Co oznacza AVE (średnia wyodrębniona wariancja)?
Zastosowanie, warunki i dobre praktyki
AVE jest średnią częścią wariancji refleksyjnych wskaźników odtworzoną przez konstrukt w określonej standaryzacji. Pomaga ocenić trafność zbieżną modelu pomiarowego, ale wartość powyżej .50 nie dowodzi jednowymiarowości ani trafności różnicowej. Należy pokazać ładunki z niepewnością i uważać, by nie stosować AVE jako kryterium jakości kompozytu formatywnego.
Najważniejsze zastosowanie: Stosuj jako pomocniczą miarę trafności zbieżnej po ocenie poprawności modelu, ładunków i błędów. AVE dotyczy wspólnego czynnika; nie jest głównym kryterium jakości kompozytu formatywnego.
Jak to się oblicza i co oznaczają symbole?
λᵢ są standaryzowanymi ładunkami p refleksyjnych wskaźników. Ich kwadraty opisują część wariancji każdego wskaźnika odtwarzaną przez wspólny czynnik, a AVE jest średnią tych udziałów. Wartość .50 oznacza średnio połowę wariancji wskaźników wyjaśnioną przez konstrukt w określonym modelu; nie jest samodzielnym dowodem trafności zbieżnej ani różnicowej.
Jak poprawnie stosować i interpretować hasło „AVE (średnia wyodrębniona wariancja)”?
W przypadku pojęcia „AVE (średnia wyodrębniona wariancja)” trzeba wskazać, jakiego rodzaju dowodu trafności oczekuje się od modelu i które konstrukty lub wskaźniki są oceniane. Przy ocenie hasła „AVE (średnia wyodrębniona wariancja)” kryterium liczbowe ma znaczenie tylko w poprawnie określonym modelu pomiarowym. W analizie dotyczącej hasła „AVE (średnia wyodrębniona wariancja)” treść pozycji, kierunek przewidywanych relacji i rozróżnienie konstruktu od pojęć sąsiednich powinny być ustalone przed obejrzeniem wyników.
Ocena pojęcia „AVE (średnia wyodrębniona wariancja)” powinna wykorzystywać przedziały ufności lub bootstrap, modele alternatywne i kilka komplementarnych źródeł dowodów. Dla interpretacji hasła „AVE (średnia wyodrębniona wariancja)” mechaniczne przekroczenie progu nie wskazuje automatycznie, którą pozycję usunąć. W odniesieniu do hasła „AVE (średnia wyodrębniona wariancja)” każda zmiana musi zachować zakres treści konstruktu i zostać sprawdzona na nowych danych.
Co trzeba opisać w raporcie?
Raport dotyczący „AVE (średnia wyodrębniona wariancja)” powinien podać dokładną miarę, parę konstruktów lub zestaw wskaźników, estymator i niepewność wyniku. Przy ocenie hasła „AVE (średnia wyodrębniona wariancja)” należy wskazać przyjęte kryterium oraz jego uzasadnienie, a wniosek sformułować jako dowód wspierający lub osłabiający określoną interpretację, nie jako ostateczny certyfikat trafności.
Zakres raportowania dla hasła „AVE (średnia wyodrębniona wariancja)”: Raportuj AVE razem z zakresem ładunków, rho_C lub omegą, sposobem estymacji i oceną całego modelu pomiarowego. Wyjaśnij, czy wskaźniki traktowano jako ciągłe czy porządkowe.
Przykład praktyczny i gotowa interpretacja
Sytuacja: Dla ładunków .80, .75 i .70 AVE wynosi (.64 + .5625 + .49)/3 = .564. Oznacza to, że czynnik odtwarza średnio około 56% wariancji swoich standaryzowanych wskaźników.
Jak ją zinterpretować: AVE powyżej umownego progu wskazuje, że czynnik odtwarza znaczną część wariancji swoich refleksyjnych wskaźników. Nie dowodzi jednak odrębności konstruktu ani jakości kompozytu formatywnego i wymaga oglądu ładunków.
Najczęstsza pułapka i granica interpretacji
Próg .50 nie jest automatycznym testem poprawności. Podnoszenie AVE przez usuwanie merytorycznie ważnych pozycji może zawęzić konstrukt.
Wynik dotyczący „AVE (średnia wyodrębniona wariancja)” nie zastępuje trafności treściowej, jakości operacjonalizacji ani oceny rzetelności. Dla interpretacji hasła „AVE (średnia wyodrębniona wariancja)” niska lub wysoka wartość pojedynczego wskaźnika jest tylko częścią argumentu dotyczącego użycia wyniku w określonym celu.
Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Henseler et al., 2015).
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Modelowanie równań strukturalnych (SEM): od teorii do raportu
SEM bez skrótów myślowych: model pomiarowy i strukturalny, CB-SEM a PLS-SEM, dopasowanie, założenia oraz raportowanie wyników.
Czytaj →PoradnikPLS-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.
Czytaj →PoradnikPLS-SEM w R: kompletny przykład w seminr i cSEM
Odtwarzalny przykład PLS-SEM w R: specyfikacja refleksyjna i kompozytowa, PLSc, bootstrap, HTMT, R², f² i ocena predykcyjna w seminr oraz cSEM.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Oferta dla badaczyOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- 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
- 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
- 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
- Benitez, J., Henseler, J., Castillo, A., & Schuberth, F. (2020). How to perform and report an impactful analysis using partial least squares: Guidelines for confirmatory and explanatory IS research. Information & Management, 57(2), 103168. https://doi.org/10.1016/j.im.2019.05.003
- Hair, J. F., Sarstedt, M., & Ringle, C. M. (2019). Rethinking some of the rethinking of partial least squares. European Journal of Marketing, 53(4), 566–584. https://doi.org/10.1108/EJM-10-2018-0665
- 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
Cytowania BibTeX
@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{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{benitez2020impactful, author={Benitez, Jose and Henseler, Jörg and Castillo, Ana and Schuberth, Florian}, title={How to Perform and Report an Impactful Analysis Using Partial Least Squares: Guidelines for Confirmatory and Explanatory IS Research}, journal={Information and Management}, year={2020}, volume={57}, number={2}, pages={103168}, doi={10.1016/j.im.2019.05.003}}@article{hair2019rethinking, author={Hair, Joseph F. and Sarstedt, Marko and Ringle, Christian M.}, title={Rethinking Some of the Rethinking of Partial Least Squares}, journal={European Journal of Marketing}, year={2019}, volume={53}, number={4}, pages={566--584}, doi={10.1108/EJM-10-2018-0665}}@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}}