Co oznacza Hierarchiczna zmienna latentna (konstrukt wyższego rzędu)?
Zastosowanie, warunki i dobre praktyki
Konstrukt wyższego rzędu porządkuje kilka wymiarów pierwszego rzędu pod wspólnym pojęciem albo kompozytem. Trzeba oddzielnie uzasadnić relacje między poziomami: mogą być refleksyjne lub formatywne w różnych kombinacjach. Wybór podejścia powtórzonych wskaźników, dwuetapowego lub hybrydowego wpływa na identyfikację i interpretację, dlatego musi być jawnie opisany.
Najważniejsze zastosowanie: Stosuj, gdy teoria przewiduje nadrzędny wymiar i każdy poziom ma odrębną definicję. Porównaj podejście repeated indicators, two-stage i disjoint two-stage oraz sprawdź identyfikację i znaczenie wag lub ładunków.
Jak poprawnie stosować i interpretować hasło „Hierarchiczna zmienna latentna (konstrukt wyższego rzędu)”?
Przy ocenie pojęcia „Hierarchiczna zmienna latentna (konstrukt wyższego rzędu)” trzeba najpierw zdefiniować konstrukt, populację, przeznaczenie wyniku i model łączący konstrukt ze wskaźnikami. Przy ocenie hasła „Hierarchiczna zmienna latentna (konstrukt wyższego rzędu)” dopiero potem dobiera się współczynnik lub kryterium. W analizie dotyczącej hasła „Hierarchiczna zmienna latentna (konstrukt wyższego rzędu)” w modelu refleksyjnym wskaźniki są przejawami wspólnej zmiennej, natomiast w formatywnym tworzą kompozyt; zamiana tych logik zmienia znaczenie ładunków, korelacji i oceny jakości.
Ocena pojęcia „Hierarchiczna zmienna latentna (konstrukt wyższego rzędu)” powinna łączyć treść pozycji, strukturę wewnętrzną, rzetelność oraz relacje z innymi zmiennymi. Dla interpretacji hasła „Hierarchiczna zmienna latentna (konstrukt wyższego rzędu)” żaden pojedynczy współczynnik nie dowodzi trafności całego zastosowania. W odniesieniu do hasła „Hierarchiczna zmienna latentna (konstrukt wyższego rzędu)” należy sprawdzić niepewność estymat, stabilność w istotnych grupach, jakość kodowania pozycji odwróconych i to, czy wynik jest wystarczająco precyzyjny dla decyzji grupowej albo indywidualnej.
Co trzeba opisać w raporcie?
W raporcie dotyczącym „Hierarchiczna zmienna latentna (konstrukt wyższego rzędu)” trzeba nazwać model pomiarowy, wskaźniki, sposób skalowania i użyty estymator. Przy ocenie hasła „Hierarchiczna zmienna latentna (konstrukt wyższego rzędu)” wyniki powinny obejmować właściwe estymaty z przedziałami ufności oraz dowody odpowiadające konkretnemu pytaniu o rzetelność lub trafność. W analizie dotyczącej hasła „Hierarchiczna zmienna latentna (konstrukt wyższego rzędu)” wszelkie progi należy uzasadnić, a decyzje o usunięciu pozycji powiązać z ich treścią.
Zakres raportowania dla hasła „Hierarchiczna zmienna latentna (konstrukt wyższego rzędu)”: Pokaż diagram obu poziomów, typ każdej relacji, sposób uzyskania wyników niższego rzędu, wagi/ładunki z CI oraz analizę trafności całej hierarchii.
Przykład praktyczny i gotowa interpretacja
Sytuacja: Jakość usług może być nadrzędnym konstruktem tworzonym przez jakość kontaktu, niezawodność i szybkość. Jeśli wymiary tworzą całość, są kompozytowe; jeśli są skutkami wspólnej jakości, model ma inne założenia.
Jak ją zinterpretować: Konstrukt wyższego rzędu porządkuje zależności między wymiarami pierwszego rzędu, lecz nie zwalnia z uzasadnienia typu relacji na obu poziomach. Podejście estymacyjne wpływa na znaczenie wyniku i musi być jawne.
Najczęstsza pułapka i granica interpretacji
Nie zakładaj automatycznie, że drugi rząd jest refleksyjny. Repeated indicators mogą nadmiernie ważyć konstrukty z większą liczbą pozycji.
Wysoka wartość wskaźnika związanego z „Hierarchiczna zmienna latentna (konstrukt wyższego rzędu)” nie naprawia błędnej operacjonalizacji. Dla interpretacji hasła „Hierarchiczna zmienna latentna (konstrukt wyższego rzędu)” jakość pomiaru dotyczy określonej interpretacji wyniku w danej populacji i nie przenosi się automatycznie na inne zastosowanie.
Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Wetzels et al., 2009).
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)
- 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.
- van Riel, A. C. R., Henseler, J., Kemény, I., & Sasovova, Z. (2017). Estimating hierarchical constructs using consistent partial least squares: The case of second-order composites of common factors. Industrial Management & Data Systems, 117(3), 459–477. https://doi.org/10.1108/IMDS-07-2016-0286
- Dijkstra, T. K., & Henseler, J. (2015). Consistent partial least squares path modeling. MIS Quarterly, 39(2), 297–316. https://doi.org/10.25300/MISQ/2015/39.2.02
- 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
- 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
- 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{wetzels2009hierarchical, author={Wetzels, Martin and Odekerken-Schröder, 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}}@article{vanriel2017hierarchical, author={van Riel, Allard C. R. and Henseler, Jörg and Kemény, Ildikó and Sasovova, Zuzana}, title={Estimating Hierarchical Constructs Using Consistent Partial Least Squares: The Case of Second-Order Composites of Common Factors}, journal={Industrial Management and Data Systems}, year={2017}, volume={117}, number={3}, pages={459--477}, doi={10.1108/IMDS-07-2016-0286}}@article{dijkstra2015plsc, author={Dijkstra, Theo K. and Henseler, Jörg}, title={Consistent Partial Least Squares Path Modeling}, journal={MIS Quarterly}, year={2015}, volume={39}, number={2}, pages={297--316}, doi={10.25300/MISQ/2015/39.2.02}}@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{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}}@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}}