Słownik metodologiczny · Pomiar i skale

Skala dychotomiczna

Pełne wyjaśnienie, zastosowanie naukowe i praktyczne, przykład, dobre praktyki oraz gotowy zapis wyniku w APA 7.

Strona główna / Słownik / Skala dychotomiczna

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Skala dychotomiczna?

Skala dychotomiczna ma dwie kategorie, np. tak/nie lub zdarzenie/brak zdarzenia.

Zastosowanie, warunki i dobre praktyki

Skala dychotomiczna ma dwie kategorie, np. tak/nie lub zdarzenie/brak zdarzenia. Kod 0–1 ułatwia obliczenia, lecz nie czyni zmiennej ciągłą; średnia kodów jest proporcją jedynek. Analiza wymaga jasnego wskazania, która kategoria jest zdarzeniem i odniesieniem, a przy małych liczebnościach także oceny stabilności proporcji. Dla pojedynczej pozycji średnia jest proporcją jedynek, lecz kodowanie 0/1 i znaczenie zdarzenia muszą być jawne; odwrócenie kodu zmienia interpretację współczynników.

Najważniejsze zastosowanie: Stosuj właściwe proporcje, modele binarne i miary ryzyka.

Dwie kategorie mogą wynikać z natury zjawiska albo z decyzji badacza. Informacja o wystąpieniu zdarzenia, np. nawrocie choroby, jest rzeczywiście dychotomiczna. Inaczej jest z wiekiem, nasileniem objawów lub wynikiem testu: podział takich zmiennych na „niski” i „wysoki” usuwa informację o różnicach wewnątrz grup, zwykle obniża moc analizy i uzależnia wynik od arbitralnego punktu odcięcia. Jeżeli dostępny jest pomiar pierwotny, warto analizować go w oryginalnej skali, a klasyfikację wykorzystać tylko wtedy, gdy ma uzasadnienie kliniczne lub decyzyjne.

W opisie zmiennej dychotomicznej należy podać liczebność obu kategorii, liczbę braków oraz mianownik użyty do obliczenia procentu. W regresji logistycznej trzeba jednoznacznie wskazać kategorię zdarzenia i kategorię referencyjną, ponieważ odwrócenie kodów odwraca sens ilorazu szans. Gdy zdarzeń jest niewiele, oszacowania mogą być niestabilne, a przedziały ufności szerokie; sama duża liczebność całej próby nie rozwiązuje problemu rzadkiego zdarzenia.

Kontrola przed analizą zmiennej dychotomicznej

  • Zapisz, co oznaczają wartości 0 i 1 oraz jak zakodowano braki.
  • Podaj liczebność zdarzeń, a nie tylko liczebność całej próby.
  • Nie twórz podziału według mediany bez uzasadnienia merytorycznego.
  • Raportuj proporcję lub miarę efektu z przedziałem ufności i jawnym mianownikiem.

Jak poprawnie stosować i interpretować hasło „Skala dychotomiczna”?

W odniesieniu do hasła „Skala dychotomiczna” przed analizą trzeba odróżnić pojedynczą odpowiedź od wyniku utworzonego z wielu pozycji. Przy ocenie hasła „Skala dychotomiczna” pozycja Likerta jest porządkowa, odpowiedź dychotomiczna niesie informację o dwóch kategoriach, a dyferencjał semantyczny wykorzystuje położenie między opisanymi biegunami. W analizie dotyczącej hasła „Skala dychotomiczna” sposób sumowania lub uśredniania wymaga modelu i klucza konkretnego narzędzia, a nie samego kodu liczbowego.

W analizie dotyczącej hasła „Skala dychotomiczna” należy sprawdzić kompletność kategorii, kierunek pozycji, efekty podłogi i sufitu oraz rozkłady odpowiedzi. Dla interpretacji hasła „Skala dychotomiczna” przy wyniku wielopozycyjnym potrzebna jest ocena struktury i rzetelności, natomiast dla pojedynczego pytania nie należy raportować alfy. W odniesieniu do hasła „Skala dychotomiczna” pozycje odwrócone trzeba zweryfikować ręcznie po rekodowaniu, zachowując niezmienione dane źródłowe.

Co trzeba opisać w raporcie?

W odniesieniu do hasła „Skala dychotomiczna” raport powinien podać brzmienie skali odpowiedzi, etykiety wszystkich kategorii, liczbę pozycji, zakres możliwego wyniku, klucz i regułę braków. Przy ocenie hasła „Skala dychotomiczna”, jeśli wynik został przekształcony, trzeba pokazać wzór oraz wyjaśnić, czy interpretowana jest pojedyncza kategoria, suma, średnia czy estymata modelu pomiarowego.

Zakres raportowania dla hasła „Skala dychotomiczna”: Podaj definicję kategorii dodatniej, n (%) i odpowiedni model.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Wynik 1 oznacza zdarzenie, 0 brak; kodowanie trzeba jawnie podać.

Jak ją zinterpretować: Wynik 0/1 reprezentuje dwa rozłączne stany, a jego średnia jest proporcją jedynek. Sens współczynników zależy od tego, którą kategorię oznaczono jako zdarzenie, dlatego kodowanie musi być jawne.

Najczęstsza pułapka i granica interpretacji

Sztuczne dzielenie zmiennej ciągłej na dwie kategorie traci informację.

W analizie dotyczącej hasła „Skala dychotomiczna” nadanie kategoriom kodów 1–5 lub 0–1 nie tworzy automatycznie równych odstępów ani pomiaru bez błędu. Dla interpretacji hasła „Skala dychotomiczna” trafność wniosku zależy od treści pozycji i sposobu tworzenia wyniku, a nie od samej wygody obliczeń.

Przykład reprodukowalny dla tego hasła

Kodowanie zmiennej dychotomicznej i przedział ufności dla proporcji

Ten przykład dotyczy wyłącznie zmiennej dwukategorialnej. Nie tworzy wyniku skali, nie odwraca pozycji Likerta i nie koduje zmiennej z trzema kategoriami.

Dane wejściowe: Kolumna zgoda zawiera wartości „tak”, „nie” oraz ewentualne braki. Zdarzeniem jest odpowiedź „tak”, kodowana jako 1.

Co sprawdzić w wyniku: Sprawdź liczebności po rekodowaniu, proporcję jedynek i dokładny 95% przedział ufności. Odwrócenie kodów zmienia znaczenie proporcji oraz współczynników modelu.

R
dane <- read.csv("dane.csv", stringsAsFactors = FALSE)

dane$zgoda_01 <- ifelse(
  tolower(trimws(dane$zgoda)) == "tak", 1,
  ifelse(tolower(trimws(dane$zgoda)) == "nie", 0, NA)
)

table(dane$zgoda_01, useNA = "ifany")
x <- na.omit(dane$zgoda_01)
mean(x)                         # proporcja odpowiedzi „tak”
binom.test(sum(x), length(x))   # dokładny 95% CI
Python
import pandas as pd
from scipy.stats import binomtest

df = pd.read_csv("dane.csv")
mapa = {"nie": 0, "tak": 1}
df["zgoda_01"] = df["zgoda"].str.strip().str.lower().map(mapa)

print(df["zgoda_01"].value_counts(dropna=False))
x = df["zgoda_01"].dropna().astype(int)
wynik = binomtest(k=int(x.sum()), n=len(x))
print("proporcja tak =", x.mean())
print("95% CI =", wynik.proportion_ci(confidence_level=.95))
IBM SPSS Statistics — Syntax
RECODE zgoda ('nie'=0) ('tak'=1) INTO zgoda_01.
VARIABLE LABELS zgoda_01 'Zgoda: 0=nie, 1=tak'.
VALUE LABELS zgoda_01 0 'nie' 1 'tak'.

FREQUENCIES VARIABLES=zgoda_01
 /STATISTICS=MEAN
 /ORDER=ANALYSIS.

Bibliografia oprogramowania i wykorzystanych pakietów

W przykładach użyto: R, Python, IBM SPSS Statistics, pandas, SciPy. 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.

  1. 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/
  2. Python: Van Rossum, G., & Drake, F. L., Jr. (2009). Python 3 reference manual. CreateSpace.
  3. IBM SPSS Statistics: IBM Corp. (2025). IBM SPSS Statistics for Macintosh (Version 31.0) [Computer software]. IBM Corp.
  4. 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
  5. SciPy: Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., Burovski, E., Peterson, P., Weckesser, W., Bright, J., van der Walt, S. J., Brett, M., Wilson, J., Millman, K. J., Mayorov, N., Nelson, A. R. J., Jones, E., Kern, R., Larson, E., … SciPy 1.0 Contributors. (2020). SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, 17, 261–272. https://doi.org/10.1038/s41592-019-0686-2
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.}
}
@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{virtanen2020scipy,
  author = {Virtanen, Pauli and Gommers, Ralf and Oliphant, Travis E. and Haberland, Matt and Reddy, Tyler and others},
  title = {SciPy 1.0: Fundamental Algorithms for Scientific Computing in Python},
  journal = {Nature Methods},
  year = {2020},
  volume = {17},
  pages = {261--272},
  doi = {10.1038/s41592-019-0686-2}
}

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

Powiązane hasła

Skala dyferencjału semantycznegoSkala ilościowaSkala LikertaSkala nominalnaSkala porządkowaSkala standaryzowana

Poradniki, w których użyjesz tego pojęcia

Poradnik

Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować

Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.

Czytaj →Poradnik

Alfa Cronbacha: jak oceniać rzetelność skali bez uproszczeń

Alfa Cronbacha krok po kroku: wzór, założenia, interpretacja, ograniczenia i sytuacje, w których lepiej raportować współczynnik omega.

Czytaj →Poradnik

Regresja logistyczna: założenia, interpretacja i raportowanie modelu

Regresja logistyczna w praktyce: założenia, iloraz szans, diagnostyka, kalibracja, AUC oraz zasady rzetelnego raportowania modelu.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczyOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. McNeish, D. (2018). Thanks coefficient alpha, we’ll take it from here. Psychological Methods, 23(3), 412–433. https://doi.org/10.1037/met0000144
  2. 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
  3. 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
  4. 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
  5. Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594
  6. Lang, T. A., & Altman, D. G. (2015). Basic statistical reporting for articles published in biomedical journals: The SAMPL guidelines. International Journal of Nursing Studies, 52(1), 5–9. https://doi.org/10.1016/j.ijnurstu.2014.09.006

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{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}
@article{lang2015sampl, author={Lang, Thomas A. and Altman, Douglas G.}, title={Basic statistical reporting for articles published in biomedical journals: the SAMPL guidelines}, journal={International Journal of Nursing Studies}, year={2015}, volume={52}, number={1}, pages={5--9}, doi={10.1016/j.ijnurstu.2014.09.006}}
R