Słownik metodologiczny · Modele SEM

Macierz reszt standaryzowanych w SEM – jak znaleźć miejsce, w którym model nie pasuje do danych

Macierz reszt standaryzowanych rozkłada niedopasowanie modelu SEM na pojedyncze pary pozycji. Wyjaśniamy różnicę między resztami surowymi, korelacyjnymi i standaryzowanymi (z), pokazujemy na przykładzie CFA, jak dobre indeksy globalne ukrywają lokalny błąd, i podajemy wzór opisu oraz kod R w lavaan.

Strona główna / Słownik / Macierz reszt standaryzowanych
W skrócie: Macierz reszt standaryzowanych pokazuje dla każdej pary zmiennych, o ile błędów standardowych kowariancja z danych różni się od kowariancji odtworzonej przez model SEM (|z| > 2.58 to wyraźna rozbieżność). Czytaj ją razem z resztami korelacyjnymi, które mówią, jak duża jest rozbieżność, i szukaj wzorów, a nie pojedynczych liczb. Model zmieniaj tylko wtedy, gdy treść pozycji uzasadnia zmianę.

Co to jest macierz reszt standaryzowanych?

Macierz reszt standaryzowanych (ang. standardized residual matrix) zestawia, dla każdej pary zmiennych obserwowalnych, różnicę między kowariancją z danych a kowariancją odtworzoną przez model SEM, podzieloną przez błąd standardowy tej różnicy. Każdy element macierzy to więc statystyka z: mówi, o ile błędów standardowych model „rozmija się” z danymi w jednym konkretnym miejscu.

Globalne miary dopasowania – χ² (CMIN), CFI, RMSEA – streszczają całe niedopasowanie jedną liczbą. Macierz reszt robi rzecz odwrotną: rozkłada je na pojedyncze pary pozycji. Dlatego jest podstawowym narzędziem diagnostyki lokalnej w konfirmacyjnej analizie czynnikowej i w pełnych modelach SEM. McDonald i Ho (2002) zalecają, by obok indeksów dopasowania udostępniać czytelnikom macierz korelacji i rozbieżności, bo dopiero one pozwalają samodzielnie ocenić model.

Trzy rodzaje reszt – nie myl ich

Programy podają reszty w kilku postaciach, a nazwy bywają mylące. Zanim zinterpretujesz liczbę, sprawdź, którą z nich masz przed sobą.

Rodzaje reszt w SEM: definicja, skala i typowa reguła interpretacji
Rodzaj resztyJak powstajeJak czytać
Surowa (kowariancyjna)sij − σ̂ij, w jednostkach zmiennychZależy od skali pozycji – trudno porównywać pary
Korelacyjnakorelacja obserwowana minus korelacja odtworzonaWielkość efektu niedopasowania; |rres| powyżej ok. .10 zwykle zasługuje na uwagę
Standaryzowana (z)reszta surowa podzielona przez swój błąd standardowyTest lokalny: |z| > 1.96 (α = .05) lub > 2.58 (α = .01); rośnie z N

Reszta standaryzowana i reszta korelacyjna odpowiadają na różne pytania. Pierwsza mówi, czy rozbieżność da się odróżnić od przypadku, druga – czy jest duża. W próbie liczącej kilka tysięcy osób nawet nieistotna praktycznie różnica .02 da |z| > 3. Maydeu-Olivares i Shi (2017) traktują reszty korelacyjne i standaryzowane reszty kowariancji jako miary wielkości efektu niedopasowania. Pokazali też, że przedziały ufności dla nich są trafne już przy N = 100, a do wykrywania błędów specyfikacji działają niemal tak samo jak indeksy modyfikacji. Średnią z kwadratów reszt korelacyjnych podsumowuje SRMR. Macierz pokazuje jednak, gdzie jest problem, a SRMR – tylko, ile go jest łącznie.

Przykład: dobre indeksy, wyraźna reszta

Czterystu studentów (dane symulowane) wypełniło 8-pozycyjną skalę wypalenia studenckiego (1–7). Cztery pozycje mierzą wyczerpanie (W1–W4), a cztery – cynizm (C1–C4). Pozycje W3 („Rano czuję się zmęczony na myśl o zajęciach”) i W4 („Przed zajęciami czuję zmęczenie”) mają prawie identyczne sformułowanie. W populacji ich błędy pomiaru są więc skorelowane, ale model badacza tego nie zakłada.

Dwuczynnikowa CFA (estymacja ML) ma globalnie przyzwoite dopasowanie: χ²(19) = 41.97, p = .002, CFI = .979, RMSEA = .055, SRMR = .039. Według popularnych progów można by na tym skończyć. Macierz reszt standaryzowanych (rysunek 1, lewy panel) pokazuje jednak cztery pary z |z| > 2.58. Największa reszta dotyczy pary W3–W4: z = 4.33.

Dwie mapy cieplne reszt standaryzowanych dla 8 pozycji skali wypalenia. W modelu dwuczynnikowym największe reszty to W3–W4 z = 4.3, W1–W2 z = 3.4, W2–C3 z = 3.0 i W2–W4 z = −2.9. Po dodaniu kowariancji błędów W3–W4 żadna reszta nie przekracza 2.58 (maksimum 2.4).
Rysunek 1. Reszty standaryzowane (z) w dolnym trójkącie macierzy. Czerwień oznacza kowariancję niedoszacowaną przez model, błękit – przeszacowaną; ramki wyróżniają |z| > 2.58. Lewy panel: model dwuczynnikowy; prawy: ten sam model z kowariancją błędów W3–W4. Obliczenia: R (dane symulowane).

Najciekawszy jest wzór reszt, a nie sama największa liczba. Dodatnia reszta W3–W4 sąsiaduje z ujemnymi resztami W3 i W4 z pozostałymi pozycjami wyczerpania (od −1.86 do −2.95). Model próbuje wyjaśnić nadwyżkę wspólnej wariancji W3 i W4 przez czynnik. Zawyża więc ich ładunki, a przez to przeszacowuje ich związki z W1 i W2. Dlatego reszta korelacyjna W3–W4 wynosi tylko .044 – niedopasowanie „rozlało się” po całym czynniku.

Para W2–C3 ma z kolei największą resztę korelacyjną (.109, z = 3.04), choć w populacji nie ma tam żadnego dodatkowego związku. To przypadkowe odchylenie, jakich w macierzy 28 reszt można się spodziewać. Saris i in. (2009) ostrzegają przed oceną modelu wyłącznie na podstawie globalnych indeksów. Z tego przykładu wynika też druga lekcja: nie każdą dużą resztę trzeba „naprawiać”.

Treść pozycji uzasadnia kowariancję błędów W3–W4, więc model ją dodano (zob. kowariancja reszt w SEM). Dopasowanie wyraźnie się poprawiło: χ²(18) = 17.64, p = .480, CFI = 1.000, a test różnicy chi-kwadrat dał Δχ²(1) = 24.34, p < .001. Oszacowana korelacja błędów wyniosła .36. Największa reszta spadła do |z| = 2.41, a reszta W2–C3 nie wymagała już osobnej decyzji.

Jak czytać macierz reszt krok po kroku

  1. Najpierw dopuszczalność rozwiązania. Ujemne wariancje (przypadek Heywooda) i brak zbieżności unieważniają diagnostykę reszt.
  2. Szukaj skupisk, nie pojedynczych liczb. Kilka dużych reszt jednej pozycji z pozycjami innego czynnika sugeruje ładunek krzyżowy. Jedna dodatnia reszta między pozycjami o podobnej treści sugeruje skorelowane błędy. Wiele reszt między dwoma blokami pozycji może oznaczać, że korelacja czynników jest źle określona albo brakuje czynnika.
  3. Zestaw z z resztą korelacyjną. Duże z przy reszcie korelacyjnej .02 to w dużej próbie zwykle sprawa kosmetyczna. Reszta korelacyjna powyżej .10 bywa ważna nawet przy umiarkowanym z.
  4. Pamiętaj o liczbie testów. W skali z 20 pozycjami jest 190 reszt, więc przy α = .05 kilka „istotnych” pojawi się przypadkiem (zob. problem wielokrotnych porównań).
  5. Zmieniaj model tylko z uzasadnieniem merytorycznym i opisz każdą zmianę. Model poprawiany pod dane wymaga potwierdzenia w nowej próbie.

Reszty zależą też od sposobu estymacji. Przy pozycjach porządkowych szacowanych estymatorem WLSMV reszty korelacyjne dotyczą korelacji polichorycznych, a nie korelacji Pearsona. Przy danych nienormalnych i estymatorze MLR wartości z powinny opierać się na odpornych błędach standardowych. W opisie wyników zaznacz więc, z jakiego modelu i jakiej estymacji pochodzą reszty.

Jak opisać reszty w pracy (APA)

W rozdziale wyników podaj globalne dopasowanie, a potem jednym–dwoma zdaniami diagnostykę lokalną: jakiego rodzaju reszty sprawdzono, jaki przyjęto próg, które pary go przekroczyły i co z tym zrobiono. Pełną macierz reszt korelacyjnych możesz umieścić w aneksie. Indeksy zestaw według wzoru z hasła tabela dopasowania modelu CFA w APA. Przy progach CFI i SRMR powołuj się ostrożnie na Hu i Bentlera (1999) – ich wartości odcięcia dotyczą określonych warunków symulacji.

Dwuczynnikowy model wypalenia (wyczerpanie, cynizm) oszacowano metodą ML (N = 400). Dopasowanie globalne było akceptowalne, χ²(19) = 41.97, p = .002, CFI = .979, RMSEA = .055, SRMR = .039. Analiza reszt standaryzowanych wykazała jednak niedoszacowaną kowariancję pozycji W3 i W4 (z = 4.33), które mają niemal identyczne sformułowanie. Po dodaniu kowariancji ich błędów pomiaru (r = .36) dopasowanie poprawiło się, Δχ²(1) = 24.34, p < .001; χ²(18) = 17.64, p = .480, CFI = 1.000, a żadna reszta standaryzowana nie przekroczyła |z| = 2.58.
Przykład reprodukowalny

Macierz reszt w R (lavaan)

Kod symuluje dane z przykładu, dopasowuje dwuczynnikową CFA, wypisuje reszty korelacyjne i standaryzowane, wybiera pary z |z| > 2.58 i porównuje model wyjściowy z modelem z kowariancją błędów W3–W4. Liczby w tekście i na rysunku 1 pochodzą z tego kodu.

Reszty korelacyjne i standaryzowane w CFA

Dane wejściowe: 400 studentów, 8 pozycji skali wypalenia (1–7), dwa czynniki (dane symulowane, set.seed(118)).

Co odczytać: indeksy dopasowania, macierz cov z reszt korelacyjnych (cor.bollen), macierz cov.z (reszty standaryzowane), tabelę par z |z| > 2.58, podsumowanie SRMR oraz dopasowanie i test różnicy dla modelu z W3 ~~ W4.

R
# R118 – macierz reszt standaryzowanych w CFA (pakiet lavaan)
# Dane symulowane: 400 studentów, skala wypalenia studenckiego, 8 pozycji (1–7):
# wyczerpanie W1–W4 i cynizm C1–C4. W populacji W3 i W4 mają wspólny błąd
# (podobne sformułowanie: „zmęczenie rano” / „zmęczenie przed zajęciami”).
suppressPackageStartupMessages(library(lavaan))
set.seed(118)
populacja <- '
  wycz =~ 0.80*W1 + 0.75*W2 + 0.70*W3 + 0.70*W4
  cyn  =~ 0.75*C1 + 0.70*C2 + 0.70*C3 + 0.65*C4
  wycz ~~ 0.45*cyn
  W3 ~~ 0.22*W4
'
z <- simulateData(populacja, sample.nobs = 400, standardized = TRUE)
dane <- as.data.frame(lapply(z, function(x) pmin(pmax(round(4 + 1.3 * x), 1), 7)))

# 1. Model zgodny z teorią: dwa skorelowane czynniki, bez kowariancji błędów
model <- '
  wycz =~ W1 + W2 + W3 + W4
  cyn  =~ C1 + C2 + C3 + C4
'
fit <- cfa(model, data = dane)
round(fitMeasures(fit, c("chisq", "df", "pvalue", "cfi", "rmsea", "srmr")), 3)

# 2. Reszty korelacyjne: obserwowana minus odtworzona korelacja
r_kor <- lavResiduals(fit, type = "cor.bollen")
round(r_kor$cov, 2)

# 3. Reszty standaryzowane (z): reszta kowariancji podzielona przez jej błąd standardowy
r_z <- lavResiduals(fit, type = "raw")$cov.z
round(r_z, 2)

# 4. Największe reszty (|z| > 2.58)
ind <- which(abs(r_z) > 2.58 & lower.tri(r_z), arr.ind = TRUE)
data.frame(para = paste(rownames(r_z)[ind[, 1]], colnames(r_z)[ind[, 2]], sep = "–"),
           z = round(r_z[ind], 2), r_reszta = round(r_kor$cov[ind], 3))

# 5. Podsumowanie reszt (m.in. SRMR i rozkład reszt z)
round(lavResiduals(fit, type = "cor.bentler")$summary, 3)
round(quantile(r_z[lower.tri(r_z)], c(0, .5, 1)), 2)

# 6. Treść W3 i W4 uzasadnia wspólny błąd: model poprawiony
fit2 <- cfa(paste(model, "W3 ~~ W4"), data = dane)
round(fitMeasures(fit2, c("chisq", "df", "pvalue", "cfi", "rmsea", "srmr")), 3)
r_z2 <- lavResiduals(fit2, type = "raw")$cov.z
round(max(abs(r_z2[lower.tri(r_z2)])), 2)
anova(fit, fit2)
round(standardizedSolution(fit2)[standardizedSolution(fit2)$op == "~~" & standardizedSolution(fit2)$lhs == "W3" & standardizedSolution(fit2)$rhs == "W4", c("est.std", "pvalue")], 3)
Wynik w R
 chisq     df pvalue    cfi  rmsea   srmr 
41.973 19.000  0.002  0.979  0.055  0.039 
      W1    W2    W3    W4    C1    C2    C3    C4
W1  0.00                                          
W2  0.06  0.00                                    
W3 -0.03 -0.02  0.00                              
W4 -0.02 -0.04  0.04  0.00                        
C1  0.03  0.03 -0.03 -0.03  0.00                  
C2  0.00  0.01 -0.08 -0.06  0.03  0.00            
C3  0.04  0.11  0.04  0.06 -0.03 -0.01  0.00      
C4  0.01  0.04 -0.05 -0.07  0.01  0.00  0.00  0.00
      W1    W2    W3    W4    C1    C2    C3    C4
W1  0.00                                          
W2  3.44  0.00                                    
W3 -2.48 -2.06  0.00                              
W4 -1.86 -2.95  4.33  0.00                        
C1  0.96  0.94 -0.82 -0.90  0.00                  
C2  0.13  0.15 -2.38 -1.82  1.44  0.00            
C3  1.22  3.04  1.24  1.87 -1.93 -0.40  0.00      
C4  0.20  1.06 -1.34 -2.10  0.38  0.05  0.25  0.00
   para     z r_reszta
1 W2–W1  3.44    0.064
2 W4–W2 -2.95   -0.036
3 C3–W2  3.04    0.109
4 W4–W3  4.33    0.044
                           cov
srmr                     0.039
srmr.se                  0.005
srmr.exactfit.z          2.750
srmr.exactfit.pvalue     0.003
usrmr                    0.030
usrmr.se                 0.009
usrmr.ci.lower           0.015
usrmr.ci.upper           0.045
usrmr.closefit.h0.value  0.050
usrmr.closefit.z        -2.200
usrmr.closefit.pvalue    0.986
   0%   50%  100% 
-2.95  0.14  4.33 
 chisq     df pvalue    cfi  rmsea   srmr 
17.636 18.000  0.480  1.000  0.000  0.029 
[1] 2.41

Chi-Squared Difference Test

     Df    AIC    BIC  Chisq Chisq diff   RMSEA Df diff Pr(>Chisq)    
fit2 18 9828.0 9899.9 17.636                                          
fit  19 9850.4 9918.2 41.973     24.337 0.24154       1  8.087e-07 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
  est.std pvalue
9   0.357      0

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. 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
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Najczęstsze błędy

  • Raport bez diagnostyki lokalnej. CFI = .979 i SRMR = .039 nie wykluczają wyraźnego błędu specyfikacji w jednym miejscu modelu.
  • Mylenie rodzajów reszt. Program może nazwać „standaryzowanymi” reszty korelacyjne albo wartości z. Próg 2.58 dotyczy tylko z, a próg .10 – tylko reszt korelacyjnych.
  • Uwalnianie parametrów jeden po drugim, aż wszystkie reszty znikną. To dopasowywanie modelu do przypadkowych cech próby. Więcej o tym w przewodniku CB-SEM krok po kroku.
  • Ignorowanie wzoru reszt. Dodatnia reszta otoczona ujemnymi w obrębie tego samego czynnika to typowy ślad skorelowanych błędów. Rozproszone reszty w jednym wierszu macierzy wskazują raczej na problematyczną pozycję.
  • Ocena reszt w bardzo dużej próbie wyłącznie po z. Gdy N liczy tysiące, sprawdzaj przede wszystkim wielkość reszt korelacyjnych.

Pełny przykład CFA z diagnostyką reszt, indeksami modyfikacji i raportem znajdziesz we wpisie CB-SEM w R w pakiecie lavaan, a ogólne zasady wyboru między EFA a CFA – w poradniku analiza czynnikowa EFA i CFA.

Najczęstsze pytania

Jaka reszta standaryzowana w CFA jest za duża?

Wartości |z| powyżej 1.96 przekraczają próg α = .05, a powyżej 2.58 – próg α = .01. Przy wielu parach zmiennych część przekroczeń pojawia się jednak przypadkiem, a w dużej próbie istotne bywają drobne rozbieżności. Dlatego sprawdzaj też resztę korelacyjną: wartości powyżej ok. .10 zwykle zasługują na uwagę.

Czym różni się reszta standaryzowana od reszty korelacyjnej?

Reszta korelacyjna to różnica między korelacją obserwowaną a odtworzoną przez model – mówi, jak duża jest rozbieżność. Reszta standaryzowana dzieli różnicę kowariancji przez jej błąd standardowy – mówi, czy rozbieżność da się odróżnić od przypadku. Pierwsza nie zależy od liczebności próby, druga rośnie razem z nią.

Czy dobry CFI i SRMR wystarczą, żeby nie sprawdzać reszt?

Nie. Globalne indeksy uśredniają niedopasowanie, więc jeden wyraźny błąd specyfikacji może się w nich nie ujawnić. W przykładzie z tego hasła CFI wynosił .979, a SRMR .039, mimo że para pozycji o niemal identycznym brzmieniu miała resztę z = 4.33.

Jak uzyskać macierz reszt w lavaan?

Użyj funkcji lavResiduals(fit, type = "raw")$cov.z – to reszty standaryzowane (z), a lavResiduals(fit, type = "cor.bollen")$cov – reszty korelacyjne. W AMOS włącz opcję „Residual moments” w ustawieniach wyników analizy.

Co zrobić z dużą resztą między dwiema pozycjami?

Najpierw przeczytaj treść obu pozycji i sprawdź, czy rozbieżność ma sens merytoryczny, np. podobne sformułowanie albo wspólny aspekt treści. Dopiero wtedy rozważ kowariancję błędów lub ładunek krzyżowy, opisz zmianę w pracy i potraktuj poprawiony model jako eksploracyjny, wymagający potwierdzenia w nowej próbie.

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. Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
  2. Maydeu-Olivares, A., & Shi, D. (2017). Effect sizes of model misfit in structural equation models. Methodology, 13(Supplement 1), 23–30. https://doi.org/10.1027/1614-2241/a000129 ● Otwarty dostęp
  3. McDonald, R. P., & Ho, M.-H. R. (2002). Principles and practice in reporting structural equation analyses. Psychological Methods, 7(1), 64–82. https://doi.org/10.1037/1082-989x.7.1.64
  4. Saris, W. E., Satorra, A., & van der Veld, W. M. (2009). Testing structural equation models or detection of misspecifications? Structural Equation Modeling: A Multidisciplinary Journal, 16(4), 561–582. https://doi.org/10.1080/10705510903203433 ● Otwarty dostęp: pełny tekst

Cytowania BibTeX

@article{hu1999cutoff, author={Hu, Li-tze and Bentler, Peter M.}, title={{Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives}}, journal={Structural Equation Modeling: A Multidisciplinary Journal}, year={1999}, volume={6}, number={1}, pages={1--55}, doi={10.1080/10705519909540118}}
@article{maydeuolivares2017effect, author={Maydeu-Olivares, Alberto and Shi, Dexin}, title={{Effect sizes of model misfit in structural equation models}}, journal={Methodology}, year={2017}, volume={13}, number={Supplement 1}, pages={23--30}, doi={10.1027/1614-2241/a000129}}
@article{mcdonald2002principles, author={McDonald, Roderick P. and Ho, Moon-Ho Ringo}, title={{Principles and practice in reporting structural equation analyses}}, journal={Psychological Methods}, year={2002}, volume={7}, number={1}, pages={64--82}, doi={10.1037/1082-989x.7.1.64}}
@article{saris2009testing, author={Saris, Willem E. and Satorra, Albert and van der Veld, William M.}, title={{Testing structural equation models or detection of misspecifications?}}, journal={Structural Equation Modeling: A Multidisciplinary Journal}, year={2009}, volume={16}, number={4}, pages={561--582}, doi={10.1080/10705510903203433}}
R