Stworzony przez Pogotowie Statystyczne (www.pogotowiestatystyczne.pl) poradnik pokazujący w jaki sposób zaraportować wyniki analizy rzetelności Alfa Cronbacha w tekście naukowym, np. pracy dyplomowej lub artykule naukowym. Poza tym poradnik przedstawia najważniejsze kwestia teoretyczne dotyczące analizy rzetelności i wskaźnika Alfa Cronbacha.
Mediation analysis is used to determine if a mediator variable explains the relationship between an independent and dependent variable. Baron and Kenny developed steps for mediation analysis including showing the independent variable predicts the dependent variable, predicts the mediator, and that the mediator predicts the dependent variable while reducing the effect of the independent variable. Total mediation occurs when the mediator fully explains the relationship, while partial mediation means the mediator only partially explains it. Limitations include needing strong theory to support mediators and being unable to manipulate mediators, while temporal precedence of variables and accounting for confounds can strengthen mediation analysis.
This document discusses the importance of evaluating effect size, not just statistical significance (p-value), when analyzing differences between groups. It provides examples to illustrate effect size and defines some common effect size measures, such as Cohen's d and Hedges' g. The document also discusses how effect size can be used to determine required sample sizes needed to achieve a desired p-value threshold and level of confidence in the results.
1. The document discusses various methods of measurement and scaling used in marketing research, including nominal, ordinal, interval, and ratio scales.
2. Comparative scaling techniques like paired comparisons, rank ordering, and constant sum are described and compared to noncomparative rating scales.
3. Factors like sample characteristics, research objectives, and cross-cultural contexts are important considerations in selecting the appropriate scale of measurement. Ethical practices around informed consent and data anonymity are also discussed.
The document discusses factor analysis as an exploratory and confirmatory multivariate technique. It explains that factor analysis is commonly used for data reduction, scale development, and evaluating the dimensionality of variables. Factor analysis determines underlying factors or dimensions from a set of interrelated variables. It reduces a large number of variables to a smaller number of factors. The key steps in factor analysis include computing a correlation matrix, extracting factors, rotating factors, and making decisions on the number of factors.
Very useful reliability analysis available in this file.Through this you can also enable to explain the reliability of all variables and Reliability should be high for further procedure.
What is Qualitative and quantitative research?
Methods of qualitative research and pros and cons of qualitative research and the characteristics of qualitative research.
This document provides guidance on reporting the results of a single sample t-test in APA format. It includes templates for describing the test and population in the introduction and reporting the mean, standard deviation, t-value and significance in the results. An example is given of a hypothetical single sample t-test comparing IQ scores of people who eat broccoli regularly to the general population.
Psychological tests aim to reliably and validly measure constructs like intelligence, personality, interests, and abilities. Intelligence tests assess general mental abilities and specific skills, with theories proposing single or multiple factors of intelligence. Personality tests evaluate characteristics and problems through objective questionnaires or projective techniques interpreting ambiguous stimuli. Achievement and aptitude tests respectively measure learning and predict skill acquisition. Psychological testing provides standardized assessment with norms, though factors like culture must be considered.
This document provides guidelines for reviewing thesis papers, including requirements and recommendations for the structure and content of the review. Key points include:
- The review should be submitted as a Word document and 10-slide PowerPoint attached to a specified email. It should be in English and take no more than 10 minutes to present.
- The review should comment on preliminary elements like the title page and table of contents, and evaluate chapters based on criteria like clarity, supporting evidence, and structure.
- When reviewing the introduction, methodology, and literature review chapters, the guidelines specify what each section should contain and factors to consider, like justification, scope, limitations, and citations.
- Conceptual frameworks should link objectives
This document defines hypothesis and discusses its functions and characteristics. It begins by defining a hypothesis as an intelligent guess or prediction that gives direction to a researcher to answer a research question. It then explains that a hypothesis formally states the expected relationship between two or more variables. The document outlines several key contributions and functions of hypotheses, including providing clarity to research problems and objectives, directing the research study process, and facilitating data collection and analysis. It describes different types of hypotheses, such as null/alternative hypotheses, directional/non-directional, simple/complex, and causal/associative hypotheses. Finally, it discusses advantages and disadvantages of stating hypotheses and emphasizes the importance of hypotheses in providing relationships between variables and objectivity to research.
This document provides an introduction to inferential statistics, including key terms like test statistic, critical value, degrees of freedom, p-value, and significance. It explains that inferential statistics allow inferences to be made about populations based on samples through probability and significance testing. Different levels of measurement are discussed, including nominal, ordinal, and interval data. Common inferential tests like the Mann-Whitney U, Chi-squared, and Wilcoxon T tests are mentioned. The process of conducting inferential tests is outlined, from collecting and analyzing data to comparing test statistics to critical values to determine significance. Type 1 and Type 2 errors in significance testing are also defined.
The t-test is used to determine if two numbers are statistically different. There are three main types of t-tests: one-sample, two-sample, and paired. The two-sample t-test examines differences between two independent groups and is calculated using a formula that considers the averages, sample sizes, and standard deviations of each group. A degrees of freedom value and critical value must also be determined. If the absolute value of the calculated t-statistic is greater than the critical value, then the difference between the groups is considered statistically significant.
Inferential statistics use samples to make generalizations about populations. It allows researchers to test theories designed to apply to entire populations even though samples are used. The goal is to determine if sample characteristics differ enough from the null hypothesis, which states there is no difference or relationship, to justify rejecting the null in favor of the research hypothesis. All inferential tests examine the size of differences or relationships in a sample compared to variability and sample size to evaluate how deviant the results are from what would be expected by chance alone.
This document discusses different types of validity in research. It describes content validity, construct validity including convergent and discriminant validity, criterion-related validity including predictive and concurrent validity. It also discusses face validity, internal validity, external validity, and conclusion validity. Specific examples are provided to illustrate each type of validity. The key aspects of validity, such as empirical evidence, ongoing evaluation, and population-specific conclusions, are emphasized.
This document discusses causal-comparative research, which aims to identify cause-and-effect relationships between groups by comparing two or more groups that differ on some independent variable. The key points covered are:
1) Causal-comparative research examines pre-existing differences between groups and attempts to determine the cause of those differences, unlike experimental research which manipulates variables.
2) It is useful for studying variables that cannot be manipulated, to inform decisions, and provide a basis for future experimental research.
3) Procedures involve selecting groups that differ on an independent variable, collecting background data, and comparing groups on a dependent variable while controlling for extraneous variables.
Wskaźniki siły efektu - teoria, wzory, wyjaśnienia symboli, interpretacjaPogotowie Statystyczne
Poradnik stworzony przez Pogotowie Statystyczny, wyjaśniający:
- czym są wskaźniki siły efektu
- dlaczego powinno się je raportować
- jaki jest związek między siłą efektu a wartością p
- w jaki sposób interpretować wartości wskaźników siły efektu
- jakie są popularne wskaźniki siły efektu i jak je obliczyć
Ponadto, artykuł zawiera wzory pozwalające obliczyć popularne wskaźniki siły efektu.
Standard APA 7 - podstawowe wytyczne dotyczące raportowania wyników analizy s...Pogotowie Statystyczne
W tym artykule przedstawione są podstawowe wytyczne dotyczące raportowania wyników analizy statystycznej w standardzie APA 7, między innymi:
• struktury tworzenia raportu przedstawiającego wyniki analizy;
• zakresu raportowania (np. jakie statystyki i wartości należy przedstawić);
• sposobu raportowania (tekst vs tabele vs wykresy);
• formatowania tabel i wykresów;
• matematycznego zapisu wyników.
Ponadto, w artykule przedstawiono kilkadziesiąt przykładów raportowania wyników poszczególnych testów statystycznych w tekście oraz tabeli w standardzie APA 7, a ponadto wzory kilku popularnych wykresów.
Mediation analysis is used to determine if a mediator variable explains the relationship between an independent and dependent variable. Baron and Kenny developed steps for mediation analysis including showing the independent variable predicts the dependent variable, predicts the mediator, and that the mediator predicts the dependent variable while reducing the effect of the independent variable. Total mediation occurs when the mediator fully explains the relationship, while partial mediation means the mediator only partially explains it. Limitations include needing strong theory to support mediators and being unable to manipulate mediators, while temporal precedence of variables and accounting for confounds can strengthen mediation analysis.
This document discusses the importance of evaluating effect size, not just statistical significance (p-value), when analyzing differences between groups. It provides examples to illustrate effect size and defines some common effect size measures, such as Cohen's d and Hedges' g. The document also discusses how effect size can be used to determine required sample sizes needed to achieve a desired p-value threshold and level of confidence in the results.
1. The document discusses various methods of measurement and scaling used in marketing research, including nominal, ordinal, interval, and ratio scales.
2. Comparative scaling techniques like paired comparisons, rank ordering, and constant sum are described and compared to noncomparative rating scales.
3. Factors like sample characteristics, research objectives, and cross-cultural contexts are important considerations in selecting the appropriate scale of measurement. Ethical practices around informed consent and data anonymity are also discussed.
The document discusses factor analysis as an exploratory and confirmatory multivariate technique. It explains that factor analysis is commonly used for data reduction, scale development, and evaluating the dimensionality of variables. Factor analysis determines underlying factors or dimensions from a set of interrelated variables. It reduces a large number of variables to a smaller number of factors. The key steps in factor analysis include computing a correlation matrix, extracting factors, rotating factors, and making decisions on the number of factors.
Very useful reliability analysis available in this file.Through this you can also enable to explain the reliability of all variables and Reliability should be high for further procedure.
What is Qualitative and quantitative research?
Methods of qualitative research and pros and cons of qualitative research and the characteristics of qualitative research.
This document provides guidance on reporting the results of a single sample t-test in APA format. It includes templates for describing the test and population in the introduction and reporting the mean, standard deviation, t-value and significance in the results. An example is given of a hypothetical single sample t-test comparing IQ scores of people who eat broccoli regularly to the general population.
Psychological tests aim to reliably and validly measure constructs like intelligence, personality, interests, and abilities. Intelligence tests assess general mental abilities and specific skills, with theories proposing single or multiple factors of intelligence. Personality tests evaluate characteristics and problems through objective questionnaires or projective techniques interpreting ambiguous stimuli. Achievement and aptitude tests respectively measure learning and predict skill acquisition. Psychological testing provides standardized assessment with norms, though factors like culture must be considered.
This document provides guidelines for reviewing thesis papers, including requirements and recommendations for the structure and content of the review. Key points include:
- The review should be submitted as a Word document and 10-slide PowerPoint attached to a specified email. It should be in English and take no more than 10 minutes to present.
- The review should comment on preliminary elements like the title page and table of contents, and evaluate chapters based on criteria like clarity, supporting evidence, and structure.
- When reviewing the introduction, methodology, and literature review chapters, the guidelines specify what each section should contain and factors to consider, like justification, scope, limitations, and citations.
- Conceptual frameworks should link objectives
This document defines hypothesis and discusses its functions and characteristics. It begins by defining a hypothesis as an intelligent guess or prediction that gives direction to a researcher to answer a research question. It then explains that a hypothesis formally states the expected relationship between two or more variables. The document outlines several key contributions and functions of hypotheses, including providing clarity to research problems and objectives, directing the research study process, and facilitating data collection and analysis. It describes different types of hypotheses, such as null/alternative hypotheses, directional/non-directional, simple/complex, and causal/associative hypotheses. Finally, it discusses advantages and disadvantages of stating hypotheses and emphasizes the importance of hypotheses in providing relationships between variables and objectivity to research.
This document provides an introduction to inferential statistics, including key terms like test statistic, critical value, degrees of freedom, p-value, and significance. It explains that inferential statistics allow inferences to be made about populations based on samples through probability and significance testing. Different levels of measurement are discussed, including nominal, ordinal, and interval data. Common inferential tests like the Mann-Whitney U, Chi-squared, and Wilcoxon T tests are mentioned. The process of conducting inferential tests is outlined, from collecting and analyzing data to comparing test statistics to critical values to determine significance. Type 1 and Type 2 errors in significance testing are also defined.
The t-test is used to determine if two numbers are statistically different. There are three main types of t-tests: one-sample, two-sample, and paired. The two-sample t-test examines differences between two independent groups and is calculated using a formula that considers the averages, sample sizes, and standard deviations of each group. A degrees of freedom value and critical value must also be determined. If the absolute value of the calculated t-statistic is greater than the critical value, then the difference between the groups is considered statistically significant.
Inferential statistics use samples to make generalizations about populations. It allows researchers to test theories designed to apply to entire populations even though samples are used. The goal is to determine if sample characteristics differ enough from the null hypothesis, which states there is no difference or relationship, to justify rejecting the null in favor of the research hypothesis. All inferential tests examine the size of differences or relationships in a sample compared to variability and sample size to evaluate how deviant the results are from what would be expected by chance alone.
This document discusses different types of validity in research. It describes content validity, construct validity including convergent and discriminant validity, criterion-related validity including predictive and concurrent validity. It also discusses face validity, internal validity, external validity, and conclusion validity. Specific examples are provided to illustrate each type of validity. The key aspects of validity, such as empirical evidence, ongoing evaluation, and population-specific conclusions, are emphasized.
This document discusses causal-comparative research, which aims to identify cause-and-effect relationships between groups by comparing two or more groups that differ on some independent variable. The key points covered are:
1) Causal-comparative research examines pre-existing differences between groups and attempts to determine the cause of those differences, unlike experimental research which manipulates variables.
2) It is useful for studying variables that cannot be manipulated, to inform decisions, and provide a basis for future experimental research.
3) Procedures involve selecting groups that differ on an independent variable, collecting background data, and comparing groups on a dependent variable while controlling for extraneous variables.
Wskaźniki siły efektu - teoria, wzory, wyjaśnienia symboli, interpretacjaPogotowie Statystyczne
Poradnik stworzony przez Pogotowie Statystyczny, wyjaśniający:
- czym są wskaźniki siły efektu
- dlaczego powinno się je raportować
- jaki jest związek między siłą efektu a wartością p
- w jaki sposób interpretować wartości wskaźników siły efektu
- jakie są popularne wskaźniki siły efektu i jak je obliczyć
Ponadto, artykuł zawiera wzory pozwalające obliczyć popularne wskaźniki siły efektu.
Standard APA 7 - podstawowe wytyczne dotyczące raportowania wyników analizy s...Pogotowie Statystyczne
W tym artykule przedstawione są podstawowe wytyczne dotyczące raportowania wyników analizy statystycznej w standardzie APA 7, między innymi:
• struktury tworzenia raportu przedstawiającego wyniki analizy;
• zakresu raportowania (np. jakie statystyki i wartości należy przedstawić);
• sposobu raportowania (tekst vs tabele vs wykresy);
• formatowania tabel i wykresów;
• matematycznego zapisu wyników.
Ponadto, w artykule przedstawiono kilkadziesiąt przykładów raportowania wyników poszczególnych testów statystycznych w tekście oraz tabeli w standardzie APA 7, a ponadto wzory kilku popularnych wykresów.
G*Power to darmowy i prosty w obsłudze program statystyczny, używany dosłownie przez badaczy na całym świecie. Za jego pomocą możemy oszacować minimalną liczebność próby, którą musimy zbadać, aby zastosowane przez nas testy statystyczne charakteryzowała właściwa moc. W tym artykule przedstawiamy najważniejsze zagadnienia teoretyczne dotyczące szacowania liczebności próby oraz pokazujemy w jaki sposób korzystać w tym celu z G*Power.
Poradnik stworzony przez Pogotowie Statystyczne wyjaśniający w jaki sposób stworzyć "dyskusję wyników" - jednej z najbardziej istotnych fragmentów każdej pracy dyplomowej (licencjackiej, magisterskiej czy doktorskiej) czy artykułu naukowego. Artykuł przedstawia dokładne wytyczne i wskazówki dotyczące tego jak stworzyć dobrą dyskusję wyników.
Stworzony przez Pogotowie Statystyczne (www.pogotowiestatystyczne.pl) poradnik dotyczący metodologii badań oraz statystycznej analizy danych dla studentów nauk społecznych i nie tylko. Zawiera szczegółowe informacje dotyczące tego w jaki sposób napisać charakterystykę próby badawczej w oparciu o standard APA. W poradniku zawarte zostały również konkretne, praktyczne przykłady obrazujące raportowania analizy charakterystyki próby w tabelach oraz w tekście.
Stworzony przez Pogotowie Statystyczne (www.pogotowiestatystyczne.pl) poradnik dotyczący metodologii badań oraz statystycznej analizy danych dla studentów nauk społecznych i nie tylko. Zawiera teorię, szczegółowe wyjaśnienia oraz konkretne przykłady pokazujące jak stawiać hipotezy badawcze.
Obejmuje następujące zagadnienia:
- problem badawczy
- pytania badawcze
- hipotezy badawcze
- hipotezy dotyczące związku i różnic
- hipotezy kierunkowe i niekierunkowe
- hipotezy ogólne (główne) i szczegółowe
- weryfikacja hipotez
- hipotezy statystyczne
- jak formułować hipotezy?
- przykłady formułowania hipotez
2. W
P
R
O
W
A
D
Z
E
N
I
E Mimo, że wykonanie analizy rzetel-
ności przy użyciu wskaźnika Alfa
Cronbacha (np. w SPSS) jest stosun-
kowo proste to regularnie wśród
naszych klientów spotykamy się
z trudnością w zarówno zrozumieniu
tej analizy, jak i zaraportowaniu jej
wyników.
DLATEGO TEŻ
W TYM ARTYKULE
przedstawimy jej założenia, obszary
zastosowania, ograniczenia, a także
instrukcje i przykłady jak zarapor-
tować jej wyniki.
M
3. Analiza rzetelności Alfa Cronbacha - teoria, wyjaśnienia, przykłady
3
www.pogotowiestatystyczne.pl
Czym jest rzetelność testu?
Rzetelność jest właściwością okre-
ślającą dokładność pomiaru testem
psychologicznym. Ściślej mówiąc,
test rzetelny to taki, który wykorzy-
stany dwukrotnie da zbliżone wyniki.
Rzetelność warto odróżnić od innego
podstawowego kryterium jakości
narzędzia badawczego, czyli traf-
ności, która odnosi się do tego czy test
rzeczywiście mierzy to co ma mierzyć.
Obie te właściwości są kluczowe do
tego, aby uznać narzędzie psycho-
logiczne za „dobre”. Dodatkowe
omówienie obu tych pojęć, w tym
różnic między nimi, znajdziecie na
jednym z naszych tutoriali video.
„Rzetelność jest
właściwością określającą
dokładność pomiaru
testem psychologicznym.”
Jak dokonuje się oceny rzetelności?
Istnieją różne metody szacowania
rzetelności testu. Dla przykładu,
Jankowski i Zajenkowski (2009)
wymieniają ich siedem. Warto zazna-
czyć,żesątoraczejsposobymierzenia
różnych aspektów rzetelności, aniżeli
różne równorzędne metody jej
pomiaru i mogą one dawać trochę
odmienne wyniki.
Mimo tej różnorodności, najczę-
ściej rzetelność określa się poprzez
analizę zgodności wewnętrznej testu
przy użyciu Alfa Cronbacha (α). Jest
ona tak chętnie stosowana, ponieważ
można ją wykorzystać „przy okazji”
wykonywanego badania, nawet jeśli
tego wcześniej nie planowaliśmy -
można przeprowadzić ją na już posia-
danym zbiorze danych. Dla kontrastu,
zastosowanie innych metod wymaga
dodatkowego nakładu pracy. Przy-
kładowo, analiza zgodności sędziów
kompetentnych wymaga osobnego
badania, w którym sędziowie wypeł-
niają dodatkowe arkusze. Z kolei
badanie stabilności bezwzględnej
opiera się na dwukrotnym pomiarze
tym samym testem w pewnym
4. Analiza rzetelności Alfa Cronbacha - teoria, wyjaśnienia, przykłady
4
www.pogotowiestatystyczne.pl
odstępie czasu, w związku z czym
wymagane jest wykonanie dodatko-
wego, drugiego pomiaru na tej samej
grupie respondentów
Czym jest wskaźnik Alfa
Cronbacha?
Tak jak wspomniano wyżej, Alfa Cron-
bacha jest wskaźnikiem określającą
zgodność wewnętrzną testu. Określa
ona stopień, w jakim pozycje testowe
są ze sobą powiązane. Warto wspo-
mnieć, że miarę tę możemy wykorzy-
stać jedynie dla zmiennej ilościowej
(odpowiednikiem tego wskaźnika dla
skali 0-1 jest współczynnik Kudera-
-Richardsona KR20).
Wyjaśnijmy to na przykładzie
jednego z najczęściej stosowanych
testów psychologicznych - kwestio-
nariusza samooceny SES Rosen-
berga. (tu można zobaczyć arkusz
tego kwestionariusza). Zawiera on
10 pozycji testowych, tzw. „itemów” –
w tym przypadku są to twierdzenia
dotyczących samooceny. Do każdego
z nich należy odnieść się, zaznaczając
odpowiedź na skali od 1 (zdecydo-
wanie nie zgadzam się) do 4 (zdecy-
dowanie zgadzam się). Liczbę uzyska-
nych punktów sumuje się i w ten
sposób każdy badany uzyskuje wynik
w zakresie od 10 do 40, będący wskaź-
nikiem poziomu samooceny.
I teraz dochodzimy do sedna sprawy
– mimo, że kwestionariusz SES
zawiera 10 różnych stwierdzeń, to
każde z nich dotyczy tego samego
konstruktu teoretycznego – tej samej,
jednej samooceny, a nie 10 różnych jej
rodzajów. Oznacza to, że odpowiedzi
danej osoby na poszczególne pytania
powinny być podobne, i to założenie
właśnie stoi u podstawy konstrukcji
wskaźnika Alfa Cronbacha. Przykła-
dowo osoba, którą charakteryzuje
bardzo wysoka samoocena do wszyst-
kich pytań powinna odnieść się na
„4” (ew. do kilku na „3”), ponieważ jej
wysoki poziom samooceny powinien
zostać odzwierciedlony w każdym
pytaniu. Oczywiście to samo dotyczy
pozostałych osób, o względnie niskim
lub średnim jej poziomie. Wskaźnik
Alfa Cronbacha dotyczy właśnie tak
rozumianej spójności między odpo-
wiedziami na poszczególne pytania.
Rzetelność określa dokładność pomiaru testem psychologicznym.
Istniejąróżnejejmiary, choćjednąznajpopularniejszychjestwskaźnik
zgodności wewnętrznej testu Alfa Cronbacha (α). Jest on chętnie stoso-
wany, ponieważ jego obliczenie nie wymaga dodatkowego nakładu
pracy, tzn. można dokonać tego na posiadanym już zbiorze danych.
5. Analiza rzetelności Alfa Cronbacha - teoria, wyjaśnienia, przykłady
5
www.pogotowiestatystyczne.pl
Jeśli odpowiedzi na pytania kwestio-
nariuszowe u poszczególnych bada-
nych są podobne, to uzyskana kore-
lacja będzie wysoka, wskazując
na wysoką rzetelność. Jeśli z kolei
odpowiedzi na poszczególne pytania
będą silnie zróżnicowane, korelacja
ta będzie niska, co będzie dowodem
niskiej rzetelności.
Warto w tym momencie zazna-
czyć, że wskaźnik Alfa Cronbacha
nie mierzy stopnia, w jakim pozycje
testowe odnoszą się do tego samego
konstruktu. Jest to powszechna, ale
błędna interpretacja. Ze względu na
sposób obliczania wskaźnika α do
uzyskania wysokich jego wartości
wystarczy, że każda pozycja testowa
będzie powiązana z kilkoma innymi
pozycjami testowymi. Możemy sobie
zatem wyobrazić sytuację, w której
uzyskujemy wysoką wartość α dla 20
itemów, z których każde 5 wchodzi
w skład osobnych 4 czynników,
w niewielkim stopniu powiązanych
ze sobą. W takim wypadku wysoka
wartość Alfa Cronbacha będzie wyni-
kiem wyłącznie korelacji między
itemami w podskalach, nie będzie
natomiast w żaden sposób dowodem
na jednorodność skali ogólnej. Aby
ją określić należy zastosować inną,
dodatkową analizę, np. analizę czyn-
nikową albo po prostu inną metodę
szacowania rzetelności. Popularną
alternatywą dla Alfa Cronbacha
jest w takim wypadku omega (ω)
McDonalda, która bazuje na analizie
czynnikowej i pozwala uzyskać infor-
mację o tym jak czynnik ogólny
i podskale wpływają na rzetelność
całego narzędzia (Ciżkowicz, 2018).
Jaka wartość wskaźnika Alfy
Cronbacha jest zadowalająca?
Wartość wskaźnika Alfa Cronbacha
może przyjmować wartość od 0 do 1.
Zakłada się, że im jest ona wyższa tym
większa jest zgodność wewnętrzna
testu, czyli test jest bardziej rzetelny.
Przyjmuje się różne progi (punkty
odcięcia) wskazujące na zadowala-
jącą rzetelność. Zwykle mieszczą się
one w granicach między 0,7 a 0,95
(Tavakol & Dennick, 2011). Jedną
z konkretnych klasyfikacji proponują
George i Mallery (2016, s. 240):
- α > 0,9 – doskonała
- α > 0,8 – dobra
- α > 0,7 – akceptowalna
- α > 0,6 – wątpliwa
- α > 0,5 – słaba
- α < 0,5 – nieakceptowana
Teoretycznie, im wyższa
wartość α (w zakresie
między 0 a 1) tym większa
jest zgodność wewnętrzna
skali. Jej interpretacja nie
jest jednak taka prosta,
choć, jeśli chcemy jednak
przyjąć jakąś „regułę
kciuka”, to może nią być
traktowanie jako akcep-
towalnej wartości α > 0,7.
6. Analiza rzetelności Alfa Cronbacha - teoria, wyjaśnienia, przykłady
6
www.pogotowiestatystyczne.pl
Warto jednak wiedzieć, że sugero-
wanie się tego rodzaju progami przy
ocenie wartości Alfa Cronbacha
bywa zawodne. Wynika to z faktu, że
moc tego testu zależna jest od liczby
itemów wchodzących w skład danej
skali (dokładne symulacje przed-
stawiają Heo, Kim & Faith, 2015). W
praktyce oznacza to, że prawie każdą
skalę o dużej liczbie pozycji testowych
(rzędu 20) charakteryzować będzie
wysoka wartość Alfa Cronbacha,
nawet jeśli w rzeczywistości jej spój-
ność wewnętrzna będzie niska. Z kolei
wiele skal o małej liczbie itemów (np.
3-5) może uzyskać niską wartość Alfa
Cronbacha, nawet jeśli w rzeczywi-
stości spójność wewnętrzna będzie
zadowalająca.
Ponadto, mimo, że wzrost wartości
α wskazuje na większą spój-
ność wewnętrzna skali, nie ma tu
bezwzględnego zastosowania zasada
pt. „im więcej tym lepiej”. Dlaczego?
Z jednej strony - wysoka wartość Alfa
Cronbacha (rzędu α = 0,95) może
wskazywać na to, że część itemów
jest redundantna (zbędna), ponieważ
mierzy dokładnie tę samą właściwość
skali(sątobliźniaczepytania),zamiast
mierzyć różne jej aspekty. Z drugiej
strony, istnieją sytuacje, w których
uzyskanie wysokich wartości Alfa
Cronbacha nie jest pożądane. Bywa
tak w przypadku konstruowania
testów wiedzy, które powinny charak-
teryzować się zróżnicowaną trud-
nością. W takiej sytuacji uzyskanie
wartości Alfa bliskiej 1 będzie wska-
zywało na niewłaściwą konstrukcję
testu, o mało zróżnicowanej trud-
ności, a z kolei uzyskanie „obniżonej”
wartości α będzie dowodem na odpo-
wiedni jej stopień.
W związku z ograniczeniami analizy
Alfa Cronbacha wymienionymi
powyżej, kluczowym staje się umie-
jętność poprawnej interpretacji jej
wyników. W tym celu warto odnieść
je bezpośrednio do zastosowanych
narzędzi i teorii leżącej u podstaw
danego zjawiska. Interpretację
wartości α warto uzupełnić przede
wszystkim analizą struktury zasto-
sowanych kwestionariuszy (liczbą
itemów oraz analizą ich treści)
ponieważ wartości α nie są zawie-
szone w próżni, a dotyczą właśnie
ich. Warto też pamiętać o wcześniej
opisanej zależności między ilością
itemów w skali, a mocą tego testu.
Uwzględnienie tych kwestii pozwala
wykroczyć poza ocenę wartości α jako
takich (na zasadzie α = 0,8 to dużo, a α
= 0,5 mało) i dokonać jej w szerszym
kontekście.
Kiedy i po co oblicza się wskaźnik
Alfa Cronbacha?
Analizę rzetelności przeprowadza się
w dwóch sytuacjach:
(1) Kiedy tworzymy nowy test
od podstaw lub dokonujemy jego
adaptacji (w naszym kraju zwykle
z warunków angielskich na polskie).
Jest to elementem procedury wali-
dacyjnej testu, którą później opisuje
7. Analiza rzetelności Alfa Cronbacha - teoria, wyjaśnienia, przykłady
7
www.pogotowiestatystyczne.pl
się w podręczniku do narzędzia lub
w artykule naukowym.
(2) Kiedy wykonujemy jakiekol-
wiek badanie z użyciem istniejących,
zwalidowanych już kwestionariuszy.
Wysoka rzetelność skal uzyskana
w próbie walidacyjnej nie gwaran-
tuje rzetelnego pomiaru w każdym
badaniu, dlatego też wskaźnik Alfa
Cronbacha musi zostać policzony
za każdym razem, nawet jeśli stosu-
jemy kwestionariuszy popularny (np.
NEO-FFI, FCZ-KT, SES, SWLS, CISS),
dla którego analiza rzetelności była
setki razy wykonywana przez innych
badaczy.
Dlaczego analizę rzetelności należy
przeprowadzić w każdym badaniu?
Wynika to z faktu, że wskaźnik Alfa
Cronbacha nie dotyczy kwestiona-
riusza jako takiego, a jego konkret-
nego zastosowania. Przykładowo
Taber (2018) w swoim artykule przy-
tacza badania, w których wskaźnik
Alfa Cronbacha przyjmował różne
wartości dla odmiennych grup wieko-
wych. To samo dotyczyć może próbek
z różnych populacji. Przykładowo
spodziewać się można, że wyniki
analizy rzetelności dla kwestio-
nariuszy używanych w Zakładach
Poprawczych („poprawczakach”) lub
więzieniach będą niższe niż w popu-
lacji ogólnej, z powodu m.in. fałszo-
wania wyników przez badanych. Po
prostu każdy test może „zadziałać”
inaczej w różnych warunkach i na
różnych próbkach obserwacji.
Warto wspomnieć tu o dodat-
kowym, często pomijanym celu obli-
czania wskaźnika Alfa Cronbacha,
jakim jest sprawdzanie popraw-
ności konstrukcji bazy danych. Jeśli
uzyskana wartość α dla danej skali
okaże się bardzo niska (lub ujemna,
co również jest możliwe) to jest to
sygnałem, że baza danych mogła
zostać wykonania niewłaściwie. Błędy
w tym zakresie mogą pojawić się przy
okazji tworzenia bazy danych, szcze-
gólnie jeśli dane przepisywane są
do bazy danych „ręcznie” z arkuszy
papierowych. Inną częstą przyczyną
jest brak odpowiedniego zrekodo-
wania (odwrócenia) itemów według
klucza odpowiedzi. Jeśli nie możemy
tego sprawdzić bezpośrednio (prze-
śledzić całego procesu wstecz) można
wykorzystać inny sposób - dokonać
rekodowania raz jeszcze i sprawdzić
Wskaźnik Alfa Cronbacha
musi zostać policzony za
każdym razem, gdy wykonu-
jemy badanie z wykorzysta-
niem danej skali, niezależnie
od tego czy został on obli-
czony w procesie walidacji
kwestionariusza. Wynika
to z faktu, że wskaźnik α nie
dotyczy kwestionariusza
jako takiego, a jego konkret-
nego zastosowania
8. Analiza rzetelności Alfa Cronbacha - teoria, wyjaśnienia, przykłady
8
www.pogotowiestatystyczne.pl
jak wpłynie to na zmianę wartości α.
Jeśli będzie to zmiana np. z wartości
0,247 na 0,818 to mamy prawie 100%
pewności, że rzeczywiście błąd leży
po tej stronie. Interpretacja wartości
α jest zatem przydatna przy ocenie
konstrukcji bazy danych. Bez tego
ryzykujemy sytuacją, w której wyko-
namy analizę na błędnie obliczonych
wskaźnikach, uzyskując całkowicie
błędne wyniki, nie zdając sobie nawet
z tego sprawy.
Jak zaraportować wartości Alfa
Cronbacha w swoim badaniu?
Skupimy się tu jedynie na sytuacji
opisanej wyżej jako (2), to znaczy
wtedy, kiedy raportujemy wynik
naszego „zwykłego” badania, które
nie jest walidacją narzędzia. Analiza
walidacji jest z definicji wykonywana
rzadko, poza tym kwestia jej przepro-
wadzenia to bardziej złożony temat,
który odbywa się w szerszym kontek-
ście analizy psychometrycznej, której
analiza rzetelności jest jedynie
częścią.
Tak jak już wspomniano, analizę
rzetelności wykonujemy w każdym
pojedynczym badaniu. W takiej
sytuacji podajemy jednak nie jedną,
a dwie wartości Alfa Cronbacha dla
każdej skali:
(1) Tę uzyskaną w naszym badaniu
jako potwierdzenie wysokiej zgod-
ności wewnętrznej podczas tego
konkretnie jej zastosowania.
(2) Tę obliczoną w badaniu wali-
dacyjnym jako omówienie własności
psychometrycznych uzyskanych
w procesie konstrukcji narzędzia.
W jaki sposób odnaleźć wartości
α uzyskane w procesie walidacji
kwestionariusza? W tym celu zaglą-
damy do podręcznika do metody,
a jeśli taki nie istnieje to do arty-
kułu opisującego ten proces. Wiele
z nich publikowanych jest na
researchgate.net lub Google Scholar.
Jako przykład weźmy tekst: Opraco-
wanie i walidacja eksperymentalnej
polskiej wersji skróconej Kwestio-
nariusza Schematów Younga (Stani-
szek, Popiel, 2017; dostęp: 13.12.2022).
Opis wyników analizy rzetelności dla
jednego z badań sporządzony został
w następujący sposób:
Analiza rzetelności wykazała wysoką
(α Cronbacha od 0,79 do 0,91) spójność
wewnętrzną podskal i skali ogólnej
(α = 0,97) wersji skróconej narzędzia
(Tabela 3).
Natomiast dokładne wartości Alfa
Cronbacha przedstawione zostały
w tabeli (kwestionariusza zawiera 18
podskal i 1 skalę ogólną):
9. Analiza rzetelności Alfa Cronbacha - teoria, wyjaśnienia, przykłady
9
www.pogotowiestatystyczne.pl
Czasami informacje dotyczące
wyników analizy rzetelności podane
są również na stronie wydawcy testu.
Możemy zobaczyć to na przykładzie
testu LOT-R wydanego w Pracowni
Testów Psychologicznych PTP –
wyniki analizy rzetelności zostały
zaraportowane na stronie z opisem
tego narzędzia. Jest to ukazane na
kolejnym screenie.
Naszym zadaniem jest odczytanie
tych wartości i przedstawienie ich
w naszym tekście. Wystarczy ten frag-
ment tekstu sparafrazować. Oprócz
tego raportujemy wartości Alfa Cron-
bacha obliczone w naszym badaniu.
10. Analiza rzetelności Alfa Cronbacha - teoria, wyjaśnienia, przykłady
10
www.pogotowiestatystyczne.pl
Raportowanie wartości wskaźnika
Alfa Cronbacha w swoim badaniu –
przykłady wraz z omówieniem
Wartości wskaźnika Alfa Cronbacha
raportujemy w rozdziale z opisem
metody naszego tekstu naukowego,
zazwyczaj w podrozdziale z opisem
zastosowanych narzędzi badawczych.
Możemy też w tym celu stworzyć
osobny podrozdział, szczególnie jeśli
przeprowadzona przez nas analiza
własności psychometrycznych jest
bardziej rozbudowana i wykracza
poza raportowanie wartości α.
Wyniki analizy rzetelności możemy
zaraportować w tekście lub w tabeli.
Zapis tabelaryczny warto wykorzy-
stać wtedy, gdy do zaraportowania
mamy wiele wartości. Poniżej znaj-
dują się przykłady obu tych sposobów
wraz z omówieniem.
Źródło: https://www.practest.com.pl/lot-r-test-orientacji-zyciowej; dostęp: 13.12.2022r.
WartościwskaźnikaAlfa
Cronbacha raportujemy
w rozdziale metodolo-
gicznym naszego tekstu
naukowego, zazwyczaj
w podrozdziale z opisem
zastosowanych narzędzi
badawczych. Uzyskane
wartości możemy zara-
portować zarówno
w tekście, jak i w tabeli.
11. Analiza rzetelności Alfa Cronbacha - teoria, wyjaśnienia, przykłady
11
www.pogotowiestatystyczne.pl
Przedstawienie wyników analizy rzetelności w tekście
W badaniu zastosowano skalę satysfakcji z życia SWLS autorstwa:
Ed Diener, Robert A. Emmons, Randy J. Larsen i Susan Griffin (1985).
Została ona zaadaptowana do warunków polskich przez Zygfryda
Juczyńskiego (2001). Ma za zadanie ocenę subiektywnego zadowolenia
z własnych osiągnięć i warunków na podstawie pięciu stwierdzeń w skali
siedmiostopniowej (od zupełnie nie zgadzam się do całkowicie zgadzam
się). Wynik uzyskany w badaniu mieści się w granicach 5–35 i oznacza
poziom satysfakcji: im wyższy, tym większe jest poczucie satysfakcji
z życia.
Właściwości psychometryczne skali zostały opisane w podręczniku do
metody (Juczyński, 2001). Skala charakteryzuje się zadowalającą trafność
teoretyczną, szacowaną poprzez analizę jej związków ze zmiennymi, które
pośrednio odzwierciedlają poczucie satysfakcji z życia lub mają na nie
wpływ (dodatnia zależność ze Skalą Poczucia Własnej Wartości Rosen-
berga RSES; ujemna z nasileniem spostrzeganego stresu mierzonego
Skalą odczuwanego Stresu PSS i kontrolą emocji gniewu, depresji i lęku
mierzonej Skalą Kontroli Emocji CECS). Wskaźnik rzetelności Alfa Cron-
bacha w badaniu normalizacyjnym 371 osób również okazał się zado-
walający, wynosząc 0,81. Wartość wskaźnika uzyskana w tym badaniu
również okazała się zadowalająca, wynosząc α = 0,75.
Omówienie przykładu: Opis został stworzony częściowo na podstawie
podręcznika do metody, choć niektóre z tych informacji znaleźć można
również na stronie wydawcy testu. Jak widzimy, wartości Alfa Cronbacha
zarówno w procesie walidacji jak i badaniu właściwym zostały zarapor-
towane krótko, w dwóch zdaniach. Jeśli w naszym badaniu zastosowa-
liśmy kilka kwestionariuszy to możemy opisać je po kolei według tego
samego schematu. Ponadto należy pamiętać, że odnosząc się w tekście
do poszczególnych źródeł (np. Juczyński, 2001) należy umieścić ich pełen
zapis bibliograficzny w literaturze na końcu tekstu.
12. Analiza rzetelności Alfa Cronbacha - teoria, wyjaśnienia, przykłady
12
www.pogotowiestatystyczne.pl
Przedstawienie wyników analizy rzetelności w tabeli
Analiza psychometrycznych własności użytych narzędzi została wyko-
nana przy użyciu analizy zgodności wewnętrznej Alfa Cronbacha. Wyka-
zała ona, że 12 spośród 16 testowanych skal osiągnęła zadawalającą
rzetelność α > 0,70 (kryteria na podstawie: George & Mallery, 2016). Dla
dwóch skal: Relacje (PERMA) oraz Zaangażowanie w czynności zastępcze
(CISS) uzyskano rzetelność wątpliwą 0,60 < α < 0,70. Z kolei podskala
Zaangażowanie (PERMA) charakteryzowała słaba rzetelność 0,50 < α <
0,60. Wszystkie obliczone wartości przedstawiono w tabeli 1.
Omówienie przykładu: Powyższy schemat raportowania jest przykła-
dowy i możemy go zastosować, jeśli chcemy zaraportować wyniki dla
wszystkich skal ze wszystkich kwestionariuszy zbiorczo. Możemy też
wykorzystać tabele do raportowania wyników osobno dla poszczegól-
nych kwestionariuszy. W takiej sytuacji wynik dla SWLS (jako że jest tylko
jeden) możnna zapisać w tekście, a dla kwestionariuszy PERMA i LMI
stworzyć dwie osobne tabele.
13. Analiza rzetelności Alfa Cronbacha - teoria, wyjaśnienia, przykłady
13
www.pogotowiestatystyczne.pl
Bibliografia
Ciżkowicz, B. (2018). Omega McDonalda jako alternatywa dla alfa Cronbacha
w szacowaniu rzetelności testu. Polskie Forum Psychologiczne, 23(2), 311-329.
George, D., & Mallery, P. (2016). IBM SPSS statistics 23 step by step: A simple
guide and reference. New York Routledge.
Heo, M., Kim, N., Faith, M. (2015). Statistical power as a function of Cronbach
alpha of instrument questionnaire items. BMC Medical Research Methodo-
logy, 15.
Jankowski, K. & Zajenkowski, M. (2019). Jakich informacji o teście dostarcza
testowanie? W: Fronczyk, K. (red.). Psychometria Podstawowe zagadnienia
(84-110). Warszawa: Vizja Press.
Staniaszek, K., Popiel, A. (2017). Opracowanie i walidacja eksperymen-
talnej polskiej wersji skróconej Kwestionariusza Schematów Younga
(YSQ-ES-PL) do badania wczesnych schematów dezadaptacyjnych, Roczniki
Psychologiczne 20(2), 373-427.
Taber, K. (2018). The Use of Cronbach’s Alpha When Developing and
Reporting Research Instruments in Science Education. Research in Science
Education 48, 1-24.
Tavakol, M., Dennick, R. (2011). Making Sense of Cronbach’s Alpha.
International Journal of Medical Education. 2, 53-55.
14. Pogotowie Statystyczne
Paweł Iwankowski
ul. prof. Stefana Hausbrandta 34/88
80-126 Gdańsk
NIP: 7412032970,
REGON: 280490493
tel. 501 599 278
info@pogotowiestatystyczne.pl
Autor: Andrzej Jankowski
Zapoznaj się z naszą ofertą:
www.pogotowiestatystyczne.pl