Słownik metodologiczny · Modele SEM

Formatywna zmienna latentna – czym jest, jak ją zidentyfikować i oszacować w SEM?

Zmienna formatywna powstaje ze swoich wskaźników, więc nie obowiązują jej reguły skal refleksyjnych. Pokazujemy, czym różnią się wskaźniki przyczynowe i kompozytowe, dlaczego model potrzebuje dwóch ścieżek wychodzących i jak oszacować go w lavaan.

Strona główna / Słownik / Formatywna zmienna latentna
W skrócie: Formatywna zmienna latentna to konstrukt, który jest współtworzony przez swoje wskaźniki: strzałki biegną od wskaźników do konstruktu, a wskaźniki nie muszą być ze sobą skorelowane. Dlatego alfa Cronbacha i ładunki nie służą do jej oceny. W CB-SEM zmienna formatywna z zakłóceniem wymaga ustalenia skali i co najmniej dwóch ścieżek wychodzących do innych zmiennych (model MIMIC). Wybór modelu formatywnego uzasadnij teorią konstruktu, a nie niską rzetelnością skali.

Co to jest formatywna zmienna latentna?

Formatywna zmienna latentna (ang. formative latent variable, konstrukt mierzony formatywnie) to zmienna ukryta, którą współtworzą jej wskaźniki. Strzałki w modelu biegną od wskaźników do konstruktu, a nie odwrotnie. Zmiana jednego wskaźnika zmienia poziom konstruktu, ale nie musi zmieniać pozostałych wskaźników. Przykład z psychologii: stresory akademickie. Problemy finansowe, konflikty w grupie i presja terminów składają się na obciążenie studenta, choć nie muszą ze sobą współwystępować.

Odwrotną logikę ma refleksyjna zmienna latentna. W niej konstrukt (np. lęk) jest przyczyną odpowiedzi na pozycje, więc pozycje powinny być silnie skorelowane i wymienne. Bollen i Lennox (1991) pokazali, że klasyczne reguły budowy skal – wysoka spójność wewnętrzna, wymienność pozycji – obowiązują tylko w modelu refleksyjnym. Dla wskaźników przyczynowych nie mają sensu. Porównanie obu podejść znajdziesz w haśle modele refleksyjne i formatywne i w poradniku model refleksyjny czy formatywny.

Równanie i dwa rodzaje wskaźników formatywnych

W modelu formatywnym konstrukt η jest ważoną sumą wskaźników i zakłócenia:

η = γ1x1 + γ2x2 + … + γqxq + ζ

Wagi γ mówią, jak mocno dany wskaźnik współtworzy konstrukt. Zakłócenie ζ to ta część konstruktu, której wskaźniki nie obejmują. Bollen i Diamantopoulos (2017) proponują odróżniać dwa przypadki:

  • wskaźniki przyczynowo-formatywne – konstrukt ma zakłócenie ζ, czyli istnieje także poza wymienionymi wskaźnikami (jak w równaniu wyżej);
  • wskaźniki kompozytowo-formatywne – ζ = 0, a konstrukt jest dokładnie ważoną sumą wskaźników, czyli kompozytem. Tak traktuje konstrukty Model B w PLS-PM, a ich ocenie służy CCA.

Jak rozpoznać konstrukt formatywny? Diamantopoulos i Winklhofer (2001) opisują budowę indeksu z takich wskaźników jako osobną drogę, różną od tworzenia skali. Zadaj sobie cztery pytania:

  • Czy wskaźniki definiują konstrukt (są jego składnikami), czy go przejawiają?
  • Czy usunięcie jednego wskaźnika zmieniłoby treść konstruktu? W modelu formatywnym – tak, bo pomija część definicji.
  • Czy wskaźniki muszą być skorelowane? W formatywnym – nie.
  • Czy wskaźniki mają te same przyczyny i skutki? W formatywnym nie muszą.

Model formatywny ma też krytyków. Edwards (2011) twierdzi, że cele pomiaru formatywnego można osiągnąć modelami z miarami refleksyjnymi, a sama koncepcja ma słabe podstawy. Bollen i Diamantopoulos (2017) odpowiadają, że wiele zarzutów wynika z mylenia wskaźników przyczynowych z kompozytowymi. W praktyce oznacza to jedno: wybór modelu uzasadnij teorią konstruktu, a nie wynikami analizy.

Identyfikacja: zmienna formatywna potrzebuje dwóch skutków

Sama zmienna formatywna z zakłóceniem nie jest zidentyfikowana. Z kowariancji wskaźników nie da się oszacować ani wariancji ζ, ani skali η. MacCallum i Browne (1993) pokazali, że konstrukty z wskaźnikami przyczynowymi często powodują problemy z identyfikacją. Typowe rozwiązanie to:

  1. ustalenie skali – jedną wagę γ ustala się na 1 albo standaryzuje się wariancję η;
  2. co najmniej dwie ścieżki wychodzące z η do innych zmiennych (reguła 2+ emitted paths). Bollen i Davis (2009) dowodzą, że jest to warunek konieczny. Może to być np. jeden czynnik refleksyjny i jedna zmienna obserwowalna albo dwie zmienne obserwowalne.

Model, w którym konstrukt ma wskaźniki przyczynowe i co najmniej dwa refleksyjne skutki, to model MIMIC. Właśnie tak szacuje się zmienną formatywną w CB-SEM.

Przykład: stresory akademickie, wyczerpanie i dolegliwości somatyczne

W badaniu 400 studentów (dane symulowane) zmienna „stresory akademickie” ma trzy wskaźniki przyczynowe, każdy na skali 1–5: problemy finansowe (M = 2.77), konflikty w grupie (M = 2.40) i presję terminów (M = 3.27). Wskaźniki prawie ze sobą nie korelują (r = .08–.10). Gdyby policzyć z nich alfę Cronbacha, wyniosłaby α = .23 – co w modelu refleksyjnym byłoby dyskwalifikujące, a tu niczego nie mówi. W modelu formatywnym niska spójność wewnętrzna nie jest wadą.

Gdy stresory wpływają tylko na dolegliwości somatyczne (jeden skutek), model ma −1 stopień swobody. lavaan nie potrafi wtedy policzyć błędów standardowych i ostrzega, że model może nie być zidentyfikowany. Po dodaniu drugiego skutku – wyczerpania mierzonego trzema pozycjami – model daje się oszacować i jest dobrze dopasowany: χ²(10) = 4.73, p = .908, CFI = 1.000, RMSEA = .000, SRMR = .012.

Standaryzowane oszacowania modelu MIMIC ze zmienną formatywną stresory akademickie
Parametrβ95% CIp
Waga: problemy finansowe → stresory0.29[0.16, 0.42]< .001
Waga: konflikty w grupie → stresory0.35[0.22, 0.48]< .001
Waga: presja terminów → stresory0.57[0.44, 0.70]< .001
Stresory → wyczerpanie0.65[0.53, 0.78]< .001
Stresory → dolegliwości somatyczne0.42[0.32, 0.53]< .001
Wariancja zakłócenia ζ (standaryzowana).38[.17, .60]< .001

Jak to czytać?

  • Wagi pokazują, które składniki najbardziej współtworzą stresory. Tu największy udział ma presja terminów (0.57), a najmniejszy – problemy finansowe (0.29).
  • Zakłócenie .38 oznacza, że trzy wskaźniki wyjaśniają 62% wariancji konstruktu (R² = .62). Pozostałe 38% to stresory, których lista nie obejmuje, np. problemy zdrowotne.
  • Ścieżki wychodzące (0.65 i 0.42) to nie ładunki w zwykłym sensie, tylko efekty konstruktu. Od nich zależy też znaczenie η: zmienna formatywna to „ta część wskaźników, która przewiduje wyczerpanie i dolegliwości”.
Schemat modelu MIMIC: trzy wskaźniki przyczynowe (problemy finansowe .29, konflikty w grupie .35, presja terminów .57) wskazują strzałkami na stresory akademickie z zakłóceniem .38; ze stresorów wychodzą dwie ścieżki: do wyczerpania (.65) mierzonego pozycjami w1–w3 (.79, .85, .78) i do dolegliwości somatycznych (.42)
Rysunek 1. Formatywna zmienna latentna w modelu MIMIC. Czerwone strzałki to wagi wskaźników przyczynowych, niebieskie – dwie ścieżki wychodzące, które umożliwiają identyfikację, szare – ładunki pozycji refleksyjnego czynnika wyczerpania. Obliczenia: R (dane symulowane).

Te same dane można też potraktować kompozytowo. W lavaan 0.7.2 operator <~ tworzy kompozyt bez zakłócenia (ζ = 0). Wtedy wagi wynoszą 0.37, 0.45 i 0.72, a efekty na wyczerpanie i dolegliwości – 0.51 i 0.33. Różnice nie są przypadkowe. Kompozyt to inny model konstruktu: zakłada, że lista wskaźników jest kompletna.

Jak opisać zmienną formatywną w pracy (APA)

Podaj uzasadnienie modelu formatywnego, sposób identyfikacji i skalowania, wagi z przedziałami ufności, wariancję zakłócenia i dopasowanie modelu. Wzór dla przykładu:

Stresory akademickie zoperacjonalizowano jako zmienną formatywną z trzema wskaźnikami przyczynowymi (problemy finansowe, konflikty w grupie, presja terminów), ponieważ wskaźniki te są składnikami konstruktu i nie muszą ze sobą współwystępować. Model zidentyfikowano przez dwie ścieżki wychodzące – do wyczerpania (czynnik z trzema pozycjami) i do dolegliwości somatycznych – a skalę ustalono, przyjmując wagę problemów finansowych równą 1. Model był dobrze dopasowany, χ²(10) = 4.73, p = .908, CFI = 1.000, RMSEA = .000, SRMR = .012. Największą standaryzowaną wagę miała presja terminów, β = 0.57, 95% CI [0.44, 0.70], następnie konflikty w grupie, β = 0.35, 95% CI [0.22, 0.48], i problemy finansowe, β = 0.29, 95% CI [0.16, 0.42]. Wskaźniki wyjaśniały 62% wariancji stresorów. Stresory wiązały się z wyczerpaniem, β = 0.65, p < .001, i z dolegliwościami somatycznymi, β = 0.42, p < .001.

Jeśli pracujesz w PLS-SEM, zamiast wag γ raportujesz wagi zewnętrzne z przedziałami bootstrap i VIF wskaźników. Kolejne kroki oceny takiego modelu opisuje PLS-SEM krok po kroku. Pełny przykład CB-SEM w R znajdziesz we wpisie CB-SEM w R: lavaan.

Przykład reprodukowalny

Przykład w R

Kod tworzy dane z przykładu, liczy korelacje i alfę wskaźników formatywnych oraz pokazuje model niezidentyfikowany (jeden skutek). Następnie szacuje model MIMIC z dwoma skutkami i wariant kompozytowy z operatorem <~. Liczby w tabeli, tekście i na rysunku 1 pochodzą z tego kodu.

Zmienna formatywna w lavaan: model MIMIC i kompozyt

Dane wejściowe: 400 studentów (dane symulowane, set.seed(108)): trzy wskaźniki przyczynowe stresorów (1–5), trzy pozycje wyczerpania (1–5) i wynik dolegliwości somatycznych (0–30).

Co odczytać: korelacje wskaźników i alfę (niskie, co jest tu dopuszczalne); df = −1 i ostrzeżenie o błędach standardowych w modelu 1; dopasowanie modelu 2, kolumnę est.std dla wag (stresory ~), ścieżek (stresory =~) i zakłócenia (stresory ~~ stresory) oraz R² stresorów; w wariancie kompozytowym wolną wariancję stresorów ustawioną na 0 (free = 0).

R
# Formatywna zmienna latentna w lavaan (operator <~): stresory akademickie
library(lavaan)

# Dane symulowane: 400 studentów. Trzy wskaźniki przyczynowe (skale 1–5) tworzą
# zmienną "stresory"; ta wpływa na wyczerpanie (3 pozycje refleksyjne, 1–5) i dolegliwości somatyczne (0–30)
set.seed(108)
n <- 400
finanse   <- rnorm(n); konflikty <- 0.15 * finanse + rnorm(n); terminy <- 0.10 * finanse + rnorm(n)
stresory  <- 0.45 * finanse + 0.30 * konflikty + 0.55 * terminy + rnorm(n, sd = 0.55)
wyczerp   <- 0.60 * stresory + rnorm(n, sd = 0.80)
somat     <- 0.45 * stresory + rnorm(n, sd = 0.90)
do15 <- function(z, srodek) pmin(pmax(round(srodek + 0.9 * z), 1), 5)
dane <- data.frame(
  finanse = do15(finanse, 2.8), konflikty = do15(konflikty, 2.4), terminy = do15(terminy, 3.3),
  w1 = do15(wyczerp + rnorm(n, sd = .6), 3.0), w2 = do15(wyczerp + rnorm(n, sd = .6), 2.9),
  w3 = do15(wyczerp + rnorm(n, sd = .7), 3.1),
  somat = pmin(pmax(round(11 + 4 * somat), 0), 30))
round(sapply(dane, mean), 2)

# 1. Wskaźniki formatywne nie muszą być skorelowane – alfa Cronbacha nie ma tu sensu
round(cor(dane[, c("finanse", "konflikty", "terminy")]), 2)
k <- 3; R3 <- cor(dane[, 1:3]); sr_r <- mean(R3[lower.tri(R3)])
round(c(alfa_formatywne = k * sr_r / (1 + (k - 1) * sr_r)), 2)

# 2. Model z jednym skutkiem: zakłócenie, ścieżka i reszta somat nie dają się rozdzielić
m1 <- '
  stresory =~ NA*somat
  stresory ~ 1*finanse + konflikty + terminy
  stresory ~~ stresory
  somat ~~ somat
'
f1 <- sem(m1, data = dane)   # ostrzeżenie: nie da się policzyć błędów standardowych
cat("Model 1: df =", fitMeasures(f1, "df"), "| liczba parametrów:", fitMeasures(f1, "npar"), "\n")

# 3. Model z dwoma skutkami (reguła 2+ emitted paths): stresory -> wyczerpanie (czynnik) i somat
#    Waga finansów = 1 ustala skalę; wariancja zakłócenia stresorów jest szacowana
m2 <- '
  wyczerpanie =~ w1 + w2 + w3
  stresory =~ NA*wyczerpanie + somat
  stresory ~ 1*finanse + konflikty + terminy
'
f2 <- sem(m2, data = dane)
round(fitMeasures(f2, c("chisq", "df", "pvalue", "cfi", "tli", "rmsea", "srmr")), 3)
st <- standardizedSolution(f2)
print(st[st$op %in% c("~", "=~") | (st$op == "~~" & st$lhs == "stresory"),
         c("lhs", "op", "rhs", "est.std", "se", "pvalue", "ci.lower", "ci.upper")], digits = 3, row.names = FALSE)
# R² stresorów wyjaśniony przez trzy wskaźniki przyczynowe
round(lavInspect(f2, "rsquare"), 3)

# 4. Wariant kompozytowy: w lavaan 0.7 operator <~ tworzy kompozyt bez zakłócenia
m3 <- '
  wyczerpanie =~ w1 + w2 + w3
  stresory <~ 1*finanse + konflikty + terminy
  wyczerpanie ~ stresory
  somat ~ stresory
  wyczerpanie ~~ 0*somat
'
f3 <- sem(m3, data = dane)
pt <- parTable(f3); pt[pt$lhs == "stresory" & pt$op == "~~", c("lhs", "op", "rhs", "free", "est")]
st3 <- standardizedSolution(f3)
print(st3[st3$op %in% c("<~", "~"), c("lhs", "op", "rhs", "est.std", "pvalue")], digits = 3, row.names = FALSE)
Wynik w R
  finanse konflikty   terminy        w1        w2        w3     somat 
     2.77      2.40      3.27      2.93      2.84      3.08     10.61 
          finanse konflikty terminy
finanse      1.00      0.09    0.08
konflikty    0.09      1.00    0.10
terminy      0.08      0.10    1.00
alfa_formatywne 
           0.23 
Warning message:
lavaan->lav_model_vcov():  
   Could not compute standard errors! The information matrix could not be 
   inverted. This may be a symptom that the model is not identified. 
Model 1: df = -1 | liczba parametrów: 5 
 chisq     df pvalue    cfi    tli  rmsea   srmr 
 4.731 10.000  0.908  1.000  1.015  0.000  0.012 
         lhs op         rhs est.std    se pvalue ci.lower ci.upper
 wyczerpanie =~          w1   0.785 0.025      0    0.735    0.835
 wyczerpanie =~          w2   0.849 0.023      0    0.805    0.893
 wyczerpanie =~          w3   0.784 0.026      0    0.734    0.834
    stresory =~ wyczerpanie   0.654 0.065      0    0.527    0.781
    stresory =~       somat   0.424 0.054      0    0.318    0.531
    stresory  ~     finanse   0.291 0.065      0    0.163    0.419
    stresory  ~   konflikty   0.351 0.066      0    0.223    0.480
    stresory  ~     terminy   0.569 0.067      0    0.437    0.701
    stresory ~~    stresory   0.383 0.109      0    0.169    0.596
         w1          w2          w3       somat wyczerpanie    stresory 
      0.617       0.721       0.614       0.180       0.428       0.617 
        lhs op      rhs free   est
18 stresory ~~ stresory    0 5.871
         lhs op       rhs est.std pvalue
    stresory <~   finanse   0.368      0
    stresory <~ konflikty   0.449      0
    stresory <~   terminy   0.724      0
 wyczerpanie  ~  stresory   0.514      0
       somat  ~  stresory   0.334      0

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3; rysunek przygotowano w pakiecie ggplot2. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. lavaan (wersja 0.7-2): 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
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Najczęstsze błędy

  • Wybór modelu formatywnego po fakcie, bo alfa wyszła niska. Niska spójność skali refleksyjnej to problem pomiaru, a nie dowód, że konstrukt jest formatywny.
  • Usuwanie wskaźników o niskich wagach jak pozycji o niskich ładunkach. Każdy wskaźnik formatywny to część definicji konstruktu, więc jego usunięcie zmienia treść tego, co mierzysz.
  • Ocena trafności i rzetelności narzędziami refleksyjnymi. AVE, rzetelność złożona i HTMT zakładają model refleksyjny. Dla wskaźników formatywnych sprawdza się wagi, współliniowość (VIF) i związek z miarą kryterialną.
  • Model z jednym skutkiem w CB-SEM. Bez dwóch ścieżek wychodzących wariancji zakłócenia nie da się oszacować (zob. model 1 w kodzie).
  • Interpretowanie wag bez kontekstu modelu. W modelu przyczynowo-formatywnym wagi zależą od tego, jakie skutki ma konstrukt. Ta sama lista wskaźników z innymi skutkami da inne wagi, więc opisuj wagi razem z całym modelem.
  • Wskaźniki silnie współliniowe. Gdy dwa wskaźniki korelują bardzo wysoko, wagi są niestabilne i mogą zmienić znak. Sprawdź VIF i zastanów się, czy nie mierzą tego samego.

Najczęstsze pytania

Czym różni się zmienna formatywna od refleksyjnej?

W modelu refleksyjnym konstrukt jest przyczyną odpowiedzi na pozycje, więc pozycje powinny być silnie skorelowane i wymienne. W modelu formatywnym wskaźniki współtworzą konstrukt: strzałki biegną od wskaźników do zmiennej, a wskaźniki nie muszą korelować. Przykładem formatywnym są stresory akademickie złożone z problemów finansowych, konfliktów i presji terminów.

Czy dla zmiennej formatywnej liczy się alfę Cronbacha?

Nie. Alfa zakłada model refleksyjny, w którym pozycje mierzą to samo. Wskaźniki formatywne mogą prawie nie korelować – w przykładzie na tej stronie alfa wynosi .23, co nie świadczy o złym pomiarze. Oceniaj wagi, współliniowość wskaźników (VIF) i związek konstruktu z kryterium.

Dlaczego model ze zmienną formatywną nie jest zidentyfikowany?

Z samych kowariancji wskaźników nie da się oszacować wariancji zakłócenia ani skali konstruktu. Trzeba ustalić skalę (np. jedną wagę równą 1) i dodać co najmniej dwie ścieżki wychodzące z konstruktu do innych zmiennych, jak w modelu MIMIC. Z jednym skutkiem model ma ujemną liczbę stopni swobody.

Jak zapisać zmienną formatywną w lavaan?

Wersję z zakłóceniem zapisz jak model MIMIC: stresory =~ NA*wyczerpanie + somat oraz stresory ~ 1*finanse + konflikty + terminy. Operator <~ w lavaan 0.7 tworzy kompozyt bez zakłócenia, czyli zakłada, że lista wskaźników wyczerpuje konstrukt.

Czy można usunąć wskaźnik formatywny o niskiej wadze?

Zwykle nie, bo każdy wskaźnik formatywny jest częścią definicji konstruktu i jego usunięcie zmienia to, co mierzysz. Niska waga może wynikać z współliniowości z innymi wskaźnikami albo z wyboru skutków w modelu. Decyzję o usunięciu uzasadnij teorią, a nie samą istotnością wagi.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Bollen, K. A., & Davis, W. R. (2009). Two rules of identification for structural equation models. Structural Equation Modeling: A Multidisciplinary Journal, 16(3), 523–536. https://doi.org/10.1080/10705510903008261
  2. Bollen, K. A., & Diamantopoulos, A. (2017). In defense of causal-formative indicators: A minority report. Psychological Methods, 22(3), 581–596. https://doi.org/10.1037/met0000056 ● Otwarty dostęp: pełny tekst
  3. Bollen, K., & Lennox, R. (1991). Conventional wisdom on measurement: A structural equation perspective. Psychological Bulletin, 110(2), 305–314. https://doi.org/10.1037/0033-2909.110.2.305
  4. Diamantopoulos, A., & Winklhofer, H. M. (2001). Index construction with formative indicators: An alternative to scale development. Journal of Marketing Research, 38(2), 269–277. https://doi.org/10.1509/jmkr.38.2.269.18845
  5. Edwards, J. R. (2011). The fallacy of formative measurement. Organizational Research Methods, 14(2), 370–388. https://doi.org/10.1177/1094428110378369
  6. MacCallum, R. C., & Browne, M. W. (1993). The use of causal indicators in covariance structure models: Some practical issues. Psychological Bulletin, 114(3), 533–541. https://doi.org/10.1037/0033-2909.114.3.533

Cytowania BibTeX

@article{bollen2009two, author={Bollen, Kenneth A. and Davis, Walter R.}, title={{Two rules of identification for structural equation models}}, journal={Structural Equation Modeling: A Multidisciplinary Journal}, year={2009}, volume={16}, number={3}, pages={523--536}, doi={10.1080/10705510903008261}}
@article{bollen2017defense, author={Bollen, Kenneth A. and Diamantopoulos, Adamantios}, title={{In defense of causal-formative indicators: A minority report}}, journal={Psychological Methods}, year={2017}, volume={22}, number={3}, pages={581--596}, doi={10.1037/met0000056}}
@article{bollen1991conventional, author={Bollen, Kenneth and Lennox, Richard}, title={{Conventional wisdom on measurement: A structural equation perspective}}, journal={Psychological Bulletin}, year={1991}, volume={110}, number={2}, pages={305--314}, doi={10.1037/0033-2909.110.2.305}}
@article{diamantopoulos2001index, author={Diamantopoulos, Adamantios and Winklhofer, Heidi M.}, title={{Index construction with formative indicators: An alternative to scale development}}, journal={Journal of Marketing Research}, year={2001}, volume={38}, number={2}, pages={269--277}, doi={10.1509/jmkr.38.2.269.18845}}
@article{edwards2011fallacy, author={Edwards, Jeffrey R.}, title={{The fallacy of formative measurement}}, journal={Organizational Research Methods}, year={2011}, volume={14}, number={2}, pages={370--388}, doi={10.1177/1094428110378369}}
@article{maccallum1993use, author={MacCallum, Robert C. and Browne, Michael W.}, title={{The use of causal indicators in covariance structure models: Some practical issues}}, journal={Psychological Bulletin}, year={1993}, volume={114}, number={3}, pages={533--541}, doi={10.1037/0033-2909.114.3.533}}
R