Co to jest ładunek zewnętrzny?
Ładunek zewnętrzny (ang. outer loading) to w PLS-SEM korelacja wskaźnika z wynikiem konstruktu, do którego wskaźnik należy. Słowo „zewnętrzny” odnosi się do modelu zewnętrznego, czyli pomiarowego. Ładunki zewnętrzne ocenia się przede wszystkim przy konstruktach refleksyjnych (refleksyjna zmienna latentna), gdzie wskaźniki są przejawami wspólnej cechy i powinny silnie korelować z konstruktem. Przy konstruktach formatywnych główną rolę odgrywają wagi zewnętrzne, a ładunek pokazuje tylko bezwzględny wkład wskaźnika. W R ładunki zewnętrzne znajdziesz w elemencie loadings podsumowania modelu w pakiecie seminr albo w Estimates$Loading_estimates w pakiecie cSEM.
Ładunek zewnętrzny jest odpowiednikiem standaryzowanego ładunku czynnikowego z CFA, ale liczy się go inaczej. W CFA ładunek jest parametrem modelu wspólnego czynnika. W PLS najpierw powstaje wynik konstruktu jako ważona suma wskaźników, a ładunek to korelacja wskaźnika z tą sumą. Wskaźnik jest więc częścią wyniku, z którym go korelujemy. Henseler i in. (2014) zwracają uwagę, że PLS naturalnie szacuje modele kompozytowe, a różnice wobec CFA biorą się z przyjęcia modelu wspólnego czynnika.
Jak interpretować ładunek: rzetelność wskaźnika
Kwadrat ładunku (λ²) to rzetelność wskaźnika – odsetek jego wariancji wspólny z konstruktem. Stąd bierze się najczęściej stosowana reguła: ładunek powinien wynosić co najmniej .708, bo .708² ≈ .50. Wskaźnik dzieli wtedy z konstruktem co najmniej połowę wariancji. Przeglądy praktyki PLS-SEM, np. Hair i in. (2019), zestawiają takie reguły kciuka obok pozostałych kryteriów oceny modelu pomiarowego. W praktyce stosuje się trzy przedziały:
| Ładunek zewnętrzny | λ² | Typowa decyzja |
|---|---|---|
| ≥ .708 | ≥ .50 | wskaźnik zostaje |
| .40–.70 | .16–.49 | usuń tylko wtedy, gdy poprawi to AVE lub rzetelność kompozytową ponad wymagane progi i nie zubaża treści konstruktu |
| < .40 | < .16 | zwykle usuń, chyba że treść wskaźnika jest dla konstruktu kluczowa |
Ładunek nie jest jedynym kryterium. Wskaźnik musi też wyraźniej korelować ze „swoim” konstruktem niż z innymi. Sprawdzisz to w macierzy ładunków krzyżowych oraz wskaźnikiem HTMT. Istotność ładunku ocenia się bootstrapem, ale przy refleksyjnych wskaźnikach sama istotność niewiele mówi – prawie każdy sensowny ładunek jest istotny.
Przykład: słaby wskaźnik zaangażowania w naukę
Dwustu studentów (dane symulowane) odpowiedziało na 5 pozycji zaangażowania w naukę i 3 pozycje satysfakcji z nauki (1–7). Pozycja zn5 („Robię notatki na zajęciach”) opisuje raczej nawyk niż zaangażowanie i w populacji ma słaby ładunek. Model oszacowano w PLS (Mode A, pakiet seminr).
Cztery pierwsze ładunki mieszczą się między .760 a .797 (λ² od .578 do .635). Ładunek zn5 wynosi .585, 95% CI [.439, .698], a więc zn5 dzieli z konstruktem tylko 34.2% wariancji. Co zrobić? Sprawdzamy, jak zmieniają się miary całego konstruktu:
| Wersja konstruktu | α | ρA | ρC | AVE | Ścieżka do satysfakcji |
|---|---|---|---|---|---|
| 5 wskaźników (z zn5) | .797 | .815 | .861 | .555 | 0.372 |
| 4 wskaźniki (bez zn5) | .800 | .803 | .870 | .626 | 0.371 |
Z zn5 konstrukt spełnia już typowe progi: AVE > .50, a ρC i ρA mieszczą się w przedziale .70–.95. Usunięcie podnosi AVE do .626, ale nie zmienia wniosków (ścieżka 0.372 vs 0.371). W tej sytuacji decyduje treść. Jeśli notowanie należy do definicji zaangażowania, zostaw zn5 i opisz jego niski ładunek. Jeśli to raczej nawyk niezwiązany z konstruktem, usuń go i podaj powód. Nie usuwaj wskaźników tylko po to, aby „podciągnąć” AVE.
Skąd się bierze niski ładunek – co sprawdzić
Zanim usuniesz wskaźnik, ustal, dlaczego jego ładunek jest niski. Najczęstsze przyczyny to:
- Nieodwrócona pozycja odwrócona. Pozycja sformułowana negatywnie („Nauka mnie nudzi”) ma ujemny albo bliski zera ładunek, dopóki jej nie przekodujesz. To błąd przygotowania danych, a nie słabość pozycji.
- Inna treść. Pozycja mierzy coś pokrewnego, ale innego, jak zn5 w przykładzie (nawyk zamiast zaangażowania). Sprawdź jej ładunki krzyżowe. Jeśli wyżej koreluje z innym konstruktem, problem dotyczy trafności, a nie tylko rzetelności.
- Wielowymiarowość konstruktu. Gdy kilka pozycji ma niższe ładunki i tworzy spójną grupę, konstrukt może mieć dwa wymiary. Rozważ wtedy osobne konstrukty albo konstrukt wyższego rzędu.
- Mała zmienność odpowiedzi. Pozycja, na którą prawie wszyscy odpowiadają tak samo (efekt sufitu lub podłogi), słabo koreluje z czymkolwiek. Obejrzyj jej rozkład.
- Błędy w danych – wartości spoza skali, pomylone kolumny, nieuważne odpowiedzi. Jedna źle zakodowana kolumna potrafi obniżyć ładunek do zera.
Ładunki PLS a ładunki CFA
Te same dane oszacowane w CFA dają niższe ładunki: .684, .702, .724, .722 i .492 zamiast .760, .771, .791, .797 i .585. Różnica wynika z budowy PLS. Wynik konstruktu zawiera błąd pomiaru wskaźników, a każdy wskaźnik jest częścią wyniku, z którym go korelujemy. Dla konstruktów refleksyjnych klasyczne ładunki PLS są więc zawyżone. Dijkstra i Henseler (2015) zaproponowali poprawkę consistent PLS (PLSc), która daje zgodne oszacowania ładunków, korelacji konstruktów i ścieżek. Henseler i in. (2016) opisują PLSc jako jedno z rozwiązań, dzięki którym w jednym modelu PLS można łączyć czynniki (konstrukty refleksyjne w sensie modelu wspólnego czynnika) i kompozyty. Konsekwencja praktyczna jest taka, że ładunek .72 w PLS i ładunek .72 w CFA nie oznaczają tego samego. Nie porównuj ich bez komentarza.
Jak opisać ładunki zewnętrzne w pracy (APA)
Podaj ładunki wszystkich wskaźników (najlepiej w tabeli z α, ρA, ρC i AVE), metodę (PLS, tryb Mode A lub PLSc) i każdą decyzję o usunięciu wskaźnika z uzasadnieniem.
Ładunki zewnętrzne w R (seminr)
Kod tworzy dane z przykładu i szacuje model PLS. Wypisuje ładunki z rzetelnością wskaźników, pokazuje, że ładunek to korelacja wskaźnika z wynikiem konstruktu, i liczy przedziały bootstrapowe. Porównuje też miary konstruktu z zn5 i bez niego oraz ładunki PLS z CFA. Liczby w tekście i na rysunku 1 pochodzą z tego kodu.
Ładunki, rzetelność wskaźników i decyzja o słabym wskaźniku
R
suppressPackageStartupMessages({library(seminr); library(lavaan)}) # PLS-SEM i CFA
# Dane symulowane: 200 studentów; zaangażowanie w naukę (zn1–zn5) i satysfakcja z nauki (sn1–sn3), skala 1–7.
# Prawdziwe ładunki zaangażowania: .80, .75, .75, .70 i .45 (zn5 „Robię notatki na zajęciach” – słaby wskaźnik).
set.seed(147)
populacja <- '
zaangazowanie =~ 0.80*zn1 + 0.75*zn2 + 0.75*zn3 + 0.70*zn4 + 0.45*zn5
satysfakcja =~ 0.80*sn1 + 0.75*sn2 + 0.70*sn3
satysfakcja ~ 0.50*zaangazowanie
'
z <- simulateData(populacja, sample.nobs = 200, standardized = TRUE)
dane <- as.data.frame(lapply(z, function(x) pmin(pmax(round(4.5 + 1.2 * x), 1), 7)))
pomiar <- function(pozycje_zn) constructs(
composite("ZN", pozycje_zn, weights = mode_A),
composite("SN", multi_items("sn", 1:3), weights = mode_A))
struktura <- relationships(paths(from = "ZN", to = "SN"))
pls5 <- estimate_pls(dane, pomiar(multi_items("zn", 1:5)), struktura)
s5 <- summary(pls5)
# 1. Ładunki zewnętrzne zaangażowania i rzetelność wskaźników (ładunek do kwadratu)
lad <- s5$loadings[1:5, "ZN"]
round(cbind(ladunek = lad, rzetelnosc_wskaznika = lad^2), 3)
# 2. Ładunek = korelacja wskaźnika z wynikiem konstruktu
round(cor(dane[, 1:5], s5$composite_scores[, "ZN"])[, 1], 3)
# 3. Bootstrap: 95% CI ładunków (5000 prób)
b5 <- summary(bootstrap_model(pls5, nboot = 5000, seed = 147))
round(b5$bootstrapped_loadings[1:5, c("Original Est.", "Bootstrap SD", "2.5% CI", "97.5% CI")], 3)
# 4. Rzetelność i trafność zbieżna z zn5 i bez niego
pls4 <- estimate_pls(dane, pomiar(multi_items("zn", 1:4)), struktura)
s4 <- summary(pls4)
round(rbind(z_zn5 = s5$reliability["ZN", c("alpha", "rhoC", "AVE", "rhoA")],
bez_zn5 = s4$reliability["ZN", c("alpha", "rhoC", "AVE", "rhoA")]), 3)
round(c(sciezka_z_zn5 = s5$paths["ZN", "SN"], sciezka_bez_zn5 = s4$paths["ZN", "SN"]), 3)
# 5. Ładunki PLS (Mode A) a CFA: PLS zawyża ładunki konstruktu refleksyjnego
cfa_fit <- cfa('zaangazowanie =~ zn1 + zn2 + zn3 + zn4 + zn5', data = dane, std.lv = TRUE)
round(cbind(PLS = lad, CFA = standardizedSolution(cfa_fit)$est.std[1:5]), 3)Wynik w R
Generating the seminr model
All 200 observations are valid.
ladunek rzetelnosc_wskaznika
zn1 0.760 0.578
zn2 0.771 0.594
zn3 0.791 0.625
zn4 0.797 0.635
zn5 0.585 0.342
zn1 zn2 zn3 zn4 zn5
0.760 0.771 0.791 0.797 0.585
Bootstrapping model using seminr...
SEMinR Model successfully bootstrapped
Original Est. Bootstrap SD 2.5% CI 97.5% CI
zn1 -> ZN 0.760 0.038 0.672 0.819
zn2 -> ZN 0.771 0.041 0.678 0.837
zn3 -> ZN 0.791 0.035 0.710 0.847
zn4 -> ZN 0.797 0.033 0.726 0.852
zn5 -> ZN 0.585 0.067 0.439 0.698
Generating the seminr model
All 200 observations are valid.
alpha rhoC AVE rhoA
z_zn5 0.797 0.861 0.555 0.815
bez_zn5 0.800 0.870 0.626 0.803
sciezka_z_zn5 sciezka_bez_zn5
0.372 0.371
PLS CFA
zn1 0.760 0.684
zn2 0.771 0.702
zn3 0.791 0.724
zn4 0.797 0.722
zn5 0.585 0.492Bibliografia 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()).
- 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., & Calero Valdez, A. (2026). seminr: Building and estimating structural equation models [R package]. https://doi.org/10.32614/CRAN.package.seminr
- lavaan (wersja 0.7.2): Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36. https://doi.org/10.18637/jss.v048.i02
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
Najczęstsze błędy
- Automatyczne usuwanie każdego wskaźnika poniżej .708. Przy ładunkach .40–.70 decyduje wpływ na AVE i rzetelność oraz treść konstruktu.
- Ocena ładunków konstruktu formatywnego według progu .708. Wskaźniki formatywne nie muszą być silnie skorelowane z konstruktem. Oceniasz je przez wagi i VIF.
- Porównywanie ładunków PLS z ładunkami CFA jak równoważnych liczb. Klasyczne ładunki PLS są przy konstruktach refleksyjnych wyższe.
- Raportowanie tylko ładunków bez ładunków krzyżowych lub HTMT. Wysoki ładunek nie dowodzi, że wskaźnik mierzy właśnie ten konstrukt.
- Usuwanie wskaźników „pod AVE” bez opisu w pracy. Czytelnik musi wiedzieć, które pozycje usunięto i dlaczego. Przy skali standaryzowanej zmienia to też porównywalność z innymi badaniami.
Pełną ocenę modelu pomiarowego krok po kroku opisuje PLS-SEM krok po kroku, kod w seminr i cSEM – PLS-SEM w R, a różnice między podejściami – PLS-SEM czy CB-SEM.
Najczęstsze pytania
Jaki powinien być ładunek zewnętrzny w PLS-SEM?
Przy konstruktach refleksyjnych zwykle co najmniej .708, bo wtedy wskaźnik dzieli z konstruktem ponad połowę wariancji (.708² ≈ .50). Ładunki .40–.70 są do przyjęcia, jeśli konstrukt spełnia kryteria AVE i rzetelności, a ładunki poniżej .40 zwykle prowadzą do usunięcia wskaźnika.
Czy usunąć wskaźnik z ładunkiem zewnętrznym 0.6?
Nie automatycznie. Sprawdź, czy konstrukt z tym wskaźnikiem ma AVE powyżej .50 i rzetelność kompozytową powyżej .70. Jeśli tak, a wskaźnik jest ważny treściowo, zostaw go; usuń, gdy poprawia to kryteria, których bez usunięcia nie spełniasz, i opisz decyzję w pracy.
Dlaczego ładunki w PLS są wyższe niż w CFA?
Bo w PLS ładunek to korelacja wskaźnika z ważoną sumą wskaźników, która zawiera błąd pomiaru i sam ten wskaźnik. Dla konstruktów refleksyjnych daje to wartości zawyżone względem CFA; poprawkę wprowadza consistent PLS (PLSc).
Czym różni się ładunek zewnętrzny od ładunku czynnikowego?
Ładunek czynnikowy to parametr modelu wspólnego czynnika (EFA, CFA), szacowany z macierzy kowariancji. Ładunek zewnętrzny w PLS jest korelacją wskaźnika z wynikiem kompozytu wyliczonym przez algorytm. Pełnią podobną funkcję, ale ich wartości nie są wprost porównywalne.
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)
- 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 ● Otwarty dostęp: pełny tekst
- 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
- Henseler, J., Dijkstra, T. K., Sarstedt, M., Ringle, C. M., Diamantopoulos, A., Straub, D. W., Ketchen, D. J., Hair, J. F., Hult, G. T. M., & Calantone, R. J. (2014). Common beliefs and reality about PLS: Comments on Rönkkö and Evermann (2013). Organizational Research Methods, 17(2), 182–209. https://doi.org/10.1177/1094428114526928 ● 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
Cytowania BibTeX
@article{dijkstra2015consistent, 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{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{henseler2014common, author={Henseler, Jörg and Dijkstra, Theo K. and Sarstedt, Marko and Ringle, Christian M. and Diamantopoulos, Adamantios and Straub, Detmar W. and Ketchen, David J. and Hair, Joseph F. and Hult, G. Tomas M. and Calantone, Roger J.}, title={{Common beliefs and reality about PLS: Comments on Rönkkö and Evermann (2013)}}, journal={Organizational Research Methods}, year={2014}, volume={17}, number={2}, pages={182--209}, doi={10.1177/1094428114526928}}@article{henseler2016using, author={Henseler, Jörg 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}}