Метод розщеплення тесту: як split-half оцінює надійність і навіщо потрібна поправка Спірмена—Брауна
Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика
Метод розщеплення тесту, або split-half reliability, — це спосіб оцінювання надійності за даними одного проведення: завдання або проби поділяють на дві частини, для кожної частини обчислюють окремий бал, оцінюють зв’язок між двома балами, а потім — якщо цього потребує модель — перераховують результат на надійність повного тесту. Метод належить до класичної традиції психометрії й залишається корисним, коли дослідника цікавить узгодженість двох вибірок завдань або проб, але він не замінює тест-ретест, міжоцінювальну надійність чи перевірку валідності.
Ключова складність split-half полягає не в арифметиці, а в самому поділі. Один і той самий тест можна розщепити десятками, сотнями або тисячами способів, і різні половини можуть давати різні оцінки. Саме тому сучасне застосування методу потребує явного правила поділу, обґрунтування того, чому половини порівнювані, та коректного опису того, що саме оцінює отриманий коефіцієнт. Для когнітивних завдань проблема ще гостріша: спосіб поділу може змішувати надійність із плином часу, порядком проб або структурою експерименту, що систематично розібрано у огляді та методологічному дослідженні Pronk і співавторів.
Що таке split-half reliability
У класичній теорії тестів спостережуваний бал розглядають як поєднання істинного компонента та похибки. Надійність описує, наскільки точно й відтворювано певний бал відображає відмінності між людьми за заданих умов вимірювання. Standards for Educational and Psychological Testing наголошують, що докази надійності та точності мають відповідати конкретній інтерпретації балів і конкретному використанню тесту. Тому надійність не варто трактувати як незмінну «властивість тесту», відірвану від популяції, способу проведення та типу бала.
Метод розщеплення використовує одну адміністрацію тесту. Замість повторного тестування ті самі відповіді ділять на дві підмножини. Якщо обидві половини справді є порівнюваними зразками одного й того самого вимірювання, їхні бали мають бути тісно пов’язані. Цей зв’язок дає інформацію про внутрішню надійність композитного бала.
Важливо: кореляція між половинами сама по собі стосується двох коротших форм. Щоб оцінити надійність повного тесту, для двох рівних і класично паралельних половин застосовують поправку Спірмена—Брауна.
Яке питання ставить метод розщеплення
Найточніше формулювання таке: чи дають дві змістовно й психометрично порівнювані вибірки завдань або проб узгоджені індивідуальні відмінності? Якщо людина має відносно високий бал у першій половині, чи має вона також відносно високий бал у другій, і навпаки?
Це питання про узгодженість вибірок завдань усередині одного проведення. Воно не є питанням про стабільність у часі. Людина може отримати дуже узгоджені результати в двох половинах сьогодні й водночас показати інший рівень через тиждень. Split-half цього не виявить.
Огляд двочастинних коефіцієнтів Warrens прямо розрізняє внутрішню оцінку надійності з одного проведення та підходи, що потребують повторних адміністрацій, зокрема test–retest і паралельні форми. Вибір методу має відповідати джерелу похибки, яке важливе для конкретного висновку.
Як працює метод: шість кроків
Визначити, який саме бал оцінюється: сумарний бал шкали, середній бал, різницевий показник, латентний або інший композит.
Визначити одиниці, які можна розподіляти між половинами: тестові завдання, пункти шкали, реакційні проби або інші повторювані елементи.
Сформувати дві половини за заздалегідь описаним правилом: непарні/парні, перша/друга частина, випадковий або стратифікований поділ.
Обчислити два часткові бали для кожного учасника й оцінити їхній зв’язок методом, що відповідає типу балів і моделі.
Якщо дві половини є рівними й припущення для класичної поправки виконуються, перерахувати кореляцію половин за формулою Спірмена—Брауна.
Звітувати не лише число, а й спосіб поділу, характеристики вибірки, тип кореляції, формулу корекції, невизначеність оцінки та обмеження.
П’ятий крок часто перетворюють на автоматичну процедуру. Це помилка. Формула не «виправляє» погано сформовані половини. Якщо частини вимірюють різні компоненти, мають різні дисперсії або створені за правилом, що змішує надійність з іншою закономірністю, математична корекція не робить модель правильною.
Навіщо потрібна поправка Спірмена—Брауна
Нехай тест поділено на дві рівні частини, а кореляція між балами цих половин становить r₁₂. Кожна половина має лише половину кількості завдань повного тесту. За класичною моделлю паралельних половин оцінку для повної довжини отримують так:
r_SB = 2r₁₂ / (1 + r₁₂)
Якщо r₁₂ = 0,60, тоді r_SB = 0,75. Значення 0,60 характеризує зв’язок між двома половинами; 0,75 — скориговану оцінку надійності повного композиту за припущеннями моделі.
Повна логіка формули, її застосування до подовження та скорочення тестів, а також математичні обмеження розібрані окремо в статті «Формула Спірмена—Брауна: надійність тесту, метод розщеплення та застосування». Тут формула потрібна лише як частина split-half процедури.
Поправка не рятує невдалий поділ
Формула Спірмена—Брауна історично пов’язана з моделлю класично паралельних вимірювань. У двочастинному випадку Warrens показує, що різні коефіцієнти спираються на різні припущення: Spearman–Brown — на паралельну модель, двокомпонентний alpha/Flanagan — на істотну тау-еквівалентність, а інші коефіцієнти допускають ширші конгенеричні умови.
Практичний висновок простий: перед застосуванням формули треба дивитися не лише на кількість завдань у половинах, а й на те, чи поводяться частини як достатньо порівнювані форми. Дуже різні середні, стандартні відхилення, змістові домени або правила оцінювання можуть бути сигналом, що простий паралельний опис не відповідає даним.
Як можна розщепити тест
Непарні та парні завдання
Odd–even split розподіляє завдання за їхньою позицією: 1, 3, 5… у одну половину; 2, 4, 6… — в іншу. Для шкал, де завдання впорядковані без сильного позиційного тренду, це може дати більш збалансовані половини, ніж поділ «перша половина проти другої».
Однак odd–even не є автоматично нейтральним. Якщо тест побудовано парами, блоками, чергуванням типів стимулів або закономірною зміною складності, непарні й парні позиції можуть систематично відрізнятися.
Перша половина проти другої
First–second split здається найпростішим: ранні завдання утворюють одну частину, пізні — іншу. Для багатьох когнітивних завдань це ризикований вибір, тому що половини відрізняються за часом. Практика, втома, адаптація до інструкції, зниження уваги або зміна стратегії можуть впливати на другу частину і створювати різницю, яка не є випадковою похибкою.
Pronk і співавтори розглядають часовий порядок як один із ключових конфаундів split-half reliability у когнітивних задачах. Тому перша/друга половина потребує особливого обґрунтування.
Випадковий поділ
Random split випадково розподіляє елементи між двома половинами. Він може краще змішати ранні й пізні проби або різні типи завдань, але створює іншу проблему: результат залежить від конкретного випадкового розподілу. Інший seed може дати інший коефіцієнт.
Стратифікований поділ
Якщо дизайн містить умови, категорії стимулів, правильні/неправильні типи відповідей або інші структурні елементи, половини можна формувати так, щоб кожна з них зберігала приблизно однакові пропорції цих компонентів. Такий поділ часто змістовно кращий за суто випадковий, бо не дозволяє одній половині випадково стати «тестом одного типу проб», а другій — іншого.
Повторні випадкові поділи та Monte Carlo
Замість одного випадкового розщеплення можна багато разів генерувати допустимі половини, для кожного поділу обчислювати оцінку й аналізувати розподіл результатів. У когнітивних задачах це зменшує залежність висновку від одного довільного split.
Систематична оцінка Pronk et al. показала переваги процедур, які враховують структуру дизайну та повторюють поділ, над механічним застосуванням одного універсального правила. Їхня рекомендація стосується саме контексту когнітивних задач і не означає, що Monte Carlo є обов’язковим для кожної психометричної шкали.
Головна проблема split-half: існує багато можливих поділів
Для тесту з великою кількістю завдань число можливих рівних розщеплень швидко стає величезним. Якщо дослідник вибирає один split уже після перегляду результатів, виникає додатковий простір для вибіркової звітності: можна несвідомо або навмисно залишити той варіант, що дає «кращу» надійність.
Тому якісний звіт має описувати правило поділу до інтерпретації результату. Якщо використано випадкове або багаторазове розщеплення, слід повідомити алгоритм, кількість повторів, спосіб стратифікації та те, яку підсумкову характеристику розподілу використано.
Одна split-half оцінка — це оцінка за одним конкретним partition. Вона не повинна подаватися так, ніби існує єдине природне розщеплення тесту, якщо дизайн такого розщеплення не задає.
Паралельність, тау-еквівалентність і конгенеричність
У психометрії важливо розрізняти моделі, за яких компоненти тесту вважаються еквівалентними. Це технічні припущення про істинні бали, дисперсії похибки та зв’язок частин, а не просто побутове твердження, що «обидві половини приблизно схожі».
Класично паралельні половини мають однаковий істинний бал для кожної людини та однакову дисперсію похибки.
Істотно тау-еквівалентні частини допускають різні константи, але зберігають сильну форму еквівалентності істинних балів.
Конгенеричні компоненти допускають різні масштаби й навантаження на спільний конструкт і є загальнішою моделлю.
Порівняння Warrens показує, що коефіцієнти для двочастинного тесту можуть бути близькими за помірних відмінностей між частинами, але за великих відмінностей припущення моделі стають суттєвими. Отже, вибір коефіцієнта має бути частиною моделі вимірювання, а не звичкою.
Що саме оцінює split-half у класичній теорії тестів
Split-half належить до підходів внутрішньої надійності. Він використовує варіацію між елементами всередині одного проведення, щоб оцінити, наскільки стабільно композит ранжує або розрізняє учасників на двох порівнюваних підмножинах змісту.
Це робить метод особливо зручним, коли повторне проведення дороге, небажане або здатне викликати тренувальний ефект. Але зручність не розширює його зміст. Дані одного проведення не містять прямої інформації про добову, тижневу чи річну стабільність бала.
Так само split-half не оцінює похибку між оцінювачами, якщо тест залежить від людського кодування. Для такого джерела похибки потрібні міжоцінювальні підходи. Надійність завжди пов’язана з тим, яке джерело варіації ми прагнемо охопити.
Split-half, внутрішня узгодженість і одномірність — різні речі
Висока кореляція між половинами може бути сумісною з тим, що обидві половини містять однакову суміш кількох вимірів. Отже, split-half coefficient сам по собі не доводить одномірність.
Сучасна психометрична критика coefficient alpha і ширші огляди надійності, зокрема Revelle та Condon, підкреслюють потребу відділяти оцінювання надійності від тверджень про факторну структуру. Якщо інтерпретація бала передбачає один конструкт, цю структурну гіпотезу треба перевіряти окремо.
Split-half і Cronbach’s alpha
У класичній статті 1951 року Cronbach пов’язав coefficient alpha з сімейством split-half підходів і показав, як alpha узагальнює логіку внутрішньої узгодженості на багатокомпонентний тест.
Проте точну фразу «alpha дорівнює середньому всіх split-half reliability» не слід переносити без умов. Novick і Lewis показали, що така рівність справедлива лише за обмеженої умови, яка була частиною первинного виведення. Крім того, різні «split-half coefficients» можуть використовувати різні корекції й спиратися на різні моделі.
Тому split-half і alpha не є взаємозамінними назвами. Split-half починається з конкретного поділу на дві частини. Alpha агрегує інформацію про коваріації між багатьма компонентами за власною формулою. Обидва підходи належать до внутрішньої надійності, але відповідають на питання через різну математичну конструкцію.
А де тут omega
Коефіцієнти omega будуються на факторній моделі й дозволяють оцінювати надійність за умов, де всі завдання не мусять бути однаково сильними індикаторами конструкта. Для багатьох сучасних шкал це змістовно ближче до реальної структури даних, ніж припущення суворої еквівалентності.
З цього не випливає правило «omega завжди краща». Вибір залежить від моделі, даних і того, який бал інтерпретують. Правильна логіка така: спочатку визначити структуру вимірювання й цільовий бал, потім обрати оцінку надійності, яка відповідає цій структурі.
Split-half для когнітивних і реакційно-часових задач
У когнітивній психології split-half часто використовують не для класичних анкет, а для задач з десятками або сотнями проб. Тут окремою проблемою стає спосіб обчислення індивідуального показника: середній час реакції, медіана, різниця між умовами, ефект інтерференції, параметр моделі тощо.
Pronk et al. показують, що метод розщеплення для таких задач має враховувати щонайменше часовий порядок, структуру дизайну, випадкове вибіркування проб і нелінійність деяких функцій обчислення показника. Просте «поділити усі проби навпіл» може дати перекручену оцінку.
Особливо обережно слід ставитися до різницевих балів. Надійність різниці залежить не тільки від надійності двох умов, а й від їхньої кореляції та дисперсій. Тому висока надійність кожної умови не гарантує високої надійності різниці між ними.
Коли метод розщеплення доречний
коли один і той самий композит складається з багатьох взаємозамінних або змістовно порівнюваних елементів;
коли є одна адміністрація, а питання стосується внутрішньої точності бала;
коли правило поділу можна обґрунтувати з огляду на зміст і дизайн;
коли дослідник готовий перевірити, наскільки результат залежить від конкретного split;
коли функцію обчислення показника можна коректно обчислити окремо в кожній половині.
Коли split-half дає неповну або хибну картину
коли головне джерело похибки — зміна стану людини між різними днями або сесіями;
коли результат залежить від оцінювачів, а розбіжності між ними не представлені в split-half процедурі;
коли тест має кілька змістово різних субшкал, які не повинні поводитися як паралельні половини одного бала;
коли перша й друга частини систематично відрізняються через навчання, втому, адаптацію або порядок;
коли показник не може бути змістовно обчислений на половині даних;
коли адаптивне або розгалужене тестування дає різним учасникам різні набори завдань і просте розщеплення руйнує логіку тесту;
коли потрібен висновок про валідність, діагностичну точність, справедливість або культурну еквівалентність — ці властивості потребують інших доказів.
Надійність не дорівнює валідності
Split-half може показати, що дві половини дають узгоджені бали. Він не показує, що тест вимірює саме заявлений конструкт. Дуже послідовний інструмент може послідовно вимірювати не те, що дослідник думає.
Testing Standards AERA/APA/NCME розглядають validity як аргумент щодо інтерпретацій і використань балів, який будується з різних джерел доказів. Надійність і точність є необхідною частиною якості вимірювання, але не замінює докази валідності.
Так само split-half не доводить справедливість тесту між групами, measurement invariance, відсутність DIF, придатність українського перекладу або клінічну корисність cutoff. Кожне з цих питань має власну доказову архітектуру.
Чи існує «хороше» значення split-half reliability
Універсальної магічної межі немає. Поріг, прийнятний для групового дослідження з низькими наслідками, може бути неприйнятним для індивідуального рішення з високими наслідками. Крім самого коефіцієнта важливі тип бала, ширина конструкта, вибірка, розкид балів, призначення тесту та ціна помилки.
Механічне правило на кшталт «0,70 — завжди достатньо» стирає контекст. Для одного інструмента 0,70 може бути початковим дослідницьким рівнем, для іншого — надто слабкою точністю. Якісне рішення має спиратися на цільове застосування, стандарти галузі та повний набір доказів.
Коефіцієнт залежить від вибірки
Надійність оцінюють на даних конкретної вибірки. Якщо група дуже однорідна, дисперсія істинних відмінностей може бути малою, і коефіцієнт здатен змінитися навіть при тій самій процедурі. В іншій популяції з іншим діапазоном балів значення може відрізнятися.
Тому в статті чи звіті недостатньо написати «надійність тесту = 0,82». Потрібно вказати, для кого, за яких умов, для якого бала та яким методом отримано 0,82.
Вибір кореляції між половинами
Для класичного випадку безперервних сумарних балів зазвичай використовують кореляцію Пірсона між двома балами половин, а потім поправку Спірмена—Брауна для повної довжини. Але назва «Спірмена—Брауна» не означає, що тут автоматично треба застосувати рангову кореляцію Спірмена.
Коефіцієнт рангової кореляції Спірмена — окремий статистичний метод для монотонного зв’язку рангових або порядкових даних. Його не слід плутати з формулою Спірмена—Брауна.
Якщо тип бала, розподіл або модель вимагають іншого показника асоціації, рішення треба обґрунтувати. Не варто механічно замінювати Pearson на інший коефіцієнт лише через ненормальність окремих пунктів, не аналізуючи властивості саме балів половин.
Невизначеність: один коефіцієнт не є точним числом природи
Будь-яка оцінка надійності має sampling uncertainty. У маленьких вибірках коефіцієнт може бути нестабільним, а різниця між 0,76 і 0,81 — випадковою. Там, де це можливо, корисно подавати довірчий інтервал або інший спосіб кількісного опису невизначеності.
Для repeated-split або bootstrap-процедур важливо не змішувати два джерела варіації: sampling uncertainty між вибірками та variability між різними поділами того самого набору елементів. Обидва можуть бути інформативними, але відповідають на різні питання.
Типові помилки інтерпретації
Називати кореляцію двох половин надійністю повного тесту без поправки на довжину.
Вважати, що будь-який поділ на 50/50 створює паралельні форми.
Обирати split після перегляду результатів і не повідомляти, скільки варіантів перевіряли.
Плутати split-half reliability із test–retest reliability.
Вважати високий split-half coefficient доказом одномірності.
Вважати високий split-half coefficient доказом валідності.
Автоматично трактувати 0,70 як універсальну межу прийнятності.
Плутати поправку Спірмена—Брауна з ранговою кореляцією Спірмена.
Не описувати, як формували половини й який показник обчислювали.
Застосовувати split-half до різницевого або нелінійного показника без перевірки того, що показник зберігає зміст у половинних даних.
Як правильно звітувати split-half reliability
Мінімально відтворюваний звіт має дозволити іншому досліднику повторити саме ваш поділ і саме ваш розрахунок.
опис вибірки, її розмір і релевантні характеристики;
назва та версія інструмента або точний опис задачі;
бал, для якого оцінювали надійність;
кількість пунктів або проб до і після поділу;
правило формування половин: odd–even, first–second, random, stratified, repeated random тощо;
якщо поділ випадковий — seed або процедура відтворення;
тип коефіцієнта зв’язку між половинами;
чи застосовано поправку Спірмена—Брауна і яку саме формулу;
оцінка надійності та, за можливості, інтервал невизначеності;
перевірки або аргументи щодо порівнянності половин;
як обробляли пропущені відповіді, помилки, виключення проб і учасників;
для Monte Carlo — кількість розщеплень, правила стратифікації та спосіб підсумовування розподілу.
Історія методу: дві окремі статті 1910 року
Чарльз Спірмен і Вільям Браун опублікували у 1910 році окремі роботи в тому самому випуску British Journal of Psychology. Обидві стали історичними джерелами співвідношення, яке сьогодні називають Spearman–Brown formula.
Це важлива бібліографічна деталь: «Спірмен—Браун» — назва формули, а не прізвища співавторів однієї статті. Сам split-half підхід розвивався далі разом із класичною теорією тестів, коефіцієнтами Guttman, alpha та сучасними модельними оцінками надійності.
Науковий статус методу сьогодні
Split-half reliability є established психометричним підходом, а не застарілим курйозом. Водночас сучасна психометрія вже не розглядає один split як універсальну відповідь на питання надійності.
Сучасні огляди надійності розглядають кілька класів оцінок — від внутрішньої узгодженості до model-based coefficients — і пов’язують вибір із моделлю вимірювання. Методологічні роботи для когнітивних задач розвивають split-half через repeated та stratified splitting, коли один довільний поділ недостатній.
Отже, split-half найкраще розуміти як інструмент усередині ширшої системи доказів. Він корисний тоді, коли його припущення відповідають конструкції тесту, а звіт ясно пояснює, що було розщеплено, як саме і чому отриманий коефіцієнт має потрібну інтерпретацію.
Практичний приклад
Уявімо 40-пунктову шкалу, усі пункти якої задумано як індикатори одного бала. Дослідник формує непарну й парну половини по 20 пунктів. Сумарні бали двох половин корелюють на рівні r = 0,68.
Якщо половини можна вважати достатньо паралельними, поправку Спірмена—Брауна дає:
r_SB = (2 × 0,68) / (1 + 0,68) ≈ 0,81
Це не означає, що «тест валідний на 0,81», що він одномірний або що 0,81 буде отримано в будь-якій популяції. Значення описує скориговану оцінку надійності цього бала за конкретного способу поділу й конкретних даних.
Наступний розумний крок — не святкувати число, а перевірити чутливість висновку: що буде за іншого обґрунтованого split, чи не відрізняються половини за змістом і дисперсією, чи підтримує факторна структура передбачену інтерпретацію, чи потрібні інші форми доказів надійності.
FAQ
Чи можна розрахувати split-half reliability після одного проведення тесту?
Так. Саме це одна з головних переваг методу: він використовує внутрішню структуру даних одного проведення. Але він не показує стабільність між різними днями або сесіями.
Чи є кореляція двох половин фінальною надійністю тесту?
Зазвичай ні. Для двох рівних класично паралельних половин кореляцію коригують за Spearman–Brown, тому що кожна половина коротша за повний тест.
Який поділ кращий: odd–even чи випадковий?
Універсальної відповіді немає. Вибір залежить від порядку завдань і дизайну. Odd–even може контролювати часовий тренд, але конфліктувати з парною або блоковою структурою. Випадковий split зменшує деякі систематичні відмінності, але сам є випадковим; у складних задачах доречні repeated/stratified procedures.
Чи можна просто поділити тест на перші й останні завдання?
Можна лише тоді, коли часовий порядок не створює систематичної різниці. У навчальних або реакційно-часових задачах перша й друга половини можуть відрізнятися через практику, втому або адаптацію.
Чи дорівнює split-half Cronbach’s alpha?
Ні. Вони пов’язані історично й математично, але це різні процедури. Alpha використовує коваріації багатьох компонентів, тоді як split-half починається з конкретного поділу на дві частини. Точні твердження про середнє всіх split-half coefficients потребують додаткових умов.
Чи можна використовувати Spearman rank correlation між половинами?
Назва Spearman–Brown не вимагає ρ Спірмена. Для звичайних безперервних балів половин класичне застосування використовує кореляцію Пірсона. Інший коефіцієнт зв’язку має бути обраний за типом даних і моделлю, а не за схожістю назв.
Чи доводить високий split-half coefficient, що шкала одномірна?
Ні. Дві половини можуть містити однакову суміш кількох факторів і тому добре корелювати. Одномірність перевіряють структурними методами, а не одним reliability coefficient.
Чи доводить високий split-half coefficient валідність?
Ні. Надійність і валідність — різні питання. Надійний бал може не підтримувати потрібну інтерпретацію конструкта.
Чи достатньо 0,70?
Немає універсального порогу, який працює для всіх цілей. Достатність залежить від цільове застосування, наслідків рішення, популяції, типу бала та інших доказів.
Чи варто сьогодні використовувати split-half, якщо є alpha та omega?
Так, коли split-half відповідає дизайну й питанням дослідження. Особливо він залишається практичним для когнітивних задач і двочастинних композитів. Але його не варто використовувати як автоматичну заміну модельному аналізу надійності.
Що запам’ятати
Split-half оцінює внутрішню надійність за одним проведенням, а не стабільність у часі.
Результат залежить від способу розщеплення; «будь-які дві половини» не є еквівалентними.
Кореляцію половин для повного тесту часто треба коригувати за Spearman–Brown.
Поправка Спірмена—Брауна має модельні припущення й не виправляє невдалу структуру половин.
Split-half не доводить одномірність, валідність, справедливість або діагностичну точність.
Для когнітивних задач repeated і stratified splitting можуть бути інформативнішими за один довільний поділ.
Правильний звіт описує вибірку, бал, правило поділу, кореляцію, поправку, невизначеність та обмеження.