Słownik metodologiczny · Pomiar i skale

Skala standaryzowana – jak przeliczać wyniki surowe na z, T, IQ, steny i staniny

Skala standaryzowana zapisuje wynik testu jako odległość od średniej grupy normalizacyjnej w ustalonych jednostkach. Pokazujemy wspólny wzór dla skal z, T, IQ, stenowej i staninowej, różnicę między przekształceniem liniowym i normalizującym, przedział ufności i opis wyniku – z kodem R.

Strona główna / Słownik / Skala standaryzowana
W skrócie: Skala standaryzowana wyraża wynik testu jako położenie względem średniej grupy normalizacyjnej: najpierw liczy się wynik z, a potem zapisuje go w jednostkach wybranej skali (X′ = M′ + SD′ × z), np. T (50, 10), IQ (100, 15), stenach (5.5, 2) lub staninach (5, 2). Zawsze podawaj, czyje to normy i czy przekształcenie było liniowe, czy normalizujące, a w diagnozie indywidualnej dodaj rangę centylową i przedział ufności.

Co to jest skala standaryzowana?

Skala standaryzowana (skala wyników standardowych, ang. standard score scale) to skala, na której wynik testu wyraża się jako odległość od średniej grupy odniesienia, mierzoną w jej odchyleniach standardowych, a następnie zapisuje w umownych jednostkach o z góry ustalonej średniej i odchyleniu standardowym. Wszystkie takie skale są przekształceniem tego samego wyniku z:

z = (X − Mnorm) / SDnorm   →   X′ = M′ + SD′ × z

Mnorm i SDnorm pochodzą z próby normalizacyjnej (zob. normy testowe), a M′ i SD′ to stałe wybranej skali. Andrade (2021) przypomina, że wynik z mówi, o ile odchyleń standardowych wynik leży powyżej lub poniżej średniej, i że przy interpretacji względem norm używa się średniej i SD populacji odniesienia, a nie własnej próby. Skala standaryzowana nie jest więc cechą testu, lecz sposobem zapisu wyniku surowego względem konkretnej grupy porównawczej.

Najczęściej używane skale standaryzowane

Skale standaryzowane: średnia, odchylenie standardowe i zakres
SkalaM′SD′Zapis i zakresGdzie spotkasz
Wynik z01Liczby ujemne i dziesiętneObliczenia, porównania między testami
Skala tenowa (T)5010Liczby całkowite, zwykle 20–80Kwestionariusze osobowości i objawów
Skala IQ (dewiacyjna)10015Liczby całkowite, zwykle 55–145Testy inteligencji i zdolności
Skala stenowa5.521–10, przedziały po 0.5 SDKwestionariusze w diagnozie i doborze
Skala staninowa521–9, przedziały po 0.5 SD (skrajne otwarte)Testy szkolne i osiągnięć

Wszystkie przedstawiają tę samą informację – położenie wyniku w rozkładzie grupy odniesienia (rysunek 1). Różnią się precyzją: z, T i IQ zachowują drobne różnice, a steny i staniny łączą wiele wyników surowych w jedną kategorię. Ranga centylowa (zob. percentyl) też opisuje położenie wyniku, ale nie jest skalą standaryzowaną w tym sensie: nie ma stałego odchylenia standardowego, a odległości centylowe w środku rozkładu są „ściśnięte”, na krańcach – „rozciągnięte”.

Skala liniowa czy znormalizowana

Wynik z można uzyskać na dwa sposoby, a różnica ma znaczenie, gdy rozkład wyników w normach jest skośny:

  • przekształcenie liniowe – wzór powyżej; zachowuje kształt rozkładu surowego, więc przy skośnym rozkładzie wynik T = 70 nie musi oznaczać, że niżej leży 97.7% populacji;
  • przekształcenie normalizujące – najpierw ustala się rangę centylową wyniku w próbie normalizacyjnej, a potem odczytuje odpowiadającą jej wartość z z rozkładu normalnego (zob. wynik znormalizowany i normalizacja). Wtedy relacja „wynik standaryzowany – odsetek populacji poniżej” zgadza się z krzywą normalną.

Soloman i Sawilowsky (2009) porównali kilka rangowych przekształceń normalizujących i najdokładniejsze okazało się przekształcenie rankit; zaznaczają jednak, że małe próby i skośne rozkłady pogarszają działanie każdej metody. Nowoczesne normy coraz częściej buduje się metodami ciągłymi, które modelują zależność wyników od wieku zamiast osobnych tablic dla przedziałów wiekowych – Lenhard i Lenhard (2021) pokazują, że daje to dokładniejsze normy przy mniejszych próbach.

Przykład: wynik 40 punktów w skośnym kwestionariuszu

W próbie normalizacyjnej 1000 dorosłych (dane symulowane) kwestionariusz objawów lęku (0–60 punktów) ma rozkład prawoskośny: M = 17.02, SD = 8.80, skośność 1.08. Interpretujemy wynik surowy 40.

Wynik surowy 40 w różnych skalach standaryzowanych
SkalaPrzekształcenie liniowePrzekształcenie normalizujące
Wynik z2.612.00
Skala T7670
Skala IQ (100, 15)139130
Sten109
Stanin99
Odsetek populacji z wynikiem niższym99.5% (wg krzywej normalnej)97.7% (faktycznie w normach)

Przekształcenie liniowe daje T = 76, co sugeruje wynik wyższy niż u 99.5% populacji. W rzeczywistości w próbie normalizacyjnej niższy wynik miało 97.7% osób – i to odpowiada T = 70 z normalizacji. Przy prawoskośnym rozkładzie skala liniowa przesadza na prawym krańcu. Sten zmienia się z 10 na 9, stanin pozostaje 9.

Krzywa rozkładu normalnego z wyrównanymi osiami: wynik z od −3 do 3, skala T od 20 do 80, skala IQ od 55 do 145, rangi centylowe 0.1, 2.3, 15.9, 50, 84.1, 97.7, 99.9 oraz steny 1–10 i staniny 1–9. Wynik surowy 40 po normalizacji to z = 2.00 i T = 70, a po przekształceniu liniowym z = 2.61 i T = 76
Rysunek 1. Skale standaryzowane na wspólnej osi rozkładu normalnego. Ciągła czerwona linia – wynik surowy 40 po przekształceniu normalizującym (z = 2.00), przerywana – po przekształceniu liniowym (z = 2.61). Steny i staniny zaznaczono w środkach ich przedziałów. Obliczenia: R (dane symulowane).

Precyzja. Każdy wynik testu jest obarczony błędem pomiaru. Przy rzetelności .88 błąd standardowy pomiaru w skali T wynosi 10 × √(1 − .88) = 3.5 punktu, więc 95% przedział dla T = 70 to około 63–77 (dokładnie 63.2–76.7 w kodzie). Crawford i Garthwaite (2009) zalecają, by obok wyników standaryzowanych podawać rangę centylową, a granice przedziału ufności wyrażać także w centylach. Gruboziarniste skale ukrywają tę niepewność w drugą stronę: w tych normach wyniki surowe od 20 do 25 dają ten sam sten 7, a 26 – już sten 8. Jeden punkt surowy może zmienić kategorię opisu, a sześć punktów – nie zmienić niczego.

Jak opisać wynik w pracy

W metodzie podaj, jakie normy zastosowano (populacja, rok, wiek, płeć), czy przekształcenie było liniowe czy normalizujące i na jaką skalę przeliczono wyniki. W opisie indywidualnym dodaj rangę centylową i przedział ufności. Wzór:

Wyniki surowe przeliczono na znormalizowane wyniki T (M = 50, SD = 10) według norm dla osób dorosłych z podręcznika testu. Wynik surowy 40 odpowiadał T = 70 (ranga centylowa 97.7; 95% przedział ufności dla T: 63–77, przy rzetelności .88), czyli wynikowi wyższemu niż u około 98% osób z grupy normalizacyjnej.

W badaniach grupowych, gdy porównujesz średnie, zwykle lepiej analizować wyniki surowe albo wyniki T niż steny – kategorie 1–10 tracą informację. Jeśli w pracy porównujesz zmienne o różnych jednostkach, standaryzację względem własnej próby opisuje hasło standaryzacja zmiennej; nie myl jej z przeliczaniem na normy. Proces tworzenia norm i skal dla nowego narzędzia omawia poradnik jak zbudować i zwalidować skalę psychometryczną.

Przykład reprodukowalny

Przykład w R

Kod tworzy próbę normalizacyjną, przelicza wynik surowy 40 liniowo i z normalizacją na pięć skal standaryzowanych, porównuje odsetki z krzywej normalnej i z norm, liczy przedział ufności w skali T i pokazuje, jak steny łączą sąsiednie wyniki surowe. Liczby w tekście, tabeli i na rysunku 1 pochodzą z tego kodu.

Przeliczanie wyniku surowego na skale standaryzowane

Dane wejściowe: próba normalizacyjna 1000 osób, wynik surowy 0–60, rozkład prawoskośny (dane symulowane, set.seed(2271)).

Co odczytać: M, SD i skośność norm, dwa wiersze wyników w skalach z, T, IQ, sten, stanin (liniowe i znormalizowane), rangę centylową, porównanie odsetków, błąd standardowy pomiaru i przedział dla T oraz steny dla wyników surowych 20–30.

R
# Dane symulowane: próba normalizacyjna 1000 osób dorosłych, kwestionariusz objawów lęku (wynik surowy 0–60),
# rozkład prawoskośny; interpretujemy wynik surowy jednej osoby: 40 punktów
set.seed(2271)
normy <- round(pmin(60, rgamma(1000, shape = 4, scale = 4.2)))
M <- mean(normy); SD <- sd(normy)
round(c(M = M, SD = SD, skosnosc = mean((normy - M)^3) / SD^3), 2)
x <- 40

# 1. Przekształcenie liniowe: wynik z, a z niego dowolna skala standaryzowana X' = M' + SD' * z
z_lin <- (x - M) / SD
skale <- function(z) c(z = z, T = 50 + 10 * z, IQ = 100 + 15 * z,
                       sten = min(10, max(1, round(5.5 + 2 * z))), stanin = min(9, max(1, round(5 + 2 * z))))
round(skale(z_lin), 2)

# 2. Przekształcenie normalizujące: ranga centylowa w próbie normalizacyjnej -> kwantyl rozkładu normalnego
pr <- (sum(normy < x) + 0.5 * sum(normy == x)) / length(normy)   # ranga centylowa (środek przedziału)
z_norm <- qnorm(pr)
round(c(ranga_centylowa = 100 * pr, z_znormalizowany = z_norm), 2)
round(skale(z_norm), 2)

# 3. Ten sam wynik z w liniowej skali: jaki odsetek populacji leży niżej? (zakłada rozkład normalny)
round(100 * c(z_liniowe_wg_krzywej_normalnej = pnorm(z_lin), faktycznie_w_normach = pr), 1)

# 4. Precyzja: błąd standardowy pomiaru w jednostkach skali T przy rzetelności .88 i 95% przedział ufności
rel <- .88
SEM_T <- 10 * sqrt(1 - rel)
T_norm <- 50 + 10 * z_norm
round(c(SEM_T = SEM_T, dolna = T_norm - 1.96 * SEM_T, gorna = T_norm + 1.96 * SEM_T), 1)

# 5. Gruboziarnistość stenów: wyniki surowe 20–30 w stenach (normy znormalizowane)
st <- sapply(20:30, function(w) { p <- (sum(normy < w) + 0.5 * sum(normy == w)) / length(normy); min(10, max(1, round(5.5 + 2 * qnorm(p)))) })
setNames(st, 20:30)
Wynik w R
       M       SD skosnosc
   17.02     8.80     1.08
     z      T     IQ   sten stanin
  2.61  76.11 139.17  10.00   9.00
 ranga_centylowa z_znormalizowany
            97.7              2.0
     z      T     IQ   sten stanin
  2.00  69.95 129.93   9.00   9.00
z_liniowe_wg_krzywej_normalnej           faktycznie_w_normach
                          99.5                           97.7
SEM_T dolna gorna
  3.5  63.2  76.7
20 21 22 23 24 25 26 27 28 29 30
 7  7  7  7  7  7  8  8  8  8  8

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (tylko funkcje bazowe); rysunek przygotowano w pakiecie ggplot2.

  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

Najczęstsze błędy

  • Interpretowanie wyniku standaryzowanego bez grupy odniesienia. T = 70 w normach dla studentów i w normach dla populacji ogólnej to różne informacje. Zawsze podaj, czyje to normy.
  • Odczytywanie odsetków z krzywej normalnej przy liniowej skali i skośnym rozkładzie. W przykładzie dawało to 99.5% zamiast faktycznych 97.7%.
  • Standaryzacja względem własnej próby nazwana „wynikiem według norm”. Wynik z policzony na 80 osobach z badania mówi o położeniu w tej próbie, nie w populacji.
  • Traktowanie stenów jak precyzyjnych pomiarów. Różnica jednego stena może wynikać z jednego punktu surowego; liczenie średnich i testów na stenach traci informację.
  • Brak przedziału ufności w diagnozie indywidualnej. Wynik T = 70 przy rzetelności .88 jest zgodny z wartościami od około 63 do 77.
  • Stare lub niedopasowane normy. Przy małej próbie normalizacyjnej Crawford i Howell (1998) zalecają porównywać wynik osoby z normami zmodyfikowanym testem t zamiast prostego przeliczenia na z.

Najczęstsze pytania

Jak przeliczyć wynik surowy na skalę standaryzowaną?

Policz wynik z = (X − M)/SD, używając średniej i odchylenia standardowego z norm, a potem przelicz go na wybraną skalę: T = 50 + 10z, IQ = 100 + 15z, sten = 5.5 + 2z, stanin = 5 + 2z (steny i staniny zaokrąglasz i ograniczasz do zakresu skali).

Czym różni się skala liniowa od znormalizowanej?

Liniowa zachowuje kształt rozkładu wyników surowych, więc przy skośnym rozkładzie nie da się z niej odczytać odsetków z krzywej normalnej. Znormalizowana wychodzi od rangi centylowej i przypisuje jej wartość z z rozkładu normalnego. W przykładzie na tej stronie ten sam wynik surowy dał T = 76 liniowo i T = 70 po normalizacji.

Która skala standaryzowana jest najdokładniejsza?

Wynik z, skala T i skala IQ zachowują drobne różnice między wynikami. Steny i staniny łączą wiele wyników surowych w jedną kategorię – są czytelne w diagnozie, ale tracą informację w analizach statystycznych.

Czy wyniki z mojej próby można przeliczyć na skalę T bez norm?

Technicznie tak, ale taki wynik mówi tylko o położeniu osoby w Twojej próbie, a nie w populacji. Nie nazywaj go wynikiem według norm; w opisie napisz, że standaryzowano względem własnej próby.

Dlaczego przy wyniku standaryzowanym podaje się przedział ufności?

Bo każdy wynik testu zawiera błąd pomiaru. Przy rzetelności .88 błąd standardowy pomiaru w skali T wynosi 3.5 punktu, więc wynik T = 70 jest zgodny z wartościami od około 63 do 77.

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. Andrade, C. (2021). Z scores, standard scores, and composite test scores explained. Indian Journal of Psychological Medicine, 43(6), 555–557. https://doi.org/10.1177/02537176211046525 ● Otwarty dostęp
  2. Crawford, J. R., & Garthwaite, P. H. (2009). Percentiles please: The case for expressing neuropsychological test scores and accompanying confidence limits as percentile ranks. The Clinical Neuropsychologist, 23(2), 193–204. https://doi.org/10.1080/13854040801968450
  3. Crawford, J. R., & Howell, D. C. (1998). Comparing an individual’s test score against norms derived from small samples. The Clinical Neuropsychologist, 12(4), 482–486. https://doi.org/10.1076/clin.12.4.482.7241
  4. Lenhard, W., & Lenhard, A. (2021). Improvement of norm score quality via regression-based continuous norming. Educational and Psychological Measurement, 81(2), 229–261. https://doi.org/10.1177/0013164420928457 ● Otwarty dostęp
  5. Soloman, S. R., & Sawilowsky, S. S. (2009). Impact of rank-based normalizing transformations on the accuracy of test scores. Journal of Modern Applied Statistical Methods, 8(2), Article jmasm.eP1519. https://doi.org/10.22237/jmasm/1257034080 ● Otwarty dostęp

Cytowania BibTeX

@article{andrade2021z, author={Andrade, Chittaranjan}, title={{Z scores, standard scores, and composite test scores explained}}, journal={Indian Journal of Psychological Medicine}, year={2021}, volume={43}, number={6}, pages={555--557}, doi={10.1177/02537176211046525}}
@article{crawford2009percentiles, author={Crawford, John R. and Garthwaite, Paul H.}, title={{Percentiles please: The case for expressing neuropsychological test scores and accompanying confidence limits as percentile ranks}}, journal={The Clinical Neuropsychologist}, year={2009}, volume={23}, number={2}, pages={193--204}, doi={10.1080/13854040801968450}}
@article{crawford1998comparing, author={Crawford, John R. and Howell, David C.}, title={{Comparing an individual’s test score against norms derived from small samples}}, journal={The Clinical Neuropsychologist}, year={1998}, volume={12}, number={4}, pages={482--486}, doi={10.1076/clin.12.4.482.7241}}
@article{lenhard2021improvement, author={Lenhard, Wolfgang and Lenhard, Alexandra}, title={{Improvement of norm score quality via regression-based continuous norming}}, journal={Educational and Psychological Measurement}, year={2021}, volume={81}, number={2}, pages={229--261}, doi={10.1177/0013164420928457}}
@article{soloman2009impact, author={Soloman, Shira R. and Sawilowsky, Shlomo S.}, title={{Impact of rank-based normalizing transformations on the accuracy of test scores}}, journal={Journal of Modern Applied Statistical Methods}, year={2009}, volume={8}, number={2}, pages={448--462}, eid={jmasm.eP1519}, doi={10.22237/jmasm/1257034080}}
R