Co to jest RMSSD?
RMSSD (ang. root mean square of successive differences) to pierwiastek ze średniego kwadratu różnic między kolejnymi pomiarami tej samej osoby. W badaniach ESM i EMA służy jako wskaźnik niestabilności afektu: mówi, jak duże są zmiany z sygnału na sygnał. Jego kwadrat, MSSD, Jahng i in. (2008) zalecają jako miarę niestabilności afektywnej, bo uwzględnia zarówno zmienność, jak i zależność czasową szeregu.
RMSSD a SD wewnątrzosobowe
Odchylenie standardowe pomiarów osoby opisuje zmienność: jak daleko wyniki leżą od jej średniej. Kolejność pomiarów nie ma dla niego znaczenia. RMSSD rośnie przy tym samym SD, gdy zmiany następują gwałtownie z pomiaru na pomiar, a maleje, gdy afekt zmienia się powoli. W szeregu stacjonarnym MSSD ≈ 2σ²(1 − ρ1), gdzie ρ1 to autokorelacja przy opóźnieniu 1. RMSSD łączy więc zmienność z inercją emocjonalną. W metaanalizie Houbena i in. (2015) niski dobrostan wiązał się zarówno z większą zmiennością (ρ = −.178), jak i z większą niestabilnością emocji (ρ = −.205). Wenzel i in. (2022) użyli RMSSD także jako miary niestabilności strategii regulacji emocji; porównanie wskaźników zawiera wpis zmienność regulacji emocji w ESM.
Przykład
Dwie osoby mają w ośmiu sygnałach te same wartości negatywnego afektu (0–100), więc SD = 19.09 u obu. U pierwszej afekt rośnie stopniowo i RMSSD = 7.56. U drugiej skacze z sygnału na sygnał i RMSSD = 35.36.
Na rysunku
Rysunek rozszerza przykład z ośmioma sygnałami na 30 dni: te same wartości negatywnego afektu ułożono w trzech kolejnościach, więc SD jest identyczne, a RMSSD – nie.
set.seed(3281)).Co widać. We wszystkich trzech szeregach SD = 18.82, bo to te same liczby. Przy powolnym trendzie afekt zmienia się z dnia na dzień o kilka punktów i RMSSD = 3.21. W losowej kolejności RMSSD = 25.15, czyli 1.34 · SD – blisko √2, jak przewiduje wzór MSSD ≈ 2σ²(1 − ρ1) przy braku autokorelacji. Gdy wysokie i niskie dni przeplatają się, RMSSD rośnie do 36.08 (1.92 · SD). Panel B pokazuje, skąd te liczby: RMSSD to „typowa” wielkość różnicy między kolejnymi dniami, z przewagą dużych różnic, bo przed uśrednieniem podnosi się je do kwadratu.
Na co uważać. Szereg z trendem ma duże SD, ale bardzo małe RMSSD – osoba zmienia się wyraźnie, tylko powoli. Samo SD pomyli tu stopniową zmianę z niestabilnością, a samo RMSSD przeoczy trend. Podawaj obie miary, a przy podejrzeniu trendu narysuj szereg lub usuń trend przed liczeniem SD. Rysunek zakłada też pełne dane w równych, dziennych odstępach; brakujący dzień zmienia RMSSD, jak pokazuje część o brakach. Średnią 45 i SD 15, z których losowano wartości, ustawiono ręcznie; ziarna nie zmieniano. Wzór „na zmianę” jest celowo skrajny, żeby pokazać górny zakres RMSSD. Ten sam szereg w czasie dla wielu osób naraz pokazuje wykres spaghetti.
Podpis do pracy:
Kod jest samowystarczalny: prosty motyw i paletę definiuje sam. Dane losuje blok zaczynający się od set.seed(3281); punkty w panelu B rozsunięto w pionie funkcją position_jitter() z własnym ziarnem (seed = 32810). 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. Te same 30 wartości afektu w trzech kolejnościach: SD bez zmian, RMSSD od małego do dużego
library(ggplot2)
library(patchwork)
# Paleta Okabe–Ito i prosty motyw
kol <- c("trend" = "#0072B2", "losowa kolejność" = "grey40", "wahania z dnia na dzień" = "#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))
# 30 dziennych pomiarów negatywnego afektu (0–100), dane symulowane; średnią 45 i SD 15 ustawiono ręcznie.
set.seed(3281)
x <- sort(pmin(pmax(round(rnorm(30, 45, 15)), 0), 100))
trend <- x # powolny, stały wzrost
losowo <- sample(x) # te same wartości w losowej kolejności
wahania <- c(rbind(x[1:15], rev(x[16:30]))) # na zmianę niska i wysoka wartość
rmssd <- function(v) sqrt(mean(diff(v)^2))
wyn <- data.frame(SD = sapply(list(trend, losowo, wahania), sd),
RMSSD = sapply(list(trend, losowo, wahania), rmssd), row.names = names(kol))
wyn$RMSSD_do_SD <- wyn$RMSSD / wyn$SD # przy losowej kolejności około √2 = 1.41
round(wyn, 2)
d <- data.frame(wzor = factor(rep(names(kol), each = 30), levels = names(kol)), dzien = rep(1:30, 3),
na = c(trend, losowo, wahania))
etyk <- data.frame(wzor = factor(names(kol), levels = names(kol)),
tekst = sprintf("SD = %.2f, RMSSD = %.2f", wyn$SD, wyn$RMSSD))
pA <- ggplot(d, aes(dzien, na, colour = wzor)) +
geom_line(linewidth = 0.6) +
geom_point(size = 1.5) +
geom_text(data = etyk, aes(x = 1, y = 98, label = tekst), hjust = 0, size = 3.7, colour = "grey15") +
facet_wrap(~ wzor, ncol = 1) +
scale_colour_manual(values = kol) +
scale_y_continuous(limits = c(0, 100)) +
labs(title = "A. Te same 30 wartości w trzech kolejnościach", x = "Dzień", y = "Negatywny afekt (0–100)") +
motyw
roz <- do.call(rbind, lapply(split(d, d$wzor), function(z) data.frame(wzor = z$wzor[1], roznica = abs(diff(z$na)))))
pB <- ggplot(roz, aes(roznica, wzor, colour = wzor, shape = wzor)) +
geom_point(position = position_jitter(width = 0, height = 0.15, seed = 32810), size = 2, alpha = 0.8) +
geom_point(data = data.frame(wzor = factor(names(kol), levels = names(kol)), roznica = wyn$RMSSD),
shape = 124, size = 9, colour = "black") +
scale_colour_manual(values = kol) +
scale_shape_manual(values = c(16, 15, 17)) +
scale_y_discrete(limits = rev(names(kol))) +
labs(title = "B. Wielkość zmian z dnia na dzień (pionowa kreska = RMSSD)",
x = "|różnica między kolejnymi dniami| (pkt)", y = NULL) +
motyw
p <- pA / pB + plot_layout(heights = c(2, 1))
pWynik w R
SD RMSSD RMSSD_do_SD
trend 18.82 3.21 0.17
losowa kolejność 18.82 25.15 1.34
wahania z dnia na dzień 18.82 36.08 1.92Braki i odstępy czasowe
RMSSD zakłada równe odstępy między pomiarami. Różnica między sygnałami odległymi o sześć godzin lub o noc mierzy coś innego niż różnica po dwóch godzinach. Licz więc różnice tylko w obrębie dnia (zob. badania dzienniczkowe i EMA) i nie przeskakuj braków. Gdy w przykładzie usunąć czwarty sygnał, pominięcie par z brakiem daje RMSSD = 34.42, a połączenie sygnałów 3 i 5 – 31.49. Pominięte sygnały zmniejszają też liczbę par, podobnie jak w modelu autoregresyjnym. Przy losowych odstępach Jahng i in. (2008) proponują wersję skorygowaną o czas między pomiarami.
Na co uważać
- Zależność od średniej. Na skali ograniczonej z obu stron osoby z wynikami przy podłodze mają mało miejsca na zmiany.
- Porównania grup. Jahng i in. (2008) proponują badać różnice grupowe w MSSD uogólnionymi modelami wielopoziomowymi.
- SD wewnątrzosobowe to nie wariancja indywidualna. Ta druga opisuje trwałe różnice średnich między osobami.
RMSSD w R
Kod liczy SD i RMSSD dla dwóch szeregów o tych samych wartościach w innej kolejności, a potem pokazuje dwa sposoby postępowania z brakującym sygnałem.
SD a RMSSD przy tych samych wartościach
R
rmssd <- function(x) sqrt(mean(diff(x)^2, na.rm = TRUE)) # różnice tylko między sąsiednimi sygnałami
# negatywny afekt (0–100) w 8 kolejnych sygnałach dwóch osób: te same wartości, inna kolejność
a <- c(20, 25, 30, 40, 50, 60, 65, 70) # powolny, stały wzrost
b <- c(20, 70, 25, 65, 30, 60, 40, 50) # skoki z sygnału na sygnał
round(rbind(a = c(SD = sd(a), RMSSD = rmssd(a)), b = c(SD = sd(b), RMSSD = rmssd(b))), 2)
# brak sygnału 4: różnica 3 → 5 obejmuje dwa odstępy
b_brak <- b; b_brak[4] <- NA
round(c(pominiete_pary = rmssd(b_brak), przeskok = rmssd(na.omit(b_brak))), 2)Wynik w R
SD RMSSD
a 19.09 7.56
b 19.09 35.36
pominiete_pary przeskok
34.42 31.49 Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje pakietów base i stats). Rysunek 1 wykonano w pakietach ggplot2 i patchwork i zapisano pakietem svglite. W pracy podaj wersję R, której faktycznie użyto (sessionInfo()).
- 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/
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
- 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
Czym RMSSD różni się od odchylenia standardowego?
SD mierzy rozrzut wyników wokół średniej osoby i nie zależy od kolejności pomiarów. RMSSD mierzy wielkość zmian między sąsiednimi pomiarami, więc te same wartości w innej kolejności mogą dać zupełnie inne RMSSD przy identycznym SD.
Jak policzyć RMSSD w R?
Dla jednej osoby wystarczy sqrt(mean(diff(x)^2, na.rm = TRUE)), gdzie x to szereg z brakami zapisanymi jako NA. Licz osobno dla każdego dnia, żeby nie łączyć ostatniego sygnału wieczoru z porannym.
Co zrobić z nierównymi odstępami między sygnałami?
Nie łącz różnic po bardzo różnych odstępach, np. przez noc albo po pominiętym sygnale. Przy losowych odstępach Jahng i in. (2008) proponują wersję wskaźnika skorygowaną o czas, który upłynął między pomiarami.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Zmienność regulacji emocji w ESM
SD i względne SD, Bray–Curtis z podziałem na przełączanie i zmianę nasilenia, RMSSD, AR, %DET i entropia – wzory, R i interpretacja.
Czytaj →PoradnikBadania dzienniczkowe i EMA – analiza danych
Compliance, ICC, centrowanie w osobie, opóźnienia w obrębie dnia, reaktywność afektywna w lme4 i rzetelność zmiany – z kodem R i wzorem opisu.
Czytaj →PoradnikModel autoregresyjny i braki danych w ESM
Inercja afektu w modelu MLAR(1), centrowanie opóźnienia, compliance oraz braki MCAR i ogonowe – z symulacją w lme4 i zaleceniami projektowymi.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- 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
- Jahng, S., Wood, P. K., & Trull, T. J. (2008). Analysis of affective instability in ecological momentary assessment: Indices using successive difference and group comparison via multilevel modeling. Psychological Methods, 13(4), 354–375. https://doi.org/10.1037/a0014173
- Wenzel, M., Blanke, E. S., Rowland, Z., & Kubiak, T. (2022). Emotion regulation dynamics in daily life: Adaptive strategy use may be variable without being unstable and predictable without being autoregressive. Emotion, 22(7), 1487–1504. https://doi.org/10.1037/emo0000967
Cytowania BibTeX
@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{jahng2008analysis, author={Jahng, Seungmin and Wood, Phillip K. and Trull, Timothy J.}, title={{Analysis of affective instability in ecological momentary assessment: Indices using successive difference and group comparison via multilevel modeling}}, journal={Psychological Methods}, year={2008}, volume={13}, number={4}, pages={354--375}, doi={10.1037/a0014173}}@article{wenzel2022emotion, author={Wenzel, Mario and Blanke, Elisabeth S. and Rowland, Zarah and Kubiak, Thomas}, title={{Emotion regulation dynamics in daily life: Adaptive strategy use may be variable without being unstable and predictable without being autoregressive}}, journal={Emotion}, year={2022}, volume={22}, number={7}, pages={1487--1504}, doi={10.1037/emo0000967}}