Modelowanie równań strukturalnych (SEM): od teorii do raportu

Autor: Konrad Hryniewicz · Opublikowano: 31 grudnia 2015 · Aktualizacja: 22 sierpnia 2026

Modelowanie równań strukturalnych (SEM) łączy model pomiarowy, opisujący relacje między konstruktami a wskaźnikami, z modelem strukturalnym, który przedstawia zależności między konstruktami. Pozwala testować rozbudowane hipotezy, uwzględniać błąd pomiaru i oceniać efekty bezpośrednie oraz pośrednie.

Kiedy SEM ma sens?

SEM jest użyteczne, gdy teoria wskazuje strukturę zmiennych latentnych, badacz chce porównać konkurencyjne modele albo analizuje mediację, zmianę w czasie lub równoważność pomiaru między grupami. Nie jest jednak „lepszą regresją” stosowaną automatycznie do każdego zbioru danych. Złożoność modelu musi wynikać z teorii i jakości pomiaru.

CB-SEM czy PLS-SEM?

W podejściu opartym na kowariancji (CB-SEM) nacisk kładzie się zwykle na odtworzenie macierzy kowariancji i ocenę zgodności modelu teoretycznego z danymi. PLS-SEM jest podejściem kompozytowym, często wybieranym z myślą o predykcji lub konstrukcjach formacyjnych. Wybór nie powinien opierać się wyłącznie na liczebności próby ani na tym, które narzędzie daje „lepsze” współczynniki. Trzeba uwzględnić cel badania, definicję konstruktów i charakter estymowanego modelu.

Rzetelny proces analizy

1. Specyfikacja teorii: kierunek zależności i zakres konstruktu ustala się przed analizą.
2. Ocena danych: braki, obserwacje wpływowe, rozkłady i sposób powstania danych.
3. Model pomiarowy: ładunki, rzetelność, trafność zbieżna i różnicowa oraz ewentualna inwariancja.
4. Model strukturalny: współczynniki ścieżek, efekty pośrednie, niepewność i wyjaśniona wariancja.
5. Ocena dopasowania i reszt: kilka komplementarnych wskaźników oraz diagnostyka lokalna.
6. Walidacja: analiza wrażliwości, porównanie modeli i — jeśli to możliwe — replikacja.

Wskaźniki dopasowania bez „magicznych progów”

Chi-kwadrat, CFI/TLI, RMSEA i SRMR opisują różne aspekty dopasowania. Popularne wartości graniczne są wskazówkami pochodzącymi z określonych warunków symulacyjnych, a nie uniwersalnymi prawami. Decyzja powinna uwzględniać wielkość próby, złożoność modelu, jakość wskaźników, reszty i sens teoretyczny. Modyfikowanie modelu wyłącznie według indeksów modyfikacji łatwo prowadzi do przeuczenia.

Co powinien zawierać raport?

Należy opisać estymator, sposób obsługi braków danych, identyfikację modelu, standaryzację, kryteria oceny, współczynniki z przedziałami ufności oraz wszystkie modyfikacje wprowadzone po obejrzeniu danych. Dobrą praktyką jest diagram modelu, tabela ładunków i ścieżek oraz oddzielenie analiz potwierdzających od eksploracyjnych.

Planujesz CFA, CB-SEM lub PLS-SEM? Pomagamy przełożyć teorię na identyfikowalny model, wykonać analizę w R i przygotować raport odpowiadający standardom publikacyjnym.

Karta specyfikacji SEM

Wzór raportowania dopasowania

Kiedy nie modyfikować modelu?

Jeżeli indeks modyfikacji sugeruje korelację błędów bez uzasadnienia treściowego, zmiana może tylko dopasować model do szumu. Zapisz ją jako eksploracyjną i sprawdź na niezależnej próbie.

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

library(lavaan)
dane <- read.csv("dane.csv")

model <- '
  F1 =~ item1 + item2 + item3
  F2 =~ item4 + item5 + item6
  F2 ~ F1
'
fit <- sem(model, data = dane, estimator = "MLR", missing = "fiml")
summary(fit, fit.measures = TRUE, standardized = TRUE, ci = TRUE)
fitMeasures(fit, c("fmin", "chisq", "df", "cfi", "tli", "nfi", "pnfi",
                   "gfi_lisrel", "pgfi", "rmsea", "rmsea.ci.lower",
                   "rmsea.ci.upper", "srmr"))
modindices(fit, sort. = TRUE, maximum.number = 10)

# CR dla jednego czynnika na podstawie standaryzowanych ładunków.
std <- standardizedSolution(fit)
lambda <- subset(std, op == "=~" & lhs == "F1")$est.std
CR <- sum(lambda)^2 / (sum(lambda)^2 + sum(1 - lambda^2))
CR

import pandas as pd
from semopy import Model, calc_stats

df = pd.read_csv("dane.csv")
opis = """
F1 =~ item1 + item2 + item3
F2 =~ item4 + item5 + item6
F2 ~ F1
"""
model = Model(opis)
model.fit(df)
print(model.inspect(std_est=True))
print(calc_stats(model).T)

# semopy jest pakietem dodatkowym; przed raportem sprawdź wersję,
# estymator, obsługę braków i definicje prezentowanych indeksów.

* IBM SPSS Statistics nie estymuje klasycznych modeli CFA/SEM natywną komendą syntax.
* Użyj IBM SPSS Amos (model graficzny/tekstowy Amos), R/lavaan albo Python/semopy.
* Nie zastępuj CFA komendą FACTOR: EFA i CFA odpowiadają na inne pytania.

@manual{r-core-2026,
  author = {{R Core Team}},
  title = {R: A Language and Environment for Statistical Computing},
  organization = {R Foundation for Statistical Computing},
  address = {Vienna, Austria},
  year = {2026},
  url = {https://www.R-project.org/}
}

@book{vanrossum2009python,
  author = {Van Rossum, Guido and Drake, Fred L., Jr.},
  title = {Python 3 Reference Manual},
  publisher = {CreateSpace},
  year = {2009},
  isbn = {978-1-4414-1269-0}
}

@software{ibm2025spss,
  author = {{IBM Corp.}},
  title = {IBM SPSS Statistics for Macintosh},
  year = {2025},
  version = {31.0},
  publisher = {IBM Corp.}
}

@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}
}

@inproceedings{mckinney2010pandas,
  author = {McKinney, Wes},
  title = {Data Structures for Statistical Computing in Python},
  booktitle = {Proceedings of the 9th Python in Science Conference},
  editor = {van der Walt, Stéfan and Millman, Jarrod},
  year = {2010},
  pages = {56--61},
  doi = {10.25080/Majora-92bf1922-00a}
}

@article{igolkina2020semopy,
  author = {Igolkina, Anna A. and Meshcheryakov, Georgy},
  title = {semopy: A Python Package for Structural Equation Modeling},
  journal = {Structural Equation Modeling: A Multidisciplinary Journal},
  year = {2020},
  volume = {27},
  number = {6},
  pages = {952--963},
  doi = {10.1080/10705511.2019.1704289}
}

@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{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}}

@article{altman2015reporting, author={Altman, Douglas G.}, title={Making research articles fit for purpose: structured reporting of key methods and findings}, journal={Trials}, year={2015}, volume={16}, pages={53}, doi={10.1186/s13063-015-0575-7}}