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
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.
| Konstrukt | Ładunki zewnętrzne | Średnia komunalność (AVE) | R² konstruktu |
|---|---|---|---|
| Łatwość korzystania | 0,87; 0,91; 0,82; 0,90 | 0,764 | — (egzogeniczny) |
| Użyteczność | 0,87; 0,86; 0,83; 0,84 | 0,726 | 0,238 |
| Intencja zakupu | 0,79; 0,86; 0,87; 0,85 | 0,714 | 0,521 |
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:
- Średnia komunalność = średnia z 12 kwadratów ładunków = 0,734 (konstrukty mają po 4 wskaźniki, więc to także średnia z trzech AVE).
- Średnie R² = (0,238 + 0,521) / 2 = 0,380 (łatwość korzystania jest egzogeniczna i nie ma R²).
- 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:
| Model strukturalny | Średnia komunalność | Średnie R² | GoF |
|---|---|---|---|
| ŁAT → UŻY → INT, ŁAT → INT (1) | 0,734 | 0,380 | 0,528 |
| INT → UŻY → ŁAT, INT → ŁAT (2) | 0,734 | 0,380 | 0,528 |
| ŁAT → INT, UŻY → INT (3) | 0,734 | 0,522 | 0,619 |
- 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 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
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 0.619Kontrola w cSEM i SRMR
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 0.06152621Bibliografia oprogramowania
Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3. 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/
- 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
- 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
- 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:
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
PLS-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 →PoradnikPLS-SEM czy CB-SEM? Porównanie metod i praktyczna decyzja
Neutralne porównanie PLS-SEM i CB-SEM: cel, rodzaj konstruktu, estymacja, dopasowanie, predykcja, próba i raportowanie bez popularnych mitów.
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)
- 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.
- 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
- 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
- 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
- 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
- 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
- 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}}