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
| Krok | Co sprawdza | Jak | Wniosek, gdy spełniony |
|---|---|---|---|
| 1. Inwariancja konfiguracyjna | Ten sam model, te same wskaźniki, to samo kodowanie i przygotowanie danych, ten sam algorytm i ustawienia w każdej grupie | Ocena jakościowa, bez testu | Można przejść do kroku 2 |
| 2. Inwariancja kompozycyjna | Czy wyniki kompozytu policzone wagami grupy 1 i wagami grupy 2 są niemal identyczne | Korelacja c obu wersji wyniku; test permutacyjny (H0: c = 1) | Kroki 1 + 2 = częściowa inwariancja: wolno porównać współczynniki ścieżek między grupami |
| 3a. Równość średnich | Różnica średnich wyników kompozytu w grupach | Test permutacyjny różnicy | 3a + 3b (dla wszystkich konstruktów) = pełna inwariancja: można też analizować dane połączone |
| 3b. Równość wariancji | Logarytm ilorazu wariancji wyników | Test 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:
| Kompozyt | Krok 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:
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 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
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 0Bibliografia oprogramowania
Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- 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/
- 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
PLS-SEM krok po kroku
Logika kompozytów, założenia, ocena modelu refleksyjnego i formatywnego, ścieżki, f² i PLSpredict – na przykładzie z R, z tabelą progów i źródeł.
Czytaj →PoradnikPLS-SEM w R: seminr i cSEM
Kompletny przykład z mediacją: model pomiarowy i strukturalny, bootstrap, PLSpredict, consistent PLS i test dopasowania – z danymi, kodem i opisem APA.
Czytaj →PoradnikInwariancja pomiaru krok po kroku
Wielogrupowa CFA w lavaan: model konfiguracyjny, metryczny, skalarny i ścisły, kryteria ΔCFI i ΔRMSEA, testy punktowe, częściowa inwariancja i opis APA.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- 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
- 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
- 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
- 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}}