Słownik metodologiczny · Modele SEM

MICOM – jak sprawdzić inwariancję pomiaru kompozytów przed wielogrupowym PLS-SEM

MICOM to trzyetapowa procedura, która sprawdza, czy kompozyty w PLS-SEM znaczą to samo w porównywanych grupach. Wyjaśniamy inwariancję konfiguracyjną, kompozycyjną i równość średnich i wariancji, pokazujemy przykład w cSEM i wzór opisu.

W skrócie: MICOM to procedura Henselera, Ringle i Sarstedta (2016) sprawdzająca inwariancję pomiaru kompozytów w PLS-SEM w trzech krokach: konfiguracyjnym (ten sam model i ustawienia), kompozycyjnym (wagi tworzą w grupach ten sam wynik, korelacja c bliska 1) oraz równości średnich i wariancji. Kroki 1 i 2 dają częściową inwariancję, która pozwala porównywać ścieżki w analizie wielogrupowej. Pełna inwariancja (także krok 3) jest potrzebna, by łączyć dane z grup. Testy są permutacyjne; używaj co najmniej 5000 permutacji.

Co to jest MICOM?

MICOM (ang. measurement invariance of composite models, inwariancja pomiaru modeli kompozytowych) to trzyetapowa procedura, która sprawdza, czy konstrukty szacowane jako kompozyty w PLS-SEM są mierzone tak samo w porównywanych grupach. Zaproponowali ją Henseler i in. (2016). Zauważyli, że metody badania inwariancji są dobrze opracowane dla modeli czynnikowych, ale brakowało ich dla modeli kompozytowych. Grupy porównuje się w SEM często, a bez inwariancji pomiaru takie porównania mogą wprowadzać w błąd.

MICOM to odpowiednik wielogrupowej CFA opisanej w haśle inwariancja pomiaru w CB-SEM, ale oparty na innej logice. Kompozyt to ważona suma wskaźników (wagi zewnętrzne). Pytamy więc nie o równość ładunków i wyrazów wolnych, tylko o to, czy wagi tworzą w obu grupach ten sam wynik i czy wyniki mają takie same średnie i wariancje. Testy są permutacyjne: obserwacje losowo przypisuje się do grup wiele razy i sprawdza, jak często różnica jest co najmniej tak duża jak obserwowana.

Trzy kroki MICOM

Kroki procedury MICOM, ich treść i wnioski
KrokCo sprawdzaJakWniosek, gdy spełniony
1. Inwariancja konfiguracyjnaTen sam model, te same wskaźniki, to samo kodowanie i przygotowanie danych, ten sam algorytm i ustawienia w każdej grupieOcena jakościowa, bez testuMożna przejść do kroku 2
2. Inwariancja kompozycyjnaCzy wyniki kompozytu policzone wagami grupy 1 i wagami grupy 2 są niemal identyczneKorelacja c obu wersji wyniku; test permutacyjny (H0: c = 1)Kroki 1 + 2 = częściowa inwariancja: wolno porównać współczynniki ścieżek między grupami
3a. Równość średnichRóżnica średnich wyników kompozytu w grupachTest permutacyjny różnicy3a + 3b (dla wszystkich konstruktów) = pełna inwariancja: można też analizować dane połączone
3b. Równość wariancjiLogarytm ilorazu wariancji wynikówTest permutacyjny ilorazu

W kroku 2 statystyką jest korelacja c między wynikiem kompozytu liczonym wagami jednej i drugiej grupy, na danych połączonych. Wartość bliska 1 oznacza, że wagi tworzą praktycznie ten sam konstrukt. Inwariancję kompozycyjną odrzuca się, gdy c jest niższe niż 5% wartości z rozkładu permutacyjnego. W symulacji Henseler i in. (2016) procedura poprawnie wykrywała brak, częściową i pełną inwariancję. Autorzy zastrzegają jednak, że moc testów wymaga dalszych badań, więc trzeba liczyć się z błędem II rodzaju przy małych grupach.

Dlaczego nie wystarczy porównać ładunków, jak w CB-SEM? W PLS-SEM każdy konstrukt jest szacowany jako kompozyt, niezależnie od tego, czy wskaźniki traktujesz refleksyjnie (Mode A), czy formatywnie (Mode B; zob. Model A i Model B w PLS-PM). Wagi są szacowane osobno w każdej grupie, więc te same pozycje mogą złożyć się na nieco inny wynik. MICOM sprawdza, czy ta różnica ma praktyczne znaczenie. Zanim go uruchomisz, oceń model pomiarowy w każdej grupie osobno: rzetelność i trafność kompozytów, a przy podejściu kompozytowym – CCA. Testy permutacyjne nie zakładają normalności rozkładu. Różnią się tym od przedziałów bootstrap, które służą do oceny istotności parametrów w jednej grupie.

Przykład: wymagania pracy, wsparcie i wypalenie w dwóch zawodach

Ankietę wypełniło 190 nauczycieli i 170 pielęgniarek (dane symulowane), po trzy pozycje 1–7 dla każdego konstruktu. W modelu wymagania pracy (WYM) i wsparcie zespołu (WSP) wpływają na wypalenie (WYP). Badacz chce sprawdzić, czy ścieżki różnią się między zawodami. Najpierw musi jednak ustalić, czy kompozyty mierzą to samo. Model, wskaźniki, kodowanie i ustawienia algorytmu są w obu grupach identyczne (krok 1). Wyniki kroków 2 i 3 z 5000 permutacji:

Wyniki MICOM dla trzech kompozytów w grupach nauczycieli i pielęgniarek
KompozytKrok 2: c (p)Krok 3a: różnica średnich (p)Krok 3b: log ilorazu wariancji (p)
Wymagania pracy (WYM).994 (.879)−0.348 (.001)−0.038 (.787)
Wsparcie zespołu (WSP).999 (.993)0.036 (.735)0.386 (.006)
Wypalenie (WYP).964 (.379)−0.005 (.961)−0.286 (.040)

Jak to czytać?

  • Krok 2 jest spełniony dla wszystkich kompozytów. Wartości c są bliskie 1 i żadna nie jest istotnie niższa. Wagi tworzą w obu zawodach ten sam konstrukt.
  • Częściowa inwariancja jest więc ustalona. Można porównywać współczynniki ścieżek. Wpływ wymagań na wypalenie wynosi .470 u nauczycieli i .391 u pielęgniarek, a wpływ wsparcia −.147 i −.308. Istotność tych różnic sprawdza się osobno, w analizie wielogrupowej (Sarstedt i in., 2011).
  • Krok 3 nie jest spełniony. Średnia wymagań różni się między zawodami: ujemny znak oznacza, że nauczyciele mają niższy wynik w jednostkach standaryzowanych. Wariancje wsparcia i wypalenia też się różnią. Pełnej inwariancji nie ma, więc nie łącz grup w jedną próbę bez uwzględnienia zawodu.

Różnica średnich w kroku 3a to nie problem pomiaru, tylko często wynik merytoryczny: pielęgniarki odczuwają większe wymagania. Krok 3 rozstrzyga jedynie, czy dane z obu grup można bezpiecznie połączyć w jednym modelu.

Co dalej po MICOM?

Po ustaleniu przynajmniej częściowej inwariancji przechodzisz do analizy wielogrupowej (MGA). Sarstedt i in. (2011) porównali metody MGA w PLS. Podejście parametryczne okazało się bardziej liberalne, a podejście zbioru ufności i podejście Henselera – bardziej konserwatywne. Autorzy zaproponowali też łączny test dla więcej niż dwóch grup. Klesel i in. (2019) zauważają, że wiele osobnych porównań ścieżek zawyża łączny błąd I rodzaju. Proponują permutacyjne testy porównujące cały model między grupami. Gdy grup nie znasz z góry, a podejrzewasz ukrytą heterogeniczność, sięgnij po FIMIX-PLS. Z kolei mapę ważności i wydajności (IPMA) w grupach porównuj dopiero po MICOM.

Jak opisać MICOM w pracy

Podaj liczbę permutacji, wyniki kroków 2 i 3 dla każdego konstruktu i wniosek o poziomie inwariancji. Wyniki MICOM poprzedź pełną oceną modelu pomiarowego i strukturalnego według kryteriów PLS-SEM (Hair i in., 2019). Wzór:

Przed porównaniem modelu między zawodami sprawdzono inwariancję pomiaru kompozytów procedurą MICOM (Henseler i in., 2016) z 5000 permutacji. Inwariancję konfiguracyjną zapewniono, stosując w obu grupach ten sam model, te same wskaźniki i te same ustawienia algorytmu. Inwariancja kompozycyjna została potwierdzona dla wszystkich konstruktów: korelacje c wynosiły .964–.999 i nie były istotnie niższe od 1 (p = .379–.993). Średnie wyników różniły się dla wymagań pracy (p = .001), a wariancje – dla wsparcia (p = .006) i wypalenia (p = .040). Ustalono zatem częściową inwariancję pomiaru, która pozwala porównywać współczynniki ścieżek między grupami, ale nie uzasadnia łączenia danych w jedną próbę.

Kod w R dla całego modelu PLS-SEM, łącznie z oceną modelu pomiarowego przed MICOM, znajdziesz we wpisie PLS-SEM w R: seminr i cSEM. Różnice między podejściem kompozytowym a czynnikowym omawia PLS-SEM czy CB-SEM.

Przykład reprodukowalny

Przykład w R

Kod tworzy dane z przykładu i szacuje model kompozytowy w obu grupach pakietem cSEM. Uruchamia MICOM z 5000 permutacji (trwa ok. minuty) i wypisuje współczynniki ścieżek w grupach. Liczby w tabeli i w tekście pochodzą z tego kodu.

testMICOM() w pakiecie cSEM

Dane wejściowe: 190 nauczycieli i 170 pielęgniarek (dane symulowane, set.seed(116)), pozycje 1–7: wymagania (wym1–3), wsparcie (wsp1–3), wypalenie (wyp1–3); zmienna grupująca zawod.

Co odczytać: w kroku 2 – Test statistic (korelacja c) i p-value dla każdego konstruktu; w kroku 3 – różnice średnich (Mean) i logarytmy ilorazów wariancji (Var) z p; liczbę dopuszczalnych permutacji; macierze współczynników ścieżek w grupach (wiersz WYP).

R
# MICOM: inwariancja pomiaru kompozytów przed wielogrupowym PLS-SEM (cSEM::testMICOM)
library(cSEM)

# Dane symulowane: nauczyciele (n = 190) i pielęgniarki (n = 170), pozycje 1–7.
# Wymagania pracy (WYM) i wsparcie zespołu (WSP) -> wypalenie (WYP).
# Ten sam sposób pomiaru w obu zawodach, ale pielęgniarki mają średnio wyższe wymagania (+0.5 SD)
# i większe zróżnicowanie wypalenia.
gen <- function(n, m_wym = 0, sd_wyp = 1, b_wym = .40) {
  wym <- rnorm(n, m_wym); wsp <- -0.25 * wym + rnorm(n, sd = .97)
  wyp <- sd_wyp * as.numeric(scale(b_wym * wym - 0.30 * wsp + rnorm(n, sd = .85)))
  poz <- function(lv, l, nazwa) {
    m <- sapply(l, function(a) pmin(pmax(round(4 + 1.2 * (a * lv + sqrt(1 - a^2) * rnorm(n))), 1), 7))
    colnames(m) <- paste0(nazwa, seq_along(l)); m
  }
  cbind(poz(wym, c(.80, .75, .70), "wym"), poz(wsp, c(.75, .80, .70), "wsp"), poz(wyp, c(.80, .80, .75), "wyp"))
}
set.seed(116)
dane <- rbind(data.frame(zawod = "nauczyciele", gen(190)),
              data.frame(zawod = "pielegniarki", gen(170, m_wym = 0.5, sd_wyp = 1.3, b_wym = .55)))
aggregate(cbind(wym1, wym2, wym3, wyp1) ~ zawod, data = dane, FUN = function(x) round(mean(x), 2))

model <- '
  WYM <~ wym1 + wym2 + wym3
  WSP <~ wsp1 + wsp2 + wsp3
  WYP <~ wyp1 + wyp2 + wyp3
  WYP ~ WYM + WSP
'
# Krok 1 (konfiguracyjna): ten sam model, te same wskaźniki, to samo kodowanie i ta sama metoda w obu grupach
wyn <- csem(dane, model, .id = "zawod")
# Kroki 2 i 3: testy permutacyjne (5000 permutacji)
micom <- testMICOM(wyn, .R = 5000, .seed = 116, .verbose = FALSE)
micom

# Współczynniki ścieżek w grupach (porównywalne po spełnieniu kroków 1 i 2)
lapply(wyn, function(x) round(x$Estimates$Path_estimates, 3))
Wynik w R
         zawod wym1 wym2 wym3 wyp1
1  nauczyciele 3.97 3.94 3.99 4.11
2 pielegniarki 4.31 4.44 4.30 4.04
________________________________________________________________________________
-------- Test for measurement invariance based on Henseler et al (2016) --------
======================== Step 1 - Configural invariance ========================

	Configural invariance is a precondition for step 2 and 3.
	Do not proceed to interpret results unless
	configural invariance has been established.

======================= Step 2 - Compositional invariance ======================

Null hypothesis:

       ┌─────────────────────────────────────────────────────────────────┐
       │                                                                 │
       │   H0: Compositional measurement invariance of the constructs.   │
       │                                                                 │
       └─────────────────────────────────────────────────────────────────┘

Test statistic and p-value: 

  Compared groups: nauczyciele_pielegniarki
	         	              	 p-value by adjustment
	Construct	Test statistic	    none
	WYM      	    0.9940    	  0.8792
	WSP      	    0.9991    	  0.9930
	WYP      	    0.9640    	  0.3794
	
================= Step 3 - Equality of the means and variances =================

Null hypothesis:

          ┌────────────────────────────────────────────────────────────┐
          │                                                            │
          │   1. H0: Difference between group means is zero            │
          │   2. H0: Log of the ratio of the group variances is zero   │
          │                                                            │
          └────────────────────────────────────────────────────────────┘

Test statistic and critical values: 

  Compared groups: nauczyciele_pielegniarki

	Mean
	         	              	 p-value by adjustment
	Construct	Test statistic	    none
	WYM      	    -0.3483   	  0.0010
	WSP      	    0.0362    	  0.7354
	WYP      	    -0.0050   	  0.9610
	
	Var
	         	              	 p-value by adjustment
	Construct	Test statistic	    none
	WYM      	    -0.0378   	  0.7870
	WSP      	    0.3860    	  0.0056
	WYP      	    -0.2855   	  0.0398
	
Additional information:

	Out of 5000 permutation runs, 5000 where admissible.
	See ?verify() for what constitutes an inadmissible result.

	The seed used was: 116

	Number of observations per group:

	Group             No. observations
	nauczyciele       190            
	pielegniarki      170            
________________________________________________________________________________
$nauczyciele
     WYM    WSP WYP
WYM 0.00  0.000   0
WSP 0.00  0.000   0
WYP 0.47 -0.147   0

$pielegniarki
      WYM    WSP WYP
WYM 0.000  0.000   0
WSP 0.000  0.000   0
WYP 0.391 -0.308   0

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3. 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. cSEM (wersja 0.6.1): Rademaker, M. E., & Schuberth, F. (2020). cSEM: Composite-based structural equation modeling (Version 0.6.1) [R package]. https://floschuberth.github.io/cSEM/

Najczęstsze błędy

  • Analiza wielogrupowa bez MICOM. Różnica ścieżek może wynikać z tego, że kompozyt znaczy w grupach co innego.
  • Przekonanie, że krok 3 musi być spełniony. Do porównania ścieżek wystarczają kroki 1 i 2. Różnice średnich i wariancji wykluczają tylko łączenie danych.
  • Pominięcie kroku 1. Inny zestaw wskaźników, inne kodowanie albo inne ustawienia algorytmu w jednej grupie unieważniają dalsze testy, choć program ich nie sprawdzi.
  • Zbyt mało permutacji. Przy kilkuset permutacjach p jest niedokładne. Dokumentacja cSEM przypomina, że Henseler i in. zalecają co najmniej 5000.
  • Bardzo małe lub nierówne grupy. Moc testów MICOM jest wtedy niska, więc „brak istotnej różnicy” nie dowodzi inwariancji. Napisz o tym w ograniczeniach.
  • Stosowanie MICOM do modeli czynnikowych. Dla konstruktów refleksyjnych szacowanych w CB-SEM użyj wielogrupowej CFA. Opisuje ją poradnik inwariancja pomiaru krok po kroku.

Najczęstsze pytania

Jakie są kroki procedury MICOM?

Krok 1 to inwariancja konfiguracyjna: ten sam model, wskaźniki, kodowanie i ustawienia algorytmu w każdej grupie, oceniane bez testu. Krok 2 to inwariancja kompozycyjna, sprawdzana testem permutacyjnym korelacji c między wynikami liczonymi wagami obu grup. Krok 3 to testy równości średnich i wariancji wyników kompozytów.

Czym różni się częściowa i pełna inwariancja w MICOM?

Częściowa inwariancja to spełnione kroki 1 i 2 – wystarcza, by porównywać współczynniki ścieżek w analizie wielogrupowej. Pełna inwariancja wymaga dodatkowo równości średnich i wariancji (krok 3) dla wszystkich konstruktów i pozwala analizować dane z grup łącznie.

Co zrobić, gdy krok 3 MICOM nie jest spełniony?

Jeśli kroki 1 i 2 są spełnione, nadal możesz porównywać ścieżki między grupami – masz częściową inwariancję. Nie łącz natomiast grup w jedną próbę bez uwzględnienia przynależności do grupy. Różnica średnich może być wynikiem merytorycznym, np. większych wymagań pracy w jednym zawodzie.

Jak zrobić MICOM w R?

W pakiecie cSEM oszacuj model funkcją csem(dane, model, .id = "grupa"), a następnie uruchom testMICOM(wynik, .R = 5000). Funkcja zwraca wyniki kroku 2 (korelacje c z p) i kroku 3 (różnice średnich i logarytmy ilorazów wariancji). Krok 1 musisz zapewnić i opisać sam.

Czy MICOM można stosować w CB-SEM?

Nie – MICOM dotyczy konstruktów szacowanych jako kompozyty, np. w PLS-SEM. Dla konstruktów refleksyjnych modelowanych jako wspólne czynniki w CB-SEM stosuje się wielogrupową konfirmacyjną analizę czynnikową z kolejnymi poziomami inwariancji: konfiguracyjną, metryczną i skalarną.

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. 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
  2. Henseler, J., Ringle, C. M., & Sarstedt, M. (2016). Testing measurement invariance of composites using partial least squares. International Marketing Review, 33(3), 405–431. https://doi.org/10.1108/imr-09-2014-0304 ● Otwarty dostęp: pełny tekst
  3. Klesel, M., Schuberth, F., Henseler, J., & Niehaves, B. (2019). A test for multigroup comparison using partial least squares path modeling. Internet Research, 29(3), 464–477. https://doi.org/10.1108/intr-11-2017-0418 ● Otwarty dostęp
  4. Sarstedt, M., Henseler, J., & Ringle, C. M. (2011). Multigroup analysis in partial least squares (PLS) path modeling: Alternative methods and empirical results. Advances in International Marketing. https://doi.org/10.1108/s1474-7979(2011)0000022012

Cytowania BibTeX

@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{henseler2016testing, author={Henseler, Jörg and Ringle, Christian M. and Sarstedt, Marko}, title={{Testing measurement invariance of composites using partial least squares}}, journal={International Marketing Review}, year={2016}, volume={33}, number={3}, pages={405--431}, doi={10.1108/imr-09-2014-0304}}
@article{klesel2019test, author={Klesel, Michael and Schuberth, Florian and Henseler, Jörg and Niehaves, Bjoern}, title={{A test for multigroup comparison using partial least squares path modeling}}, journal={Internet Research}, year={2019}, volume={29}, number={3}, pages={464--477}, doi={10.1108/intr-11-2017-0418}}
@misc{sarstedt2011multigroup, author={Sarstedt, Marko and Henseler, Jörg and Ringle, Christian M.}, title={{Multigroup analysis in partial least squares (PLS) path modeling: Alternative methods and empirical results}}, howpublished={Advances in International Marketing}, year={2011}, pages={195--218}, doi={10.1108/s1474-7979(2011)0000022012}}
R