Rzetelność (psychometria)

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 21 sierpnia 2026 · Aktualizacja: 22 sierpnia 2026

Co oznacza Rzetelność (psychometria)?

Rzetelność opisuje precyzję wyników pomiaru względem określonego źródła błędu.

Zastosowanie, warunki i dobre praktyki

Rzetelność dotyczy precyzji wyniku i udziału błędu w określonej populacji oraz zastosowaniu. Nie jest dowodem jednowymiarowości ani trafności. Współczynnik należy dobrać do modelu pomiarowego, podać z przedziałem i uzupełnić analizą błędu pomiaru; wysoka wartość dla porównań grupowych może nadal być niewystarczająca do decyzji o pojedynczej osobie.

Najważniejsze zastosowanie: Dobierz miarę do zastosowania: spójność, test–retest, zgodność sędziów lub błąd pomiaru.

Jak poprawnie stosować i interpretować hasło „Rzetelność (psychometria)”?

Przy ocenie pojęcia „Rzetelność (psychometria)” najpierw definiuje się wynik, populację i źródło błędu, którego dotyczy ocena. Dla interpretacji hasła „Rzetelność (psychometria)” spójność wewnętrzna, stabilność w czasie i zgodność sędziów są różnymi pytaniami. W odniesieniu do hasła „Rzetelność (psychometria)” współczynnik należy dobrać do modelu pomiarowego i przeznaczenia wyniku; alfa, omega, rho_A i rho_C nie są wymiennymi etykietami tej samej własności.

Ocena pojęcia „Rzetelność (psychometria)” powinna obejmować przedział ufności, strukturę wymiarową i rozkład ładunków. Przy ocenie hasła „Rzetelność (psychometria)” wysoka wartość może wynikać z wielu podobnych pozycji, a nie z dobrego pokrycia konstruktu. W analizie dotyczącej hasła „Rzetelność (psychometria)” dla decyzji indywidualnych trzeba dodatkowo ocenić błąd standardowy pomiaru i stabilność klasyfikacji blisko progu.

Co trzeba opisać w raporcie?

Raport dotyczący „Rzetelność (psychometria)” powinien nazwać współczynnik, zestaw pozycji, próbę, model pomiarowy i przedział ufności. Dla interpretacji hasła „Rzetelność (psychometria)”, jeżeli porównuje się kilka miar, trzeba wyjaśnić, czemu każda odpowiada specyfikacji konstruktu. W odniesieniu do hasła „Rzetelność (psychometria)” wynik uzupełnia się dowodami trafności i informacją o procedurze obsługi braków.

Zakres raportowania dla hasła „Rzetelność (psychometria)”: Podaj współczynnik z CI, próbę, warunki i model pomiarowy.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Skala może być spójna wewnętrznie, ale niestabilna w czasie.

Jak ją zinterpretować: Wysoka rzetelność oznacza relatywnie mały udział błędu w wyniku dla danej populacji i zastosowania. Nie dowodzi, że skala mierzy właściwy konstrukt; potrzebne są model pomiarowy, przedział i dowody trafności.

Najczęstsza pułapka i granica interpretacji

Rzetelność nie jest trafnością; precyzyjnie można mierzyć niewłaściwy konstrukt.

Wysoka „Rzetelność (psychometria)” oznacza określony rodzaj precyzji, ale nie dowodzi jednowymiarowości ani trafności. Przy ocenie hasła „Rzetelność (psychometria)” współczynnik oszacowany w jednej populacji i do jednego zastosowania nie musi zachować wartości w innej grupie.

Przykład reprodukowalny dla tego hasła

Alfa Cronbacha, omega i pozycje odwrócone

Kod ocenia rzetelność konkretnego zestawu pozycji; wynik wymaga wcześniej uzasadnionego modelu pomiarowego.

Dane wejściowe: Kolumny item1–item5 to pozycje tej samej skali. item3 jest odwrócona na skali 1–5.

Co sprawdzić w wyniku: Najpierw sprawdź klucz, braki i model pomiarowy. Raportuj α/ω z CI, a nie jako dowód jednowymiarowości.

dane <- read.csv("dane.csv")
dane$item3_r <- 6 - dane$item3  # min + max - odpowiedź
pozycje <- dane[c("item1", "item2", "item3_r", "item4", "item5")]

# Alfa i omega z pakietu psych.
library(psych)
alpha(pozycje, check.keys = FALSE)
omega(pozycje, nfactors = 1, plot = FALSE)

dane$wynik_skali <- rowMeans(pozycje, na.rm = FALSE)

Python

import pandas as pd
import numpy as np

df = pd.read_csv("dane.csv")
df["item3_r"] = 6 - df["item3"]
items = df[["item1", "item2", "item3_r", "item4", "item5"]].dropna()

def cronbach_alpha(x):
    k = x.shape[1]
    item_var = x.var(axis=0, ddof=1).sum()
    total_var = x.sum(axis=1).var(ddof=1)
    return k / (k - 1) * (1 - item_var / total_var)

print("alfa =", cronbach_alpha(items))
df["wynik_skali"] = df[["item1", "item2", "item3_r", "item4", "item5"]].mean(axis=1)

IBM SPSS Statistics — Syntax

COMPUTE item3_r=6-item3.
EXECUTE.

RELIABILITY
 /VARIABLES=item1 item2 item3_r item4 item5
 /SCALE('Skala') ALL
 /MODEL=ALPHA
 /STATISTICS=DESCRIPTIVE SCALE CORR
 /SUMMARY=TOTAL MEANS VARIANCE COV CORR.

* Omega jest dostępna od SPSS Statistics 27.
RELIABILITY
 /VARIABLES=item1 item2 item3_r item4 item5
 /SCALE('Skala') ALL
 /MODEL=OMEGA
 /STATISTICS=DESCRIPTIVE SCALE CORR.

COMPUTE wynik_skali=MEAN.5(item1,item2,item3_r,item4,item5).
EXECUTE.

* Dla starszej wersji SPSS omega wymaga rozszerzenia albo innego programu.

Bibliografia oprogramowania i wykorzystanych pakietów

W przykładach użyto: R, Python, IBM SPSS Statistics, psych, pandas, NumPy. W pracy badawczej podaj również faktycznie użyte wersje, które można odczytać poleceniami sessionInfo() w R oraz pip freeze lub importlib.metadata.version() w Pythonie. Cytuj wyłącznie narzędzia rzeczywiście użyte w końcowej analizie.

R: R Core Team. (2026). R: A language and environment for statistical computing [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
Python: Van Rossum, G., & Drake, F. L., Jr. (2009). Python 3 reference manual. CreateSpace.
IBM SPSS Statistics: IBM Corp. (2025). IBM SPSS Statistics for Macintosh (Version 31.0) [Computer software]. IBM Corp.
psych: Revelle, W. (2026). psych: Procedures for psychological, psychometric, and personality research (Version 2.6.5) [R package]. Northwestern University. https://doi.org/10.32614/CRAN.package.psych
pandas: McKinney, W. (2010). Data structures for statistical computing in Python. In S. van der Walt & J. Millman (Eds.), Proceedings of the 9th Python in Science Conference (pp. 56–61). https://doi.org/10.25080/Majora-92bf1922-00a
NumPy: Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., Wieser, E., Taylor, J., Berg, S., Smith, N. J., Kern, R., Picus, M., Hoyer, S., van Kerkwijk, M. H., Brett, M., Haldane, A., del Río, J. F., Wiebe, M., Peterson, P., … Oliphant, T. E. (2020). Array programming with NumPy. Nature, 585, 357–362. https://doi.org/10.1038/s41586-020-2649-2

BibTeX dla oprogramowania i pakietów

@manual{r-core-2026,
  author = {{R Core Team}},
  title = {R: A Language and Environment for Statistical Computing},
  organization = {R Foundation for Statistical Computing},
  address = {Vienna, Austria},
  year = {2026},
  url = {https://www.R-project.org/}
}

@book{vanrossum2009python,
  author = {Van Rossum, Guido and Drake, Fred L., Jr.},
  title = {Python 3 Reference Manual},
  publisher = {CreateSpace},
  year = {2009},
  isbn = {978-1-4414-1269-0}
}

@software{ibm2025spss,
  author = {{IBM Corp.}},
  title = {IBM SPSS Statistics for Macintosh},
  year = {2025},
  version = {31.0},
  publisher = {IBM Corp.}
}

@manual{revelle2026psych,
  author = {Revelle, William},
  title = {psych: Procedures for Psychological, Psychometric, and Personality Research},
  organization = {Northwestern University},
  year = {2026},
  note = {R package version 2.6.5},
  doi = {10.32614/CRAN.package.psych}
}

@inproceedings{mckinney2010pandas,
  author = {McKinney, Wes},
  title = {Data Structures for Statistical Computing in Python},
  booktitle = {Proceedings of the 9th Python in Science Conference},
  editor = {van der Walt, Stéfan and Millman, Jarrod},
  year = {2010},
  pages = {56--61},
  doi = {10.25080/Majora-92bf1922-00a}
}

@article{harris2020numpy,
  author = {Harris, Charles R. and Millman, K. Jarrod and van der Walt, Stéfan J. and Gommers, Ralf and Virtanen, Pauli and others},
  title = {Array Programming with NumPy},
  journal = {Nature},
  year = {2020},
  volume = {585},
  pages = {357--362},
  doi = {10.1038/s41586-020-2649-2}
}

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (McNeish, 2018).

Powiązane hasła

Normalizacja (psychometria)Obiektywność (psychometria)Psychometria Spójność wewnętrzna (rzetelność skali)Standaryzacja (psychometria)Trafność (psychometria)

Poradniki, w których użyjesz tego pojęcia

Poradnik

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczy Oferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

McNeish, D. (2018). Thanks coefficient alpha, we’ll take it from here. Psychological Methods, 23(3), 412–433. https://doi.org/10.1037/met0000144
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
Sijtsma, K. (2009). On the use, the misuse, and the very limited usefulness of Cronbach’s alpha. Psychometrika, 74(1), 107–120. https://doi.org/10.1007/s11336-008-9101-0
Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
Fabrigar, L. R., Wegener, D. T., MacCallum, R. C., & Strahan, E. J. (1999). Evaluating the use of exploratory factor analysis in psychological research. Psychological Methods, 4(3), 272–299. https://doi.org/10.1037/1082-989X.4.3.272
Hayton, J. C., Allen, D. G., & Scarpello, V. (2004). Factor retention decisions in exploratory factor analysis: A tutorial on parallel analysis. Organizational Research Methods, 7(2), 191–205. https://doi.org/10.1177/1094428104263675

Cytowania BibTeX

@article{mcneish2018alpha, author={McNeish, Daniel}, title={Thanks coefficient alpha, we’ll take it from here}, journal={Psychological Methods}, year={2018}, volume={23}, number={3}, pages={412--433}, doi={10.1037/met0000144}}

@article{dunn2014omega, 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{sijtsma2009alpha, author={Sijtsma, Klaas}, title={On the use, the misuse, and the very limited usefulness of Cronbach’s alpha}, journal={Psychometrika}, year={2009}, volume={74}, number={1}, pages={107--120}, doi={10.1007/s11336-008-9101-0}}

@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}

@article{fabrigar1999efa, author={Fabrigar, Leandre R. and Wegener, Duane T. and MacCallum, Robert C. and Strahan, Erin J.}, title={Evaluating the use of exploratory factor analysis in psychological research}, journal={Psychological Methods}, year={1999}, volume={4}, number={3}, pages={272--299}, doi={10.1037/1082-989X.4.3.272}}

@article{hayton2004parallel, author={Hayton, James C. and Allen, David G. and Scarpello, Vida}, title={Factor retention decisions in exploratory factor analysis: a tutorial on parallel analysis}, journal={Organizational Research Methods}, year={2004}, volume={7}, number={2}, pages={191--205}, doi={10.1177/1094428104263675}}