Słownik metodologiczny · Psychometria

Psychometria – co to jest i czym się zajmuje?

Psychometria to nauka o tym, jak mierzyć cechy psychiczne i jak sprawdzić, czy pomiar jest dokładny i trafny. Zobacz najważniejsze pojęcia i modele, przykład oceny rzetelności w R oraz błędy opisane w aktualnej literaturze dostępnej bezpłatnie.

Strona główna / Słownik / Psychometria
W skrócie: psychometria to nauka o pomiarze cech psychicznych — inteligencji, osobowości, postaw czy nastroju. Odpowiada na pytania, jak zbudować test, jak dokładny jest wynik (rzetelność), czy mierzy to, co powinien (trafność), i z czym go porównać (normy). Poniżej przegląd pojęć i modeli psychometrii, przykład oceny rzetelności trzech skal w R oraz najczęstsze błędy pomiarowe opisane w aktualnej, ogólnodostępnej literaturze.

Co to jest psychometria?

Psychometria (z gr. psyche — dusza i metron — miara) to dziedzina na pograniczu psychologii i statystyki, która zajmuje się teorią i techniką pomiaru psychologicznego. Cech takich jak lęk, ekstrawersja czy motywacja nie da się zmierzyć bezpośrednio — są zmiennymi ukrytymi (latentnymi). Psychometria dostarcza modeli, które łączą obserwowane odpowiedzi na pytania testowe z cechą, która je wywołuje, i pozwalają ocenić, jak dobrze ten pomiar działa.

Zakres psychometrii obejmuje:

  • konstruowanie narzędzi — testów, kwestionariuszy i skal (np. skal Likerta);
  • ocenę jakości pomiaru — rzetelności i trafności;
  • normalizację — opracowanie norm, które pozwalają zinterpretować wynik osoby na tle populacji (np. w stenach);
  • modele statystyczne pomiaru — klasyczną teorię testów, analizę czynnikową i teorię odpowiedzi na pozycje testowe (IRT).

Borsboom (2006) zwraca uwagę, że psychometria i psychologia są ze sobą słabo zintegrowane: badacze często traktują sumę punktów jako oczywistą miarę cechy, nie sprawdzając, czy model pomiaru do danych pasuje. Właśnie tę lukę wypełnia rzetelna analiza psychometryczna.

Najważniejsze pojęcia psychometrii

Najważniejsze pojęcia psychometrii
PojęciePytanie, na które odpowiada
Test psychometrycznyCzym jest standaryzowane narzędzie pomiaru cech psychicznych?
RzetelnośćNa ile wynik jest dokładny i powtarzalny (wolny od błędu losowego)?
TrafnośćCzy test mierzy to, co ma mierzyć, i czy interpretacje wyników są uzasadnione?
StandaryzacjaCzy procedura badania i oceniania jest jednakowa dla wszystkich?
NormalizacjaZ czym porównać wynik osoby — jakie są normy w populacji?
ObiektywnośćCzy wynik nie zależy od osoby, która bada i ocenia?
Adaptacja kulturowaCzy narzędzie z innego języka mierzy to samo w nowej kulturze?

Wszystkie te właściwości razem decydują o tym, czy wynikom testu można ufać. Podstawowym dokumentem opisującym wymagania wobec testów są Standards for Educational and Psychological Testing (AERA, APA i NCME, 2014), od 2014 r. udostępniane bezpłatnie. Trafność traktują one jako jedno pojęcie, na które składają się dowody z pięciu źródeł: treści testu, procesów odpowiadania, struktury wewnętrznej, związków z innymi zmiennymi i konsekwencji stosowania testu.

Modele pomiaru w psychometrii

Klasyczna teoria testów (KTT)

Zakłada, że wynik otrzymany jest sumą wyniku prawdziwego i błędu pomiaru: X = T + E. Rzetelność to stosunek wariancji wyników prawdziwych do wariancji wyników otrzymanych. Z KTT wywodzą się m.in. spójność wewnętrzna (alfa Cronbacha) i błąd standardowy pomiaru.

Analiza czynnikowa

Sprawdza, ile wymiarów (czynników) mierzy zestaw pozycji i które pozycje mierzą który wymiar. Eksploracyjna analiza czynnikowa pomaga odkryć strukturę (np. za pomocą wykresu osypiska), a konfirmacyjna — przetestować strukturę zakładaną z góry. Z modelu czynnikowego liczy się też omega McDonalda.

Teoria odpowiedzi na pozycje testowe (IRT)

Modeluje prawdopodobieństwo konkretnej odpowiedzi w zależności od poziomu cechy i parametrów pozycji (trudności, mocy dyskryminacyjnej). Pozwala ocenić precyzję pomiaru na różnych poziomach cechy i budować testy adaptacyjne — zob. teoria odpowiedzi na pozycje testowe (IRT).

Jak zbudować i zwalidować narzędzie

Boateng i in. (2018) dzielą budowę skali na trzy etapy i dziewięć kroków:

  1. Opracowanie pozycji — zdefiniowanie konstruktu (operacjonalizacja), wygenerowanie pozycji i ocena trafności treściowej przez ekspertów.
  2. Konstrukcja skali — badanie pilotażowe, zebranie danych, redukcja pozycji (analiza mocy dyskryminacyjnej, analiza czynnikowa) i wyodrębnienie czynników.
  3. Ewaluacja skali — sprawdzenie wymiarowości, rzetelności i trafności.

Szczegółowy przewodnik po tym procesie znajdziesz w poradniku budowa i walidacja skali psychometrycznej.

Przykład: rzetelność trzech skal kwestionariusza

W badaniu ankietowym akceptacji samochodów autonomicznych (N = 303) trzy skale mierzyły łatwość korzystania, użyteczność i intencję zakupu, każda czterema pozycjami z odpowiedziami od 1 do 5. Analiza czynnikowa tych danych (zob. wykres osypiska) potwierdziła trzy czynniki. Kolejny krok to ocena rzetelności każdej skali.

Rzetelność trzech skal (N = 303)
Skala (4 pozycje)α Cronbachaω McDonaldaKorelacje pozycja–reszta skali
Łatwość korzystania0,900,900,68–0,82
Użyteczność0,870,870,71–0,75
Intencja zakupu0,870,870,62–0,77

Wszystkie skale mają rzetelność bliską 0,87–0,90, a omega McDonalda prawie nie różni się od alfy Cronbacha — tak dzieje się, gdy ładunki pozycji są podobne. Korelacje każdej pozycji z sumą pozostałych pozycji skali przekraczają 0,60, więc żadna pozycja nie odstaje. Przy bardziej zróżnicowanych ładunkach alfa zaniżałaby rzetelność, dlatego coraz częściej zaleca się raportowanie omegi (Dunn i in., 2014; Hayes i Coutts, 2020). Sposób opisu tych wyników pokazuje wzór raportowania alfy Cronbacha.

Wysoka spójność wewnętrzna to jednak dopiero początek. Hussey i Hughes (2020) przeanalizowali 15 popularnych skal na danych z ponad 140 tysięcy sesji badawczych: 88% skal wyglądało dobrze, gdy oceniano tylko spójność wewnętrzną, ale zaledwie 4% przeszło pełną ocenę obejmującą rzetelność test–retest, strukturę czynnikową i niezmienniczość pomiaru.

Wątpliwe praktyki pomiarowe

Flake i Fried (2020) opisują wątpliwe praktyki pomiarowe — decyzje, które podważają trafność wniosków, a często pozostają niewidoczne dla czytelnika:

  • brak definicji mierzonego konstruktu i uzasadnienia wyboru narzędzia;
  • modyfikowanie skal (usuwanie lub zmiana pozycji, inna skala odpowiedzi) bez informacji i bez ponownej walidacji;
  • tworzenie wyniku (suma, średnia) bez sprawdzenia struktury czynnikowej;
  • raportowanie wyłącznie alfy Cronbacha jako „dowodu jakości” narzędzia.

Lekarstwem jest przejrzystość: opisz konstrukt, narzędzie, wszystkie modyfikacje, sposób liczenia wyników i dowody rzetelności oraz trafności zebrane na własnej próbie.

Przykład reprodukowalny

Przykład w R

Kod liczy alfę Cronbacha (pakiet psych), omegę McDonalda z jednoczynnikowej CFA (pakiet lavaan) i zakres korelacji pozycja–reszta skali dla trzech skal. Liczby w tabeli pochodzą z tego kodu.

Alfa Cronbacha i omega McDonalda dla trzech skal

Dane wejściowe: 12 pozycji (3 skale po 4 pozycje), odpowiedzi od 1 do 5, N = 303.

Co odczytać: kolumny alfa i omega oraz najniższą korelację pozycja–reszta (powinna przekraczać ok. 0,30).

R
library(readxl); library(psych); library(lavaan)
dane <- as.data.frame(read_excel("dane_ankieta_tam.xlsx"))
skale <- list(`Łatwość korzystania` = paste0("Łatwość_korzystania", 1:4),
              `Użyteczność`         = paste0("Użyteczność", 1:4),
              `Intencja zakupu`     = paste0("Intencja_kupna", 1:4))
omega_cfa <- function(x) {                      # omega McDonalda z jednoczynnikowej CFA
  names(x) <- paste0("p", 1:ncol(x))
  fit <- cfa(paste("F =~", paste(names(x), collapse = " + ")), data = x, std.lv = TRUE)
  st <- standardizedSolution(fit)
  lam <- st$est.std[st$op == "=~"]; th <- st$est.std[st$op == "~~" & st$lhs == st$rhs & st$lhs != "F"]
  sum(lam)^2 / (sum(lam)^2 + sum(th))
}
t(sapply(skale, function(it) {
  x <- dane[, it]; a <- psych::alpha(x, warnings = FALSE)
  c(alfa = a$total$raw_alpha, omega = omega_cfa(x),
    min_r_poz_test = min(a$item.stats$r.drop), max_r_poz_test = max(a$item.stats$r.drop))
})) |> round(3)
Wynik w R
                     alfa omega min_r_poz_test max_r_poz_test
Łatwość korzystania 0.895 0.898          0.680          0.818
Użyteczność         0.873 0.873          0.708          0.754
Intencja zakupu     0.866 0.868          0.623          0.771

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://CRAN.R-project.org/package=psych
  3. lavaan (wersja 0.7-2): Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36. https://doi.org/10.18637/jss.v048.i02
  4. readxl (wersja 1.4.5): Wickham, H., & Bryan, J. (2025). readxl: Read Excel files [R package]. https://CRAN.R-project.org/package=readxl

Psychometria w pracy dyplomowej: lista kontrolna

  • Podaj pełną nazwę narzędzia, autorów, polską adaptację i źródło norm.
  • Opisz liczbę pozycji, skalę odpowiedzi i sposób liczenia wyników (suma, średnia, pozycje odwrócone).
  • Policz rzetelność na własnej próbie (alfa i omega z przedziałami ufności).
  • Jeśli narzędzie jest nowe lub zmodyfikowane — sprawdź strukturę czynnikową (EFA lub CFA).
  • Przy porównaniach grup rozważ niezmienniczość pomiaru.
  • Nie interpretuj wyników jednej pozycji jako miary złożonej cechy.

Jeśli potrzebujesz pomocy w analizie psychometrycznej kwestionariusza — od rzetelności po CFA i IRT — zobacz ofertę analiz dla badaczy lub dla studentów.

Najczęstsze pytania

Co to jest psychometria?

Psychometria to dziedzina psychologii i statystyki zajmująca się teorią i praktyką pomiaru cech psychicznych: konstruowaniem testów i kwestionariuszy, oceną ich rzetelności i trafności oraz opracowywaniem norm. Dostarcza modeli (klasyczna teoria testów, analiza czynnikowa, IRT), które pozwalają przejść od odpowiedzi na pytania do wiarygodnego wyniku.

Czym różni się rzetelność od trafności?

Rzetelność mówi, jak dokładny i powtarzalny jest pomiar, a trafność — czy mierzymy właściwą cechę i czy interpretacje wyników są uzasadnione. Test może być rzetelny, ale nietrafny (dokładnie mierzy coś innego), natomiast test nierzetelny nie może być w pełni trafny.

Czy alfa Cronbacha wystarczy do oceny skali?

Nie. Alfa opisuje tylko spójność wewnętrzną i zakłada m.in. równe ładunki pozycji. Lepszym oszacowaniem rzetelności jest zwykle omega McDonalda. Do oceny narzędzia potrzebne są też dowody trafności: struktura czynnikowa, związki z innymi zmiennymi, a często także stabilność w czasie i niezmienniczość pomiaru (Hussey i Hughes, 2020).

Jakie są metody psychometrii?

Najważniejsze to klasyczna teoria testów (wynik = wynik prawdziwy + błąd), analiza czynnikowa (eksploracyjna i konfirmacyjna), teoria odpowiedzi na pozycje testowe (IRT) oraz modele równań strukturalnych. Do tego dochodzą metody szacowania rzetelności (alfa, omega, test–retest) i procedury normalizacyjne.

Gdzie znaleźć standardy psychometryczne?

Podstawowym dokumentem są Standards for Educational and Psychological Testing (AERA, APA i NCME, 2014), dostępne bezpłatnie w otwartym dostępie. Praktyczny przewodnik po konstrukcji i walidacji skal przedstawili Boateng i in. (2018).

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. Borsboom, D. (2006). The attack of the psychometricians. Psychometrika, 71(3), 425–440. https://doi.org/10.1007/s11336-006-1447-6 ● Otwarty dostęp
  2. American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for educational and psychological testing. American Educational Research Association. https://www.testingstandards.net/open-access-files.html ● Otwarty dostęp: pełny tekst
  3. Boateng, G. O., Neilands, T. B., Frongillo, E. A., Melgar-Quiñonez, H. R., & Young, S. L. (2018). Best practices for developing and validating scales for health, social, and behavioral research: A primer. Frontiers in Public Health, 6, Article 149. https://doi.org/10.3389/fpubh.2018.00149 ● Otwarty dostęp
  4. Flake, J. K., & Fried, E. I. (2020). Measurement schmeasurement: Questionable measurement practices and how to avoid them. Advances in Methods and Practices in Psychological Science, 3(4), 456–465. https://doi.org/10.1177/2515245920952393 ● Otwarty dostęp: pełny tekst
  5. Hussey, I., & Hughes, S. (2020). Hidden invalidity among 15 commonly used measures in social and personality psychology. Advances in Methods and Practices in Psychological Science, 3(2), 166–184. https://doi.org/10.1177/2515245919882903 ● Otwarty dostęp
  6. Dunn, T. J., Baguley, T., & Brunsden, V. (2014). From alpha to omega: A practical solution to the pervasive problem of internal consistency estimation. British Journal of Psychology, 105(3), 399–412. https://doi.org/10.1111/bjop.12046
  7. Hayes, A. F., & Coutts, J. J. (2020). Use omega rather than Cronbach's alpha for estimating reliability. But…. Communication Methods and Measures, 14(1), 1–24. https://doi.org/10.1080/19312458.2020.1718629

Cytowania BibTeX

@article{borsboom2006the, author={Borsboom, Denny}, title={The attack of the psychometricians}, journal={Psychometrika}, year={2006}, volume={71}, number={3}, pages={425--440}, doi={10.1007/s11336-006-1447-6}}
@book{aera2014standards, author={{American Educational Research Association} and {American Psychological Association} and {National Council on Measurement in Education}}, title={Standards for Educational and Psychological Testing}, publisher={American Educational Research Association}, address={Washington, DC}, year={2014}, url={https://www.testingstandards.net/open-access-files.html}}
@article{boateng2018best, author={Boateng, Godfred O. and Neilands, Torsten B. and Frongillo, Edward A. and Melgar-Qui{\~n}onez, Hugo R. and Young, Sera L.}, title={Best practices for developing and validating scales for health, social, and behavioral research: A primer}, journal={Frontiers in Public Health}, year={2018}, volume={6}, eid={149}, doi={10.3389/fpubh.2018.00149}}
@article{flake2020measurement, author={Flake, Jessica Kay and Fried, Eiko I.}, title={Measurement schmeasurement: Questionable measurement practices and how to avoid them}, journal={Advances in Methods and Practices in Psychological Science}, year={2020}, volume={3}, number={4}, pages={456--465}, doi={10.1177/2515245920952393}}
@article{hussey2020hidden, author={Hussey, Ian and Hughes, Sean}, title={Hidden invalidity among 15 commonly used measures in social and personality psychology}, journal={Advances in Methods and Practices in Psychological Science}, year={2020}, volume={3}, number={2}, pages={166--184}, doi={10.1177/2515245919882903}}
@article{dunn2014from, author={Dunn, Thomas J. and Baguley, Thom and Brunsden, Vivienne}, title={From alpha to omega: A practical solution to the pervasive problem of internal consistency estimation}, journal={British Journal of Psychology}, year={2014}, volume={105}, number={3}, pages={399--412}, doi={10.1111/bjop.12046}}
@article{hayes2020use, author={Hayes, Andrew F. and Coutts, Jacob J.}, title={Use omega rather than Cronbach's alpha for estimating reliability. But…}, journal={Communication Methods and Measures}, year={2020}, volume={14}, number={1}, pages={1--24}, doi={10.1080/19312458.2020.1718629}}
R