Słownik metodologiczny · Modele SEM

Metoda największej wiarygodności (ML) – jak działa, kiedy zawodzi i jak ją opisać w CFA i SEM

Metoda największej wiarygodności wybiera te wartości parametrów, przy których zaobserwowane dane są najbardziej prawdopodobne w przyjętym modelu. Pokazujemy funkcję wiarygodności na prostym przykładzie, związek ML z chi-kwadrat w CFA, założenia, alternatywy (MLR, WLSMV) i FIML przy brakach danych – z kodem R.

Strona główna / Słownik / Metoda największej wiarygodności
W skrócie: Metoda największej wiarygodności (ML) przyjmuje za oszacowania te wartości parametrów, przy których zaobserwowane dane są najbardziej prawdopodobne w ramach przyjętego modelu. W CFA i SEM jest estymatorem domyślnym, a statystyka chi-kwadrat modelu to test ilorazu wiarygodności. Klasyczne ML zakłada (wielowymiarową) normalność danych ciągłych – przy nienormalności użyj odpornej wersji (MLR), przy pozycjach porządkowych rozważ WLSMV, a przy brakach danych korzystaj z FIML zamiast usuwać osoby.

Co to jest metoda największej wiarygodności?

Metoda największej wiarygodności (ang. maximum likelihood, ML) to sposób estymacji parametrów modelu statystycznego: za oszacowania przyjmuje się te wartości parametrów, przy których zaobserwowane dane są najbardziej prawdopodobne w ramach przyjętego modelu. Punktem wyjścia jest funkcja wiarygodności L(θ) – prawdopodobieństwo (dla danych ciągłych: gęstość) otrzymania właśnie tych danych przy parametrach θ. W praktyce maksymalizuje się jej logarytm, bo iloczyn wielu małych liczb zamienia się w sumę:

log L(θ) = Σi log f(yi | θ)   →   θ̂ML = wartość θ, przy której log L jest największy

Wiarygodność nie jest prawdopodobieństwem, że parametr ma daną wartość. To miara, jak dobrze dana wartość parametru „tłumaczy” dane. W psychologii ML jest domyślnym estymatorem w konfirmacyjnej analizie czynnikowej i SEM, w regresji logistycznej, w modelach mieszanych i w eksploracyjnej analizie czynnikowej metodą ML. W klasycznej regresji liniowej z normalnymi resztami daje te same współczynniki co metoda najmniejszych kwadratów.

Jak działa: najprostszy przykład

25 studentów pierwszego roku wypełniło skalę samotności (20–80; dane symulowane). Zakładamy model normalny z dwoma parametrami: średnią μ i odchyleniem σ. Program sprawdza różne wartości μ i σ i wybiera te, przy których suma logarytmów gęstości 25 wyników jest największa. Wynik numerycznej maksymalizacji to μ = 44.12 i σ = 9.41, przy log L = −91.52 (rysunek 1).

  • Oszacowanie μ to dokładnie średnia z próby (44.12) – w modelu normalnym ML i intuicja się zgadzają.
  • Oszacowanie σ dzieli sumę kwadratów przez n, a nie przez n − 1: 9.41 zamiast 9.61. Estymator ML wariancji jest więc w małych próbach lekko obciążony w dół. Ta sama własność sprawia, że w modelach mieszanych zamiast ML często używa się REML (ograniczonej wiarygodności), który uwzględnia liczbę szacowanych efektów stałych.
Dwie krzywe logarytmu wiarygodności dla 25 wyników skali samotności. Panel A: log L w funkcji średniej μ z maksimum przy μ = 44.12 (średnia z próby), log L = −91.52. Panel B: log L w funkcji odchylenia σ z maksimum przy σ = 9.41 (dzielnik n), obok zaznaczono SD = 9.61 (dzielnik n − 1)
Rysunek 1. Funkcja log-wiarygodności modelu normalnego dla 25 wyników (kreski na osi w panelu A to dane). Czerwony punkt to maksimum, czyli oszacowanie ML. W panelu B kropkowana linia pokazuje zwykłe odchylenie standardowe z dzielnikiem n − 1, które nie jest oszacowaniem ML. Obliczenia: R (dane symulowane).

Kształt krzywej też niesie informację. Im ostrzej opada od maksimum, tym precyzyjniej dane wskazują parametr; z krzywizny log-wiarygodności (macierzy informacji) liczy się błędy standardowe oszacowań. Przy dużych próbach estymatory ML są zgodne, asymptotycznie nieobciążone i mają najmniejszą możliwą wariancję – pod warunkiem, że model (w tym założony rozkład) jest poprawny.

ML w CFA i SEM

W SEM danymi dla estymatora są zwykle wariancje i kowariancje zmiennych jawnych. ML szuka parametrów modelu (ładunków, wariancji, ścieżek), przy których macierz kowariancji odtworzona przez model jest najbliższa macierzy z próby, przy założeniu wielowymiarowego rozkładu normalnego. Odległość mierzy funkcja rozbieżności FML; jej minimum program podaje jako FMIN. Ta sama wielkość wyrażona przez log-wiarygodność daje statystykę chi-kwadrat modelu (CMIN):

χ² = 2 × (log Lmodel nasycony − log Lmodel)

To test ilorazu wiarygodności: porównuje model z modelem nasyconym, który odtwarza kowariancje bez błędu. W przykładzie jednoczynnikowej skali wsparcia (6 pozycji, N = 300, dane symulowane) log L modelu wynosi −2767.99, modelu nasyconego −2766.14, więc χ²(9) = 3.71, p = .929. Lavaan podaje FMIN = 0.006 i χ² = 2 × N × FMIN – to ta sama liczba. Z log-wiarygodności korzystają też test różnicy chi-kwadrat i kryteria informacyjne AIC i BIC.

Założenia, ograniczenia i alternatywy

Sytuacje problematyczne dla ML i możliwe rozwiązania
SytuacjaCo się dzieje przy zwykłym MLCo rozważyć
Dane ciągłe, ale nienormalne (skośność, kurtoza)Oszacowania zwykle w porządku, błędy standardowe i χ² obciążoneMLR lub MLMV (odporne SE i skorygowana statystyka)
Pozycje porządkowe z małą liczbą kategoriiŁadunki i dopasowanie obciążoneWLSMV na korelacjach polichorycznych
Braki danych MCAR lub MARUsuwanie przypadków traci osoby i może obciążać wynikiML z pełną informacją (FIML) albo imputacja wielokrotna
Mała próba, słabe ładunkiBrak zbieżności, niedopuszczalne rozwiązaniaProstszy model, sprawdzenie identyfikacji, większa próba

Maydeu-Olivares (2017) zwraca uwagę, że klasyczne błędy standardowe i statystyka chi-kwadrat w ML zakładają normalność; w jego symulacji najlepiej wypadły odporne błędy standardowe z korektą statystyki ze względu na średnią i wariancję (MLMV), nawet przy danych normalnych. Dla pozycji porządkowych Flora i Curran (2004) pokazują, że analiza korelacji polichorycznych z odpornym WLS sprawdza się w szerokim zakresie warunków. Alternatywy oparte na najmniejszych kwadratach opisują hasła GLS i ADF.

Braki danych. ML nie wymaga pełnych danych: w wersji z pełną informacją (FIML) wiarygodność liczy się dla każdej osoby z tych zmiennych, które ma. Enders i Bandalos (2001) wykazali w symulacji, że przy brakach MCAR i MAR FIML daje nieobciążone i bardziej efektywne oszacowania niż usuwanie przypadków. W przykładzie około 13% osób nie odpowiedziało na pozycje 5 i 6, częściej przy niskich wynikach pozycji 1. Usuwanie przypadków zostawiło 228 z 300 osób, a FIML wykorzystał wszystkie 300; niestandaryzowane ładunki pozycji 5 i 6 z FIML (0.663 i 0.655) były bliższe ładunkom z pełnych danych (0.646 i 0.688) niż te po usunięciu przypadków (0.691 i 0.617). Mechanizmy braków opisuje hasło braki danych (MCAR, MAR, MNAR).

Cały proces modelowania – od specyfikacji po interpretację dopasowania – pokazują poradniki CB-SEM krok po kroku i CB-SEM w R w pakiecie lavaan.

Jak opisać estymację w pracy (APA)

Schreiber i in. (2006) zaliczają opis estymatora, sposobu postępowania z brakami danych i oprogramowania do podstawowych informacji w raporcie z CFA i SEM. Wzór dla przykładu:

Jednoczynnikowy model skali wsparcia oszacowano metodą największej wiarygodności (ML) w pakiecie lavaan (R 4.5.3). Model był dobrze dopasowany, χ²(9) = 3.71, p = .929, CFI = 1.000, RMSEA = .000, SRMR = .014; standaryzowane ładunki wynosiły od .53 do .82.

Przy brakach danych dopisz zdanie w rodzaju: „Braki danych w pozycjach 5 i 6 (12–13% osób) uwzględniono metodą FIML, dzięki czemu analizą objęto wszystkie 300 osób”. Jeśli dane odbiegają od normalności, napisz, której korekty użyto (np. MLR), i podawaj skorygowaną statystykę chi-kwadrat oraz indeksy dopasowania – wzór tabeli znajdziesz na stronie tabela dopasowania modelu CFA w APA.

Przykład reprodukowalny

Przykład w R

Kod szacuje μ i σ metodą ML przez numeryczną maksymalizację log-wiarygodności i porównuje wynik z rozwiązaniem analitycznym, dopasowuje model CFA estymatorem ML i pokazuje, że chi-kwadrat to iloraz wiarygodności, a na koniec porównuje usuwanie przypadków z FIML. Liczby w tekście i na rysunku 1 pochodzą z tego kodu.

Wiarygodność, ML w lavaan i FIML

Dane wejściowe: 25 wyników skali samotności (set.seed(2241)); 300 osób × 6 pozycji skali wsparcia 1–7 (set.seed(2242)); braki w pozycjach 5 i 6 (set.seed(2243)); wszystko to dane symulowane.

Co odczytać: mu_ML, sigma_ML i logL_max; logl, unrestricted.logl, chisq i fmin; dwa sposoby policzenia chi-kwadrat; ładunki standaryzowane; odsetek braków, liczbę obserwacji i ładunki w trzech wariantach.

R
# Część 1. Dane symulowane: poczucie samotności (skala 20–80) u 25 studentów pierwszego roku
set.seed(2241)
y <- round(rnorm(25, 44, 9))
n <- length(y)

# Logarytm wiarygodności modelu normalnego dla parametrów mu i sigma
logL <- function(par) sum(dnorm(y, mean = par[1], sd = par[2], log = TRUE))
# Numeryczna maksymalizacja (optim minimalizuje, więc podajemy −logL)
opt <- optim(c(40, 5), function(p) -logL(p), method = "L-BFGS-B", lower = c(-Inf, 0.01))
round(c(mu_ML = opt$par[1], sigma_ML = opt$par[2], logL_max = -opt$value), 3)
# Rozwiązanie analityczne: mu = średnia, sigma^2 = SS / n (a nie SS / (n − 1))
round(c(srednia = mean(y), sigma_n = sqrt(sum((y - mean(y))^2) / n), SD_n_minus_1 = sd(y)), 3)

# Część 2. ML w konfirmacyjnej analizie czynnikowej (lavaan): 6 pozycji skali wsparcia (1–7), N = 300
suppressPackageStartupMessages(library(lavaan))
set.seed(2242)
N <- 300
czynnik <- rnorm(N)
lad <- c(.80, .75, .70, .65, .60, .55)
X <- sapply(lad, function(l) round(pmin(pmax(4.6 + 1.3 * (l * czynnik + sqrt(1 - l^2) * rnorm(N)), 1), 7)))
colnames(X) <- paste0("w", 1:6)
dane <- as.data.frame(X)
model <- "wsparcie =~ w1 + w2 + w3 + w4 + w5 + w6"
fit <- cfa(model, data = dane, estimator = "ML")
fm <- fitMeasures(fit, c("logl", "unrestricted.logl", "chisq", "df", "pvalue", "fmin", "cfi", "rmsea", "srmr"))
round(fm, 3)
# Statystyka chi-kwadrat to iloraz wiarygodności: 2 × (logL modelu nasyconego − logL modelu)
round(c(chisq_z_logL = 2 * (fm[["unrestricted.logl"]] - fm[["logl"]]), chisq_z_fmin = 2 * N * fm[["fmin"]]), 3)
ss <- standardizedSolution(fit)[1:6, c("lhs", "op", "rhs", "est.std", "se")]
ss[, 4:5] <- round(ss[, 4:5], 3); ss

# Część 3. Braki danych w w5 i w6 zależne od w1 (MAR); usuwanie przypadków a pełna informacja (FIML)
set.seed(2243)
dane_b <- dane
p_brak <- plogis(-2.2 + 0.6 * (dane$w1 - 4.6))
dane_b$w5[runif(N) < p_brak] <- NA; dane_b$w6[runif(N) < p_brak] <- NA
round(colMeans(is.na(dane_b[, c("w5", "w6")])), 3)
fit_lw   <- cfa(model, data = dane_b, estimator = "ML")                    # usuwanie przypadków (listwise)
fit_fiml <- cfa(model, data = dane_b, estimator = "ML", missing = "fiml")  # pełna informacja
c(N_listwise = lavInspect(fit_lw, "nobs"), N_fiml = lavInspect(fit_fiml, "nobs"))
round(cbind(pelne = coef(fit)[1:5], listwise = coef(fit_lw)[1:5], fiml = coef(fit_fiml)[1:5]), 3)
Wynik w R
   mu_ML sigma_ML logL_max
  44.120    9.412  -91.523
     srednia      sigma_n SD_n_minus_1
      44.120        9.412        9.606
             logl unrestricted.logl             chisq                df
        -2767.990         -2766.135             3.710             9.000
           pvalue              fmin               cfi             rmsea
            0.929             0.006             1.000             0.000
             srmr
            0.014
chisq_z_logL chisq_z_fmin
        3.71         3.71
       lhs op rhs est.std    se
1 wsparcie =~  w1   0.824 0.028
2 wsparcie =~  w2   0.710 0.035
3 wsparcie =~  w3   0.715 0.035
4 wsparcie =~  w4   0.598 0.043
5 wsparcie =~  w5   0.528 0.047
6 wsparcie =~  w6   0.564 0.045
   w5    w6
0.133 0.123
N_listwise     N_fiml
       228        300
             pelne listwise  fiml
wsparcie=~w2 0.871    0.910 0.881
wsparcie=~w3 0.911    0.977 0.927
wsparcie=~w4 0.728    0.729 0.735
wsparcie=~w5 0.646    0.691 0.663
wsparcie=~w6 0.688    0.617 0.655

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 z pakietem lavaan (CFA i FIML); rysunek przygotowano w pakietach ggplot2 i patchwork.

  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
  4. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze błędy

  • „Wiarygodność” jako prawdopodobieństwo hipotezy. Najwyższa wiarygodność oznacza parametry najlepiej zgodne z danymi w danym modelu, a nie, że model jest prawdziwy.
  • Zwykłe ML przy wyraźnej nienormalności lub pozycjach porządkowych. Oszacowania mogą być akceptowalne, ale błędy standardowe i χ² wprowadzają w błąd; użyj odpornej wersji albo estymatora dla danych porządkowych.
  • Usuwanie przypadków z brakami, choć dostępny jest FIML. Tracisz osoby i ryzykujesz obciążenie przy brakach MAR.
  • Brak informacji o estymatorze w raporcie. „Model oszacowano w AMOS” nie mówi, czy użyto ML, MLR czy innej metody.
  • Porównywanie log-wiarygodności modeli dopasowanych do różnych danych (np. różnej liczby osób po usunięciu braków) – test ilorazu wiarygodności i AIC wymagają tych samych obserwacji.
  • Ignorowanie ostrzeżeń o zbieżności i niedopuszczalnych oszacowaniach, np. ujemnych wariancjach (zob. przypadek Heywooda).

Najczęstsze pytania

Na czym polega metoda największej wiarygodności w prostych słowach?

Program sprawdza różne wartości parametrów modelu i wybiera te, przy których otrzymanie Twoich danych byłoby najbardziej prawdopodobne. Dla wyników z rozkładu normalnego oszacowanie średniej metodą ML to po prostu średnia z próby.

Dlaczego estymator ML wariancji dzieli przez n, a nie przez n − 1?

Bo maksimum funkcji wiarygodności modelu normalnego wypada właśnie przy sumie kwadratów podzielonej przez n. Taki estymator jest w małych próbach lekko obciążony w dół; dlatego w modelach mieszanych często używa się REML, który tę stratę uwzględnia.

Czym różni się ML od MLR w SEM?

Oba dają te same oszacowania parametrów. MLR dodatkowo koryguje błędy standardowe i statystykę chi-kwadrat tak, by były odporne na odstępstwa od normalności. Przy skośnych danych ciągłych bezpieczniej raportować MLR.

Czy metodę największej wiarygodności można stosować przy brakach danych?

Tak – w wersji z pełną informacją (FIML) wiarygodność liczy się dla każdej osoby z dostępnych odpowiedzi. Przy brakach MCAR i MAR daje to nieobciążone oszacowania bez usuwania osób (Enders i Bandalos, 2001).

Skąd się bierze chi-kwadrat w CFA estymowanej metodą ML?

To test ilorazu wiarygodności: dwukrotna różnica log-wiarygodności modelu nasyconego i Twojego modelu. W przykładzie na tej stronie 2 × (−2766.14 + 2767.99) daje χ²(9) = 3.71.

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. Enders, C. K., & Bandalos, D. L. (2001). The relative performance of full information maximum likelihood estimation for missing data in structural equation models. Structural Equation Modeling: A Multidisciplinary Journal, 8(3), 430–457. https://doi.org/10.1207/s15328007sem0803_5
  2. Flora, D. B., & Curran, P. J. (2004). An empirical evaluation of alternative methods of estimation for confirmatory factor analysis with ordinal data. Psychological Methods, 9(4), 466–491. https://doi.org/10.1037/1082-989X.9.4.466 ● Otwarty dostęp: pełny tekst
  3. Maydeu-Olivares, A. (2017). Maximum likelihood estimation of structural equation models for continuous data: Standard errors and goodness of fit. Structural Equation Modeling: A Multidisciplinary Journal, 24(3), 383–394. https://doi.org/10.1080/10705511.2016.1269606
  4. Schreiber, J. B., Nora, A., Stage, F. K., Barlow, E. A., & King, J. (2006). Reporting structural equation modeling and confirmatory factor analysis results: A review. The Journal of Educational Research, 99(6), 323–338. https://doi.org/10.3200/joer.99.6.323-338

Cytowania BibTeX

@article{enders2001relative, author={Enders, Craig K. and Bandalos, Deborah L.}, title={{The relative performance of full information maximum likelihood estimation for missing data in structural equation models}}, journal={Structural Equation Modeling: A Multidisciplinary Journal}, year={2001}, volume={8}, number={3}, pages={430--457}, doi={10.1207/s15328007sem0803_5}}
@article{flora2004empirical, author={Flora, David B. and Curran, Patrick J.}, title={{An empirical evaluation of alternative methods of estimation for confirmatory factor analysis with ordinal data}}, journal={Psychological Methods}, year={2004}, volume={9}, number={4}, pages={466--491}, doi={10.1037/1082-989x.9.4.466}}
@article{maydeuolivares2017maximum, author={Maydeu-Olivares, Alberto}, title={{Maximum likelihood estimation of structural equation models for continuous data: Standard errors and goodness of fit}}, journal={Structural Equation Modeling: A Multidisciplinary Journal}, year={2017}, volume={24}, number={3}, pages={383--394}, doi={10.1080/10705511.2016.1269606}}
@article{schreiber2006reporting, author={Schreiber, James B. and Nora, Amaury and Stage, Frances K. and Barlow, Elizabeth A. and King, Jamie}, title={{Reporting structural equation modeling and confirmatory factor analysis results: A review}}, journal={The Journal of Educational Research}, year={2006}, volume={99}, number={6}, pages={323--338}, doi={10.3200/joer.99.6.323-338}}
R