Modele refleksyjne i formatywne

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 21 sierpnia 2026 · Aktualizacja: 22 sierpnia 2026

Co oznacza Modele refleksyjne i formatywne?

Modele refleksyjne i formatywne reprezentują dwa odmienne kierunki relacji między konstruktem a wskaźnikami: w pierwszym wspólny czynnik wywołuje odpowiedzi, w drugim składniki tworzą kompozyt lub indeks.

Zastosowanie, warunki i dobre praktyki

Rozróżnienie dotyczy mechanizmu pomiaru, nie wygody estymacji. Dla czynnika refleksyjnego odpowiedzi są przejawami wspólnej cechy, natomiast dla kompozytu formatywnego składniki współtworzą zdefiniowaną całość. Kierunek należy uzasadnić przed analizą testem myślowym o zamienności wskaźników, skutkach ich usunięcia i oczekiwanej współzmienności.

Najważniejsze zastosowanie: Porównuj je na podstawie definicji i mechanizmu pomiaru przed analizą; dla modelu refleksyjnego badaj ładunki i błędy, a dla formatywnego pokrycie domeny, wagi, współliniowość i trafność zewnętrzną.

Jak to się oblicza i co oznaczają symbole?

Refleksyjny: xᵢ = λᵢη + εᵢ; formatywny: η = Σwᵢxᵢ + ζ

W modelu refleksyjnym konstrukt η jest wspólną przyczyną wskaźnika xᵢ; λᵢ jest ładunkiem, a εᵢ błędem swoistym. W modelu formatywnym wskaźniki xᵢ wraz z wagami wᵢ tworzą lub definiują kompozyt η, a ζ obejmuje część niewyjaśnioną. Odwrócenie kierunku równania zmienia znaczenie konstruktu, założenia o korelacjach wskaźników i właściwe kryteria oceny.

Jak poprawnie stosować i interpretować hasło „Modele refleksyjne i formatywne”?

Przy ocenie pojęcia „Modele refleksyjne i formatywne” trzeba najpierw zdefiniować konstrukt, populację, przeznaczenie wyniku i model łączący konstrukt ze wskaźnikami. W analizie dotyczącej hasła „Modele refleksyjne i formatywne” dopiero potem dobiera się współczynnik lub kryterium. Dla interpretacji hasła „Modele refleksyjne i formatywne” w modelu refleksyjnym wskaźniki są przejawami wspólnej zmiennej, natomiast w formatywnym tworzą kompozyt; zamiana tych logik zmienia znaczenie ładunków, korelacji i oceny jakości.

Ocena pojęcia „Modele refleksyjne i formatywne” powinna łączyć treść pozycji, strukturę wewnętrzną, rzetelność oraz relacje z innymi zmiennymi. W odniesieniu do hasła „Modele refleksyjne i formatywne” żaden pojedynczy współczynnik nie dowodzi trafności całego zastosowania. Przy ocenie hasła „Modele refleksyjne i formatywne” należy sprawdzić niepewność estymat, stabilność w istotnych grupach, jakość kodowania pozycji odwróconych i to, czy wynik jest wystarczająco precyzyjny dla decyzji grupowej albo indywidualnej.

Co trzeba opisać w raporcie?

W raporcie dotyczącym „Modele refleksyjne i formatywne” trzeba nazwać model pomiarowy, wskaźniki, sposób skalowania i użyty estymator. W analizie dotyczącej hasła „Modele refleksyjne i formatywne” wyniki powinny obejmować właściwe estymaty z przedziałami ufności oraz dowody odpowiadające konkretnemu pytaniu o rzetelność lub trafność. Dla interpretacji hasła „Modele refleksyjne i formatywne” wszelkie progi należy uzasadnić, a decyzje o usunięciu pozycji powiązać z ich treścią.

Zakres raportowania dla hasła „Modele refleksyjne i formatywne”: Dla każdego konstruktu jawnie podaj kierunek pomiaru, uzasadnienie, estymator i diagnostykę odpowiednią dla jego typu.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Satysfakcja mierzona trzema podobnymi ocenami może być refleksyjna, a indeks dostępności z kosztu, odległości i czasu oczekiwania — formatywny.

Jak ją zinterpretować: Kierunek zależności między konstruktem a wskaźnikami zmienia kryteria oceny całego modelu pomiarowego. Wybór powinien wynikać z definicji i skutków usunięcia wskaźnika, nie z korzystniejszych wyników po estymacji.

Najczęstsza pułapka i granica interpretacji

Nie wybieraj kierunku po obejrzeniu korelacji albo po tym, który model daje korzystniejsze p; misspecyfikacja może zmienić znaki i rozmiary relacji.

Wysoka wartość wskaźnika związanego z „Modele refleksyjne i formatywne” nie naprawia błędnej operacjonalizacji. W odniesieniu do hasła „Modele refleksyjne i formatywne” jakość pomiaru dotyczy określonej interpretacji wyniku w danej populacji i nie przenosi się automatycznie na inne zastosowanie.

Przykład reprodukowalny dla tego hasła

Kompozyt formatywny: współliniowość składników i wynik według wag

Przykład porównuje jawnie określony model refleksyjny i formatywny; rodzaj pomiaru wynika z teorii, nie z lepszego wyniku programu.

Dane wejściowe: Kolumny koszt, odleglosc, oczekiwanie i godziny opisują niezastępowalne składniki dostępności; kryterium jest zewnętrzną zmienną walidacyjną. Wagi 0.30, 0.25, 0.25 i 0.20 muszą być określone z teorii albo oszacowane w jawnym modelu.

Co sprawdzić w wyniku: Sprawdź VIF składników, znak i stabilność wag oraz związek kompozytu z kryterium. Nie oceniaj takiego indeksu alfą Cronbacha.

dane <- read.csv("dane.csv")

x <- dane[c("koszt", "odleglosc", "oczekiwanie", "godziny")]
z <- as.data.frame(scale(x))

# VIF bez dodatkowego pakietu: regresja każdego składnika na pozostałe.
vif <- sapply(names(z), function(nazwa) {
  pozostale <- setdiff(names(z), nazwa)
  r2 <- summary(lm(reformulate(pozostale, response = nazwa), data = z))$r.squared
  1 / (1 - r2)
})
print(vif)

# Wagi są jawne i wynikają z definicji przykładowego indeksu.
w <- c(koszt = 0.30, odleglosc = 0.25, oczekiwanie = 0.25, godziny = 0.20)
dane$indeks_dostepnosci <- as.numeric(as.matrix(z) %*% w)
summary(lm(kryterium ~ indeks_dostepnosci, data = dane))

Python

import numpy as np
import pandas as pd

dane = pd.read_csv("dane.csv")
cols = ["koszt", "odleglosc", "oczekiwanie", "godziny"]
z = (dane[cols] - dane[cols].mean()) / dane[cols].std(ddof=1)

vif = {}
for col in cols:
    others = [c for c in cols if c != col]
    X = np.column_stack([np.ones(len(z)), z[others].to_numpy()])
    y = z[col].to_numpy()
    beta = np.linalg.lstsq(X, y, rcond=None)[0]
    resid = y - X @ beta
    r2 = 1 - np.sum(resid**2) / np.sum((y - y.mean())**2)
    vif[col] = 1 / (1 - r2)
print(vif)

weights = np.array([0.30, 0.25, 0.25, 0.20])
dane["indeks_dostepnosci"] = z.to_numpy() @ weights
print(dane[["indeks_dostepnosci", "kryterium"]].corr())

IBM SPSS Statistics — Syntax

DESCRIPTIVES VARIABLES=koszt odleglosc oczekiwanie godziny
 /SAVE.

REGRESSION
 /DEPENDENT Zkoszt
 /METHOD=ENTER Zodleglosc Zoczekiwanie Zgodziny
 /STATISTICS=COEFF COLLIN TOL.
REGRESSION
 /DEPENDENT Zodleglosc
 /METHOD=ENTER Zkoszt Zoczekiwanie Zgodziny
 /STATISTICS=COEFF COLLIN TOL.
REGRESSION
 /DEPENDENT Zoczekiwanie
 /METHOD=ENTER Zkoszt Zodleglosc Zgodziny
 /STATISTICS=COEFF COLLIN TOL.
REGRESSION
 /DEPENDENT Zgodziny
 /METHOD=ENTER Zkoszt Zodleglosc Zoczekiwanie
 /STATISTICS=COEFF COLLIN TOL.

COMPUTE indeks_dostepnosci=.30*Zkoszt + .25*Zodleglosc +
 .25*Zoczekiwanie + .20*Zgodziny.
EXECUTE.
CORRELATIONS VARIABLES=indeks_dostepnosci kryterium.

Bibliografia oprogramowania i wykorzystanych pakietów

W przykładach użyto: R, Python, IBM SPSS Statistics, pandas, NumPy. W pracy badawczej podaj również faktycznie użyte wersje, które można odczytać poleceniami sessionInfo() w R oraz pip freeze lub importlib.metadata.version() w Pythonie. Cytuj wyłącznie narzędzia rzeczywiście użyte w końcowej analizie.

R: R Core Team. (2026). R: A language and environment for statistical computing [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
Python: Van Rossum, G., & Drake, F. L., Jr. (2009). Python 3 reference manual. CreateSpace.
IBM SPSS Statistics: IBM Corp. (2025). IBM SPSS Statistics for Macintosh (Version 31.0) [Computer software]. IBM Corp.
pandas: McKinney, W. (2010). Data structures for statistical computing in Python. In S. van der Walt & J. Millman (Eds.), Proceedings of the 9th Python in Science Conference (pp. 56–61). https://doi.org/10.25080/Majora-92bf1922-00a
NumPy: Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., Wieser, E., Taylor, J., Berg, S., Smith, N. J., Kern, R., Picus, M., Hoyer, S., van Kerkwijk, M. H., Brett, M., Haldane, A., del Río, J. F., Wiebe, M., Peterson, P., … Oliphant, T. E. (2020). Array programming with NumPy. Nature, 585, 357–362. https://doi.org/10.1038/s41586-020-2649-2

BibTeX dla oprogramowania i pakietów

@manual{r-core-2026,
  author = {{R Core Team}},
  title = {R: A Language and Environment for Statistical Computing},
  organization = {R Foundation for Statistical Computing},
  address = {Vienna, Austria},
  year = {2026},
  url = {https://www.R-project.org/}
}

@book{vanrossum2009python,
  author = {Van Rossum, Guido and Drake, Fred L., Jr.},
  title = {Python 3 Reference Manual},
  publisher = {CreateSpace},
  year = {2009},
  isbn = {978-1-4414-1269-0}
}

@software{ibm2025spss,
  author = {{IBM Corp.}},
  title = {IBM SPSS Statistics for Macintosh},
  year = {2025},
  version = {31.0},
  publisher = {IBM Corp.}
}

@inproceedings{mckinney2010pandas,
  author = {McKinney, Wes},
  title = {Data Structures for Statistical Computing in Python},
  booktitle = {Proceedings of the 9th Python in Science Conference},
  editor = {van der Walt, Stéfan and Millman, Jarrod},
  year = {2010},
  pages = {56--61},
  doi = {10.25080/Majora-92bf1922-00a}
}

@article{harris2020numpy,
  author = {Harris, Charles R. and Millman, K. Jarrod and van der Walt, Stéfan J. and Gommers, Ralf and Virtanen, Pauli and others},
  title = {Array Programming with NumPy},
  journal = {Nature},
  year = {2020},
  volume = {585},
  pages = {357--362},
  doi = {10.1038/s41586-020-2649-2}
}

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Hu i Bentler, 1999).

Powiązane hasła

AIC i BIC w SEM AVE (średnia wyodrębniona wariancja)CFA (konfirmacyjna analiza czynnikowa)CFI (Comparative Fit Index)Hierarchiczna zmienna latentna (konstrukt wyższego rzędu)HTMT (heterotrait-monotrait ratio)

Poradniki, w których użyjesz tego pojęcia

Poradnik

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczy Oferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
Bentler, P. M. (1990). Comparative fit indexes in structural models. Psychological Bulletin, 107(2), 238–246. https://doi.org/10.1037/0033-2909.107.2.238
Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
Lang, T. A., & Altman, D. G. (2015). Basic statistical reporting for articles published in biomedical journals: The SAMPL guidelines. International Journal of Nursing Studies, 52(1), 5–9. https://doi.org/10.1016/j.ijnurstu.2014.09.006
Jarvis, C. B., MacKenzie, S. B., & Podsakoff, P. M. (2003). A critical review of construct indicators and measurement model misspecification in marketing and consumer research. Journal of Consumer Research, 30(2), 199–218. https://doi.org/10.1086/376806
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

Cytowania BibTeX

@article{hu1999sem, author={Hu, Li-tze and Bentler, Peter M.}, title={Cutoff criteria for fit indexes in covariance structure analysis}, journal={Structural Equation Modeling}, year={1999}, volume={6}, number={1}, pages={1--55}, doi={10.1080/10705519909540118}}

@article{bentler1990cfi, author={Bentler, Peter M.}, title={Comparative fit indexes in structural models}, journal={Psychological Bulletin}, year={1990}, volume={107}, number={2}, pages={238--246}, doi={10.1037/0033-2909.107.2.238}}

@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}

@article{lang2015sampl, author={Lang, Thomas A. and Altman, Douglas G.}, title={Basic statistical reporting for articles published in biomedical journals: the SAMPL guidelines}, journal={International Journal of Nursing Studies}, year={2015}, volume={52}, number={1}, pages={5--9}, doi={10.1016/j.ijnurstu.2014.09.006}}

@article{jarvis2003measurement, author={Jarvis, Cheryl Burke and MacKenzie, Scott B. and Podsakoff, Philip M.}, title={A Critical Review of Construct Indicators and Measurement Model Misspecification in Marketing and Consumer Research}, journal={Journal of Consumer Research}, year={2003}, volume={30}, number={2}, pages={199--218}, doi={10.1086/376806}}

@article{dijkstra2015plsc, 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}}