RMSSD – średnia kwadratowa kolejnych różnic w ESM

Q: 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.

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 28 października 2026

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 = √[ Σ_t=2ⁿ (x_t − x_t−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.

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.

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). 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/

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

Poradnik

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizę Oferta dla studentów

Bibliografia 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}}

RMSSD – jak mierzyć niestabilność afektu z pomiaru na pomiar?