Co oznacza Confirmatory Composite Analysis (CCA)?
Zastosowanie, warunki i dobre praktyki
CCA ocenia wcześniej określony model kompozytów emergentnych poprzez konfrontację jego ograniczeń z obserwowaną macierzą zależności. Nie jest nazwą dowolnej analizy PLS ani zamiennikiem CFA dla wspólnych czynników. Wymaga jawnej specyfikacji, identyfikacji, oceny globalnej i lokalnej oraz teoretycznego uzasadnienia składników tworzących kompozyt.
Najważniejsze zastosowanie: Stosuj do potwierdzającej oceny emergent variables i kompozytów zdefiniowanych a priori. Oceniaj globalne miary rozbieżności, lokalne reszty, wagi, współliniowość oraz trafność nomologiczną.
Jak poprawnie stosować i interpretować hasło „Confirmatory Composite Analysis (CCA)”?
W odniesieniu do hasła „Confirmatory Composite Analysis (CCA)” konfirmacyjna analiza kompozytowa sprawdza model pomiarowy konstruktów określonych jako kompozyty, zanim badacz przejdzie do zależności strukturalnych. Przy ocenie hasła „Confirmatory Composite Analysis (CCA)” specyfikacja musi wynikać z definicji konstruktu: wskaźniki tworzą kompozyt, a nie są wymiennymi przejawami wspólnego czynnika. W analizie dotyczącej hasła „Confirmatory Composite Analysis (CCA)” trzeba jawnie określić sposób tworzenia kompozytu, jego skalę i relacje z innymi zmiennymi.
W analizie dotyczącej hasła „Confirmatory Composite Analysis (CCA)” ocena obejmuje identyfikację, wagi, współliniowość wskaźników, istotność i znaczenie wkładów oraz globalną i lokalną rozbieżność modelu. Dla interpretacji hasła „Confirmatory Composite Analysis (CCA)” nieistotna waga nie oznacza automatycznie, że wskaźnik jest zbędny; może on zachowywać ważną część domeny konstruktu. W odniesieniu do hasła „Confirmatory Composite Analysis (CCA)” modele alternatywne i replikacja pomagają odróżnić uzasadnioną specyfikację od dopasowania do próbki.
Co trzeba opisać w raporcie?
W odniesieniu do hasła „Confirmatory Composite Analysis (CCA)” raport powinien zdefiniować każdy kompozyt, wymienić wskaźniki, opisać regułę skalowania i estymator oraz podać wagi z przedziałami bootstrapowymi. Przy ocenie hasła „Confirmatory Composite Analysis (CCA)” należy przedstawić diagnostykę współliniowości, miary rozbieżności i wszystkie zmiany modelu wraz z uzasadnieniem treściowym.
Zakres raportowania dla hasła „Confirmatory Composite Analysis (CCA)”: Podaj specyfikację, estymator, procedurę bootstrap/permutacji, d_ULS/d_G/SRMR, przedziały lub kwantyle referencyjne, reszty oraz zmiany podjęte po analizie.
Przykład praktyczny i gotowa interpretacja
Sytuacja: Model dojrzałości cyfrowej z trzema kompozytami może mieć dopuszczalny d_ULS, lecz jedna duża reszta między wskaźnikami pokazuje konkretną niewyjaśnioną zależność wymagającą interpretacji.
Jak ją zinterpretować: Wynik ocenia, czy wcześniej określony układ kompozytów wystarczająco odtwarza obserwowane zależności. CCA nie jest dowolną analizą PLS ani zamiennikiem CFA; wymaga identyfikacji, reszt i uzasadnienia emergentnych konstrukcji.
Najczęstsza pułapka i granica interpretacji
Samo SRMR poniżej progu nie potwierdza modelu. CCA wymaga modelu nadidentyfikowanego i nie legitymizuje danych użytych jednocześnie do budowy i potwierdzenia specyfikacji.
W analizie dotyczącej hasła „Confirmatory Composite Analysis (CCA)” CCA nie zamienia kompozytu we wspólny czynnik i nie dowodzi trafności przez samo dobre dopasowanie. Dla interpretacji hasła „Confirmatory Composite Analysis (CCA)” wniosek dotyczy konkretnej definicji emergentnej zmiennej, zestawu wskaźników i badanej populacji.
Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Schuberth et al., 2018).
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)
- Schuberth, F., Henseler, J., & Dijkstra, T. K. (2018). Confirmatory composite analysis. Frontiers in Psychology, 9, 2541. https://doi.org/10.3389/fpsyg.2018.02541
- 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
- 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
- Rademaker, M. E., & Schuberth, F. (2020). cSEM: Composite-based structural equation modeling (Version 0.6.1) [R package]. https://floschuberth.github.io/cSEM/
- 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
- 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
Cytowania BibTeX
@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{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}}@manual{rademaker2020csem, author={Rademaker, Manuel E. and Schuberth, Florian}, title={cSEM: Composite-Based Structural Equation Modeling}, year={2020}, note={R package version 0.6.1}, url={https://floschuberth.github.io/cSEM/}}@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{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}}