensionality}}, journal={Journal of Personality Assessment}, year={2013}, volume={95}, number={2}, pages={129--140}, doi={10.1080/00223891.2012.725437}}

@article{rodriguez2016evaluating, author={Rodriguez, Anthony and Reise, Steven P. and Haviland, Mark G.}, title={{Evaluating bifactor models: Calculating and interpreting statistical indices}}, journal={Psychological Methods}, year={2016}, volume={21}, number={2}, pages={137--150}, doi={10.1037/met0000045}}