Słownik metodologiczny · PLS-SEM

Współczynnik GoF Tenenhausa w PLS-SEM

GoF Tenenhausa łączy średnią komunalność i średnie R² w jedną liczbę. Pokazujemy, jak go policzyć w R na prawdziwych danych, jak rozumieć progi Wetzelsa i dlaczego model z odwróconymi strzałkami może mieć ten sam GoF.

Strona główna / Słownik / GoF Tenenhausa
W skrócie: GoF Tenenhausa (ang. goodness of fit) to średnia geometryczna średniej komunalności i średniego R² w modelu PLS-SEM: GoF = √(średnia komunalność × średnie R²). Zaproponowano go jako globalne podsumowanie jakości modelu, ale nie jest miarą dopasowania — nie odróżnia modelu poprawnego od błędnego. Na danych z badania ankietowego (N = 303) GoF wynosi 0,528, i dokładnie tyle samo uzyskuje model z odwróconym kierunkiem zależności. Poniżej wzór, obliczenia w R, kalkulator i wskazówki, co raportować zamiast GoF.

Co to jest GoF Tenenhausa?

GoF to wskaźnik zaproponowany przez Michela Tenenhausa i współpracowników (Tenenhaus i in., 2004, 2005) dla modelowania ścieżkowego metodą częściowych najmniejszych kwadratów (PLS-SEM, PLS-PM). Miał odpowiadać na pytanie, jak dobrze model jednocześnie opisuje wskaźniki (model pomiarowy) i zależności między konstruktami (model strukturalny). Dlatego łączy dwie wielkości:

  • średnią komunalność — średni kwadrat ładunków zewnętrznych, czyli część wariancji wskaźników wyjaśnianą przez ich konstrukty (por. AVE);
  • średnie R² — średni współczynnik determinacji zmiennych endogenicznych, czyli to, jak dobrze model strukturalny wyjaśnia konstrukty zależne.

Wzór na GoF

GoF = √( średnia komunalność × średnie R² )
średnia komunalność = (1 / P) · Σ λ²i · średnie R² = (1 / J) · Σ R²j

gdzie λi to standaryzowany ładunek i-tego wskaźnika refleksyjnego, P — liczba takich wskaźników, a R²j — współczynnik determinacji j-tej z J zmiennych endogenicznych. Średnią komunalność liczy się z wskaźników wszystkich konstruktów refleksyjnych mierzonych co najmniej dwoma wskaźnikami. Gdy każdy konstrukt ma tyle samo wskaźników, jest ona równa średniej z AVE; przy różnej liczbie wskaźników trzeba średnie AVE ważyć liczbą wskaźników.

Wetzels, Odekerken-Schröder i van Oppen (2009) przyjęli progi 0,10 (mały), 0,25 (średni) i 0,36 (duży GoF), wyprowadzone z konwencji Cohena dla R² (0,02 / 0,13 / 0,26) i komunalności 0,50. Esposito Vinzi, Trinchera i Amato (2010) zaproponowali też względny GoF, który odnosi oba składniki do maksimum osiągalnego na danych.

Przykład: GoF dla modelu akceptacji technologii

Dane to ten sam zbiór, na którym na stronie wykres osypiska ustaliliśmy strukturę trzech czynników: N = 303 osoby oceniły 12 stwierdzeń o samochodzie autonomicznym. Model strukturalny odpowiada modelowi TAM: łatwość korzystania → użyteczność → intencja zakupu oraz bezpośrednia ścieżka łatwość → intencja. Model oszacowano w R pakietem seminr.

Ładunki, komunalności i AVE w modelu pomiarowym
KonstruktŁadunki zewnętrzneŚrednia komunalność (AVE)R² konstruktu
Łatwość korzystania0,87; 0,91; 0,82; 0,900,764— (egzogeniczny)
Użyteczność0,87; 0,86; 0,83; 0,840,7260,238
Intencja zakupu0,79; 0,86; 0,87; 0,850,7140,521

Model pomiarowy jest dobry: wszystkie ładunki przekraczają 0,78, a AVE wynosi od 0,714 do 0,764. Łatwość korzystania wyjaśnia 23,8% wariancji użyteczności (ścieżka β = 0,488), a łatwość i użyteczność razem — 52,1% wariancji intencji zakupu (β użyteczności = 0,722, β łatwości = 0,001).

Obliczenie krok po kroku:

  1. Średnia komunalność = średnia z 12 kwadratów ładunków = 0,734 (konstrukty mają po 4 wskaźniki, więc to także średnia z trzech AVE).
  2. Średnie R² = (0,238 + 0,521) / 2 = 0,380 (łatwość korzystania jest egzogeniczna i nie ma R²).
  3. GoF = √(0,734 · 0,380) = 0,528.

Według progów Wetzelsa i in. (2009) to „duży” GoF. Ten sam wynik (0,528) daje pakiet cSEM.

Dlaczego GoF nie mierzy dopasowania modelu

Henseler i Sarstedt (2013) wykazali w symulacjach, że GoF nie odróżnia modeli poprawnie określonych od błędnych. Łatwo to sprawdzić na naszych danych. Oszacowaliśmy jeszcze dwa modele strukturalne z tym samym modelem pomiarowym:

GoF dla trzech modeli strukturalnych na tych samych danych
Model strukturalnyŚrednia komunalnośćŚrednie R²GoF
ŁAT → UŻY → INT, ŁAT → INT (1)0,7340,3800,528
INT → UŻY → ŁAT, INT → ŁAT (2)0,7340,3800,528
ŁAT → INT, UŻY → INT (3)0,7340,5220,619
  • Model 2 odwraca wszystkie strzałki: intencja zakupu „wywołuje” użyteczność, a ta łatwość korzystania. Teoretycznie to nonsens, a GoF jest praktycznie identyczny (0,528 wobec 0,528).
  • Model 3 pomija mediację i ma tylko jedną zmienną endogeniczną o wysokim R². GoF rośnie do 0,619, choć model jest mniej kompletny teoretycznie.

Powód jest prosty: komunalności zależą wyłącznie od modelu pomiarowego, a średnie R² — od tego, które konstrukty uznamy za zależne. GoF nie porównuje macierzy korelacji odtworzonej przez model z macierzą obserwowaną, więc nie może wykryć błędnej specyfikacji. Dlatego Henseler, Hubona i Ray (2016) piszą wprost, że GoF i względny GoF nie informują o dopasowaniu modelu i nie ma powodu raportować ich przy testowaniu ani porównywaniu modeli. GoF zachowuje pewną użyteczność tylko wtedy, gdy porównuje się ten sam model w różnych grupach lub zbiorach danych (Henseler i Sarstedt, 2013).

Co raportować zamiast GoF

  • Model pomiarowy: ładunki, rzetelność kompozytową ρC i ρA, AVE oraz trafność różnicową według HTMT.
  • Model strukturalny: współczynniki ścieżek z przedziałami bootstrap, R² i f², VIF oraz trafność predykcyjną: Q² z blindfoldingu albo PLSpredict.
  • Dopasowanie modelu (gdy jest potrzebne, np. w podejściu kompozytowym): SRMR i testy dopasowania oparte na bootstrapie. W przykładzie SRMR = 0,062, czyli poniżej często stosowanego progu 0,08.

Całą procedurę oceny modelu PLS-SEM w R krok po kroku opisuje bezpłatny podręcznik Hair i in. (2021), dostępny w otwartym dostępie.

Kalkulator GoF Tenenhausa

Policz GoF z AVE i R²

Wpisz AVE konstruktów refleksyjnych (co najmniej dwa wskaźniki) i R² wszystkich zmiennych endogenicznych. Jeśli konstrukty mają różną liczbę wskaźników, podaj ją, a kalkulator zważy średnią.

Wpisz AVE i R², a następnie kliknij „Policz GoF”. Kalkulator wymaga włączonej obsługi JavaScriptu.

Domyślne wartości pochodzą z przykładu (AVE i R² zaokrąglone do trzech miejsc), dlatego wynik może się różnić od wartości z R w trzecim miejscu po przecinku.

Przykład reprodukowalny

Przykład w R

Kod szacuje model PLS-SEM w pakiecie seminr, liczy GoF z ładunków i R², a następnie porównuje GoF trzech modeli strukturalnych. Drugi fragment sprawdza wynik w pakiecie cSEM i liczy SRMR.

GoF Tenenhausa w seminr

Dane wejściowe: 12 pozycji skali od 1 do 5 (N = 303) zgrupowanych w trzy konstrukty.

Co odczytać: AVE w tabeli rzetelności, R² w tabeli ścieżek i wartość GoF w ostatnim wierszu.

R
library(readxl); library(seminr)
dane <- as.data.frame(read_excel("dane_ankieta_tam.xlsx"))
pozycje <- dane[, c(paste0("Łatwość_korzystania", 1:4), paste0("Użyteczność", 1:4), paste0("Intencja_kupna", 1:4))]
names(pozycje) <- c(paste0("LAT", 1:4), paste0("UZY", 1:4), paste0("INT", 1:4))   # krótkie nazwy bez polskich znaków
mm <- constructs(
  composite("Latwosc",     multi_items("LAT", 1:4)),
  composite("Uzytecznosc", multi_items("UZY", 1:4)),
  composite("Intencja",    multi_items("INT", 1:4)))
sm <- relationships(
  paths(from = "Latwosc", to = c("Uzytecznosc", "Intencja")),
  paths(from = "Uzytecznosc", to = "Intencja"))
model <- estimate_pls(pozycje, measurement_model = mm, structural_model = sm)
s <- summary(model)
s$loadings                       # ładunki zewnętrzne
s$reliability                    # alfa, rhoC, AVE, rhoA
s$paths                          # ścieżki i R²
# GoF Tenenhausa = pierwiastek(średnia komunalność × średnie R²)
lam  <- s$loadings[s$loadings != 0]          # ładunek każdej pozycji w jej konstrukcie
kom  <- mean(lam^2)                          # średnia komunalność (= średnie AVE przy równych blokach)
r2   <- s$paths["R^2", c("Uzytecznosc", "Intencja")]
gof  <- sqrt(kom * mean(r2))
round(c(srednia_komunalnosc = kom, srednie_R2 = mean(r2), GoF = gof), 3)
# Ten sam GoF dla modeli konkurencyjnych
gof_pls <- function(sm) {
  m <- estimate_pls(pozycje, measurement_model = mm, structural_model = sm)
  s <- summary(m)
  lam <- s$loadings[s$loadings != 0]
  r2  <- s$paths["R^2", ]
  c(srednia_komunalnosc = mean(lam^2), srednie_R2 = mean(r2), GoF = sqrt(mean(lam^2) * mean(r2)))
}
modele <- list(
  "1. teoria TAM: ŁAT → UŻY → INT, ŁAT → INT" = sm,
  "2. odwrócony: INT → UŻY → ŁAT, INT → ŁAT" = relationships(
     paths(from = "Intencja", to = c("Uzytecznosc", "Latwosc")), paths(from = "Uzytecznosc", to = "Latwosc")),
  "3. bez mediacji: ŁAT → INT, UŻY → INT" = relationships(
     paths(from = c("Latwosc", "Uzytecznosc"), to = "Intencja")))
round(t(sapply(modele, gof_pls)), 3)
Wynik w R
            alpha  rhoA  rhoC   AVE
Latwosc     0.896 0.897 0.928 0.764
Uzytecznosc 0.874 0.876 0.914 0.726
Intencja    0.866 0.866 0.909 0.714

Alpha, rhoA, and rhoC should exceed 0.7 while AVE should exceed 0.5
            Uzytecznosc Intencja
R^2               0.238    0.521
AdjR^2            0.235    0.518
Latwosc           0.488    0.001
Uzytecznosc           .    0.722
srednia_komunalnosc          srednie_R2                 GoF 
              0.734               0.380               0.528 

                                          srednia_komunalnosc srednie_R2   GoF
1. teoria TAM: ŁAT → UŻY → INT, ŁAT → INT               0.734      0.380 0.528
2. odwrócony: INT → UŻY → ŁAT, INT → ŁAT                0.734      0.380 0.528
3. bez mediacji: ŁAT → INT, UŻY → INT                   0.734      0.522 0.619

Kontrola w cSEM i SRMR

Dane wejściowe: obiekt pozycje z poprzedniego fragmentu.

Co odczytać: GoF powinien być taki sam jak w seminr; SRMR poniżej 0,08 to często przyjmowane kryterium dopasowania.

R
library(cSEM)                    # kontrola: GoF i SRMR w drugim pakiecie
cm <- csem(pozycje, "
  Latwosc     =~ LAT1 + LAT2 + LAT3 + LAT4
  Uzytecznosc =~ UZY1 + UZY2 + UZY3 + UZY4
  Intencja    =~ INT1 + INT2 + INT3 + INT4
  Uzytecznosc ~ Latwosc
  Intencja    ~ Latwosc + Uzytecznosc", .disattenuate = FALSE)
a <- assess(cm, .quality_criterion = c("gof", "srmr"))
unlist(a[c("GoF", "SRMR")])
Wynik w R
       GoF       SRMR 
0.52798165 0.06152621

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3. 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. seminr (wersja 2.5.0): Ray, S., Danks, N. P., & Calero Valdez, A. (2026). seminr: Building and estimating structural equation models [R package]. https://CRAN.R-project.org/package=seminr
  3. cSEM (wersja 0.6.1): Rademaker, M. E., & Schuberth, F. (2025). cSEM: Composite-based structural equation modeling [R package]. https://CRAN.R-project.org/package=cSEM
  4. readxl (wersja 1.4.5): Wickham, H., & Bryan, J. (2025). readxl: Read Excel files [R package]. https://CRAN.R-project.org/package=readxl

Jak opisać GoF w pracy

Jeśli musisz podać GoF, opisz go jako wskaźnik opisowy i uzupełnij o miary zalecane w PLS-SEM:

Model pomiarowy spełniał kryteria rzetelności i trafności zbieżnej (wszystkie ładunki > 0,78; AVE od 0,714 do 0,764). Model strukturalny wyjaśniał 23,8% wariancji użyteczności i 52,1% wariancji intencji zakupu. Dla porównania z wcześniejszymi badaniami podano również GoF Tenenhausa = 0,528; wskaźnik ten podsumowuje średnią komunalność i średnie R², ale nie jest miarą dopasowania modelu (Henseler i Sarstedt, 2013). Dopasowanie modelu oceniono na podstawie SRMR = 0,062.

Najczęstsze błędy

  • Nazywanie GoF „dopasowaniem modelu” i wnioskowanie, że wysoki GoF potwierdza teorię.
  • Liczenie średniej komunalności z konstruktów formatywnych lub jednowskaźnikowych — ich komunalność nie ma sensu albo z definicji wynosi 1.
  • Średnia z AVE bez ważenia przy różnej liczbie wskaźników w konstruktach.
  • Mylenie GoF z GFI — GFI to miara dopasowania w klasycznym CB-SEM.
  • Porównywanie GoF modeli o różnej liczbie zmiennych endogenicznych — jak pokazuje model 3, sama zmiana struktury zmienia średnie R².

Najczęstsze pytania

Jaki jest wzór na GoF Tenenhausa?

GoF = √(średnia komunalność × średnie R²). Średnią komunalność liczy się jako średnią kwadratów ładunków wszystkich wskaźników refleksyjnych (przy równej liczbie wskaźników to po prostu średnie AVE), a średnie R² — jako średnią współczynników determinacji zmiennych endogenicznych w modelu strukturalnym.

Jakie wartości GoF są dobre?

Wetzels, Odekerken-Schröder i van Oppen (2009) zaproponowali progi 0,10 (mały), 0,25 (średni) i 0,36 (duży). Progi te wynikają z konwencji Cohena dla R² i komunalności 0,50, a nie z badań symulacyjnych, więc nie mówią, czy model jest poprawny.

Czy GoF to miara dopasowania modelu PLS-SEM?

Nie. Henseler i Sarstedt (2013) pokazali, że GoF nie odróżnia modeli poprawnie i błędnie określonych. Na tej stronie model z odwróconym kierunkiem zależności uzyskał taki sam GoF jak model teoretyczny. Jako miarę dopasowania w PLS-SEM stosuje się raczej SRMR i testy oparte na bootstrapie.

Czy w pracy trzeba raportować GoF?

Aktualne wytyczne raportowania PLS-SEM nie zalecają GoF (Henseler i in., 2016). Jeśli recenzent lub promotor go wymaga, podaj wartość z wyraźnym zastrzeżeniem, że to opisowe podsumowanie jakości modelu pomiarowego i strukturalnego, a nie test dopasowania, i uzupełnij ją o R², f², Q² lub PLSpredict oraz SRMR.

Czym GoF różni się od GFI?

GoF Tenenhausa dotyczy PLS-SEM i łączy komunalności z R². GFI (goodness-of-fit index) to miara dopasowania w klasycznym SEM opartym na kowariancjach, oparta na różnicy między macierzą obserwowaną a odtworzoną przez model. Mimo podobnych nazw to zupełnie inne wskaźniki.

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. Tenenhaus, M., Amato, S., & Esposito Vinzi, V. (2004). A global goodness-of-fit index for PLS structural equation modelling. W Proceedings of the XLII SIS Scientific Meeting (s. 739–742). CLEUP.
  2. Tenenhaus, M., Esposito Vinzi, V., Chatelin, Y.-M., & Lauro, C. (2005). PLS path modeling. Computational Statistics & Data Analysis, 48(1), 159–205. https://doi.org/10.1016/j.csda.2004.03.005
  3. Wetzels, M., Odekerken-Schröder, G., & van Oppen, C. (2009). Using PLS path modeling for assessing hierarchical construct models: Guidelines and empirical illustration. MIS Quarterly, 33(1), 177–195. https://doi.org/10.2307/20650284
  4. Esposito Vinzi, V., Trinchera, L., & Amato, S. (2010). PLS path modeling: From foundations to recent developments and open issues for model assessment and improvement. W V. Esposito Vinzi, W. W. Chin, J. Henseler i H. Wang (red.), Handbook of partial least squares (s. 47–82). Springer. https://doi.org/10.1007/978-3-540-32827-8_3
  5. Henseler, J., & Sarstedt, M. (2013). Goodness-of-fit indices for partial least squares path modeling. Computational Statistics, 28(2), 565–580. https://doi.org/10.1007/s00180-012-0317-1 ● Otwarty dostęp
  6. Henseler, J., Hubona, G., & Ray, P. A. (2016). Using PLS path modeling in new technology research: Updated guidelines. Industrial Management & Data Systems, 116(1), 2–20. https://doi.org/10.1108/IMDS-09-2015-0382 ● Otwarty dostęp: pełny tekst
  7. Hair, J. F., Jr., Hult, G. T. M., Ringle, C. M., Sarstedt, M., Danks, N. P., & Ray, S. (2021). Partial least squares structural equation modeling (PLS-SEM) using R: A workbook. Springer. https://doi.org/10.1007/978-3-030-80519-7 ● Otwarty dostęp

Cytowania BibTeX

@inproceedings{tenenhaus2004global, author={Tenenhaus, Michel and Amato, Silvano and Esposito Vinzi, Vincenzo}, title={A global goodness-of-fit index for {PLS} structural equation modelling}, booktitle={Proceedings of the XLII SIS Scientific Meeting}, pages={739--742}, publisher={CLEUP}, address={Padova}, year={2004}}
@article{tenenhaus2005pls, author={Tenenhaus, Michel and Esposito Vinzi, Vincenzo and Chatelin, Yves-Marie and Lauro, Carlo}, title={PLS path modeling}, journal={Computational Statistics \& Data Analysis}, year={2005}, volume={48}, number={1}, pages={159--205}, doi={10.1016/j.csda.2004.03.005}}
@article{wetzels2009using, author={Wetzels, Martin and Odekerken-Schr{\"o}der, Gaby and van Oppen, Claudia}, title={Using PLS path modeling for assessing hierarchical construct models: Guidelines and empirical illustration}, journal={MIS Quarterly}, year={2009}, volume={33}, number={1}, pages={177--195}, doi={10.2307/20650284}}
@incollection{vinzi2010pls, author={Esposito Vinzi, Vincenzo and Trinchera, Laura and Amato, Silvano}, title={{PLS} path modeling: From foundations to recent developments and open issues for model assessment and improvement}, booktitle={Handbook of Partial Least Squares}, editor={Esposito Vinzi, Vincenzo and Chin, Wynne W. and Henseler, J{\"o}rg and Wang, Huiwen}, pages={47--82}, publisher={Springer}, year={2010}, doi={10.1007/978-3-540-32827-8_3}}
@article{henseler2013goodnessoffit, author={Henseler, J{\"o}rg and Sarstedt, Marko}, title={Goodness-of-fit indices for partial least squares path modeling}, journal={Computational Statistics}, year={2013}, volume={28}, number={2}, pages={565--580}, doi={10.1007/s00180-012-0317-1}}
@article{henseler2016using, author={Henseler, J{\"o}rg and Hubona, Geoffrey and Ray, Pauline Ash}, title={Using PLS path modeling in new technology research: Updated guidelines}, journal={Industrial Management \& Data Systems}, year={2016}, volume={116}, number={1}, pages={2--20}, doi={10.1108/IMDS-09-2015-0382}}
@book{hair2021plssem, author={Hair, Joseph F., Jr. and Hult, G. Tomas M. and Ringle, Christian M. and Sarstedt, Marko and Danks, Nicholas P. and Ray, Soumya}, title={Partial Least Squares Structural Equation Modeling ({PLS-SEM}) Using {R}: A Workbook}, publisher={Springer}, address={Cham}, year={2021}, doi={10.1007/978-3-030-80519-7}}
R