Індекс надійної зміни (RCI): чи перевищує індивідуальна зміна похибку вимірювання

6 днів тому

Читати 16 хв

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика.

Індекс надійної зміни (Reliable Change Index, RCI) — це спосіб оцінити, чи є різниця між двома результатами однієї людини достатньо великою порівняно з очікуваною похибкою вимірювання. У класичній формі RCI стандартизує індивідуальну різницю між балами через стандартну похибку цієї різниці. Початкову статистичну рамку для психотерапевтичних досліджень запропонували Jacobson і Truax (1991): вони окремо визначали надійність зміни та клінічну значущість результату.

RCI відповідає на вузьке, але важливе питання: «Чи настільки велика індивідуальна зміна, щоб за прийнятої моделі похибки її було малоймовірно пояснити лише нестабільністю вимірювання?» Він не відповідає сам по собі на питання, чи є зміна важливою для людини, клінічно достатньою, причинно спричиненою лікуванням або такою, що підтверджує чи спростовує діагноз. Саме це розрізнення є центральним для коректного використання RCI.

Коротка відповідь: що показує RCI

Якщо два бали відрізняються, сама арифметична різниця ще не доводить реальної зміни вимірюваної характеристики. Частина коливання може виникнути через похибку вимірювання, неповну надійність шкали, умови повторного тестування, випадкову варіативність або інші джерела нестабільності. RCI порівнює спостережувану різницю з очікуваною похибкою різниці й переводить її у стандартизовану одиницю.

RCI близький до 0: зміна мала відносно моделі похибки.
Великий додатний RCI: бал зріс сильніше, ніж очікувалося від похибки.
Великий від’ємний RCI: бал знизився сильніше, ніж очікувалося від похибки.
Знак «плюс» або «мінус» не означає автоматично покращення чи погіршення: це залежить від напряму шкали.
Поширений двобічний критерій |RCI| ≥ 1,96 відповідає приблизно 95% порогу за стандартними припущеннями, але рівень довіри, хвостовість і правило класифікації мають бути визначені заздалегідь.

Науковий статус RCI: усталена ідея, але не єдина правильна формула

Ідея оцінювати індивідуальну зміну відносно похибки вимірювання є усталеною частиною психометрії, клінічної психології, нейропсихології та outcome measurement. RCI широко застосовують для класифікації надійного покращення, надійного погіршення або відсутності статистично надійної зміни. Водночас сучасна методологічна література показує, що «RCI» не є однією-єдиною незмінною процедурою.

Найсвіжіший методологічний scoping review Crenshaw et al. (2026) проаналізував 226 клінічних випробувань 2020–2023 років: формально надійну зміну оцінювали лише 29 досліджень (13%). Автори виявили щонайменше сім способів операціоналізації RCI, з них п’ять — різні реалізації формули Jacobson–Truax. В ілюстративних розрахунках вибір операціоналізації змінював поріг надійної зміни до 79%, або приблизно на 1,02 стандартного відхилення. Це робить прозоре описання формули та її параметрів не технічною дрібницею, а частиною валідної інтерпретації.

Критичний огляд McAleavey (2024) аргументує, що класичний RCI часто застосовують механічно, він може бути нечутливим до реальних невеликих змін і за наявності кращих моделей не завжди є оптимальним вибором. У відповідь Hays і Reise (2024) погоджуються з потребою кращих моделей і більшої кількості вимірювань, але заперечують універсальність деяких критичних висновків, зокрема твердження, що test–retest reliability завжди краща за internal consistency для RCI. Отже, сучасний статус можна сформулювати так: принцип «зміна має бути співвіднесена з похибкою» добре усталений; конкретна формула, джерело похибки та правило інтерпретації залежать від вимірювальної моделі й контексту.

Класична формула Jacobson–Truax

Для двох вимірювань у найпростішій класичній моделі використовують:

SEM = SD × √(1 − r)
SEdiff = √2 × SEM
RCI = (X₂ − X₁) / SEdiff

Тут X₁ — перший бал, X₂ — повторний бал, SD — стандартне відхилення балів у релевантній референтній вибірці, r — обраний коефіцієнт надійності, SEM — standard error of measurement, тобто стандартна похибка вимірювання, а SEdiff — стандартна похибка різниці двох балів. Огляд практики повторних нейропсихологічних вимірювань Duff (2012) наводить цю формулу поряд із варіантами, які коригують ефект практики, та регресійними підходами.

В українському професійному словнику для standard error of measurement природно вживати термін «стандартна похибка вимірювання»; саме так його подає глосарій Всеукраїнської психодіагностичної асоціації. Це SEM у психометричному сенсі. Його не слід плутати зі standard error of the mean — стандартною похибкою середнього.

Чому в знаменнику саме похибка різниці

Один спостережуваний бал містить власну невизначеність. Коли порівнюють два бали, невизначеність має стосуватися їхньої різниці. Якщо похибка в обох вимірюваннях вважається однаковою і незалежною, SEdiff дорівнює √(SEM² + SEM²), тобто √2 × SEM. Якщо точність у двох моментах різна, логічніше використовувати загальну форму SEdiff = √(SEM₁² + SEM₂²), а не механічно множити один SEM на √2.

Що означає поріг 1,96

За стандартною нормальною моделлю двобічний поріг ±1,96 залишає приблизно 95% очікуваних випадкових коливань усередині інтервалу і близько 5% — поза ним. Тому |RCI| ≥ 1,96 часто інтерпретують як статистично надійну зміну на двобічному рівні близько 5%. Це конвенція, а не природна межа між «зміна є» і «зміни немає». Для інших рівнів довіри або однобічних рішень критичне значення буде іншим, і його треба визначати до перегляду результату.

Покроковий приклад розрахунку

Уявімо шкалу симптомів, де вищий бал означає більшу вираженість проблеми. У референтній вибірці SD = 10, а обрана надійність r = 0,90. Людина мала 28 балів до втручання і 18 балів після нього.

1. SEM = 10 × √(1 − 0,90) = 3,16.
2. SEdiff = √2 × 3,16 = 4,47.
3. Спостережувана різниця: 18 − 28 = −10.
4. RCI = −10 / 4,47 = −2,24.
5. Оскільки |−2,24| > 1,96, зниження перевищує класичний 95% поріг надійної зміни.

За цієї конкретної моделі мінімальна абсолютна різниця для двобічного 95% критерію становить приблизно 1,96 × 4,47 = 8,76 бала. Отже, зміна на 10 балів класифікується як надійна. Якби бал знизився лише на 6 пунктів, RCI дорівнював би приблизно −1,34: даних було б недостатньо, щоб за цим правилом визнати різницю більшою за очікувану похибку.

«RCI не досяг 1,96» не означає «людина точно не змінилася». Це означає значно скромніше: за обраною моделлю похибки, параметрами та порогом спостережувана різниця не дає достатніх підстав відокремити індивідуальну зміну від очікуваної вимірювальної варіативності.

RCI, SEM, SDC/MDC і MIC/MID: чотири різні рівні

Найчастіша плутанина виникає тому, що кілька показників говорять про «зміну», але відповідають на різні питання. У термінології COSMIN measurement error — це систематична й випадкова похибка індивідуального бала, яка не пояснюється реальною зміною конструкта, тоді як responsiveness означає здатність інструмента виявляти зміну конструкта в часі. COSMIN Manual 2.0 чітко розводить ці властивості.

SEM — невизначеність одного бала в одиницях шкали. Це не standard error of the mean.
SEdiff — невизначеність різниці між двома балами.
RCI — стандартизована різниця: скільки одиниць SEdiff міститься у спостережуваній зміні.
SDC/MDC — smallest detectable change / minimal detectable change: поріг у сирих одиницях шкали, який зміна має перевищити за заданого рівня довіри. COSMIN прямо зазначає, що SDC також називають MDC.
MIC/MID — minimally important change / minimally important difference: мінімальна зміна, яка вважається важливою за клінічним, пацієнтським або іншим змістовним критерієм. Це питання важливості, а не лише похибки.

Коли RCI і MDC/SDC математично збігаються

У простій моделі з однаковим SEM у двох моментах SDC₉₅ = 1,96 × √2 × SEM. Це той самий сирий поріг, який відповідає умові |RCI| ≥ 1,96. Тому RCI можна розглядати як стандартизоване представлення, а SDC/MDC — як той самий тип порогу у вихідних одиницях шкали. Однак у різних дисциплінах формули, джерела SEM, коефіцієнти надійності, припущення та назви відрізняються, тому еквівалентність не слід переносити між публікаціями без перевірки методів. Класичний аналіз smallest real difference також підкреслює, що такий поріг стосується похибки, а не автоматично responsiveness чи важливості зміни (de Vet et al., 2003).

RCI ≠ MIC/MID

Надійність зміни й важливість зміни — дві координати. Зміна може бути більшою за похибку, але занадто малою, щоб бути важливою для людини або клінічного рішення. І навпаки, зміна може перевищити попередньо визначений поріг важливості, але за неточним інструментом усе ще не бути статистично відокремленою від похибки. Тому RCI не замінює MIC/MID і не повинен називатися «мінімально клінічно важливою зміною».

RCI ≠ клінічно значуща зміна

Оригінальна стаття Jacobson і Truax саме тому запропонувала двокомпонентний підхід. Один компонент — reliable change: чи перевищує індивідуальна різниця очікувану похибку. Інший — критерій клінічної значущості, пов’язаний із тим, чи змістився кінцевий результат із дисфункціонального діапазону в напрямі функціонального. RCI є лише першою частиною цієї логіки.

Сучасна практика ще ширша: важливість результату може визначатися не лише нормативним cutoff, а й функціонуванням, цілями людини, якірними оцінками, якістю життя або валідованим MIC/MID. Тому фраза «клінічно значуще покращення» потребує окремого змістовного критерію. Надійна статистична різниця не створює клінічного сенсу автоматично.

Яку надійність підставляти у формулу

Саме тут прихована значна частина методологічної неоднозначності. У формулі SEM = SD × √(1 − r) число r не є взаємозамінним «коефіцієнтом якості тесту». Internal consistency, test–retest reliability, inter-rater reliability і parallel-forms reliability відображають різні джерела варіативності. Обирати r потрібно відповідно до того, яку похибку має моделювати конкретне рішення про зміну.

Використання Cronbach’s alpha в класичних RCI-розрахунках має історичну практику, але alpha не є універсальним показником якості тесту і не тотожний часовій стабільності. Test–retest reliability, своєю чергою, включає часову варіативність і може бути занижена, якщо конструкт реально змінюється між вимірюваннями. У дискусії навколо RCI Hays і Reise прямо заперечують правило «test–retest завжди кращий за internal consistency». Отже, правильне питання не «який коефіцієнт найкращий взагалі?», а «яка модель похибки відповідає цьому інструменту, інтервалу, популяції та рішенню?»

Якщо використовується alpha, omega або інший model-based reliability estimate, потрібно вказати, звідки він узятий, для якої версії шкали, якої популяції та якого способу скорингу. Не варто підставляти коефіцієнт із випадкової публікації іншою мовою або з іншої популяції лише тому, що це число доступне. Сам RCI успадковує невизначеність усіх своїх параметрів.

Чому SD і референтна вибірка теж мають значення

У класичній формулі SEM залежить не лише від r, а й від SD. Це означає, що два дослідження з тією самою шкалою та тією самою номінальною надійністю можуть отримати різні пороги RCI через різну варіативність вибірки. Саме тому «для цього тесту RCI дорівнює 7 балам» не є універсальною властивістю інструмента, якщо не вказано, з яких даних і за якою формулою поріг отримано.

Симуляційне дослідження Crenshaw і Monson (2026) показало, що вибіркова помилка в оцінках SD і reliability може помітно змінювати RCI-пороги; в їхніх умовах надмірна помилка починала ставати типовою для малих вибірок, а навіть невеликі неточності в reliability іноді суттєво впливали на поріг. Це не створює універсального правила «N має бути таким-то» для кожного застосування, але показує важливе: поріг надійної зміни сам є оцінкою, а не безпомилковою константою.

Ефект практики: повторне тестування може змінювати бал без зміни конструкта

У когнітивних і нейропсихологічних тестах повторне проходження саме по собі може покращувати результат: людина пам’ятає формат, краще розуміє інструкцію, виробляє стратегію або частково запам’ятовує матеріал. Систематичний огляд Holm et al. (2022) показує, що practice effects є поширеною проблемою повторних performance measures і можуть відрізнятися між здоровими референтними групами та клінічними популяціями.

Один із варіантів RCI коригує середній ефект практики: RCI_PE = [(X₂ − X₁) − (M₂ − M₁)] / SEdiff, де M₂ − M₁ — середня зміна в релевантній стабільній контрольній або нормативній групі. Але така поправка працює лише настільки добре, наскільки референтна група, інтервал повторення, форма тесту й умови вимірювання відповідають конкретному випадку. Середня поправка також не гарантує точного опису практичного ефекту для кожної людини.

Регресія до середнього і вихідний бал

Людина з дуже високим або дуже низьким стартовим балом часто має статистичну тенденцію отримати менш екстремальний повторний результат навіть без систематичної зміни конструкта. Класичний RCI не є повною моделлю regression to the mean і не враховує автоматично залежність очікуваного повторного бала від стартового рівня.

Стандартизовані регресійні підходи (standardized regression-based, SRB) будують очікуваний X₂ на основі X₁ та, за потреби, інших предикторів, а потім стандартизують різницю між фактичним і прогнозованим повторним балом. Порівняльне дослідження Temkin et al. (1999) показало, що вихідний результат є сильним предиктором повторного тесту, а регресійні моделі можуть краще враховувати очікувану динаміку. У зовнішній валідації різних change formulae Duff et al. регресійні підходи також давали інші — і в тому контексті сильніші — зв’язки з біомаркерами, ніж прості deviation-based індекси. Це не доводить універсальної переваги SRB, але показує, що модель зміни слід валідувати під конкретну задачу.

Два вимірювання — не завжди достатня модель траєкторії

Класичний RCI створено для порівняння двох часових точок. Якщо доступні три, п’ять, десять або десятки вимірювань, зводити всю інформацію до «до — після» часто означає втрачати траєкторію, автокореляцію, нелінійність і зміну похибки в часі. У таких даних можуть бути доречні багаторівневі моделі, latent change models, time-series підходи або інші моделі повторних вимірювань.

Наприклад, Morgan-Lopez et al. (2022) запропонували multilevel-адаптацію RCI, яка може використовувати більше двох часових точок, латентні/IRT-бали та person- і time-specific standard errors. У їхній ілюстрації простий RCI на total scores суттєво відрізнявся від складнішої вимірювальної моделі. Висновок практичний: коли дані багатші за дві точки, індекс із двох чисел не повинен автоматично ставати головним методом.

IRT і умовна похибка: коли SEM не однакова для всіх балів

Класична теорія тестування часто використовує один SEM для всієї шкали або великої частини діапазону. Проте точність багатьох інструментів змінюється залежно від рівня латентної ознаки. У Item Response Theory можна отримати person- і score-specific standard errors. Тоді природна форма індивідуальної перевірки зміни — (θ₂ − θ₁) / √(SE₁² + SE₂²), де θ — латентна оцінка, а SE — її похибка у конкретний момент.

Порівняння IRT-based change з класичним RCI на BDI-II показало, що групові висновки могли бути схожими, але класифікація окремих людей відрізнялася, особливо в певних ділянках шкали (Brouwer, Meijer & Zevalkink, 2013). Це важливе нагадування: однакова сума балів не завжди має однакову точність по всьому діапазону.

Припущення, без яких RCI легко переінтерпретувати

Конструкт має залишатися концептуально тим самим у двох моментах. Якщо змінюється саме значення шкали або спосіб відповіді, арифметична різниця може не бути порівнянною.
Версія інструмента, інструкція, спосіб адміністрування та скоринг мають бути сумісними. Зміна форми тесту може змінити похибку.
SD і reliability мають походити з релевантних даних і відповідати intended population та intended use.
Потрібно врахувати практичні ефекти, якщо повторне проходження само по собі змінює результати.
Floor і ceiling effects можуть зробити однакову різницю неоднаково інформативною в різних частинах шкали.
Класичний поріг ±1,96 спирається на розподільні припущення; за виражено ненормальних або дискретних даних можуть знадобитися емпіричні, bootstrap або model-based інтервали.
Знак зміни потрібно інтерпретувати через напрям шкали, а не через знак RCI як такий.
Якщо одночасно перевіряють багато шкал і субшкал, виникає multiplicity: випадкове перевищення порогу хоча б на одній шкалі стає ймовірнішим.

Множинні тести: один «значущий» RCI у великій батареї може бути випадковим

Як проста ілюстрація, якщо 20 незалежних показників перевіряти кожен на двобічному рівні 5%, імовірність отримати принаймні одне випадкове перевищення порогу становила б 1 − 0,95²⁰ ≈ 64%. Реальні психологічні шкали часто корельовані, тому це не готова формула для батареї, але логіка залишається: інтерпретація одиничного «надійного» погіршення серед десятків показників потребує контексту, попередньо визначених primary outcomes або багатовимірної/множинної корекції.

RCI і валідність української версії інструмента

Для українського застосування критично важливо відокремити переклад від валідованої культурної адаптації. Наявність українського тексту шкали не доводить, що її SD, reliability, factor structure, measurement error, longitudinal properties або інтерпретаційні пороги відповідають оригінальній версії. RCI, розрахований із параметрами іншої мови або іншої популяції, може створити псевдоточність.

Найкраща практика — використовувати психометричні параметри саме тієї версії інструмента, якою вимірюють конкретну людину, у популяції та контексті, максимально близьких до intended use. Якщо таких даних немає, невизначеність треба вказати прямо. Для поздовжнього порівняння додатково важливо, щоб інструмент вимірював той самий конструкт у часі; longitudinal measurement invariance є одним із способів перевірити це, але сама по собі не усуває всі джерела bias.

RCI у клінічній практиці: що можна і чого не можна робити

У клініці RCI може бути частиною measurement-based care: допомагати побачити надійне покращення, відсутність переконливої зміни або надійне погіршення на конкретному outcome measure. Він корисний як один із сигналів у ширшій психологічній оцінці, де враховують інтерв’ю, функціонування, контекст, цілі, побічні явища, інші джерела інформації та клінічне судження.

RCI не ставить діагноз і не підтверджує його відсутність.
RCI не перетворює screening score на діагностичний висновок.
RCI не доводить, що лікування спричинило зміну: причинність потребує дизайну, який відокремлює ефект втручання від часу, регресії до середнього, супутніх подій та інших факторів.
RCI не замінює оцінку клінічної або особистої важливості результату.
Надійне погіршення є сигналом для перевірки ситуації, а не автоматичною командою змінити діагноз або лікування.
Якщо зміна стосується гострого ризику, безпеки або важкого стану, рішення має спиратися на безпосередню професійну оцінку ризику, а не на очікування статистичного порогу RCI.

RCI у дослідженнях: індивідуальний результат не замінює груповий аналіз

Групове середнє може статистично змінитися навіть тоді, коли лише частина учасників має помітну індивідуальну динаміку. І навпаки, у частини людей може бути надійне покращення та погіршення, які взаємно компенсуються в середньому. Тому RCI і групові effect sizes, confidence intervals та model-based treatment effects відповідають на різні питання.

Для клінічного випробування корисно одночасно звітувати про груповий ефект і розподіл індивідуальних категорій — наприклад, reliable improvement, no reliable change, reliable deterioration — якщо це заздалегідь обґрунтовано. Але категоризація не повинна приховувати самі безперервні бали, їхню невизначеність і чутливість висновку до обраної RCI-операціоналізації.

RCI, p-value, effect size і responsiveness — не взаємозамінні

p-value у груповому тесті оцінює сумісність даних із конкретною нульовою моделлю на рівні вибірки; RCI стосується зміни конкретної людини відносно моделі похибки.
Effect size описує величину ефекту або різниці в певній метриці; він не визначає автоматично, чи індивідуальна зміна перевищила measurement error.
Responsiveness — здатність інструмента виявляти зміну конструкта з часом; COSMIN відокремлює її від reliability і measurement error.
Diagnostic sensitivity/specificity характеризують класифікацію щодо референтного стану/діагнозу; це інша задача, ніж reliable change.
ROC/AUC може допомагати оцінювати дискримінацію за певним criterion, але не є автоматично мірою клінічної корисності й не замінює RCI.

Коли класичний RCI особливо корисний

Є два чітко визначені часові вимірювання однією й тією самою шкалою.
Потрібно оцінити індивідуальну зміну, а не лише середню зміну групи.
Є обґрунтовані SD і reliability/measurement-error parameters для релевантної версії та популяції.
Практичні ефекти малі або можуть бути обґрунтовано скориговані.
Мета — прозорий, зрозумілий поріг, який можна пояснити клініцисту, досліднику й читачеві.
RCI використовується як одна частина багатокомпонентної інтерпретації, а не як самодостатній висновок.

Коли варто розглядати інший або додатковий метод

Є багато часових точок і важлива форма траєкторії.
Похибка сильно залежить від рівня латентної ознаки або конкретного бала.
Є виражені practice effects, regression to the mean або baseline-dependent expected change.
Доступна валідована SRB, IRT, latent change або multilevel модель для цієї шкали й популяції.
Класифікація має високі наслідки, а ціна false positive і false negative різна.
Потрібно одночасно моделювати кілька джерел похибки або кілька вимірюваних доменів.
RCI-поріг отримано з малої або нерелевантної вибірки і його стабільність сумнівна.

Як правильно звітувати RCI

Фраза «ми розрахували RCI» недостатня. З огляду на різноманітність практик, яку показав Crenshaw et al. (2026), відтворюване звітування має дозволяти іншому досліднику отримати той самий поріг і ту саму класифікацію.

Повна формула RCI та її варіант.
Який SD використано: baseline, pooled, normative або інший.
Який коефіцієнт reliability використано і чому: alpha, omega, test–retest, ICC чи інший.
Звідки взяті SD і reliability, розмір та характеристики референтної вибірки.
Яка версія інструмента, мова, спосіб адміністрування та скоринг.
Інтервал між вимірюваннями.
Чи коригували practice effects, regression to the mean або інші систематичні зміни.
Критичне значення, рівень довіри та однобічне/двобічне правило.
Напрям шкали: що означає додатна й від’ємна різниця.
Як обробляли missing data, floor/ceiling effects та множинні outcomes.
Окремо — критерій MIC/MID або clinical significance, якщо його використовували.
Sensitivity analysis: чи змінюється висновок за іншої обґрунтованої RCI-операціоналізації.

Практичний алгоритм для фахівця

1. Визначте конструкта, шкалу, напрям бала та intended use.
2. Перевірте, що обидва вимірювання справді порівнювані: версія, мова, умови, інтервал.
3. Знайдіть релевантні дані про reliability і measurement error; не переносіть параметри між версіями автоматично.
4. Виберіть RCI-модель до перегляду індивідуального результату й зафіксуйте її.
5. Розрахуйте SEM і SEdiff або використайте валідовані score-specific errors.
6. За потреби внесіть обґрунтовану поправку на practice effects або використайте SRB/model-based approach.
7. Розрахуйте RCI й застосуйте попередньо визначене критичне значення.
8. Інтерпретуйте знак через напрям шкали.
9. Окремо оцініть meaningful/important change, functional status і клінічний контекст.
10. Для важливих рішень перевірте чутливість висновку до альтернативного обґрунтованого способу оцінки зміни.

Типові помилки інтерпретації

«RCI = 2,1, отже лікування спрацювало». RCI не встановлює причинність.
«RCI < 1,96, отже зміни немає». Коректніше: зміна не перевищила обраний поріг відносно цієї моделі похибки.
«MDC = MIC». MDC/SDC стосується detectability відносно похибки; MIC/MID — важливості.
«Надійна зміна = клінічно значуща зміна». У Jacobson–Truax це різні компоненти.
«Alpha = 0,90, отже тест ідеальний для RCI». Alpha не є універсальною надійністю і не гарантує правильну модель часової похибки.
«У статті для англомовної версії поріг 8 балів, значить в українській версії теж 8». Переклад не переносить психометричні параметри автоматично.
«RCI виправляє ефект практики». Лише спеціальний варіант із валідною поправкою робить це явно.
«RCI автоматично коригує regression to the mean». Класична формула не є повною регресійною моделлю.
«Один cutoff RCI підходить усім популяціям і контекстам». Поріг залежить від параметрів і моделі.
«Якщо показник надійно погіршився, діагноз змінився». Моніторинг outcome і діагностика — різні задачі.

FAQ

Що таке RCI простими словами?

RCI — це відношення спостережуваної індивідуальної зміни до того, наскільки велике випадкове коливання різниці очікується через похибку вимірювання. Він допомагає не називати кожну різницю між двома балами «реальною зміною».

Чи означає |RCI| ≥ 1,96, що зміна важлива?

Ні. Це поширений статистичний критерій надійності зміни за певною моделлю. Важливість оцінюють окремо — наприклад, через MIC/MID, функціональні критерії, цілі людини або інші валідовані anchors.

Чи можна обчислювати RCI через Cronbach’s alpha?

У класичних реалізаціях так роблять, але alpha відображає internal consistency, а не всі джерела похибки повторного вимірювання. Потрібно обґрунтувати, чому саме цей reliability estimate відповідає моделі. Сучасна дискусія не підтримує простого правила, що один тип reliability завжди кращий за інший.

Чим RCI відрізняється від тест-ретестової надійності?

Test–retest reliability — властивість повторних вимірювань у групі за певних умов. RCI — індекс зміни конкретної людини, який може використовувати reliability як один із параметрів знаменника. Це різні рівні аналізу.

Чи є RCI те саме, що MDC або SDC?

У простій рівнопохибковій CTT-моделі 95% MDC/SDC у сирих балах відповідає порогу |RCI| = 1,96. Але різні літератури використовують різні формули та назви, тому треба перевіряти конкретну методологію, а не лише термін.

Що робити, якщо RCI показує надійне погіршення?

Перевірити напрям шкали, якість і порівнянність двох вимірювань, можливі practice/administration effects, контекст і інші дані. У клінічній роботі reliable deterioration є підставою уважніше оцінити стан людини, але не автоматичним діагнозом і не самостійним рішенням про лікування.

Чи можна використовувати RCI для одного клієнта?

Так, індекс саме створено для individual-level change. Але його знаменник спирається на параметри, оцінені з референтних даних або вимірювальної моделі. «Один клієнт» не означає «без групової психометричної основи».

Чи можна взяти reliability з manual тесту?

Можна лише якщо manual описує релевантну версію, популяцію, умови й тип reliability для вашої задачі. Якщо дані походять з іншої мови, віку, клінічної групи або способу адміністрування, переносимість треба обґрунтувати.

Що робити, якщо є три й більше вимірювань?

RCI між парами точок можна обчислити, але часто краще використати модель, що враховує всю траєкторію. Багаторівневі, latent change, IRT або time-series підходи можуть використовувати більше інформації та краще моделювати неоднакову похибку.

RCI може бути негативним?

Так. Негативний знак означає, що другий бал нижчий за перший. Чи є це покращенням, залежить від шкали. Для симптомної шкали «менше = краще» негативний RCI може означати покращення; для шкали функціонування «більше = краще» той самий знак означатиме погіршення.

Чи показує RCI, що людина одужала?

Ні. Reliable change — це лише доказ того, що зміна більша за очікувану похибку за обраною моделлю. Одужання, remission, recovery або перехід до функціонального діапазону потребують окремих критеріїв.

Чи треба публікувати конкретні тестові завдання, щоб пояснити RCI?

Ні. Для розрахунку та методологічного опису достатньо балів і психометричних параметрів. Protected test items, answer keys, secure scoring materials і proprietary content не потрібні для пояснення RCI й не повинні публікуватися без правових підстав.

Що варто запам’ятати

RCI — це інструмент для одного чіткого завдання: оцінити, чи індивідуальна різниця між повторними балами перевищує очікувану похибку вимірювання. Його сила — у простій і прозорій логіці. Його слабкість виникає тоді, коли цю логіку перетворюють на універсальний verdict про клінічну важливість, причинність або істинність зміни.

Надійна зміна не дорівнює важливій зміні. SEM не дорівнює standard error of the mean. MDC/SDC не дорівнює MIC/MID. Internal consistency не дорівнює test–retest reliability. RCI не є діагнозом. А сам поріг RCI залежить від формули, reliability, SD, референтної вибірки, повторного інтервалу, практичних ефектів і вимірювальної моделі. Саме тому сучасне використання RCI має бути не механічним, а документованим.

Психологічна енкциклопедія