Co to jest spójność wewnętrzna?
Spójność wewnętrzna (ang. internal consistency) to stopień, w jakim pozycje jednej skali są ze sobą powiązane – osoby, które wysoko oceniają jedną pozycję, wysoko oceniają też pozostałe. Na jej podstawie szacuje się rzetelność wyniku z jednego badania, bez powtarzania pomiaru. Jeśli pozycje mierzą tę samą cechę, każda z nich jest jakby małym, równoległym testem, a ich zgodność mówi, jak dużo w sumie jest wspólnego sygnału, a jak dużo – błędu.
Spójność wewnętrzna nie jest jednym współczynnikiem, lecz rodziną miar. Odpowiada na pytanie „czy pozycje razem tworzą dokładny wynik?”. Nie odpowiada na pytania „czy wynik jest stabilny w czasie?” (to rzetelność test–retest) ani „czy pozycje mierzą jedną cechę?” – to ostatnie jest najczęstszym nieporozumieniem.
Miary spójności wewnętrznej
| Miara | Co opisuje | Uwagi |
|---|---|---|
| Średnia korelacja między pozycjami | Jak silnie przeciętnie wiążą się dwie pozycje | Nie zależy od liczby pozycji – dobry uzupełniający wskaźnik |
| Alfa Cronbacha (α) | Rzetelność sumy pozycji przy założeniu równych ładunków | Najpopularniejsza; zob. poradnik o alfie |
| Omega McDonalda (ω) | Rzetelność sumy z modelu czynnikowego | Dopuszcza różne ładunki pozycji |
| KR-20 | Alfa dla pozycji 0/1 | Testy wiedzy i zdolności |
| Rzetelność połówkowa | Korelacja dwóch połówek z korektą Spearmana–Browna | Wynik zależy od sposobu podziału |
| Korelacja pozycja–całość | Jak dana pozycja pasuje do reszty skali | Diagnostyka pozycji; zob. analiza pozycji testu |
Cronbach (1951) pokazał, że alfa jest średnią wszystkich możliwych współczynników połówkowych, a KR-20 to jej szczególny przypadek. W wersji standaryzowanej alfa zależy tylko od dwóch rzeczy – liczby pozycji k i średniej korelacji między nimi r̄:
Ten wzór wyjaśnia dwie pułapki opisane niżej. Pierwsza: alfa rośnie z liczbą pozycji, nawet gdy pozycje są słabo powiązane. Druga: na średnią korelację składają się wszystkie pary pozycji, więc ten sam wynik może powstać z jednego jednorodnego czynnika albo z kilku odrębnych.
Przykład: cztery skale, podobne alfy
Czterysta osób (dane symulowane) wypełniło cztery skale z odpowiedziami od 1 do 5. Skala A ma 12 pozycji mierzących jedną cechę. Skala B ma też 12 pozycji, ale składa się z dwóch niezależnych grup po 6 pozycji – np. lęku egzaminacyjnego i lęku społecznego. Skala C to 6 pozycji ze skali A, a skala D – 30 pozycji słabo związanych z jedną cechą.
| Skala | k | r̄ | α | ω | CFI (1 czynnik) | RMSEA (1 czynnik) | 2. wartość własna |
|---|---|---|---|---|---|---|---|
| A – jeden czynnik | 12 | .35 | .87 | .87 | 1.000 | .000 | 0.83 |
| B – dwa czynniki | 12 | .27 | .82 | .74 | .531 | .222 | 3.63 |
| C – 6 pozycji z A | 6 | .33 | .75 | .75 | 1.000 | .000 | 0.77 |
| D – 30 słabych pozycji | 30 | .09 | .74 | .74 | .939 | .015 | 1.37 |
Wysoka alfa nie dowodzi jednowymiarowości. Skala B ma alfę .82, czyli wartość zwykle uznawaną za dobrą. Mimo to model jednoczynnikowy jest do niej fatalnie dopasowany (CFI = .531, RMSEA = .222), a druga wartość własna macierzy korelacji wynosi 3.63. Rysunek 2 pokazuje dlaczego: pozycje korelują silnie wewnątrz swoich grup (średnio .57) i prawie wcale między grupami (.03). Alfa „widzi” tylko średnią wszystkich par. Cortina (1993) pokazał to na hipotetycznych testach o różnej liczbie wymiarów, a Sijtsma (2009) podkreśla, że wartość alfy nic nie mówi o wewnętrznej strukturze testu. Dla skali B policz rzetelność osobno dla każdej podskali – tu .89 i .88 – zamiast jednej alfy dla całości.
Alfa zależy od długości skali. Skale C i D mają prawie tę samą alfę (.75 i .74), choć średnia korelacja między pozycjami w D (.09) jest prawie czterokrotnie niższa niż w C (.33). W D wysoką alfę „robi” liczba pozycji: 30 słabych wskaźników daje tyle samo co 6 dobrych. Rysunek 1 pokazuje tę zależność dla kilku wartości średniej korelacji.
W skalach jednoczynnikowych A i C alfa i omega są niemal równe, bo pozycje mają podobne ładunki. W skali B omega z modelu jednoczynnikowego (.74) jest niższa od alfy, ale sam model jest błędny, więc i ta liczba nie ma sensu – najpierw ustal strukturę.
Jak oceniać spójność wewnętrzną krok po kroku
- Sprawdź wymiarowość – analizą czynnikową albo przynajmniej analizą równoległą. Clark i Watson (1995) zalecają, by przy budowie skal celem była jednowymiarowość, a nie sama wysoka spójność.
- Policz rzetelność dla każdej jednowymiarowej (pod)skali osobno – alfę lub, gdy ładunki wyraźnie się różnią, omegę. McNeish (2018) pokazuje, że założenia alfy rzadko są spełnione, a omega i inne miary bywają lepszym wyborem.
- Podaj średnią korelację między pozycjami – Clark i Watson (1995) zwracają uwagę, że niemal wszystkie korelacje między pozycjami powinny być umiarkowane. Bardzo wysokie korelacje sugerują pozycje-synonimy, które zawężają treść konstruktu.
- Przejrzyj korelacje pozycja–całość – ujemne wartości zwykle oznaczają nieprzekodowaną pozycję odwróconą.
- Raportuj wynik z własnej próby – rzetelność podana w podręczniku dotyczyła innej grupy osób i innych warunków badania.
- Nie podnoś alfy na siłę przez dokładanie podobnych pozycji albo usuwanie wszystkich, które „psują” wynik – zmieniasz w ten sposób treść narzędzia.
Jak opisać spójność wewnętrzną w pracy
Podaj miarę obliczoną w twojej próbie dla każdej skali i podskali, liczbę pozycji oraz – najlepiej – średnią korelację między pozycjami. Więcej skal zbierz w tabeli według wzoru tabeli rzetelności w APA. Gotowe sformułowania znajdziesz w poradniku wzór raportowania alfy Cronbacha.
Spójność wewnętrzna w R
Kod tworzy cztery skale z przykładu i dla każdej liczy średnią korelację między pozycjami, alfę, omegę z modelu jednoczynnikowego, dopasowanie tego modelu i drugą wartość własną. Dla skali dwuczynnikowej liczy alfy podskal i korelacje wewnątrz oraz między podskalami, a na końcu tabelę alfy standaryzowanej dla różnych k i r̄. Liczby w tekście, tabelach i na rysunkach pochodzą z tego kodu.
Alfa, omega i wymiarowość
R
# Spójność wewnętrzna: alfa, omega i średnia korelacja między pozycjami w czterech skalach (dane symulowane)
suppressPackageStartupMessages({
library(psych) # alpha()
library(lavaan) # cfa()
})
set.seed(157)
N <- 400
likert <- function(x) cut(x, c(-Inf, -1.3, -0.45, 0.45, 1.3, Inf), labels = FALSE) # odpowiedzi 1–5
skala <- function(lad, czynnik) { # lad: ładunki; czynnik: numer czynnika dla każdej pozycji
F <- matrix(rnorm(N * max(czynnik)), N)
X <- sapply(seq_along(lad), function(j) lad[j] * F[, czynnik[j]] + rnorm(N, 0, sqrt(1 - lad[j]^2)))
as.data.frame(apply(X, 2, likert))
}
A <- skala(rep(0.60, 12), rep(1, 12)) # 12 pozycji, jeden czynnik
B <- skala(rep(0.78, 12), rep(1:2, each = 6)) # 12 pozycji, dwa niezależne czynniki po 6 pozycji
C <- A[, 1:6] # 6 pozycji ze skali A
D <- skala(rep(0.33, 30), rep(1, 30)) # 30 pozycji, jeden słaby czynnik
opis <- function(d) {
R <- cor(d); k <- ncol(d)
m <- paste("f =~", paste(names(d), collapse = " + "))
f <- cfa(m, data = d, std.lv = TRUE)
l <- inspect(f, "std")$lambda; th <- diag(inspect(f, "std")$theta)
c(k = k, sr_r = mean(R[lower.tri(R)]), alfa = alpha(d, warnings = FALSE)$total$raw_alpha,
omega = sum(l)^2 / (sum(l)^2 + sum(th)), CFI_1czynnik = unname(fitMeasures(f, "cfi")),
RMSEA_1czynnik = unname(fitMeasures(f, "rmsea")), wartosc_wlasna_2 = eigen(R)$values[2])
}
round(rbind(A_12_poz = opis(A), B_2_czynniki = opis(B), C_6_poz = opis(C), D_30_poz = opis(D)), 3)
# Skala B: alfa osobno dla dwóch podskal
round(c(podskala_1 = alpha(B[, 1:6])$total$raw_alpha, podskala_2 = alpha(B[, 7:12])$total$raw_alpha), 3)
# Korelacje między pozycjami w B: wewnątrz podskal i między nimi
RB <- cor(B)
round(c(wewnatrz = mean(c(RB[1:6, 1:6][lower.tri(diag(6))], RB[7:12, 7:12][lower.tri(diag(6))])),
miedzy = mean(RB[1:6, 7:12])), 3)
# Alfa standaryzowana z liczby pozycji k i średniej korelacji r: k·r / (1 + (k − 1)·r)
alfa_st <- function(k, r) k * r / (1 + (k - 1) * r)
tab <- outer(c(5, 10, 20, 40), c(0.10, 0.20, 0.30, 0.50), alfa_st)
dimnames(tab) <- list(k = c(5, 10, 20, 40), sr_r = c(0.10, 0.20, 0.30, 0.50))
round(tab, 2)Wynik w R
k sr_r alfa omega CFI_1czynnik RMSEA_1czynnik wartosc_wlasna_2
A_12_poz 12 0.348 0.865 0.865 1.000 0.000 0.828
B_2_czynniki 12 0.274 0.819 0.741 0.531 0.222 3.631
C_6_poz 6 0.333 0.749 0.751 1.000 0.000 0.766
D_30_poz 30 0.086 0.739 0.740 0.939 0.015 1.370
podskala_1 podskala_2
0.894 0.878
wewnatrz miedzy
0.565 0.031
sr_r
k 0.1 0.2 0.3 0.5
5 0.36 0.56 0.68 0.83
10 0.53 0.71 0.81 0.91
20 0.69 0.83 0.90 0.95
40 0.82 0.91 0.94 0.98Bibliografia oprogramowania
Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3; rysunki przygotowano w pakietach ggplot2 i patchwork. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- 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/
- psych (wersja 2.6.5): Revelle, W. (2026). psych: Procedures for psychological, psychometric, and personality research [R package]. Northwestern University. https://CRAN.R-project.org/package=psych
- lavaan (wersja 0.7.2): Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36. https://doi.org/10.18637/jss.v048.i02
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://CRAN.R-project.org/package=patchwork
Najczęstsze błędy
- „Alfa = .82, więc skala jest jednowymiarowa” – alfa nie sprawdza struktury; w przykładzie taką wartość dała skala z dwoma niezależnymi czynnikami.
- Jedna alfa dla całego wielowymiarowego kwestionariusza – licz ją osobno dla każdej podskali.
- Porównywanie alf skal o różnej długości bez uwzględnienia liczby pozycji – długa skala ze słabymi pozycjami może mieć tę samą alfę co krótka z dobrymi.
- Cytowanie alfy z podręcznika zamiast z własnych danych – spójność wewnętrzna dotyczy wyników w konkretnej próbie.
- Alfa dla skal dwu- lub trzypozycyjnych interpretowana według progów dla długich skal – przy kilku pozycjach podaj raczej średnią korelację między nimi.
- Bardzo wysoka alfa (np. powyżej .95) jako powód do dumy – często oznacza pozycje powtarzające tę samą treść innymi słowami.
Najczęstsze pytania
Co to jest spójność wewnętrzna skali?
To stopień, w jakim pozycje skali są ze sobą powiązane – osoby wysoko oceniające jedną pozycję wysoko oceniają też pozostałe. Na tej podstawie szacuje się rzetelność wyniku z jednego badania, najczęściej alfą Cronbacha lub omegą McDonalda.
Jakie są miary spójności wewnętrznej?
Najczęściej stosuje się alfę Cronbacha, omegę McDonalda, KR-20 dla pozycji 0/1, rzetelność połówkową z korektą Spearmana–Browna oraz średnią korelację między pozycjami. Do diagnostyki pojedynczych pozycji służą skorygowane korelacje pozycja–całość.
Czy wysoka alfa oznacza, że skala jest jednowymiarowa?
Nie. Alfa zależy od średniej korelacji wszystkich par pozycji, więc skala złożona z dwóch niezależnych grup pozycji może mieć wysoką alfę. W przykładzie z tego hasła skala dwuczynnikowa miała α = .82. Wymiarowość sprawdza się analizą czynnikową.
Dlaczego alfa rośnie, gdy dodaję pozycje?
Bo przy tej samej średniej korelacji między pozycjami suma większej liczby pozycji zawiera relatywnie mniej błędu. Przy średniej korelacji .20 skala z 5 pozycji ma alfę standaryzowaną .56, a z 20 pozycji – .83. Dlatego przy porównywaniu skal podawaj też średnią korelację między pozycjami.
Czy liczyć alfę dla całego kwestionariusza, czy dla podskal?
Dla każdej podskali, która mierzy jedną cechę i daje osobny wynik. Alfa dla całego wielowymiarowego kwestionariusza zwykle wygląda dobrze, ale nie opisuje rzetelności żadnego wyniku, który faktycznie interpretujesz.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
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 →PoradnikWzór raportowania alfy Cronbacha i innych miar spójności wewnętrznej
Przykłady zapisu dla alfy, omegi i skal porządkowych wraz z informacją, czego nie wolno wnioskować z pojedynczego współczynnika.
Czytaj →PoradnikAnaliza 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 →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Clark, L. A., & Watson, D. (1995). Constructing validity: Basic issues in objective scale development. Psychological Assessment, 7(3), 309–319. https://doi.org/10.1037/1040-3590.7.3.309
- Cortina, J. M. (1993). What is coefficient alpha? An examination of theory and applications. Journal of Applied Psychology, 78(1), 98–104. https://doi.org/10.1037/0021-9010.78.1.98
- Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297–334. https://doi.org/10.1007/bf02310555 ● Otwarty dostęp
- McNeish, D. (2018). Thanks coefficient alpha, we’ll take it from here. Psychological Methods, 23(3), 412–433. https://doi.org/10.1037/met0000144
- 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 ● Otwarty dostęp
Cytowania BibTeX
@article{clark1995constructing, author={Clark, Lee Anna and Watson, David}, title={{Constructing validity: Basic issues in objective scale development}}, journal={Psychological Assessment}, year={1995}, volume={7}, number={3}, pages={309--319}, doi={10.1037/1040-3590.7.3.309}}@article{cortina1993what, author={Cortina, Jose M.}, title={{What is coefficient alpha? An examination of theory and applications}}, journal={Journal of Applied Psychology}, year={1993}, volume={78}, number={1}, pages={98--104}, doi={10.1037/0021-9010.78.1.98}}@article{cronbach1951coefficient, author={Cronbach, Lee J.}, title={{Coefficient alpha and the internal structure of tests}}, journal={Psychometrika}, year={1951}, volume={16}, number={3}, pages={297--334}, doi={10.1007/bf02310555}}@article{mcneish2018thanks, 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{sijtsma2009use, 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}}