Co oznacza Ładunek zewnętrzny (outer loading)?
Zastosowanie, warunki i dobre praktyki
Outer loading opisuje związek wskaźnika refleksyjnego z wynikiem konstruktu w modelu PLS. Jego kwadrat bywa czytany jako część wariancji wskaźnika odtworzona przez konstrukt, lecz wartość zależy od standaryzacji i specyfikacji. Słabszego wskaźnika nie usuwa się automatycznie, jeśli reprezentuje ważny fragment treści; potrzebne są bootstrap, rzetelność i trafność.
Najważniejsze zastosowanie: Interpretuj znak, wielkość i bootstrap CI dla każdego refleksyjnego wskaźnika. Słaby ładunek analizuj razem z treścią, błędem, rzetelnością i trafnością konstruktu.
Jak to się oblicza i co oznaczają symbole?
λᵢ jest standaryzowanym ładunkiem refleksyjnego wskaźnika na konstrukcie. Jego kwadrat można odczytać jako udział wariancji wskaźnika odtworzony przez konstrukt w danym modelu: dla λ = .80 jest to .64, czyli 64%. Interpretacja ta nie uzasadnia automatycznego usunięcia wskaźnika o niższym ładunku, ponieważ trzeba uwzględnić niepewność, treść pozycji i wpływ na model pomiarowy.
Jak poprawnie stosować i interpretować hasło „Ładunek zewnętrzny (outer loading)”?
W przypadku pojęcia „Ładunek zewnętrzny (outer loading)” trzeba wskazać, jakiego rodzaju dowodu trafności oczekuje się od modelu i które konstrukty lub wskaźniki są oceniane. W odniesieniu do hasła „Ładunek zewnętrzny (outer loading)” kryterium liczbowe ma znaczenie tylko w poprawnie określonym modelu pomiarowym. Przy ocenie hasła „Ładunek zewnętrzny (outer loading)” treść pozycji, kierunek przewidywanych relacji i rozróżnienie konstruktu od pojęć sąsiednich powinny być ustalone przed obejrzeniem wyników.
Ocena pojęcia „Ładunek zewnętrzny (outer loading)” powinna wykorzystywać przedziały ufności lub bootstrap, modele alternatywne i kilka komplementarnych źródeł dowodów. W analizie dotyczącej hasła „Ładunek zewnętrzny (outer loading)” mechaniczne przekroczenie progu nie wskazuje automatycznie, którą pozycję usunąć. Dla interpretacji hasła „Ładunek zewnętrzny (outer loading)” każda zmiana musi zachować zakres treści konstruktu i zostać sprawdzona na nowych danych.
Co trzeba opisać w raporcie?
Raport dotyczący „Ładunek zewnętrzny (outer loading)” powinien podać dokładną miarę, parę konstruktów lub zestaw wskaźników, estymator i niepewność wyniku. W odniesieniu do hasła „Ładunek zewnętrzny (outer loading)” należy wskazać przyjęte kryterium oraz jego uzasadnienie, a wniosek sformułować jako dowód wspierający lub osłabiający określoną interpretację, nie jako ostateczny certyfikat trafności.
Zakres raportowania dla hasła „Ładunek zewnętrzny (outer loading)”: Podaj standaryzowane outer loadings z CI oraz uzasadnij każdą zmianę specyfikacji. Dla PLSc zaznacz korektę stosowaną do wspólnych czynników.
Przykład praktyczny i gotowa interpretacja
Sytuacja: Ładunek .82 oznacza około .67 wspólnej wariancji wskaźnika z wynikiem konstruktu na przyjętej skali. Ładunek .42 może wskazywać słabą pozycję, lecz usunięcie wymaga argumentu treściowego.
Jak ją zinterpretować: Wysoki outer loading wspiera interpretację wskaźnika jako refleksyjnego przejawu konstruktu. O usunięciu słabszej pozycji decydują także jej treść, wpływ na rzetelność i AVE oraz bootstrapowa niepewność.
Najczęstsza pułapka i granica interpretacji
Nie interpretuj kwadratu ładunku jako pełnej trafności pozycji. Nie usuwaj wskaźników tylko dlatego, że nie przekraczają popularnego progu .70.
Wynik dotyczący „Ładunek zewnętrzny (outer loading)” nie zastępuje trafności treściowej, jakości operacjonalizacji ani oceny rzetelności. W analizie dotyczącej hasła „Ładunek zewnętrzny (outer loading)” niska lub wysoka wartość pojedynczego wskaźnika jest tylko częścią argumentu dotyczącego użycia wyniku w określonym celu.
Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Henseler et al., 2015).
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)
- 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
- 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
- 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
- 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
- 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
- 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}}