Конвергентна валідність: чи пов’язані результати тесту з іншими показниками того самого або близького конструкта
Оновлено: 6 днів тому
Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика
Конвергентна валідність — це доказ того, що результати психологічного тесту пов’язані з іншими показниками того самого або теоретично близького конструкта так, як передбачає теорія. Якщо два незалежні інструменти справді відображають одну й ту саму психологічну властивість, між їхніми балами зазвичай очікують змістовного зв’язку. У Standards for Educational and Psychological Testing такі зв’язки з іншими змінними розглядаються як одне з джерел доказів, що підтримують інтерпретацію тестових балів.
Важлива точність формулювання: конвергентна валідність не є магічною властивістю тесту, яку можна один раз «отримати» й більше не перевіряти. Сучасна психометрія оцінює валідність конкретної інтерпретації балів для певної мети, популяції та умов використання. Тому коректніше говорити про конвергентні докази валідності: наскільки спостережуваний патерн зв’язків відповідає тому, що мало б відбуватися, якби запропонована інтерпретація була обґрунтованою.
Найпростіший приклад: новий опитувальник депресивної симптоматики порівнюють з уже добре вивченим незалежним інструментом, що вимірює дуже близький конструкт. Позитивний і достатньо сильний зв’язок може підтримати очікувану інтерпретацію нового балу. Але одна кореляція сама по собі не доводить, що тест вимірює саме депресивну симптоматику, не робить його діагностичним і не замінює доказів щодо змісту, структури, надійності, справедливості та придатності для конкретного застосування.
Що саме перевіряє конвергентна валідність
Конвергентна валідність відповідає на запитання: якщо наш тест справді відображає заявлений психологічний конструкт, чи поводиться його бал у мережі інших вимірювань так, як цього вимагає теорія? Центральним є не саме слово «кореляція», а відповідність результату заздалегідь сформульованому очікуванню.
За логікою COSMIN перевірка гіпотез для конструктної валідності охоплює очікувані зв’язки з іншими інструментами або очікувані відмінності між релевантними групами. Для конвергентної валідності особливо важливе перше: дослідник заздалегідь описує, з яким показником має бути зв’язок, у якому напрямку та якої приблизної сили він очікується, а потім порівнює це очікування з даними.
Тут є принципова відмінність між «ми знайшли статистично значущу кореляцію» і «дані підтримали конвергентну гіпотезу». Наприклад, у дуже великій вибірці слабкий зв’язок може мати мале p-value. Це ще не означає, що він достатній для теоретичної гіпотези. American Statistical Association окремо застерігає від ототожнення статистичної значущості зі змістовою важливістю результату.
Історичне походження: Campbell–Fiske і мультирисова мультиметодна матриця
Класичну формалізацію конвергентної та дискримінантної валідності запропонували Donald T. Campbell і Donald W. Fiske у 1959 році в роботі Convergent and Discriminant Validation by the Multitrait-Multimethod Matrix. Їхня ключова ідея була сильною саме тому, що не дозволяла судити про валідність за однією красивою кореляцією.
У мультирисовій мультиметодній матриці (multitrait-multimethod matrix, MTMM) кілька психологічних рис вимірюють кількома методами. Якщо один і той самий конструкт оцінюють різними методами, результати мають зближуватися. Якщо різні конструкти вимірюють тим самим або різними методами, зв’язки мають бути слабшими настільки, наскільки це передбачає теорія. Тобто переконливий аргумент виникає з цілого патерну: зближення там, де воно очікується, і розрізнення там, де конструкти мають залишатися різними.
Це особливо важливо, бо два самоопитувальники можуть корелювати не лише через спільний психологічний конструкт, а й через однаковий формат відповідей, стиль самопрезентації, момент тестування, схожі формулювання, загальну схильність погоджуватися з твердженнями або інші ефекти методу. Сучасний огляд Charles E. Lance показує, що методова варіація та похибка вимірювання можуть істотно змінювати спостережувані кореляції, тому їх не слід тлумачити як чисте відображення зв’язку між латентними рисами.
Що може бути порівняльним показником
Порівняльний показник має бути змістовно придатним для конкретної гіпотези. За COSMIN Risk of Bias checklist у дослідженнях конвергентної валідності потрібно чітко описати, що саме вимірює інший інструмент, і мати достатні підстави довіряти його вимірювальним властивостям. Погано вивчений тест не перетворюється на «золотий стандарт» лише тому, що він старший або популярніший.
Для одного й того самого конструкта сильним дизайном може бути порівняння різних інструментів і, за можливості, різних методів вимірювання. Для близьких, але не тотожних конструктів очікуваний зв’язок зазвичай слабший. Чим більша концептуальна відстань між конструктами, тим менше підстав очікувати дуже високої кореляції.
Наприклад, якщо шкала вимірює соціальну тривогу, сильніший зв’язок логічно очікувати з іншою добре валідованою мірою соціальної тривоги, дещо слабший — із загальною тривожністю, а ще слабший — з психологічно віддаленим конструктом. Саме цей порядок очікувань створює змістовний тест теорії. Без нього дослідник легко може оголосити «підтвердженням» будь-який результат, побачений після аналізу.
Як перевіряють конвергентну валідність: логіка дослідження
Якісна перевірка починається до розрахунку коефіцієнта. Послідовність роботи важливіша за вибір одного «правильного» числа.
Спочатку формулюють конструкт і конкретну інтерпретацію балу, яку потрібно обґрунтувати.
Потім обирають порівняльний інструмент або показник і пояснюють, чому він справді вимірює той самий чи близький конструкт.
До перегляду результатів задають гіпотезу: напрямок зв’язку, приблизну очікувану силу та, за потреби, порядок кількох кореляцій.
Визначають цільову популяцію та умови використання, адже валідність не переноситься автоматично між мовами, віком, клінічними й неклінічними групами.
Обирають статистичний метод, який відповідає шкалам вимірювання, розподілу, формі зв’язку та дизайну.
Разом з оцінкою ефекту подають інтервал невизначеності, а результат порівнюють із гіпотезою, а не лише з нульовою гіпотезою.
Конвергентний результат інтегрують з іншими доказами валідності замість того, щоб оголошувати тест «валідним» на основі одного аналізу.
Такий підхід узгоджується з COSMIN Reporting Guideline 2.0, де для hypothesis testing рекомендується чітко описувати обґрунтування гіпотез, очікуваний напрямок і величину зв’язків та статистичні методи. Це робить перевірку фальсифікованою: дані можуть як підтримати, так і не підтримати передбачення.
Кореляція: Pearson, Spearman і те, що коефіцієнт не розповість
Найчастіше конвергенцію оцінюють через кореляцію. Коефіцієнт Pearson доречний для приблизно лінійного зв’язку кількісних показників за відповідних статистичних умов. Spearman оцінює монотонний зв’язок за рангами і може бути корисним для порядкових даних, суттєво несиметричних розподілів або ситуацій, де лінійність сумнівна. Сам вибір коефіцієнта має випливати з даних і моделі вимірювання.
Кореляція не показує причинність і не доводить тотожність конструктів. Висока кореляція може означати, що два інструменти вимірюють дуже близькі речі, але може також відображати спільний метод, дублювання пунктів, спільне джерело відповідей або надмірну змістову схожість. Низька кореляція може вказувати на проблему валідності, а може бути наслідком ненадійності одного з інструментів, обмеженого діапазону балів, неоднорідної вибірки, різних часових рамок або різного змісту конструктів.
Тому в хорошому дослідженні читають не лише коефіцієнт r, а й довірчий інтервал, розподіли, вибірку, надійність обох вимірювань, якість порівняльного інструмента, часовий інтервал між вимірюваннями та теоретичну близькість конструктів. Число без дизайну не є доказом валідності.
Чи існує «правильний» поріг кореляції
Універсального порога, після якого можна сказати «конвергентна валідність є», не існує. У деяких прикладних схемах використовують орієнтири на кшталт r близько 0,50 або вище для мір дуже близького конструкта. Наприклад, Abma, Rovers і van der Wees обговорюють формулювання апріорних гіпотез і практичні критерії для систематичних оглядів PROM. Проте такі значення є контекстними орієнтирами, а не фізичними константами психометрії.
Marcel Post у статті What to Do With “Moderate” Reliability and Validity Coefficients? прямо критикував автоматичне трактування помірних коефіцієнтів як достатнього підтвердження. Це корисне нагадування: очікувана сила зв’язку залежить від того, наскільки конструкти справді близькі, наскільки точні обидва вимірювання і чи використано різні методи.
Іноді надто висока кореляція теж створює питання. Якщо дві нібито різні шкали корелюють майже ідеально, це може означати, що вони фактично дублюють одна одну або не розрізняють теоретично різні конструкції. Отже, «чим вище, тим краще» — погане правило. Хорошим є той патерн, який узгоджується з теорією і дизайном.
Надійність обмежує спостережувану конвергенцію
Конвергентну валідність неможливо правильно тлумачити без надійності психологічного тесту. Похибка вимірювання послаблює спостережувані зв’язки. Якщо один або обидва інструменти мають низьку прецизійність, навіть реальна сильна спорідненість латентних конструктів може проявитися як помірна кореляція.
У класичній теорії тестів це пов’язано з тим, що спостережуваний бал містить як стабільний компонент, так і похибку. Саме тому слабке зближення потрібно інтерпретувати разом з оцінками надійності. Водночас «виправлення на атенюацію» не варто застосовувати механічно: воно спирається на припущення про похибку та моделі вимірювання. Коли питання принципове, латентні моделі можуть краще відокремити спільну рису від похибки й методових ефектів.
Важливо й протилежне: висока внутрішня узгодженість не є доказом конвергентної валідності. Вона описує взаємозв’язок пунктів у межах одного інструмента за певною моделлю, тоді як конвергентна валідність стосується очікуваних зв’язків із зовнішніми показниками або іншими методами. Навіть дуже високе alpha не відповідає на питання, чи вимірює шкала заявлений конструкт.
Спільний метод може створювати хибне враження конвергенції
Два опитувальники, заповнені тією самою людиною в один момент і в однаковому форматі, мають спільне джерело методичної варіації. Lance показує, що common method variance може завищувати деякі спостережувані зв’язки, тоді як ненадійність одночасно їх послаблює. Результат є сумою кількох процесів, а не прямим «вікном» у конструкт.
Тому особливо інформативною є конвергенція між різними методами: самооцінкою і поведінковим завданням, самооцінкою та незалежною клінічною оцінкою, двома технологічно відмінними методами або даними з різних джерел, якщо всі вони справді мають відображати ту саму рису. Такий дизайн зменшує ризик, що висока кореляція виникла лише через спільний формат.
Однак «різний метод» сам по собі не гарантує сильного зв’язку. Методи можуть охоплювати різні часові масштаби, контексти або рівні поведінки. Наприклад, самооцінка тривоги за останні два тижні та коротка лабораторна реакція в одній ситуації пов’язані з тривогою, але не є взаємозамінними. Очікування має враховувати цю різницю.
Конвергентна і дискримінантна валідність: дві сторони одного аргументу
Конвергентна валідність запитує, чи зближуються показники, які за теорією мають бути пов’язані. Дискримінантна валідність запитує, чи зберігається розрізнення там, де конструкти не повинні бути надмірно близькими. Повний аргумент про конструктну валідність сильніший, коли виконуються обидві умови.
Наприклад, нова шкала соціальної тривоги може очікувано корелювати з іншою шкалою соціальної тривоги та менш сильно — із загальною тривожністю. Водночас вона не повинна настільки ж сильно корелювати з психологічно віддаленою рисою, що не входить до теоретичної мережі. Якщо все корелює з усім однаково сильно, це слабкий аргумент на користь специфічності вимірювання.
Саме цю логіку «зближення плюс розрізнення» заклала модель Campbell–Fiske. У сучасних дослідженнях її можуть реалізовувати через CFA/SEM, латентні MTMM-моделі та інші підходи, що окремо оцінюють варіацію рис і методів.
AVE і «convergent validity» у факторних моделях: важливе термінологічне розрізнення
У літературі зі структурного моделювання термін convergent validity часто використовують ще в одному, вужчому сенсі: чи достатньо сильно індикатори одного латентного фактора сходяться на цьому факторі. У цій традиції застосовують факторні навантаження, composite reliability та average variance extracted (AVE); класичне джерело — робота Fornell і Larcker.
Це споріднене, але не тотожне питанню, яке зазвичай мають на увазі в класичній психометричній перевірці конвергентної валідності через зовнішній незалежний показник. AVE описує, скільки дисперсії індикаторів у конкретній факторній моделі пояснює латентний фактор. Воно не показує автоматично, що бал шкали поводиться очікувано відносно іншого добре обґрунтованого вимірювання того самого конструкта.
Тому фраза «AVE > 0,50, отже конвергентна валідність доведена» є надто сильною, якщо йдеться про валідність психологічного тесту в широкому сенсі. AVE може бути частиною оцінки measurement model, але валідизаційний аргумент потребує ширшої системи доказів: змісту, структури, зв’язків з іншими змінними, наслідків і відповідності конкретному використанню.
Конвергентна валідність, критеріальна валідність і concurrent validity
Ці терміни часто змішують, бо всі вони можуть включати кореляцію двох показників. Відмінність визначається не формулою коефіцієнта, а роллю другого показника.
Конвергентна валідність використовує інший показник того самого або близького конструкта, щоб перевірити теоретично очікуваний зв’язок. Критеріальна валідність порівнює тест з зовнішнім критерієм або «золотим стандартом», коли такий критерій справді існує. Concurrent validity описує часову організацію критеріального порівняння, коли тест і критерій оцінюють приблизно в один період; predictive validity стосується майбутнього критерію.
Тому одночасне вимірювання двома опитувальниками не робить дослідження автоматично «конкурентною валідністю». Якщо другий опитувальник є мірою спорідненого конструкта і використовується для перевірки конструктної гіпотези, це конвергентний доказ. Якщо він є справжнім зовнішнім критерієм для цільового рішення, логіка вже критеріальна.
Конвергентна валідність не дорівнює структурній валідності
Структурна валідність відповідає на інше питання: чи відображає внутрішня структура балів передбачувану dimensionality конструкта. За COSMIN taxonomy structural validity і hypotheses testing for construct validity є різними аспектами доказів. Тест може мати переконливу факторну структуру, але слабко зближуватися з незалежними мірами; або навпаки.
Це пов’язано з розрізненням між латентною і спостережуваною змінною. Факторна модель перевіряє, як спостережувані індикатори співвідносяться з латентною структурою всередині моделі. Конвергентне порівняння додає зовнішню частину номологічної мережі: як отриманий бал співвідноситься з іншими незалежними показниками, які теоретично мають бути пов’язані.
Типові помилки під час оцінювання конвергентної валідності
Найчастіші помилки виникають тоді, коли дослідник починає з числа, а не з теорії.
Гіпотезу формулюють після перегляду результатів і підганяють під уже побачений коефіцієнт.
Порівняльний тест називають «еталоном», не перевіривши, чи має він достатні докази валідності й надійності в потрібній популяції.
Будь-яке p < 0,05 трактують як підтвердження конвергенції, ігноруючи величину ефекту та довірчий інтервал.
Встановлюють універсальний поріг r без обґрунтування теоретичної близькості конструктів.
Використовують два майже дубльовані самоопитувальники і не враховують спільний метод.
Ігнорують низьку надійність одного з вимірювань, яка може послабити спостережувану кореляцію.
Вибирають із багатьох кореляцій лише ті, що «виглядають добре», не описуючи повний план і множинність аналізів.
Переносять результат з іншої мови або культури без перевірки адаптації, еквівалентності та релевантності норм.
Ототожнюють конвергентний зв’язок зі здатністю тесту ставити діагноз або передбачати клінічно важливий результат.
Українська адаптація: переклад не створює конвергентну валідність
Для україномовної версії тесту недостатньо перекласти інструкцію та показати, що текст зрозумілий. International Test Commission Guidelines for Translating and Adapting Tests розглядають адаптацію як ширший процес: потрібно врахувати лінгвістичні й культурні відмінності, якість процедури адаптації, еквівалентність конструкта, стандартизоване проведення та емпіричні докази для цільової популяції. Доступна також українська версія настанов ITC.
Отже, англомовне дослідження, де шкала добре корелювала з іншою мірою, не доводить автоматично такої самої конвергенції в українській версії. Потрібно перевіряти, чи зберігається зміст конструкта, чи порівняльний інструмент має адекватну українську адаптацію, чи співставні умови та популяції й чи не змінилася структура зв’язків.
В українському професійному контексті окремо важлива якість психодіагностичних методик. Тестовий комітет Всеукраїнської психодіагностичної асоціації у вимогах до сертифікації розглядає валідність, надійність, норми, стандартизацію, процедури проведення та інтерпретації як окремі складові якості. Наявність перекладу або локального поширення методики не замінює цих доказів.
Конвергентна валідність і measurement invariance — різні питання
Якщо шкала застосовується в різних мовних, культурних, вікових або інших групах, високі кореляції з близькими показниками ще не доводять, що тест функціонує однаково в усіх групах. Measurement invariance перевіряє інше: чи порівнювана модель вимірювання та параметри індикаторів між групами.
Тест може демонструвати схожий загальний патерн конвергентних кореляцій і водночас мати окремі пункти або параметри, що працюють по-різному в групах. І навпаки, інваріантна факторна структура не гарантує, що всі зовнішні зв’язки відповідатимуть теорії. Для справедливого використання ці джерела доказів потрібно розглядати разом, не підміняючи одне іншим.
Що означає низька або несподівана кореляція
Низька конвергентна кореляція є сигналом для розслідування, а не автоматичним вироком тесту. Перше питання: чи була гіпотеза добре обґрунтована. Можливо, конструкти лише здавалися тотожними, але відрізняються за змістом, часовим горизонтом або рівнем узагальнення.
Друге питання — якість обох вимірювань. Низька надійність, вузький діапазон балів, ceiling/floor effects, мала або специфічна вибірка, різний час оцінювання, невідповідний статистичний метод і нестабільний порівняльний інструмент можуть знизити зв’язок. Третє питання — чи не є результат теоретично інформативним: іноді слабка конвергенція показує, що нова шкала вимірює інший аспект, ніж очікувалося.
У валідизаційному дослідженні важливо не приховувати несподіваний результат, а пояснити, яке саме припущення він ставить під сумнів, які альтернативні пояснення реалістичні й яке наступне дослідження їх розрізнить. Саме так evidence accumulation працює краще за одноразове «пройшов/не пройшов».
Чи може кореляція бути «занадто високою»
Так. Якщо два інструменти позиціонують як різні, але вони корелюють майже ідеально, це може означати концептуальну надмірність. Для нового тесту це практичне питання: чи дає він нову інформацію, чи лише відтворює вже наявну шкалу іншими словами.
Надто високий зв’язок також може виникати через частково однакові або дуже схожі пункти, спільний формат, однакову інструкцію, спільні часові рамки або інші method effects. Тому сильне зближення потрібно перевіряти на змістовну незалежність методів і матеріалу, а не лише святкувати великий коефіцієнт.
Як читати статтю про конвергентну валідність
Під час читання validation study корисно пройти не по таблиці кореляцій, а по логіці доказу. Спочатку знайдіть точне визначення конструкта і intended use. Далі подивіться, чому автори обрали конкретний comparator і які дані є про його якість. Потім перевірте, чи були гіпотези сформульовані до аналізу і чи містили напрямок та очікувану величину зв’язку.
Після цього оцініть вибірку: чи відповідає вона популяції, для якої планують використовувати тест. Подивіться на надійність обох показників, часовий інтервал, тип кореляції, довірчі інтервали, пропущені дані, множинність порівнянь і наявність method overlap. Лише після цього інтерпретуйте, скільки гіпотез підтримано й наскільки це змінює загальний validity argument.
Методологічно сильний звіт не обмежується фразою «correlation was significant». COSMIN вимагає прозорого опису гіпотез, статистичного аналізу й фактичних результатів, щоб читач міг сам перевірити висновок.
Практичне значення для психолога і дослідника
Для практичного психолога конвергентна валідність допомагає зрозуміти, наскільки конкретний бал узгоджується з іншими способами оцінки тієї самої психологічної властивості. Але рішення про використання інструмента має спиратися на ширшу психологічну оцінку: мету, популяцію, норми, надійність, валідність, справедливість, контекст і наслідки рішення.
Для дослідника конвергентні зв’язки є способом перевірити номологічну мережу конструкта. Якщо нова міра пов’язана з близькими змінними в передбачений спосіб, це підтримує теоретичну модель. Якщо патерн порушується, це може вказувати на проблему інструмента, операціоналізації або самої теорії.
Для розробника тесту конвергентна валідність є лише одним етапом. Потрібні також якісне визначення конструкта, змістова репрезентативність, перевірка структури, оцінка reliability/measurement error, аналіз інваріантності та справедливості, норми за потреби, а для клінічних рішень — окремі дані про diagnostic accuracy і клінічну корисність.
Конвергентна валідність у скринінгу та клінічній психодіагностиці
Висока кореляція скринінгової шкали з іншим опитувальником не перетворює її на діагностичний інструмент. Два самоопитувальники можуть добре збігатися, але обидва вимірюють суб’єктивну симптоматику, а не встановлюють клінічний діагноз.
Для діагностичного застосування потрібні інші докази: чіткий reference standard, оцінки sensitivity і specificity, а для реальної популяції — позитивна та негативна прогностична цінність з урахуванням prevalence/base rate. ROC/AUC може описувати розрізнювальну здатність за певним критерієм, але також не є синонімом клінічної корисності.
Тому жоден score, cutoff або конвергентна кореляція не має інтерпретуватися як самодостатня межа «розлад є / розладу немає». Скринінг, case-finding, assessment, diagnosis, monitoring і outcome measurement — різні завдання, які вимагають різних типів доказів.
Короткий приклад правильної інтерпретації
Уявімо нову коротку шкалу психологічного виснаження. Автори очікують, що вона сильно позитивно корелюватиме з добре вивченою незалежною мірою виснаження, помірно — із загальним психологічним дистресом і слабше — з конструктом, який теоретично віддалений. Вони формулюють ці очікування до аналізу, збирають дані в цільовій популяції й оцінюють кожен зв’язок з довірчим інтервалом.
Якщо отриманий порядок кореляцій відповідає прогнозу, це підтримує конвергентну й частково дискримінантну частину конструктної валідності. Якщо зв’язок з мірою виснаження виявився слабким, а з віддаленим конструктом — таким самим сильним, validity argument стає слабшим. Причину потрібно шукати в змісті нової шкали, якості comparator, похибці вимірювання, method effects, вибірці або теоретичному визначенні.
Коректний висновок у такому дослідженні звучить приблизно так: «отриманий патерн зв’язків підтримує або не підтримує заздалегідь визначені гіпотези щодо конструктної валідності в цій популяції». Формула «тест валідний» була б значно сильнішою за те, що реально показують дані.
Поширені запитання
Якою має бути кореляція для конвергентної валідності?
Єдиного універсального порога немає. Очікувана величина залежить від теоретичної близькості конструктів, надійності вимірювань, методу, вибірки та intended use. Для дуже близьких мір логічно очікувати сильніший зв’язок, ніж для споріднених, але різних конструктів. Поріг потрібно обґрунтовувати до аналізу, а не вибирати після отримання результатів.
Чи достатньо однієї високої кореляції?
Ні. Одна висока кореляція може бути сумісна з конвергентною гіпотезою, але не охоплює весь validity argument. Потрібні докази щодо змісту, структури, надійності, інших зовнішніх зв’язків, можливих method effects, популяції та мети використання.
Чи доводить Cronbach’s alpha конвергентну валідність?
Ні. Alpha стосується внутрішньої узгодженості за певними припущеннями. Він не перевіряє, чи збігаються результати тесту з іншою незалежною мірою того самого конструкта. Надійність створює передумову для точного вимірювання, але не замінює валідність.
Чим конвергентна валідність відрізняється від concurrent validity?
Convergent validity описує теоретичну спорідненість конструкта з іншими мірами. Concurrent validity зазвичай стосується критеріальної логіки, коли тест порівнюють з зовнішнім критерієм, оціненим приблизно одночасно. Дві міри можуть бути зібрані в один день і все одно давати саме конвергентний, а не критеріальний доказ.
Чи є AVE показником конвергентної валідності?
У CFA/SEM-літературі AVE часто використовують як показник зближення індикаторів на одному латентному факторі. Це корисний аспект measurement model, але він не замінює зовнішніх конвергентних доказів між незалежними мірами і не доводить валідність тесту для всіх застосувань.
Чи означає слабка конвергенція, що тест треба відкинути?
Не автоматично. Спершу перевіряють якість comparator, надійність обох мір, діапазон балів, часові рамки, вибірку, statistical model і теоретичну близькість конструктів. Після цього вирішують, чи проблема справді стосується нового тесту, чи гіпотеза була сформульована неправильно.
Чи треба перевіряти конвергентну валідність української адаптації окремо?
Так, якщо шкалу планують інтерпретувати в українській популяції. Переклад не гарантує збереження змісту конструкта, структури й зовнішніх зв’язків. Адаптація потребує окремих емпіричних доказів у цільовому мовному та культурному контексті.
Чи можна за конвергентною валідністю поставити діагноз?
Ні. Конвергентна валідність описує очікувані зв’язки між вимірюваннями. Діагноз ґрунтується на клінічній оцінці та діагностичних критеріях, а валідність діагностичного застосування потребує окремих даних про reference standard і diagnostic accuracy.
Пов’язані статті
Джерела
Abma, I. L., Rovers, M., & van der Wees, P. J. (2016). Appraising convergent validity of patient-reported outcome measures in systematic reviews: constructing hypotheses and interpreting outcomes. BMC Research Notes, 9, 226.
American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing.
American Statistical Association. (2016). Statement on Statistical Significance and P-Values.
Campbell, D. T., & Fiske, D. W. (1959). Convergent and discriminant validation by the multitrait-multimethod matrix. Psychological Bulletin, 56(2), 81–105.
Fornell, C., & Larcker, D. F. (1981). Evaluating Structural Equation Models with Unobservable Variables and Measurement Error. Journal of Marketing Research, 18(1), 39–50.
International Test Commission. (2017). The ITC Guidelines for Translating and Adapting Tests (Second edition).
Lance, C. E. (2024). A primer on method effects on observed correlations with examples. International Journal of Psychology, 59(6), 1148–1157.
Post, M. W. (2016). What to Do With “Moderate” Reliability and Validity Coefficients? Archives of Physical Medicine and Rehabilitation, 97(7), 1051–1052.
Tavares de Arruda, G., Mokkink, L. B., Gagnier, J., Terwee, C. B., et al. (2025). Explanation & Elaboration document of the COSMIN Reporting Guideline 2.0. COSMIN.
Всеукраїнська психодіагностична асоціація. Добровільна сертифікація психодіагностичних методик.