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:
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:
- ustalenie skali – jedną wagę γ ustala się na 1 albo standaryzuje się wariancję η;
- 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.
| Parametr | β | 95% CI | p |
|---|---|---|---|
| Waga: problemy finansowe → stresory | 0.29 | [0.16, 0.42] | < .001 |
| Waga: konflikty w grupie → stresory | 0.35 | [0.22, 0.48] | < .001 |
| Waga: presja terminów → stresory | 0.57 | [0.44, 0.70] | < .001 |
| Stresory → wyczerpanie | 0.65 | [0.53, 0.78] | < .001 |
| Stresory → dolegliwości somatyczne | 0.42 | [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”.
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:
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 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
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 0Bibliografia 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()).
- 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/
- 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
- 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
Model refleksyjny czy formatywny?
Kryteria decyzji Jarvis i in. (2003), symulacja skutków błędnej specyfikacji modelu pomiaru i model MIMIC w lavaan – z opisem do artykułu.
Czytaj →PoradnikPLS-SEM krok po kroku
Logika kompozytów, założenia, ocena modelu refleksyjnego i formatywnego, ścieżki, f² i PLSpredict – na przykładzie z R, z tabelą progów i źródeł.
Czytaj →PoradnikCB-SEM w R (lavaan)
Kompletny przykład w lavaan 0.7 na danych do pobrania: CFA z MLR i FIML, dopasowanie, omega i AVE, efekt pośredni z bootstrapem i tabela APA.
Czytaj →PoradnikJak zaprojektować pomiar latentny
Definicja konstruktu, wskaźniki refleksyjne i formatywne, pozycja globalna i MIMIC, lista kontrolna kwestionariusza oraz symulacja w lavaan i seminr.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- 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
- 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
- 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
- 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
- Edwards, J. R. (2011). The fallacy of formative measurement. Organizational Research Methods, 14(2), 370–388. https://doi.org/10.1177/1094428110378369
- 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}}