Skala Likerta

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

Co oznacza Skala Likerta?

Pojedyncza pozycja Likerta jest porządkową odpowiedzią stopnia zgody; skala Likerta zwykle sumuje kilka pozycji mierzących konstrukt.

Zastosowanie, warunki i dobre praktyki

Pojedyncza pozycja Likerta jest kategorią porządkową, natomiast suma wielu pozycji może w określonych warunkach zachowywać się jak wynik przybliżenie ilościowy. Decyzję analityczną uzasadnia liczba kategorii, rozkład, model pomiarowy i odporność metody. Trzeba odróżniać „pozycję Likerta” od „skali Likerta” oraz jawnie opisać kotwice odpowiedzi. Wynik sumaryczny powinien mieć wcześniej ustaloną regułę dopuszczalnej liczby braków.

Najważniejsze zastosowanie: Stosuj z przemyślanymi kategoriami, symetrią, etykietami i walidacją wyniku łącznego.

Pojedyncza pozycja i wynik całej skali nie są tym samym obiektem. Odpowiedź na jedno pytanie, np. od „zdecydowanie się nie zgadzam” do „zdecydowanie się zgadzam”, jest kategorią uporządkowaną. Najbezpieczniej pokazać jej pełny rozkład liczebności i odsetków. Wynik sumaryczny lub średnią z kilku pozycji można interpretować jako natężenie konstruktu dopiero po sprawdzeniu klucza, struktury pomiarowej, rzetelności i sposobu traktowania braków. Sam fakt użycia pięciu podobnych kategorii odpowiedzi nie dowodzi, że pozycje mierzą jedną cechę.

Pozycję odwróconą rekoduje się zgodnie z dokumentacją narzędzia, a nie na podstawie tego, że jej korelacja „psuje wynik”. Dla zakresu 1–5 poprawna transformacja ma postać 6 − x; po rekodowaniu warto porównać kilka rekordów i ponownie sprawdzić zakres. Regułę tworzenia wyniku przy brakach trzeba ustalić przed analizą, np. wymagać odpowiedzi na co najmniej cztery z pięciu pozycji. Inna reguła może zmienić zarówno liczebność, jak i rozkład wyniku.

Kontrola przed utworzeniem wyniku skali Likerta

Podaj kotwice odpowiedzi, zakres oraz kierunek wysokiego wyniku.
Rozróżnij analizę pojedynczej pozycji od analizy wielopozycyjnego wyniku.
Zweryfikuj klucz każdej pozycji odwróconej na konkretnych rekordach.
Uzasadnij model pomiarowy i z góry określ regułę dopuszczalnych braków.

Jak poprawnie stosować i interpretować hasło „Skala Likerta”?

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

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

Co trzeba opisać w raporcie?

W odniesieniu do hasła „Skala Likerta” raport powinien podać brzmienie skali odpowiedzi, etykiety wszystkich kategorii, liczbę pozycji, zakres możliwego wyniku, klucz i regułę braków. Przy ocenie hasła „Skala Likerta”, 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 Likerta”: Podaj brzmienie/kategorie, liczbę pozycji, sposób sumowania i rzetelność.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Pięć pozycji 1–5 tworzy wynik 5–25 po sprawdzeniu struktury i kodowania.

Jak ją zinterpretować: Pojedyncza odpowiedź jest porządkowa, natomiast suma wielu dobrze działających pozycji bywa analizowana jako przybliżenie ciągłe. Decyzję powinny wspierać struktura skali, liczba kategorii, rozkład i cel modelu.

Najczęstsza pułapka i granica interpretacji

Pojedynczej pozycji nie należy automatycznie nazywać skalą Likerta ani traktować jako zwalidowanego konstruktu.

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

Przykład reprodukowalny dla tego hasła

Utworzenie wyniku wielopozycyjnej skali Likerta

Kod rozróżnia pojedyncze odpowiedzi porządkowe od wyniku złożonego z kilku pozycji. Reguła braków i klucz pozycji muszą pochodzić z dokumentacji konkretnego narzędzia.

Dane wejściowe: Pięć pozycji item1–item5 ma zakres 1–5; item3 jest sformułowana odwrotnie. Wynik powstaje tylko dla kompletu pięciu odpowiedzi.

Co sprawdzić w wyniku: Najpierw sprawdź rozkłady i zakres każdej pozycji, następnie odwróć item3 i oblicz średnią. W analizie zachowaj także poszczególne pozycje.

dane <- read.csv("dane.csv")
pozycje <- c("item1", "item2", "item3", "item4", "item5")

# Kontrola zakresu 1–5 przed utworzeniem wyniku.
stopifnot(all(unlist(dane[pozycje]) %in% c(1:5, NA)))
dane$item3_r <- 6 - dane$item3

skladniki <- c("item1", "item2", "item3_r", "item4", "item5")
dane$wynik_likert <- ifelse(
  complete.cases(dane[skladniki]),
  rowMeans(dane[skladniki]),
  NA
)

lapply(dane[pozycje], table, useNA = "ifany")
summary(dane$wynik_likert)

Python

import pandas as pd

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

bad = ~df[items].isin([1, 2, 3, 4, 5]) & df[items].notna()
if bad.any().any():
    raise ValueError("Co najmniej jedna odpowiedź jest poza zakresem 1–5")

df["item3_r"] = 6 - df["item3"]
scored = ["item1", "item2", "item3_r", "item4", "item5"]
df["wynik_likert"] = df[scored].mean(axis=1)
df.loc[df[scored].isna().any(axis=1), "wynik_likert"] = pd.NA

print(df[items].apply(lambda x: x.value_counts(dropna=False)))
print(df["wynik_likert"].describe())

IBM SPSS Statistics — Syntax

RECODE item3 (1=5) (2=4) (3=3) (4=2) (5=1) INTO item3_r.
VARIABLE LABELS item3_r 'Item 3 po odwróceniu skali 1-5'.

COUNT n_wazne=item1 item2 item3_r item4 item5 (1 THRU 5).
IF (n_wazne=5) wynik_likert=MEAN(item1,item2,item3_r,item4,item5).
EXECUTE.

FREQUENCIES VARIABLES=item1 item2 item3 item4 item5.
DESCRIPTIVES VARIABLES=wynik_likert /STATISTICS=MEAN STDDEV MIN MAX.

Bibliografia oprogramowania i wykorzystanych pakietów

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

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}
}

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

Powiązane hasła

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
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
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}}