Słownik metodologiczny · Modele SEM

IPMA (importance-performance map analysis) – jak policzyć i odczytać mapę ważności i wydajności w PLS-SEM

IPMA zestawia ważność poprzedników (efekty całkowite) z ich wydajnością (średnimi 0–100) i wskazuje, co warto poprawić, by podnieść zmienną docelową. Pokazujemy procedurę krok po kroku, mapę, interpretację ćwiartek i kod w R.

W skrócie: IPMA (importance-performance map analysis) to analiza dodatkowa w PLS-SEM, która dla każdego poprzednika zmiennej docelowej zestawia ważność (niestandaryzowany efekt całkowity) i wydajność (średni wynik konstruktu na skali 0–100). Priorytetem są konstrukty o wysokiej ważności i niskiej wydajności – w przykładzie na tej stronie jasność wymagań: wzrost jej wydajności o 10 punktów przewiduje wzrost zaangażowania o 3.2 punktu. Wskaźniki przeskaluj według teoretycznego zakresu skali i upewnij się, że wszystkie mają tę samą orientację.

Co to jest IPMA?

IPMA (ang. importance-performance map analysis, analiza mapy ważności i wydajności) to rozszerzenie wyników PLS-SEM, które dla każdego poprzednika wybranej zmiennej docelowej zestawia dwie informacje:

  • ważność (importance) – jak silnie poprzednik wpływa na zmienną docelową (niestandaryzowany efekt całkowity);
  • wydajność (performance) – jak wysoko respondenci oceniają poprzednik (średni wynik konstruktu na skali 0–100).

Idea pochodzi z analizy ważności i wykonania w marketingu. Martilla i James (1977) opisali ją jako prostą technikę łącznego pomiaru ważności i wykonania cech usługi. Ringle i Sarstedt (2016) przenieśli ją do PLS-SEM. Zwykła analiza ścieżek mówi tylko, co jest ważne. IPMA dodaje drugi wymiar: gdzie jest jeszcze miejsce na poprawę. W psychologii przydaje się wszędzie tam, gdzie wyniki mają prowadzić do działań: w badaniach satysfakcji studentów, klimatu pracy czy oceny programów profilaktycznych.

Jak liczy się ważność i wydajność?

Procedura według Ringle i Sarstedt (2016) ma cztery kroki.

  1. Przeskaluj wskaźniki na 0–100 według teoretycznego zakresu skali, a nie wartości obserwowanych:
    x′ = (x − min) / (max − min) × 100
    Dla pozycji 1–7 odpowiedź 4 daje 50, a odpowiedź 7 – 100.
  2. Policz wyniki konstruktów na skali 0–100. Użyj niestandaryzowanych wag zewnętrznych (waga standaryzowana podzielona przez SD wskaźnika), przeskalowanych tak, by sumowały się do 1 w każdym konstrukcie. Wynik konstruktu to średnia ważona przeskalowanych wskaźników.
  3. Wydajność to średnia tego wyniku w próbie.
  4. Ważność to niestandaryzowany efekt całkowity poprzednika na zmienną docelową w modelu oszacowanym na wynikach 0–100. Efekt całkowity to efekt bezpośredni plus efekty pośrednie.

Ważność ma prostą interpretację: wzrost wydajności poprzednika o 1 punkt (na 100) zmienia wydajność zmiennej docelowej o tyle punktów, ile wynosi ważność. Ringle i Sarstedt (2016) zaznaczają, że IPMA ma wymagania dotyczące skal pomiaru, kodowania zmiennych i oszacowań wag wskaźników oraz zakłada zależności liniowe. W praktyce oznacza to skale o tej samej orientacji (wyżej = lepiej) i dodatnie wagi zewnętrzne. Jeśli któraś pozycja jest odwrócona, przekoduj ją przed analizą.

Przykład: co zwiększy zaangażowanie studentów w naukę?

320 studentów (dane symulowane) oceniło na skali 1–7 (po 3 pozycje): wsparcie prowadzących, jasność wymagań, autonomię w nauce, satysfakcję ze studiów i zaangażowanie w naukę (zmienna docelowa). W modelu PLS-SEM trzy pierwsze konstrukty wpływają na satysfakcję i zaangażowanie, a satysfakcja – na zaangażowanie. Model wyjaśnia 27.7% wariancji zaangażowania (R² = .277). Standaryzowane efekty całkowite na zaangażowanie wynoszą: jasność wymagań .335, satysfakcja .317, wsparcie .159 i autonomia .104.

Wyniki IPMA dla zaangażowania w naukę: ważność i wydajność czterech poprzedników
PoprzednikWażność (efekt całkowity, niestand.)Wydajność (0–100)Wniosek
Jasność wymagań0.3244.1Priorytet: ważne i najsłabiej oceniane
Satysfakcja ze studiów0.3261.4Ważne, ocenione dobrze – utrzymać
Wsparcie prowadzących0.1664.9Najlepiej oceniane, umiarkowanie ważne
Autonomia w nauce0.1056.4Mało ważne dla zaangażowania

Wydajność samego zaangażowania wynosi 56.2. Średnia ważność czterech poprzedników to 0.23, a średnia wydajność 56.7. Te dwie wartości dzielą mapę na ćwiartki (rysunek 1). Jasność wymagań ląduje w prawej dolnej ćwiartce: ma najwyższą ważność, a najniższą wydajność. Wzrost jej wydajności o 10 punktów, np. z 44 do 54, przewiduje wzrost zaangażowania o 3.23 punktu. Ten sam wzrost wsparcia prowadzących dałby tylko ok. 1.6 punktu, a przy tym wsparcie jest już oceniane najwyżej.

Mapa IPMA: oś pozioma to ważność, pionowa wydajność 0–100. Jasność wymagań (0.32; 44.1) w prawej dolnej ćwiartce oznaczonej jako priorytet, satysfakcja ze studiów (0.32; 61.4) w prawej górnej, wsparcie prowadzących (0.16; 64.9) w lewej górnej, autonomia (0.10; 56.4) w lewej, blisko średniej wydajności
Rysunek 1. Mapa ważności i wydajności dla zaangażowania w naukę. Linie przerywane to średnia ważność i średnia wydajność poprzedników. Zaznaczona ćwiartka (wysoka ważność, niska wydajność) wskazuje obszary, których poprawa najbardziej podniesie zmienną docelową. Obliczenia: R (dane symulowane).

Dwa szczegóły interpretacji:

  • Ważność to efekt całkowity, a nie ścieżka bezpośrednia. Wsparcie ma małą ścieżkę bezpośrednią na zaangażowanie (.083), ale działa też przez satysfakcję. IPMA bierze pod uwagę oba kanały.
  • Ćwiartki są względne. Granice wyznaczają średnie z analizowanych konstruktów, więc „niska wydajność” znaczy „niższa niż pozostałych poprzedników”, a nie „zła” w sensie bezwzględnym.

Analizę można też zrobić na poziomie wskaźników. Wtedy ważność to efekt całkowity pojedynczej pozycji (np. „wiem, jakie są kryteria zaliczenia”), a wydajność – jej średnia na 0–100. Tak wskazuje się bardzo konkretne obszary działań.

Kiedy IPMA ma sens, a kiedy nie?

IPMA najlepiej działa, gdy spełnione są cztery warunki:

  • Skale z sensownym zakresem. Wskaźniki mierzone na skalach typu Likerta albo ocenach 0–10 mają naturalne minimum i maksimum, więc wynik 0–100 jest łatwy do wyjaśnienia. Przy zmiennych bez górnej granicy, np. liczbie godzin nauki, wydajność traci interpretację.
  • Zmienna docelowa ma praktyczne znaczenie, np. zaangażowanie, satysfakcja albo intencja kontynuowania studiów, a poprzedniki da się zmieniać działaniami.
  • Model ma rozsądną moc wyjaśniającą. Gdy R² zmiennej docelowej jest bardzo niskie, różnice ważności są małe i mapa niewiele mówi. Do oceny trafności predykcyjnej służy PLSpredict.
  • Porównania grup na tej samej mapie wymagają wcześniej sprawdzenia, czy kompozyty mierzą to samo w grupach (MICOM). Inaczej różnica wydajności może wynikać z różnego pomiaru.

IPMA nie zastępuje testowania hipotez o ścieżkach. To narzędzie do porządkowania priorytetów, które uzupełnia raport z oceny modelu. Pomysł pochodzi z badań satysfakcji klientów, ale w psychologii pasuje do ewaluacji programów, badań klimatu w zespole i ocen jakości kształcenia.

Jak opisać IPMA w pracy

Najpierw opisz ocenę modelu pomiarowego i strukturalnego według przyjętych kryteriów PLS-SEM (Hair i in., 2019). IPMA to analiza dodatkowa, sensowna tylko przy poprawnym modelu. Podaj zmienną docelową, sposób przeskalowania, ważność i wydajność w tabeli albo na mapie oraz wniosek praktyczny. Wzór:

W celu wskazania obszarów, których poprawa najbardziej zwiększyłaby zaangażowanie w naukę, przeprowadzono analizę mapy ważności i wydajności (IPMA; Ringle i Sarstedt, 2016). Wskaźniki przeskalowano na zakres 0–100 według teoretycznego zakresu skali (1–7). Ważność zdefiniowano jako niestandaryzowany efekt całkowity na zaangażowanie, a wydajność jako średni wynik konstruktu. Najwyższą ważność i jednocześnie najniższą wydajność miała jasność wymagań (ważność = 0.32, wydajność = 44.1): wzrost jej wydajności o 10 punktów wiązałby się ze wzrostem zaangażowania o 3.2 punktu. Satysfakcja ze studiów była równie ważna (0.32), ale oceniana wyżej (61.4). Wsparcie prowadzących miało najwyższą wydajność (64.9) przy umiarkowanej ważności (0.16), a autonomia – najniższą ważność (0.10).

Pamiętaj, że dane są przekrojowe. Ważność to przewidywanie w modelu, a nie dowód, że interwencja zwiększająca jasność wymagań na pewno podniesie zaangażowanie. W rozdziale dyskusji pisz o tym ostrożnie. Pełny przebieg analizy PLS-SEM w R pokazuje wpis PLS-SEM w R: seminr i cSEM.

Przykład reprodukowalny

Przykład w R

Kod tworzy dane z przykładu, szacuje model PLS-SEM w seminr i krok po kroku liczy IPMA: przeskalowanie, niestandaryzowane wagi, wyniki 0–100, wydajność i efekty całkowite. Liczby w tabeli, tekście i na rysunku 1 pochodzą z tego kodu.

IPMA na wynikach seminr

Dane wejściowe: 320 studentów (dane symulowane, set.seed(111)), 15 pozycji 1–7: wsparcie (wsp1–3), jasność wymagań (jas1–3), autonomia (aut1–3), satysfakcja (sat1–3), zaangażowanie (zan1–3).

Co odczytać: współczynniki ścieżek i R² (s$paths), standaryzowane efekty całkowite (s$total_effects), tabelę ipma z ważnością i wydajnością, średnie wyznaczające ćwiartki oraz przewidywaną zmianę zaangażowania przy wzroście jasności wymagań o 10 punktów.

R
# IPMA (importance-performance map analysis) na wynikach PLS-SEM w seminr
library(seminr)

# Dane symulowane: 320 studentów, pozycje na skali 1–7.
# Wsparcie prowadzących (WSP), jasność wymagań (JAS), autonomia (AUT) -> satysfakcja (SAT) -> zaangażowanie (ZAN)
set.seed(111)
n <- 320
WSP <- rnorm(n); JAS <- 0.35 * WSP + rnorm(n, sd = 0.94); AUT <- 0.30 * WSP + rnorm(n, sd = 0.95)
SAT <- 0.35 * WSP + 0.15 * JAS + 0.25 * AUT + rnorm(n, sd = 0.78)
ZAN <- 0.45 * SAT + 0.10 * WSP + 0.30 * JAS + 0.05 * AUT + rnorm(n, sd = 0.78)
pozycje <- function(lv, srodki, nazwa) {
  m <- sapply(srodki, function(s) pmin(pmax(round(s + 1.25 * (0.82 * as.numeric(scale(lv)) + 0.57 * rnorm(n))), 1), 7))
  colnames(m) <- paste0(nazwa, seq_along(srodki)); m
}
dane <- as.data.frame(cbind(pozycje(WSP, c(4.9, 5.1, 4.8), "wsp"), pozycje(JAS, c(3.6, 3.8, 3.5), "jas"),
                            pozycje(AUT, c(4.4, 4.2, 4.5), "aut"), pozycje(SAT, c(4.6, 4.8, 4.7), "sat"),
                            pozycje(ZAN, c(4.3, 4.5, 4.2), "zan")))

mm <- constructs(
  composite("WSP", multi_items("wsp", 1:3)), composite("JAS", multi_items("jas", 1:3)),
  composite("AUT", multi_items("aut", 1:3)), composite("SAT", multi_items("sat", 1:3)),
  composite("ZAN", multi_items("zan", 1:3)))
sm <- relationships(paths(from = c("WSP", "JAS", "AUT"), to = c("SAT", "ZAN")), paths(from = "SAT", to = "ZAN"))
pls <- estimate_pls(data = dane, measurement_model = mm, structural_model = sm)
s <- summary(pls)
round(s$paths, 3)
round(s$total_effects, 3)

# --- IPMA krok po kroku (Ringle i Sarstedt, 2016) ---
# 1. Przeskalowanie wskaźników na 0–100 według teoretycznego zakresu skali (1–7)
d100 <- (dane - 1) / (7 - 1) * 100
# 2. Wagi niestandaryzowane (waga standaryzowana / SD wskaźnika), sumujące się do 1 w każdym konstrukcie
W <- pls$outer_weights
konstrukty <- colnames(W)
wyniki <- sapply(konstrukty, function(k) {
  w <- W[W[, k] != 0, k]
  w_n <- w / apply(dane[, names(w)], 2, sd)
  w_n <- w_n / sum(w_n)
  as.matrix(d100[, names(w)]) %*% w_n          # wynik konstruktu na skali 0–100
})
colnames(wyniki) <- konstrukty
# 3. Wydajność (performance) = średni wynik konstruktu 0–100
wydajnosc <- colMeans(wyniki)
# 4. Ważność (importance) = niestandaryzowany efekt całkowity na ZAN w modelu na wynikach 0–100
w <- as.data.frame(wyniki)
b_sat <- coef(lm(SAT ~ WSP + JAS + AUT, data = w))
b_zan <- coef(lm(ZAN ~ WSP + JAS + AUT + SAT, data = w))
waznosc <- c(WSP = b_zan[["WSP"]] + b_zan[["SAT"]] * b_sat[["WSP"]],
             JAS = b_zan[["JAS"]] + b_zan[["SAT"]] * b_sat[["JAS"]],
             AUT = b_zan[["AUT"]] + b_zan[["SAT"]] * b_sat[["AUT"]],
             SAT = b_zan[["SAT"]])
ipma <- data.frame(konstrukt = names(waznosc), waznosc = round(waznosc, 3),
                   wydajnosc = round(wydajnosc[names(waznosc)], 1))
print(ipma, row.names = FALSE)
cat("Średnia ważność:", round(mean(waznosc), 3), "| średnia wydajność:", round(mean(wydajnosc[names(waznosc)]), 1),
    "| wydajność ZAN:", round(wydajnosc[["ZAN"]], 1), "\n")
# Interpretacja ważności: wzrost wydajności JAS o 10 punktów -> przewidywany wzrost ZAN
cat("Wzrost JAS o 10 pkt -> ZAN +", round(10 * waznosc[["JAS"]], 2), "pkt\n")
saveRDS(ipma, "ipma.rds")
Wynik w R
         SAT   ZAN
R^2    0.197 0.277
AdjR^2 0.190 0.268
WSP    0.240 0.083
JAS    0.157 0.285
AUT    0.235 0.030
SAT        . 0.317
      WSP   JAS   AUT   SAT   ZAN
WSP 0.000 0.000 0.000 0.240 0.159
JAS 0.000 0.000 0.000 0.157 0.335
AUT 0.000 0.000 0.000 0.235 0.104
SAT 0.000 0.000 0.000 0.000 0.317
ZAN 0.000 0.000 0.000 0.000 0.000
 konstrukt waznosc wydajnosc
       WSP   0.161      64.9
       JAS   0.323      44.1
       AUT   0.101      56.4
       SAT   0.319      61.4
Średnia ważność: 0.226 | średnia wydajność: 56.7 | wydajność ZAN: 56.2 
Wzrost JAS o 10 pkt -> ZAN + 3.23 pkt

Bibliografia 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()).

  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 (Version 2.5.0) [R package]. https://doi.org/10.32614/CRAN.package.seminr
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Najczęstsze błędy

  • IPMA na niezweryfikowanym modelu. Jeśli model pomiarowy ma słabe ładunki albo problemy z trafnością, ważność i wydajność też będą obciążone.
  • Przeskalowanie według minimum i maksimum z próby. Wydajność ma odnosić się do pełnej skali odpowiedzi (1–7), inaczej dwie grupy czy dwa badania nie będą porównywalne.
  • Pozycje odwrócone i ujemne wagi. Przed analizą przekoduj pozycje odwrócone. Ujemna waga zewnętrzna sprawia, że wynik 0–100 traci interpretację.
  • Standaryzowane efekty jako ważność. IPMA wymaga efektów niestandaryzowanych na wynikach 0–100, bo tylko one wyrażają zmianę w punktach wydajności.
  • Ćwiartki traktowane jako sztywne kategorie. Konstrukt tuż przy linii średniej nie różni się istotnie od sąsiada po drugiej stronie. Rozważ przedziały bootstrap dla efektów całkowitych.
  • Wnioski przyczynowe z danych przekrojowych. IPMA wskazuje, co warto sprawdzić w interwencji, ale jej nie zastępuje.

Najczęstsze pytania

Jak interpretować mapę IPMA?

Oś pozioma to ważność (efekt całkowity), pionowa – wydajność (średnia 0–100). Linie średnich dzielą mapę na ćwiartki. Konstrukty w prawej dolnej ćwiartce, ważne i słabo oceniane, są priorytetem działań. Te w prawej górnej warto utrzymać, a te w lewej części mają mniejsze znaczenie dla zmiennej docelowej.

Jak obliczyć wydajność w IPMA?

Przeskaluj wskaźniki na 0–100 według teoretycznego zakresu skali, np. dla skali 1–7: (x − 1)/6 × 100. Następnie policz wynik konstruktu jako średnią ważoną z niestandaryzowanymi wagami zewnętrznymi sumującymi się do 1. Wydajność to średnia tego wyniku w próbie.

Co oznacza ważność w IPMA?

Ważność to niestandaryzowany efekt całkowity poprzednika na zmienną docelową w modelu oszacowanym na wynikach 0–100. Wartość 0.32 oznacza, że wzrost wydajności poprzednika o 1 punkt wiąże się ze wzrostem wydajności zmiennej docelowej o 0.32 punktu.

Czy IPMA można zrobić w R, a nie w SmartPLS?

Tak. Wystarczy model PLS-SEM, np. z pakietu seminr, i kilka linii kodu: przeskalowanie wskaźników, niestandaryzowane wagi, wyniki konstruktów 0–100, ich średnie i efekty całkowite z regresji na tych wynikach. Kompletny kod jest na tej stronie.

Jakie warunki musi spełniać model przed IPMA?

Model pomiarowy i strukturalny musi być wcześniej poprawnie oceniony. Wskaźniki powinny mieć tę samą orientację (wyżej = lepiej), więc pozycje odwrócone trzeba przekodować. Wagi zewnętrzne powinny być dodatnie, a zależności w modelu – w przybliżeniu liniowe.

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. Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2–24. https://doi.org/10.1108/ebr-11-2018-0203 ● Otwarty dostęp: pełny tekst
  2. Martilla, J. A., & James, J. C. (1977). Importance-performance analysis. Journal of Marketing, 41(1), 77–79. https://doi.org/10.1177/002224297704100112
  3. Ringle, C. M., & Sarstedt, M. (2016). Gain more insight from your PLS-SEM results. Industrial Management & Data Systems, 116(9), 1865–1886. https://doi.org/10.1108/imds-10-2015-0449

Cytowania BibTeX

@article{hair2019when, author={Hair, Joseph F. and Risher, Jeffrey J. and Sarstedt, Marko and Ringle, Christian M.}, title={{When to use and how to report the results of PLS-SEM}}, journal={European Business Review}, year={2019}, volume={31}, number={1}, pages={2--24}, doi={10.1108/ebr-11-2018-0203}}
@article{martilla1977importance, author={Martilla, John A. and James, John C.}, title={{Importance-performance analysis}}, journal={Journal of Marketing}, year={1977}, volume={41}, number={1}, pages={77--79}, doi={10.1177/002224297704100112}}
@article{ringle2016gain, author={Ringle, Christian M. and Sarstedt, Marko}, title={{Gain more insight from your PLS-SEM results}}, journal={Industrial Management \& Data Systems}, year={2016}, volume={116}, number={9}, pages={1865--1886}, doi={10.1108/imds-10-2015-0449}}
R