Słownik metodologiczny · Modele SEM

Ładunek zewnętrzny (outer loading) w PLS-SEM – interpretacja, próg .708 i słabe wskaźniki

Ładunek zewnętrzny to korelacja wskaźnika z wynikiem konstruktu w PLS-SEM, a jego kwadrat – rzetelność wskaźnika. Pokazujemy, skąd się bierze próg .708, jak zdecydować o wskaźniku z ładunkiem .40–.70 i dlaczego ładunki PLS są wyższe niż w CFA.

Strona główna / Słownik / Ładunek zewnętrzny
W skrócie: Ładunek zewnętrzny to korelacja wskaźnika z wynikiem konstruktu w PLS-SEM; jego kwadrat to rzetelność wskaźnika, czyli odsetek wariancji wspólnej z konstruktem. Przy konstruktach refleksyjnych dąż do ładunków ≥ .708 (λ² ≥ .50); wskaźnik z ładunkiem .40–.70 usuwaj tylko wtedy, gdy wyraźnie poprawia to AVE lub rzetelność i nie zubaża treści konstruktu. Pamiętaj, że klasyczne ładunki PLS są wyższe niż ładunki z CFA.

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:

Decyzje dotyczące wskaźnika refleksyjnego w zależności od wielkości ładunku zewnętrznego
Ładunek zewnętrznyλ²Typowa decyzja
≥ .708≥ .50wskaźnik zostaje
.40–.70.16–.49usuń tylko wtedy, gdy poprawi to AVE lub rzetelność kompozytową ponad wymagane progi i nie zubaża treści konstruktu
< .40< .16zwykle 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).

Ładunki zewnętrzne pięciu wskaźników z 95% przedziałami bootstrapowymi: zn1–zn4 od .76 do .80 (λ² od .58 do .64), zn5 = .59 (λ² = .34) z przedziałem od .44 do .70, w strefie między progami .40 i .708
Rysunek 1. Ładunki zewnętrzne zaangażowania w naukę z 95% przedziałami bootstrapowymi (5000 prób) i rzetelnością wskaźnika λ². Szare pole – przedział .40–.708, w którym decyzja o wskaźniku zależy od AVE, rzetelności i treści. Obliczenia: R, pakiet seminr (dane symulowane).

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:

Rzetelność i trafność zbieżna konstruktu zaangażowanie w naukę z wskaźnikiem zn5 i bez niego
Wersja konstruktuαρAρCAVEŚcieżka do satysfakcji
5 wskaźników (z zn5).797.815.861.5550.372
4 wskaźniki (bez zn5).800.803.870.6260.371

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.

Model pomiarowy oszacowano metodą PLS (seminr; N = 200). Ładunki zewnętrzne czterech wskaźników zaangażowania w naukę wynosiły od .760 do .797, a wskaźnika „Robię notatki na zajęciach” – .585 (95% CI [.439, .698]; bootstrap, 5000 prób). Ponieważ konstrukt z tym wskaźnikiem spełniał kryteria rzetelności i trafności zbieżnej (α = .797, ρA = .815, ρC = .861, AVE = .555), a usunięcie wskaźnika nie zmieniało oszacowania ścieżki do satysfakcji z nauki (0.372 vs 0.371), pozostawiono go w modelu ze względu na jego treść.
Przykład reprodukowalny

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

Dane wejściowe: 200 osób, 5 + 3 pozycje 1–7 (dane symulowane, set.seed(147)).

Co odczytać: ladunek i rzetelnosc_wskaznika, korelacje z wynikiem konstruktu (te same liczby), 95% CI z bootstrapu, wiersze z_zn5 i bez_zn5 (α, ρC, AVE, ρA) oraz kolumny PLS i CFA.

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 0.492

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., & Calero Valdez, A. (2026). seminr: Building and estimating structural equation models [R package]. https://doi.org/10.32614/CRAN.package.seminr
  3. 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
  4. 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

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. 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
  2. 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
  3. 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
  4. 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}}
R