Słownik metodologiczny · Statystyka opisowa

RMSSD – jak mierzyć niestabilność afektu z pomiaru na pomiar?

RMSSD mierzy, jak duże są zmiany między kolejnymi pomiarami tej samej osoby. Pokazujemy wzór, różnicę wobec SD wewnątrzosobowego, wrażliwość na brakujące sygnały i nierówne odstępy oraz krótkie obliczenie w R.

W skrócie: RMSSD to pierwiastek ze średniego kwadratu różnic między kolejnymi pomiarami tej samej osoby. W badaniach ESM mierzy niestabilność afektu. W odróżnieniu od SD wewnątrzosobowego zależy od kolejności pomiarów, a więc także od inercji, i jest wrażliwe na pominięte sygnały oraz nierówne odstępy.

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 = √[ Σt=2n (xt − xt−1)² / (n − 1) ]

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.

Dwa panele. Panel A: trzy szeregi po 30 dni z tymi samymi wartościami afektu i SD = 18.82. Szereg z trendem rośnie powoli przez cały okres, RMSSD = 3.21; szereg w losowej kolejności nieregularnie skacze, RMSSD = 25.15; szereg z wahaniami na zmianę spada i rośnie, RMSSD = 36.08. Panel B: wartości bezwzględne różnic między kolejnymi dniami dla każdego szeregu z pionową kreską w miejscu RMSSD; przy trendzie wszystkie różnice są małe, przy wahaniach wiele z nich jest bardzo dużych.
Rysunek 1. Te same 30 dziennych wartości negatywnego afektu w trzech kolejnościach (A) i bezwzględne różnice między kolejnymi dniami z zaznaczonym RMSSD (B). Obliczenia: R, pakiety ggplot2 i patchwork (dane symulowane, 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:

Rysunek 1. Negatywny afekt w 30 kolejnych dniach dla trzech wzorców zmian o tych samych wartościach (SD = 18.82). Uwaga. Panel A: przebieg w czasie; RMSSD wynosi 3.21 (trend), 25.15 (losowa kolejność) i 36.08 (wahania z dnia na dzień). Panel B: wartości bezwzględne różnic między kolejnymi dniami; pionowa kreska – RMSSD.

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))
p
Wynik 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        1.92

Braki 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.
Przykład reprodukowalny

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

Dane wejściowe: negatywny afekt (0–100) w ośmiu kolejnych sygnałach dwóch osób (dane fikcyjne); w drugim kroku czwarty sygnał osoby b jest brakiem.

Co odczytać: SD i RMSSD obu osób oraz RMSSD przy pominięciu par z brakiem i przy przeskoczeniu braku.

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()).

  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. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
  4. 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

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. 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
  2. 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
  3. 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}}
R