Metodolog.pl · praktyczna baza wiedzy

CB-SEM krok po kroku: założenia, dopasowanie i interpretacja

Praktyczny przewodnik po covariance-based SEM: identyfikacja, estymator, brakujące dane, ocena dopasowania, reszty, parametry i raport APA 7.

Strona główna / Blog / CB-SEM krok po kroku: założenia, dopasowanie i interpretacja

Autor: · Opublikowano: · Aktualizacja:

CB-SEM testuje implikacje modelu dla macierzy kowariancji. Dobry raport nie sprowadza się do czterech progów dopasowania. Musi pokazać teorię pomiaru, identyfikację, estymator, reszty, wartości i niepewność parametrów oraz uczciwie oznaczyć modyfikacje po analizie.

Kiedy CB-SEM odpowiada pytaniu?

CB-SEM jest szczególnie naturalne, gdy teoria mówi o wspólnych czynnikach wywołujących obserwowane odpowiedzi, badacz chce ocenić globalne ograniczenia modelu i porównać zagnieżdżone specyfikacje. Metoda może również obejmować zmienne obserwowalne, efekty pośrednie, modele wielogrupowe, wzrost latentny i dane porządkowe — pod warunkiem dobrania właściwego estymatora i identyfikacji.

Nie oznacza to, że CB-SEM jest zawsze „potwierdzające”. Model wymyślony po obejrzeniu indeksów modyfikacji pozostaje eksploracyjny, nawet jeśli użyto CFA. Z kolei sensowna teoria nie gwarantuje dopasowania; niewłaściwe pozycje, efekt metody albo pominięta struktura mogą obalić prostą specyfikację.

Założenia i decyzje przed estymacją

  1. Identyfikacja: model musi dostarczać wystarczająco dużo niezależnych informacji; trzeba ustalić skalę każdego czynnika.
  2. Skala danych: dla w przybliżeniu ciągłych odpowiedzi można użyć ML/MLR, a dla porządkowych z małą liczbą kategorii często rozważa się WLSMV.
  3. Braki danych: FIML albo imputacja wielokrotna wymagają jawnych założeń; listwise deletion nie jest neutralnym domyślnym wyborem.
  4. Niezależność: klastry i pomiary powtarzane wymagają korekty lub modelu wielopoziomowego.
  5. Próba: liczebność zależy od modelu, ładunków, braków, rozkładu i pożądanej precyzji. Stała liczba „200” nie jest uniwersalną regułą.
  6. Specyfikacja: pominięte ładunki krzyżowe i korelacje reszt mogą być tak samo istotne jak ścieżki strukturalne.

Jak oceniać model bez polowania na progi?

Zestawienie informacji omawianych w tej sekcji
WarstwaPytanieDowody
RozwiązanieCzy estymacja zbiega do dopuszczalnego wyniku?Brak ujemnych wariancji, ekstremalnych SE i korelacji > 1.
Globalne dopasowanieJak dobrze model odtwarza dane jako całość?χ² i df, CFI/TLI, RMSEA z CI, SRMR — interpretowane łącznie.
Lokalne dopasowanieGdzie pozostają rozbieżności?Reszty standaryzowane, macierz korelacji reszt, wykresy.
PomiarCzy wskaźniki reprezentują konstrukty?Ładunki z CI, rzetelność modelowa, trafność i alternatywne modele.
StrukturaCzy ścieżki mają oczekiwany znak i sens?Oszacowania niestandaryzowane i standaryzowane, SE/CI, efekty pośrednie.
StabilnośćCzy wynik przetrwa nową próbę?Walidacja, analiza wrażliwości, jawne modyfikacje eksploracyjne.

Wskaźniki dopasowania nie są testami zaliczeniowymi

Popularne wartości .95 dla CFI/TLI, .06 dla RMSEA i .08 dla SRMR pochodzą z określonych warunków symulacyjnych. Nie są prawami natury. RMSEA bywa kłopotliwy przy małych stopniach swobody, a χ² jest wrażliwy na liczebność. Należy czytać przedziały, reszty, wielkości parametrów i zgodność z celem badania. Porównanie modeli powinno być wcześniej uzasadnione, a nie dobierane do najładniejszego zestawu liczb.

Przykład pełnej interpretacji APA 7

Trójczynnikowy model CB-SEM oszacowano metodą MLR na podstawie N = 328; braki uwzględniono przez FIML. Model uzyskał χ²(87) = 121.46, p = .009, CFI = .971, TLI = .963, RMSEA = .035, 90% CI [.018, .049], oraz SRMR = .041. Standaryzowane ładunki wyniosły .62–.88. Ścieżka od wsparcia do dobrostanu była dodatnia, β = .43, SE = .08, 95% CI [.27, .58], p < .001. Największa standaryzowana reszta korelacji wyniosła .09. Wynik był zgodny z przewidzianym modelem, ale dwie dopuszczone korelacje reszt, uzasadnione podobnym sformułowaniem pozycji, należy potwierdzić w niezależnej próbie.

Identyfikacja modelu krok po kroku

Każdy czynnik potrzebuje ustalonej skali. Najczęściej ustala się pierwszy ładunek na 1 albo wariancję czynnika na 1. Pierwsza metoda zachowuje skalę wskaźnika referencyjnego, druga ułatwia interpretację standaryzowaną. Wybór wpływa na parametry niestandaryzowane, dlatego należy go podać i nie zmieniać między porównywanymi grupami bez uzasadnienia.

Dodatnia liczba stopni swobody nie gwarantuje identyfikacji lokalnej. Wskaźniki o prawie zerowej wariancji, bardzo wysokie korelacje, czynniki z dwoma słabymi pozycjami i złożone sprzężenia mogą powodować problemy. Sygnałami są brak zbieżności, ogromne błędy standardowe, ujemne wariancje błędów, korelacje czynników przekraczające 1 lub macierz informacji, której nie można odwrócić. Takiego wyniku nie raportuje się jak zwykłego modelu z „nieco gorszym dopasowaniem”.

Dane porządkowe, nienormalność i brakujące odpowiedzi

Odpowiedzi Likerta z kilkoma kategoriami są porządkowe. WLSMV wykorzystuje progi i korelacje polichoryczne, a MLR traktuje wyniki jako przybliżenie ciągłe z odporną korektą. Wybór zależy od liczby kategorii, rozkładów, wielkości próby i celu. Warto przeprowadzić uzasadnioną analizę wrażliwości, szczególnie gdy skrajne kategorie są rzadkie.

FIML i imputacja wielokrotna nie sprawiają, że brakujące dane przestają być problemem. Trzeba opisać odsetki oraz wzorce braków, zmienne powiązane z brakiem i założenie MAR. Jeżeli brak zależy od nieobserwowanego wyniku nawet po uwzględnieniu dostępnych informacji, potrzebna jest analiza wrażliwości na MNAR. Zwykłe usunięcie niekompletnych osób może zmienić populację analityczną i obciążyć parametry.

Inwariancja pomiaru i porównanie grup

Porównanie średnich latentnych lub ścieżek między grupami zaczyna się od modelu konfiguralnego: ten sam układ czynników i wskaźników. Następnie sprawdza się ograniczenia ładunków (inwariancja metryczna), progów lub wyrazów wolnych (skalarna) oraz — zależnie od celu — wariancji, kowariancji i reszt. Brak pełnej inwariancji nie zawsze kończy analizę, ale częściowe zwolnienia muszą mieć sens i być raportowane.

Nie należy wybierać inwariancji wyłącznie na podstawie pojedynczej zmiany CFI. Porównuj statystyki, parametry i lokalne źródła rozbieżności, uwzględniając moc testu. Jeżeli grupa jest mała, szerokie przedziały mogą oznaczać nierozstrzygający wynik, a nie równość pomiaru. Dopiero po ustaleniu odpowiedniego poziomu inwariancji interpretuj różnice strukturalne.

Jak udokumentować modyfikacje?

Dla każdej modyfikacji zapisz indeks, oczekiwaną zmianę parametru, dowód treściowy i moment podjęcia decyzji. Korelacja reszt może być uzasadniona identycznym trzonem zdania, wspólnym bodźcem lub efektem metody, ale nie powinna maskować drugiego czynnika albo niejednoznacznej pozycji. Model zmodyfikowany na jednej próbie wymaga walidacji na innej. W raporcie warto pokazać również wynik modelu pierwotnego, aby czytelnik widział skalę zmiany.

Najczęstsze błędy CB-SEM

  • raportowanie tylko CFI, RMSEA i SRMR bez parametrów oraz reszt;
  • wybór estymatora bez odniesienia do skali danych;
  • ukrywanie niedopuszczalnego rozwiązania;
  • automatyczne korelowanie błędów po indeksach modyfikacji;
  • porównywanie standaryzowanych współczynników z modeli opartych na innych próbach lub skalowaniach;
  • wniosek przyczynowy bez projektu i założeń identyfikacyjnych.

Pojęcia potrzebne do tego zagadnienia

Definicje poniżej rozwijają najważniejsze terminy, pokazują wzory, przykłady i gotowe raportowanie w APA 7.

CFA (konfirmacyjna analiza czynnikowa)CFI (Comparative Fit Index)Identyfikacja modelu SEMPrzypadek HeywoodaMLR (odporna metoda największej wiarygodności)WLSMVInwariancja pomiaru w CB-SEMMacierz reszt standaryzowanych w SEM

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Hu i Bentler, 1999).

Planujesz artykuł lub projekt naukowy?

Możemy przygotować plan analityczny, reprodukowalny kod, modele, raport publication-ready i odpowiedź na uwagi recenzentów.

Analizy statystyczne dla badaczyOmów projekt

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
  2. Bentler, P. M. (1990). Comparative fit indexes in structural models. Psychological Bulletin, 107(2), 238–246. https://doi.org/10.1037/0033-2909.107.2.238
  3. Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
  4. Lang, T. A., & Altman, D. G. (2015). Basic statistical reporting for articles published in biomedical journals: The SAMPL guidelines. International Journal of Nursing Studies, 52(1), 5–9. https://doi.org/10.1016/j.ijnurstu.2014.09.006
  5. Iacobucci, D. (2010). Structural equations modeling: Fit indices, sample size, and advanced topics. Journal of Consumer Psychology, 20(1), 90–98. https://doi.org/10.1016/j.jcps.2009.09.003
  6. Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36. https://doi.org/10.18637/jss.v048.i02
  7. Jarvis, C. B., MacKenzie, S. B., & Podsakoff, P. M. (2003). A critical review of construct indicators and measurement model misspecification in marketing and consumer research. Journal of Consumer Research, 30(2), 199–218. https://doi.org/10.1086/376806
  8. Rönkkö, M., & Cho, E. (2022). An updated guideline for assessing discriminant validity. Organizational Research Methods, 25(1), 6–14. https://doi.org/10.1177/1094428120968614
  9. Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594

Cytowania BibTeX

@article{hu1999sem, author={Hu, Li-tze and Bentler, Peter M.}, title={Cutoff criteria for fit indexes in covariance structure analysis}, journal={Structural Equation Modeling}, year={1999}, volume={6}, number={1}, pages={1--55}, doi={10.1080/10705519909540118}}
@article{bentler1990cfi, author={Bentler, Peter M.}, title={Comparative fit indexes in structural models}, journal={Psychological Bulletin}, year={1990}, volume={107}, number={2}, pages={238--246}, doi={10.1037/0033-2909.107.2.238}}
@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}
@article{lang2015sampl, author={Lang, Thomas A. and Altman, Douglas G.}, title={Basic statistical reporting for articles published in biomedical journals: the SAMPL guidelines}, journal={International Journal of Nursing Studies}, year={2015}, volume={52}, number={1}, pages={5--9}, doi={10.1016/j.ijnurstu.2014.09.006}}
@article{iacobucci2010sem, author={Iacobucci, Dawn}, title={Structural Equations Modeling: Fit Indices, Sample Size, and Advanced Topics}, journal={Journal of Consumer Psychology}, year={2010}, volume={20}, number={1}, pages={90--98}, doi={10.1016/j.jcps.2009.09.003}}
@article{rosseel2012lavaan, author={Rosseel, Yves}, title={lavaan: An R Package for Structural Equation Modeling}, journal={Journal of Statistical Software}, year={2012}, volume={48}, number={2}, pages={1--36}, doi={10.18637/jss.v048.i02}}
@article{jarvis2003measurement, author={Jarvis, Cheryl Burke and MacKenzie, Scott B. and Podsakoff, Philip M.}, title={A Critical Review of Construct Indicators and Measurement Model Misspecification in Marketing and Consumer Research}, journal={Journal of Consumer Research}, year={2003}, volume={30}, number={2}, pages={199--218}, doi={10.1086/376806}}
@article{ronkko2022discriminant, author={Rönkkö, Mikko and Cho, Eunseong}, title={An Updated Guideline for Assessing Discriminant Validity}, journal={Organizational Research Methods}, year={2022}, volume={25}, number={1}, pages={6--14}, doi={10.1177/1094428120968614}}
@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}
R