Słownik psychometrii: standaryzacja, normalizacja, rzetelność i trafność testu

Czym jest psychometria

Psychometria to dział psychologii zajmujący się teorią i praktyką pomiaru cech psychicznych: jak budować testy i kwestionariusze, jak liczyć wyniki i jak ocenić, czy narzędzie mierzy dokładnie i to, co deklaruje. Kryteria jakości testów omawia się na kursach psychometrii w ramach studiów psychologicznych (Gąsiorowska, 2024); jednym z polskich podręczników jest Testy psychologiczne. Teoria i praktyka Elżbiety Hornowskiej. Na świecie punktem odniesienia są Standards for Educational and Psychological Testing, wspólny dokument AERA, APA i NCME z 2014 roku.

Najważniejsza myśl psychometrii jest prosta: każdy wynik testu składa się z dwóch części, wyniku prawdziwego i błędu. Klasyczna teoria testów zapisuje to jako X = T + E (wynik otrzymany = wynik prawdziwy + błąd). Wszystkie pojęcia poniżej służą temu, żeby ten błąd poznać, ograniczyć i uczciwie pokazać.

Cztery pojęcia w jednej tabeli

Standaryzacja, normalizacja, rzetelność i trafność testu w skrócie

Pojęcie	Na jakie pytanie odpowiada	Jak się to sprawdza	Co powinno być w podręczniku testu
Standaryzacja	Czy każdy był badany i oceniany tak samo?	Ta sama instrukcja, czas, warunki, klucz odpowiedzi i zasady interpretacji	Pełna procedura badania i klucz
Normalizacja	Z kim porównuję wynik?	Badanie dużej, opisanej próby i przeliczenie wyników surowych na skalę norm	Opis próby normalizacyjnej, tabele stenów lub centyli
Rzetelność	Jak dokładny jest pomiar?	Zgodność wewnętrzna (alfa, omega), test-retest, wersje równoległe, zgodność oceniających	Współczynniki dla każdej skali i błąd standardowy pomiaru
Trafność	Czy wniosek z wyniku jest uprawniony?	Dowody z treści, struktury wewnętrznej, związków z innymi zmiennymi i konsekwencji	Badania, w których wynik porównano z kryterium lub innymi testami

Standaryzacja testu

Standaryzacja testu to ujednolicenie trzech elementów: procedury badania, sposobu obliczania wyników i zasad ich interpretacji. W praktyce oznacza to, że każda osoba dostaje tę samą instrukcję, ma ten sam limit czasu, pracuje w porównywalnych warunkach, a jej odpowiedzi są liczone według tego samego klucza. Opracowanie Agaty Gąsiorowskiej udostępnione przez Krajowe Centrum Przeciwdziałania Uzależnieniom opisuje standaryzację jako jednolitość warunków badania, która minimalizuje wpływ zewnętrznych zmiennych zakłócających wynik (Gąsiorowska, 2024).

Po co to wszystko? Jeśli jedna osoba robi test w ciszy, a druga w hałasie, z pomocą kolegi, bez limitu czasu, to różnica w wynikach może wynikać z warunków, a nie z cechy. Standaryzacja nie gwarantuje dobrego testu, ale bez niej porównywanie wyników traci sens.

Z tego samego powodu test psychologiczny traci część wartości, gdy ktoś zmieni instrukcję, skróci go albo przetłumaczy po swojemu. Zmieniona procedura to w praktyce inne narzędzie, które wymaga nowych danych (por. Gąsiorowska, 2024).

Uwaga na słowo: w statystyce „standaryzacja” oznacza też przeliczenie wyniku na wynik z (odjęcie średniej i podzielenie przez odchylenie standardowe). Ten sens pojawia się przy normalizacji, dlatego oba pojęcia bywają mylone.

Normalizacja testu i skale norm

Normalizacja testu polega na opracowaniu norm, czyli reguł, które pozwalają przełożyć wynik surowy (np. 27 punktów) na pozycję względem grupy odniesienia. Robi się to, badając dużą, dobrze opisaną próbę osób z populacji, dla której test jest przeznaczony, a potem przeliczając wyniki na jedną ze skal znormalizowanych. Bez norm wynik surowy nie mówi, czy to dużo, czy mało.

Dwie rzeczy decydują o jakości norm: z jakiej populacji pochodzi próba (wiek, płeć, wykształcenie, kraj) i kiedy ją zbadano. Normy opracowane na studentach mogą nie pasować do osób po pięćdziesiątce, a normy sprzed wielu lat mogą być nieaktualne.

Najczęstsze skale norm

Skale znormalizowane używane w polskich podręcznikach testów

Skala	Zakres	Średnia	Odchylenie standardowe	Wzór z wyniku z
Wynik z (standardowy)	zwykle od -3 do +3	0	1	z = (X - M) / SD
Skala stenowa (steny)	1-10	5,5	2	sten = 5,5 + 2z
Skala staninowa (staniny)	1-9	5	2	stanin = 5 + 2z
Skala tenowa (wyniki T)	zwykle 20-80	50	10	T = 50 + 10z
Skala ilorazowa (dewiacyjna)	zwykle 55-145	100	15	IQ = 100 + 15z
Skala centylowa	1-99	nie dotyczy	nie dotyczy	odsetek osób z wynikiem niższym

Przykład przeliczenia (dane umowne)

Załóżmy, że w próbie normalizacyjnej średnia skali wynosi 20 punktów, a odchylenie standardowe 5. Ktoś uzyskał 27 punktów.

• wynik z = (27 - 20) / 5 = 1,4
• sten = 5,5 + 2 x 1,4 = 8,3, po zaokrągleniu 8
• wynik T = 50 + 10 x 1,4 = 64
• centyl: przy rozkładzie normalnym około 92, czyli ok. 92% osób z próby ma wynik niższy

Opisowe etykiety (wynik niski, przeciętny, wysoki) przypisuje się stenom według zasad podanych w podręczniku danego testu. Ten sam wynik surowy może dać inny sten w normach dla innej grupy wieku, dlatego raport powinien zawsze mówić, jakich norm użyto.

Standaryzacja a normalizacja: różnica

Standaryzacja dotyczy procedury (jak badamy i liczymy), normalizacja dotyczy punktu odniesienia (z kim porównujemy). Test może być wystandaryzowany, a jeszcze nie mieć norm, tak jest z narzędziami, których normy są „w przygotowaniu”. Wtedy uczciwy raport pokazuje profil wyników, ale nie przypisuje im stenów.

Rzetelność testu

Rzetelność to dokładność pomiaru, czyli to, w jakim stopniu wynik jest wolny od błędu losowego. Formalnie współczynnik rzetelności to stosunek wariancji wyników prawdziwych do wariancji wyników otrzymanych. Rzetelność 0,80 oznacza, że ok. 80% zróżnicowania wyników w grupie odpowiada różnicom prawdziwym, a ok. 20% to błąd (Gąsiorowska, 2024).

Rodzaje rzetelności

Sposoby szacowania rzetelności testu

Rodzaj	Jak się liczy	Kiedy ma sens
Zgodność wewnętrzna (alfa Cronbacha, omega McDonalda)	Z korelacji między pozycjami jednej skali, w jednym badaniu	Skale, w których wszystkie pozycje mierzą tę samą cechę
Test-retest (stabilność)	Te same osoby wypełniają test dwa razy, liczy się korelację wyników	Cechy względnie stałe, np. osobowość, zainteresowania
Wersje równoległe	Korelacja dwóch równoważnych wersji testu	Testy zdolności i wiedzy z kilkoma wersjami
Metoda połówkowa	Korelacja dwóch połówek testu, korygowana wzorem Spearmana-Browna	Starsza alternatywa dla alfy
Zgodność oceniających (np. ICC, kappa)	Porównanie ocen kilku osób oceniających te same odpowiedzi	Testy, w których odpowiedź ocenia człowiek

Jaka rzetelność wystarcza

Najczęściej cytowane progi pochodzą z podręcznika Nunnally'ego (1978), co omawiają Lance, Butts i Michels (2006): około 0,70 wystarcza na wczesnym etapie badań, około 0,80 w badaniach podstawowych, a w zastosowaniach, w których od wyniku zależą ważne decyzje o konkretnych osobach, 0,90 to minimum, a 0,95 wartość pożądana. Gąsiorowska (2024) podaje, że satysfakcjonująca wartość współczynnika rzetelności powinna przekraczać 0,70-0,75. To są orientacyjne reguły: ważne jest, do czego wynik ma posłużyć.

Alfa Cronbacha ma znane ograniczenia. Rośnie wraz z liczbą pozycji, więc długa skala może mieć wysoką alfę mimo słabych pozycji. Wysoka alfa nie dowodzi też, że skala mierzy jedną cechę. Dlatego obok alfy coraz częściej zaleca się raportowanie omegi McDonalda (McNeish, 2018; Tavakol i Dennick, 2011). Tavakol i Dennick (2011) zwracają też uwagę, że alfa powyżej 0,90 może sygnalizować pozycje, które powtarzają to samo pytanie innymi słowami.

Rzetelność 0,70 to nie rzut monetą

W internecie krąży twierdzenie, że test o rzetelności niższej niż 0,80 „nie różni się od rzutu monetą”. To nieprawda. Pokazuje to błąd standardowy pomiaru: SEM = SD x pierwiastek z (1 - r). Dla skali T (odchylenie 10) wygląda to tak:

Błąd standardowy pomiaru na skali T przy różnej rzetelności

Rzetelność r	SEM (punkty T)	95% przedział wokół wyniku	Co to znaczy
0,90	3,2	ok. ±6	Dobra precyzja, można opisywać jedną osobę
0,80	4,5	ok. ±9	Przyzwoicie, przedział warto pokazać w raporcie
0,70	5,5	ok. ±11	Poziom akceptowany na wczesnym etapie badań; dla jednej osoby szeroki przedział
0,50	7,1	ok. ±14	Pomiar bardzo nieprecyzyjny
0	10	ok. ±20	Tu dopiero wynik jest czystym przypadkiem

Wniosek praktyczny: dobry raport z testu nie podaje samej liczby, tylko przedział. Jeśli twój wynik T wynosi 58, a SEM 4,5, to wynik prawdziwy z dużym prawdopodobieństwem leży między ok. 49 a 67.

Jak obliczyć rzetelność testu

Alfę Cronbacha liczy się ze wzoru: α = k / (k - 1) x (1 - suma wariancji pozycji / wariancja wyniku ogólnego), gdzie k to liczba pozycji (Cronbach, 1951). W praktyce liczą ją pakiety statystyczne, np. SPSS (procedura analizy rzetelności) albo R (pakiet psych). Rzetelność test-retest to zwykła korelacja wyników z dwóch badań tych samych osób.

Trafność testu

Trafność dotyczy tego, czy wniosek, który wyciągamy z wyniku, jest uprawniony. Współczesne ujęcie, przyjęte w Standards (AERA, APA, NCME, 2014) i opisane przez Messicka (1995), mówi, że trafna jest interpretacja wyniku w określonym celu, a nie „test w ogóle”. Ten sam kwestionariusz może trafnie opisywać zainteresowania, a nietrafnie przewidywać zarobki.

W polskich podręcznikach spotkasz tradycyjny podział:

• trafność treściowa: czy pozycje testu reprezentują całą mierzoną dziedzinę,
• trafność kryterialna: czy wynik wiąże się z zewnętrznym kryterium, teraz (diagnostyczna) albo w przyszłości (prognostyczna),
• trafność teoretyczna (konstruktu): czy wynik zachowuje się tak, jak przewiduje teoria cechy, w tym trafność zbieżna (koreluje z podobnymi miarami) i różnicowa (słabo koreluje z miarami innych cech).

Standards z 2014 roku porządkują to inaczej, jako pięć źródeł dowodów: treść testu, procesy odpowiadania, struktura wewnętrzna, związki z innymi zmiennymi i konsekwencje stosowania testu (Sireci i Benítez, 2023).

Rzetelność a trafność. Rzetelność jest warunkiem koniecznym trafności, ale nie wystarczającym. Waga, która zawsze pokazuje o 2 kg za dużo, jest powtarzalna, ale nietrafna. Test o wysokiej rzetelności może precyzyjnie mierzyć coś innego, niż deklaruje.

Przykład z doradztwa zawodowego: zainteresowania zawodowe wiążą się z wynikami w pracy i nauce (Nye, Su, Rounds i Drasgow, 2012), choć dla pojedynczych skal zainteresowań związek z wynikami w pracy jest niewielki, średnio ok. 0,14 (Van Iddekinge i in., 2011). Silniejszy jest wtedy, gdy profil osoby pasuje do jej środowiska pracy lub nauki (Nye i in., 2012). To jest dowód trafności kryterialnej dla testów zainteresowań, ale nie uprawnia do twierdzenia, że kod Hollanda „wybierze ci zawód”.

Pozostałe pojęcia z egzaminu z psychometrii

Obiektywność

Niezależność wyniku od osoby, która przeprowadza badanie i liczy wynik. Ściśle związana ze standaryzacją.

Moc dyskryminacyjna pozycji

Zdolność pojedynczego pytania do różnicowania osób z wysokim i niskim wynikiem ogólnym, zwykle korelacja pozycji z wynikiem skali.

Adaptacja kulturowa

Przeniesienie testu do innego języka i kultury z tłumaczeniem, sprawdzeniem równoważności i nowymi normami, zgodnie z wytycznymi International Test Commission (ITC, 2017).

Błąd standardowy pomiaru (SEM)

Typowa wielkość błędu pojedynczego wyniku; pozwala zbudować przedział ufności wokół wyniku.

Operacjonalizacja

Przełożenie pojęcia teoretycznego (np. „sumienność”) na konkretne, obserwowalne wskaźniki, czyli pozycje testu.

IRT (teoria odpowiedzi na pozycje testowe)

Nowsze od klasycznej teorii testów podejście, w którym modeluje się prawdopodobieństwo odpowiedzi na każdą pozycję w zależności od poziomu cechy.

Jak sprawdzić test w pięć minut

1. Czy jest autor i opis konstrukcji narzędzia?
2. Czy podano rzetelność każdej skali, najlepiej z błędem standardowym pomiaru?
3. Czy są normy i wiadomo, na jakiej grupie je opracowano? Jeśli norm nie ma, czy test uczciwie to mówi?
4. Czy są dowody trafności dla tego celu, w którym chcesz użyć wyniku?
5. Czy wiadomo, na jakiej licencji jest test i kto może go stosować?

Chcesz zobaczyć, jak te pojęcia wyglądają w prawdziwym raporcie? Wypełnij test osobowości Profil Osobowości PZO-5 (IPIP) albo otwarty kwestionariusz IPIP-BFM-50 i sprawdź w opisie, jakie ma właściwości psychometryczne. Jeśli psychometria jest dla ciebie przedmiotem na studiach albo w pracy, kursy z psychologii znajdziesz na psycho.edu.pl.

Powiązane: Co naprawdę mierzą testy predyspozycji, MBTI a Big Five, Test predyspozycji zawodowych: jak wybrać i czytać wynik.

Najczęstsze pytania

Czy standaryzacja i normalizacja to to samo?

Nie. Standaryzacja to ujednolicenie procedury badania, liczenia i interpretacji wyników. Normalizacja to opracowanie norm, czyli skali, na której porównujesz swój wynik z wynikami grupy odniesienia. Test może być wystandaryzowany, a jeszcze nie mieć norm.

Z czym wiąże się standaryzacja testu?

Z procedurami badania (instrukcja, czas, warunki), procedurami obliczania wyników (klucz) i zasadami interpretacji. Celem jest to, żeby różnice w wynikach wynikały z różnic między ludźmi, a nie z różnic w sposobie badania.

Na czym polega normalizacja testu psychologicznego?

Na zbadaniu dużej, opisanej próby z populacji docelowej i przygotowaniu tabel, które przeliczają wynik surowy na steny, staniny, wyniki T lub centyle. Dzięki temu wiesz, czy wynik jest niski, przeciętny czy wysoki na tle podobnych osób.

Co oznacza rzetelność testu?

Dokładność pomiaru, czyli to, jaka część zróżnicowania wyników odpowiada różnicom prawdziwym, a jaka jest błędem. Współczynnik 1 oznacza pomiar bez błędu, 0 pomiar czysto losowy.

Jak obliczyć rzetelność testu?

Najczęściej liczy się alfę Cronbacha z odpowiedzi jednej grupy albo korelację wyników tych samych osób z dwóch badań (test-retest). Pakiety statystyczne, np. SPSS lub R, liczą oba wskaźniki automatycznie.

Jaka wartość alfy Cronbacha jest dobra?

Orientacyjnie, według często cytowanych progów Nunnally'ego: około 0,70 na wczesnym etapie badań, 0,80 w badaniach podstawowych, a przy ważnych decyzjach o konkretnych osobach 0,90 jako minimum. Jednocześnie bardzo wysoka alfa, powyżej 0,90, może sygnalizować powtarzające się pozycje (Tavakol i Dennick, 2011).

Czym różni się rzetelność od trafności testu?

Rzetelność mówi, jak dokładnie test mierzy. Trafność mówi, czy mierzy to, co trzeba, i czy wniosek z wyniku jest uprawniony. Test może być rzetelny i nietrafny, ale nie może być trafny bez rzetelności.

Czy psychometria jest trudna?

Wymaga podstaw statystyki: średniej, odchylenia standardowego, korelacji i rozkładu normalnego. Na nich opierają się wszystkie pojęcia z tego słownika.

Źródła

• American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for educational and psychological testing. AERA.
• Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297-334. https://doi.org/10.1007/BF02310555
• Gąsiorowska, A. (2024). Kryteria wyboru metod pomiaru: jak rozpoznać rzetelne narzędzie? Krajowe Centrum Przeciwdziałania Uzależnieniom. Za: A. Wojtkowska, A. Gąsiorowska (red.), Profilaktyka, diagnoza i terapia e-uzależnień wśród dzieci i młodzieży (w druku w 2024 r.). https://kcpu.gov.pl/wp-content/uploads/2024/11/Kryteria-wyboru-metod-pomiaru_-jak-rozpoznac-rzetelne-narzedzie.pdf
• Hornowska, E. (2007). Testy psychologiczne. Teoria i praktyka. Wydawnictwo Naukowe Scholar.
• Lance, C. E., Butts, M. M., & Michels, L. C. (2006). The sources of four commonly reported cutoff criteria: What did they really say? Organizational Research Methods, 9(2), 202-220. https://doi.org/10.1177/1094428105284919
• International Test Commission. (2017). ITC Guidelines for Translating and Adapting Tests (second edition). International Journal of Testing, 18(2), 101-134. https://doi.org/10.1080/15305058.2017.1398166
• McNeish, D. (2018). Thanks coefficient alpha, we'll take it from here. Psychological Methods, 23(3), 412-433. https://doi.org/10.1037/met0000144
• Messick, S. (1995). Validity of psychological assessment. American Psychologist, 50(9), 741-749. https://doi.org/10.1037/0003-066X.50.9.741
• Nunnally, J. C. (1978). Psychometric theory (2nd ed.). McGraw-Hill.
• Nye, C. D., Su, R., Rounds, J., & Drasgow, F. (2012). Vocational interests and performance: A quantitative summary of over 60 years of research. Perspectives on Psychological Science, 7(4), 384-403. https://doi.org/10.1177/1745691612449021
• Sireci, S., & Benítez, I. (2023). Evidence for test validation: A guide for practitioners. Psicothema, 35(3), 217-226. https://doi.org/10.7334/psicothema2022.477
• Tavakol, M., & Dennick, R. (2011). Making sense of Cronbach's alpha. International Journal of Medical Education, 2, 53-55. https://doi.org/10.5116/ijme.4dfb.8dfd
• Van Iddekinge, C. H., Roth, P. L., Putka, D. J., & Lanivich, S. E. (2011). Are you interested? A meta-analysis of relations between vocational interests and employee performance and turnover. Journal of Applied Psychology, 96(6), 1167-1194. https://doi.org/10.1037/a0024343