Metodolog.pl · praktyczna baza wiedzy

PLS-SEM krok po kroku: założenia, model pomiarowy i strukturalny

Praktyczny przewodnik po PLS-SEM: kiedy metoda odpowiada pytaniu, jak odróżnić kompozyt od wspólnego czynnika, ocenić model i uczciwie raportować wynik.

Strona główna / Blog / PLS-SEM krok po kroku: założenia, model pomiarowy i strukturalny

Autor: · Opublikowano: · Aktualizacja:

PLS-SEM nie jest automatyczną drogą na skróty. Najpierw ustala się, czy konstrukt jest wspólnym czynnikiem, kompozytem lub indeksem, następnie dobiera estymator, a dopiero potem ocenia model pomiarowy i strukturalny. Mała próba albo nienormalność sama w sobie nie rozstrzyga wyboru.

Co właściwie estymuje PLS-SEM?

Pod nazwą PLS-SEM kryją się procedury oparte na wynikach konstruktów tworzonych jako liniowe kombinacje wskaźników. Klasyczny PLS path modeling jest naturalnie związany z kompozytami. Gdy badacz twierdzi natomiast, że pozycje są skutkami nieobserwowalnego wspólnego czynnika, klasyczne oszacowania PLS mogą być obciążone. Korekta consistent PLS (PLSc) zaproponowana przez Dijkstrę i Henselera ma skorygować osłabienie korelacji dla refleksyjnych modeli wspólnego czynnika.

To rozróżnienie wpływa na cały raport. W modelu refleksyjnym interesują ładunki i błędy pomiaru; w kompozycie — wagi tworzące wynik i pokrycie domeny. Nie wolno nazywać kompozytu „zmienną latentną” wyłącznie dlatego, że program rysuje go w okręgu. Pomocne są hasła refleksyjna zmienna latentna, formatywna zmienna latentna oraz porównanie modeli pomiarowych.

Założenia, które trzeba sprawdzić przed uruchomieniem algorytmu

  1. Teoria pomiaru: wskaźniki muszą wynikać z definicji konstruktu; kierunku pomiaru nie wybiera się po korelacjach.
  2. Poprawna specyfikacja: pominięte ścieżki, nieuzasadnione zależności i błędnie określony model pomiarowy obciążają wynik niezależnie od nazwy estymatora.
  3. Identyfikowalność i wariancja: wskaźniki nie mogą być stałe, dokładnie współliniowe ani stanowić niejawnych duplikatów.
  4. Jakość danych: trzeba opisać braki, obserwacje wpływowe, skalę porządkową i kodowanie pozycji; dla wskaźników porządkowych rozważyć procedurę ordPLS/ordPLSc.
  5. Wielkość próby: uzasadnia się ją dla mocy i precyzji kluczowych parametrów albo walidacji predykcyjnej. Reguła „10 razy” nie zastępuje takiego uzasadnienia.
  6. Niezależność obserwacji: dane z zespołów, szkół lub powtarzanych pomiarów wymagają modelu uwzględniającego hierarchię lub zależność.

Procedura oceny modelu

Zestawienie informacji omawianych w tej sekcji
EtapCo sprawdzićCzego nie robić
1. Pomiar refleksyjnyŁadunki z CI, rzetelność modelową, trafność zbieżną i różnicową; przy wspólnym czynniku użyć PLSc.Nie usuwać pozycji tylko po to, by podnieść α/CR.
2. KompozytyDefinicję treściową, VIF, wagi z bootstrap CI, ładunki pomocnicze i trafność nomologiczną.Nie wymagać wysokiej alfy od zestawu celowo niezamiennych składników.
3. Model strukturalnyZnaki i CI ścieżek, R², f², współliniowość predyktorów, efekty pośrednie i całkowite.Nie interpretować istotności jako siły albo przyczynowości.
4. PredykcjaOcena poza próbą, benchmark prostszy, błąd predykcji i stabilność.Nie nazywać R² z próby uczącej dowodem przewidywania nowych danych.
5. GrupyPrzed MGA wykonać MICOM i ustalić poziom inwariancji.Nie porównywać samych wartości p z dwóch oddzielnych modeli.

HTMT, trafność różnicowa i ostrożność z progami

HTMT jest użyteczną diagnostyką, ale nie zastępuje pytania, czy konstrukty rzeczywiście różnią się treściowo. Warto raportować oszacowanie i przedział bootstrapowy oraz badać korelacje czynników, macierz ładunków i alternatywne modele. Rönkkö i Cho zwracają uwagę, że popularne mechaniczne reguły mogą prowadzić do fałszywego poczucia bezpieczeństwa. Próg nie jest substytutem teorii ani porównania modeli.

Przykład naukowy i praktyczny

Badacz usług cyfrowych przewiduje, że jakość zwiększa postrzeganą wartość i satysfakcję. Pozycje satysfakcji są traktowane jako skutki wspólnego czynnika, dlatego wymagają specyfikacji refleksyjnej i korekty PLSc. Oddzielny indeks dojrzałości cyfrowej składa się z dostępu, umiejętności i częstości korzystania; te składniki nie są zamienne, więc tworzą kompozyt. W raporcie nie stosuje się do obu części identycznej listy progów.

Model PLSc oszacowano na podstawie N = 412. Dla wspólnego czynnika satysfakcji ładunki standaryzowane wyniosły od .71 do .86, ρA = .84, ρC = .87, AVE = .63. Ścieżka od jakości do satysfakcji była dodatnia, β = .38, 95% bootstrap CI [.25, .50]. Dziesięciokrotna walidacja krzyżowa wykazała niższy błąd predykcji niż model średniej dla dwóch z trzech wskaźników. Wynik wspiera przewidzianą zależność, ale dane przekrojowe nie potwierdzają kierunku przyczynowego.

Jak oceniać wagi, ładunki i ścieżki bez mieszania ich znaczeń?

Ładunek opisuje związek wskaźnika z konstruktem, a waga określa udział wskaźnika w wyniku kompozytu. W modelu refleksyjnym wysoki ładunek jest oczekiwany, ponieważ pozycje mają być przejawami wspólnej cechy. W kompozycie składnik o małej wadze może nadal być konieczny treściowo: brak istotności może wynikać z dużej współdzielonej informacji albo niskiej precyzji. Dlatego tabela wyników powinna rozdzielać loadings, weights i structural paths, a każde z nich interpretować innym językiem.

Ścieżka strukturalna jest współczynnikiem warunkowym. Jeżeli jakość i wartość jednocześnie przewidują satysfakcję, współczynnik jakości opisuje zmianę satysfakcji przy stałej wartości. Współliniowość konstruktów może zwiększać niepewność i powodować niestabilne znaki, mimo wysokiego R². Zawsze warto porównać korelacje proste ze ścieżkami warunkowymi i sprawdzić, czy wynik nie jest efektem supresji.

Mediacja, moderacja i porównania grup

Dla mediacji raportuj efekt pośredni jako iloczyn ścieżek z przedziałem bootstrapowym, a nie tylko istotność poszczególnych odcinków. W modelu przekrojowym unikaj stwierdzenia, że mediator „wyjaśnia proces” — dane mogą być zgodne z wieloma kolejnościami. Dla moderacji pokaż współczynnik interakcji oraz przewidywane wartości albo simple slopes przy merytorycznie sensownych poziomach moderatora.

Porównanie grup wymaga osobnego etapu pomiarowego. Procedura MICOM obejmuje ocenę inwariancji konfiguralnej, inwariancji kompozycyjnej oraz — zależnie od celu — równości średnich i wariancji kompozytów. Dopiero odpowiedni poziom inwariancji uzasadnia interpretację różnic ścieżek. Dwie ścieżki, z których jedna ma p < .05, a druga p > .05, nie są automatycznie różne; potrzebny jest bezpośredni test różnicy.

Minimalny zakres raportu PLS-SEM

  • teoretyczna definicja każdego konstruktu i uzasadnienie modelu refleksyjnego lub kompozytowego;
  • schemat strukturalny, hipotezy główne i wszystkie ścieżki kontrolne;
  • oprogramowanie, wersja, algorytm wag, kryterium zbieżności, obsługa braków i ziarno losowania;
  • dla refleksyjnych czynników: ładunki z CI, ρA/ρC, AVE, HTMT i diagnostyka modelu;
  • dla kompozytów: wagi z CI, VIF, ładunki pomocnicze i dowody trafności treściowej;
  • dla struktury: współczynniki z CI, R², f², efekty całkowite i pośrednie;
  • dla celu predykcyjnego: schemat walidacji, benchmark, metrykę błędu i wynik dla każdego wskaźnika;
  • analizy dodatkowe, zmiany po analizie, przypadki niedopuszczalne i ograniczenia uogólnienia.

Taki raport pozwala czytelnikowi odtworzyć logikę, a nie tylko zobaczyć kolorowy diagram. Jeżeli część wyników nie zmieści się w tekście, kompletne tabele, kod i opis wersji można umieścić w materiałach uzupełniających.

Najczęstsze błędy PLS-SEM

  • wybór PLS wyłącznie z powodu niewielkiej próby;
  • nazywanie każdego konstruktu latentnym bez określenia ontologii pomiaru;
  • klasyczny PLS dla wspólnego czynnika bez uzasadnienia lub korekty PLSc;
  • podawanie wyłącznie loadings, CR, AVE i R² bez przedziałów i diagnostyki;
  • testowanie różnic grup bez MICOM;
  • twierdzenie o predykcji na podstawie dopasowania do tych samych danych;
  • usuwanie wskaźników po obejrzeniu wyniku bez walidacji na nowej próbie.

Pojęcia potrzebne do tego zagadnienia

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

AVE (średnia wyodrębniona wariancja)HTMT (heterotrait-monotrait ratio)Rzetelność rho_A Dijkstry-HenseleraRzetelność kompozytowa (Composite Reliability, rho_C)MICOM (inwariancja pomiaru kompozytów)Hierarchiczna zmienna latentna (konstrukt wyższego rzędu)PLSc (consistent PLS)Bootstrap w SEM

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Dijkstra i Henseler, 2015).

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. Dijkstra, T. K., & Henseler, J. (2015). Consistent partial least squares path modeling. MIS Quarterly, 39(2), 297–316. https://doi.org/10.25300/MISQ/2015/39.2.02
  2. Schuberth, F., Henseler, J., & Dijkstra, T. K. (2018). Confirmatory composite analysis. Frontiers in Psychology, 9, 2541. https://doi.org/10.3389/fpsyg.2018.02541
  3. Henseler, J., & Schuberth, F. (2020). Using confirmatory composite analysis to assess emergent variables in business research. Journal of Business Research, 120, 147–156. https://doi.org/10.1016/j.jbusres.2020.07.026
  4. Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43, 115–135. https://doi.org/10.1007/s11747-014-0403-8
  5. 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
  6. Henseler, J., Ringle, C. M., & Sarstedt, M. (2016). Testing measurement invariance of composites using partial least squares. International Marketing Review, 33(3), 405–431. https://doi.org/10.1108/IMR-09-2014-0304
  7. Liengaard, B. D., Sharma, P. N., Hult, G. T. M., Jensen, M. B., Sarstedt, M., Hair, J. F., & Ringle, C. M. (2021). Prediction: Coveted, yet forsaken? Introducing a cross-validated predictive ability test in partial least squares path modeling. Decision Sciences, 52(2), 362–392. https://doi.org/10.1111/deci.12329
  8. Sarstedt, M., Hair, J. F., Ringle, C. M., Thiele, K. O., & Gudergan, S. P. (2016). Estimation issues with PLS and CBSEM: Where the bias lies! Journal of Business Research, 69(10), 3998–4010. https://doi.org/10.1016/j.jbusres.2016.06.007
  9. Rigdon, E. E., Sarstedt, M., & Ringle, C. M. (2017). On comparing results from CB-SEM and PLS-SEM: Five perspectives and five recommendations. Marketing ZFP, 39(3), 4–16. https://doi.org/10.15358/0344-1369-2017-3-4
  10. Schuberth, F., Henseler, J., & Dijkstra, T. K. (2018). Partial least squares path modeling using ordinal categorical indicators. Quality & Quantity, 52, 9–35. https://doi.org/10.1007/s11135-016-0401-7
  11. 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
  12. 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

Cytowania BibTeX

@article{dijkstra2015plsc, author={Dijkstra, Theo K. and Henseler, Jörg}, title={Consistent Partial Least Squares Path Modeling}, journal={MIS Quarterly}, year={2015}, volume={39}, number={2}, pages={297--316}, doi={10.25300/MISQ/2015/39.2.02}}
@article{schuberth2018cca, author={Schuberth, Florian and Henseler, Jörg and Dijkstra, Theo K.}, title={Confirmatory Composite Analysis}, journal={Frontiers in Psychology}, year={2018}, volume={9}, pages={2541}, doi={10.3389/fpsyg.2018.02541}}
@article{henseler2020cca, author={Henseler, Jörg and Schuberth, Florian}, title={Using Confirmatory Composite Analysis to Assess Emergent Variables in Business Research}, journal={Journal of Business Research}, year={2020}, volume={120}, pages={147--156}, doi={10.1016/j.jbusres.2020.07.026}}
@article{henseler2015htmt, author={Henseler, Jörg and Ringle, Christian M. and Sarstedt, Marko}, title={A New Criterion for Assessing Discriminant Validity in Variance-Based Structural Equation Modeling}, journal={Journal of the Academy of Marketing Science}, year={2015}, volume={43}, pages={115--135}, doi={10.1007/s11747-014-0403-8}}
@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{henseler2016micom, author={Henseler, Jörg and Ringle, Christian M. and Sarstedt, Marko}, title={Testing Measurement Invariance of Composites Using Partial Least Squares}, journal={International Marketing Review}, year={2016}, volume={33}, number={3}, pages={405--431}, doi={10.1108/IMR-09-2014-0304}}
@article{liengaard2021cvpat, author={Liengaard, Benjamin D. and Sharma, Pratyush N. and Hult, G. Tomas M. and Jensen, Martin B. and Sarstedt, Marko and Hair, Joseph F. and Ringle, Christian M.}, title={Prediction: Coveted, Yet Forsaken? Introducing a Cross-Validated Predictive Ability Test in Partial Least Squares Path Modeling}, journal={Decision Sciences}, year={2021}, volume={52}, number={2}, pages={362--392}, doi={10.1111/deci.12329}}
@article{sarstedt2016bias, author={Sarstedt, Marko and Hair, Joseph F. and Ringle, Christian M. and Thiele, Kai O. and Gudergan, Siegfried P.}, title={Estimation Issues with PLS and CBSEM: Where the Bias Lies!}, journal={Journal of Business Research}, year={2016}, volume={69}, number={10}, pages={3998--4010}, doi={10.1016/j.jbusres.2016.06.007}}
@article{rigdon2017compare, author={Rigdon, Edward E. and Sarstedt, Marko and Ringle, Christian M.}, title={On Comparing Results from CB-SEM and PLS-SEM: Five Perspectives and Five Recommendations}, journal={Marketing ZFP}, year={2017}, volume={39}, number={3}, pages={4--16}, doi={10.15358/0344-1369-2017-3-4}}
@article{schuberth2018ordinal, author={Schuberth, Florian and Henseler, Jörg and Dijkstra, Theo K.}, title={Partial Least Squares Path Modeling Using Ordinal Categorical Indicators}, journal={Quality and Quantity}, year={2018}, volume={52}, pages={9--35}, doi={10.1007/s11135-016-0401-7}}
@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{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}}
R