Słownik metodologiczny · Modele SEM

HTMT (heterotrait-monotrait ratio)

Pełne wyjaśnienie, zastosowanie naukowe i praktyczne, przykład, dobre praktyki oraz gotowy zapis wyniku w APA 7.

Strona główna / Słownik / HTMT (heterotrait-monotrait ratio)

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Czym jest HTMT?

HTMT (heterotrait-monotrait ratio) jest miarą podobieństwa dwóch konstruktów mierzonych refleksyjnie. Porównuje korelacje wskaźników należących do różnych konstruktów z korelacjami wskaźników przypisanych do tego samego konstruktu. Służy do oceny trafności różnicowej, czyli pytania, czy dwa pojęcia teoretyczne są empirycznie odrębne.

Co dokładnie sprawdza HTMT i kiedy go stosować?

Najważniejsze zastosowanie: ocena, czy dwie refleksyjnie mierzone zmienne latentne są empirycznie rozróżnialne w określonym modelu pomiarowym.

Załóżmy, że kwestionariusz zawiera osobne skale satysfakcji i lojalności. Jeżeli odpowiedzi na pozycje obu skal korelują ze sobą prawie tak samo silnie jak pozycje wewnątrz każdej skali, dane mogą nie rozróżniać tych konstruktów. HTMT ujmuje tę relację liczbowo. Nie bada jednak trafności treściowej, nie ocenia rzetelności każdej skali i nie wskazuje automatycznie, który konstrukt albo którą pozycję należy usunąć.

Miara została zaproponowana jako odpowiedź na niską czułość kryterium Fornella–Larckera i kontroli ładunków krzyżowych w typowych sytuacjach braku trafności różnicowej. Stosuje się ją przede wszystkim dla par konstruktów z refleksyjnymi wskaźnikami. W modelu formatywnym korelacje między wskaźnikami mają inne znaczenie, dlatego HTMT nie jest jego uniwersalnym kryterium jakości.

Wartość punktową można porównać z wcześniej uzasadnionym kryterium, często .85 lub .90, ale próg nie jest prawem statystycznym. Konstrukty bardzo podobne teoretycznie mogą wymagać innego uzasadnienia niż pojęcia wyraźnie odrębne. Mocniejsza ocena wykorzystuje bootstrapowy przedział ufności: jeżeli przedział obejmuje 1, dane nie pozwalają wykluczyć braku rozróżnialności pary konstruktów.

Jak oblicza się HTMT?

HTMTab = średnia(|rij|, i∈a, j∈b) / √[średnia(|rik|) · średnia(|rjl|)]

W liczniku znajduje się średnia bezwzględnych korelacji między wskaźnikami konstruktu a i wskaźnikami konstruktu b. W mianowniku występuje pierwiastek z iloczynu średnich korelacji między różnymi wskaźnikami wewnątrz obu konstruktów. Im bardziej korelacje między konstruktami przypominają korelacje wewnątrz konstruktów, tym HTMT jest bliższe 1. Szczegóły obliczeń, między innymi obsługa znaków korelacji i sposób budowy przedziału bootstrapowego, należy powiązać z użytym pakietem i wariantem procedury.

Przykład praktyczny i pełna interpretacja

W refleksyjnym modelu pomiarowym satysfakcji i lojalności, oszacowanym na podstawie danych 312 osób, otrzymano HTMT = .82. Percentylowy 95% przedział bootstrapowy wyznaczony na podstawie 5000 replikacji wyniósł [.74, 1.03]. Wartość punktowa była niższa od przyjętego kryterium .85, jednak przedział obejmował 1. Dane nie pozwalają więc jednoznacznie potwierdzić trafności różnicowej tej pary konstruktów. Przed podjęciem decyzji o zmianie modelu należy sprawdzić treść pozycji, korelacje błędów, ładunki krzyżowe oraz dopasowanie modelu łączącego oba konstrukty w jeden czynnik.

Dobre praktyki

  • Obliczaj HTMT dla każdej pary konstruktów refleksyjnych i pokaż wyniki w macierzy.
  • Ustal kryterium interpretacji przed obejrzeniem wyników i uzasadnij je podobieństwem konstruktów oraz literaturą dziedzinową.
  • Raportuj przedział bootstrapowy, liczbę replikacji i rodzaj przedziału, a nie tylko wartość punktową.
  • Jeżeli wynik jest nierozstrzygający, porównaj modele alternatywne i wróć do treści wskaźników; nie usuwaj pozycji wyłącznie po to, by zejść poniżej progu.

Jak zaraportować HTMT w standardzie APA 7?

Trafność różnicową konstruktów [A] i [B] oceniono za pomocą HTMT. Uzyskano HTMT = [wartość], 95% [rodzaj] bootstrap CI [[dolna], [górna]] na podstawie [liczba] replikacji. Wartość punktowa była [niższa/wyższa] od przyjętego kryterium [wartość], a przedział [nie obejmował/obejmował] 1. Wynik [wspiera rozróżnialność konstruktów/nie pozwala jej jednoznacznie potwierdzić]. Decyzję uzupełniono oceną [treści pozycji, modeli alternatywnych i pozostałych diagnostyk].

Najczęstsze błędy interpretacyjne

HTMT = .84 nie jest automatycznie „dobrym” wynikiem, a HTMT = .86 automatycznie „złym”. Taka klasyfikacja ignoruje niepewność, model pomiarowy i sens teoretyczny konstruktów. Niska wartość HTMT nie dowodzi również trafności treściowej ani kryterialnej.

Pytanie kontrolne: Czy pozycje obu skal rzeczywiście reprezentują odrębne domeny, a przedział ufności wyklucza wartości oznaczające brak rozróżnialności?

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Henseler et al., 2015).

Powiązane hasła

AVE (średnia wyodrębniona wariancja)Ładunek zewnętrzny (outer loading)Macierz ładunków i ładunków krzyżowychRzetelność kompozytowa (Composite Reliability, rho_C)Rzetelność rho_A Dijkstry-HenseleraAIC i BIC w SEM

Poradniki, w których użyjesz tego pojęcia

Poradnik

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 →Poradnik

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 →Poradnik

PLS-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 studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43, 115–135. https://doi.org/10.1007/s11747-014-0403-8
  2. Rönkkö, M., & Cho, E. (2022). An updated guideline for assessing discriminant validity. Organizational Research Methods, 25(1), 6–14. https://doi.org/10.1177/1094428120968614
  3. 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
  4. 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
  5. Hair, J. F., Sarstedt, M., & Ringle, C. M. (2019). Rethinking some of the rethinking of partial least squares. European Journal of Marketing, 53(4), 566–584. https://doi.org/10.1108/EJM-10-2018-0665
  6. 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

Cytowania BibTeX

@article{henseler2015htmt, author={Henseler, Jörg and Ringle, Christian M. and Sarstedt, Marko}, title={A New Criterion for Assessing Discriminant Validity in Variance-Based Structural Equation Modeling}, journal={Journal of the Academy of Marketing Science}, year={2015}, volume={43}, pages={115--135}, doi={10.1007/s11747-014-0403-8}}
@article{ronkko2022discriminant, author={Rönkkö, Mikko and Cho, Eunseong}, title={An Updated Guideline for Assessing Discriminant Validity}, journal={Organizational Research Methods}, year={2022}, volume={25}, number={1}, pages={6--14}, doi={10.1177/1094428120968614}}
@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{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{hair2019rethinking, author={Hair, Joseph F. and Sarstedt, Marko and Ringle, Christian M.}, title={Rethinking Some of the Rethinking of Partial Least Squares}, journal={European Journal of Marketing}, year={2019}, volume={53}, number={4}, pages={566--584}, doi={10.1108/EJM-10-2018-0665}}
@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}}
R