Słownik metodologiczny · Psychometria

Skala tenowa

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

Strona główna / Słownik / Skala tenowa

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Skala tenowa?

Skala tenowa, nazywana też skalą T, jest liniowym przekształceniem wyniku standaryzowanego, najczęściej do średniej 50 i odchylenia standardowego 10. Wynik T = 60 oznacza pozycję o jedno odchylenie standardowe powyżej średniej normy, a nie 60% poprawnych odpowiedzi.
Co odróżnia to pojęcie? Określenie „skala tenowa” bywa używane niejednoznacznie, dlatego w pracy trzeba przytoczyć definicję z podręcznika konkretnego testu i podać wzór transformacji. Jeśli autor ma na myśli wynik T, typowa skala ma średnią 50 i odchylenie 10; jeśli chodzi o dziesięć kategorii, może być mylona ze stenami. Sama nazwa bez parametrów normy nie pozwala odtworzyć wyniku.

Zastosowanie, warunki i dobre praktyki

Najważniejsze zastosowanie: Wykorzystuj skalę T do wyrażenia pozycji względem normy o średniej 50 i SD 10, nie jako procentu nasilenia cechy.

Skala tenowa jest standaryzowaną skalą o średniej 50 i odchyleniu standardowym 10, zachowującą więcej informacji niż staniny czy steny. Podaj populację norm, wersję narzędzia i niepewność wyniku; wynik T = 60 oznacza pozycję względem normy, nie „60 procent” cechy.

Jak poprawnie stosować i interpretować hasło „Skala tenowa”?

W przypadku pojęcia „Skala tenowa” trzeba określić wynik surowy, grupę odniesienia i funkcję przekształcającą. Dla interpretacji hasła „Skala tenowa” ta sama liczba surowa może otrzymać inną interpretację w normach różniących się wiekiem, populacją lub datą. W odniesieniu do hasła „Skala tenowa” należy odróżnić liniową transformację wyniku z od skali opartej na percentylach lub kategoriach normatywnych.

Ocena pojęcia „Skala tenowa” obejmuje aktualność i reprezentatywność norm, błąd pomiaru oraz stabilność klasyfikacji przy granicach przedziałów. Przy ocenie hasła „Skala tenowa” zaokrąglenie do stena lub stanina traci informację i może przesunąć osobę do sąsiedniej kategorii. W analizie dotyczącej hasła „Skala tenowa” przy porównywaniu grup trzeba sprawdzić, czy pomiar ma w nich porównywalne znaczenie.

Co trzeba opisać w raporcie?

Raport dotyczący „Skala tenowa” powinien podać rodzaj skali, średnią i odchylenie standardowe przyjętej transformacji, źródło norm oraz badaną grupę odniesienia. Dla interpretacji hasła „Skala tenowa” w decyzjach indywidualnych warto przedstawić przedział wokół wyniku. W odniesieniu do hasła „Skala tenowa” należy zachować również wynik surowy, aby możliwe było ponowne przeliczenie według innych norm.

Zakres raportowania dla hasła „Skala tenowa”: Podaj typ skali, wynik, normy, wersję testu i CI, jeśli dostępny.

Przykład praktyczny i gotowa interpretacja

Sytuacja: W systemie T wynik z = −0.60 przeliczono na T = 44 przy M = 50 i SD = 10; liczba 44 nie oznacza 44% poprawnych odpowiedzi.

Jak ją zinterpretować: Wynik T jest liniowym przeliczeniem z typową średnią 50 i SD 10, więc zachowuje względne odległości na skali z. Ma znaczenie tylko względem wskazanej normy i nie powinien być mylony z procentem.

Najczęstsza pułapka i granica interpretacji

Nie mieszaj skali T o M = 50 z innymi skalami nazywanymi potocznie tenowymi.

Wysoki lub niski „Skala tenowa” opisuje pozycję względem konkretnej grupy, a nie niezmienną cechę osoby. Przy ocenie hasła „Skala tenowa” transformacja nie zwiększa rzetelności ani trafności i nie czyni porównań między nieporównywalnymi normami uzasadnionymi.

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

Powiązane hasła

Skala IQSkala staninowaSkala stenowaIpsatyzacjaNormalizacja (psychometria)Obiektywność (psychometria)

Poradniki, w których użyjesz tego pojęcia

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

Analiza czynnikowa EFA i CFA: jak dobrać metodę i uniknąć błędów

EFA i CFA w praktyce: liczba czynników, metoda ekstrakcji, rotacja, ładunki, walidacja oraz najczęstsze błędy w analizie czynnikowej.

Czytaj →Poradnik

Analiza ankiety do pracy licencjackiej i magisterskiej

Analiza ankiety do pracy dyplomowej: przygotowanie bazy, kodowanie pytań, skale, testy, modele i raport wyników do licencjatu lub magisterki.

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. 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
  6. 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}}
R