Słownik metodologiczny · Modele SEM

Modele refleksyjne i formatywne – czym się różnią i jak rozpoznać właściwy model pomiaru

W modelu refleksyjnym konstrukt wywołuje odpowiedzi, w formatywnym wskaźniki tworzą konstrukt. Zestawiamy różnice w założeniach i kryteriach jakości, podajemy pytania pomocne w decyzji i pokazujemy na danych, dlaczego alfa, ładunki i dobre dopasowanie CFA nie rozstrzygają o kierunku modelu.

Strona główna / Słownik / Modele refleksyjne i formatywne
W skrócie: Model refleksyjny zakłada, że konstrukt jest wspólną przyczyną wskaźników, więc wskaźniki są wymienne i powinny ze sobą korelować. W modelu formatywnym wskaźniki tworzą konstrukt, mogą być nieskorelowane, a usunięcie któregoś zmienia definicję konstruktu. Kierunek ustal na podstawie treści przed analizą i oceniaj każdy model jego własnymi kryteriami: refleksyjny – ładunkami i rzetelnością, formatywny – pokryciem treści, wagami, VIF i trafnością zewnętrzną.

Czym są modele refleksyjne i formatywne?

Modele refleksyjne i formatywne (ang. reflective and formative measurement models) to dwa sposoby opisania związku między konstruktem a jego wskaźnikami. Różnią się kierunkiem tego związku.

  • Model refleksyjny – konstrukt jest wspólną przyczyną odpowiedzi. Lęk przed oceną sprawia, że ktoś denerwuje się przed odpowiedzią ustną, unika zabierania głosu i długo myśli o krytyce. Strzałki biegną od konstruktu do wskaźników, a każdy wskaźnik ma własny błąd pomiaru: xi = λiη + εi. Szczegóły – w haśle refleksyjna zmienna latentna.
  • Model formatywny – wskaźniki tworzą konstrukt. Obciążenia życiowe w ostatnim roku to suma różnych zdarzeń: kłopotów finansowych, konfliktu w rodzinie, choroby bliskiej osoby, przeprowadzki. Żadne z nich nie jest „przejawem” obciążenia, tylko jego składnikiem: η = Σwixi + ζ. Więcej w haśle formatywna zmienna latentna.

Bollen i Lennox (1991) pokazali, że wiele „konwencjonalnych prawd” o pomiarze obowiązuje tylko w modelu refleksyjnym. Dotyczy to m.in. zasad, że wskaźniki powinny być spójne wewnętrznie i że sumę wskaźników można traktować jak zmienną ukrytą. Dla wskaźników przyczynowych (formatywnych) te zasady przestają działać.

Porównanie obu modeli

Różnice między modelem refleksyjnym a formatywnym w założeniach i ocenie jakości pomiaru
CechaModel refleksyjnyModel formatywny
Kierunek związkukonstrukt → wskaźnikiwskaźniki → konstrukt
Wymienność wskaźnikówwskaźniki są wymienne; usunięcie jednego nie zmienia sensu konstruktukażdy wskaźnik to inna część treści; usunięcie zmienia definicję
Korelacje między wskaźnikamipowinny być dodatnie i umiarkowane lub wysokiemogą być dowolne, także bliskie zera
Błąd pomiaruna poziomie każdego wskaźnikana poziomie konstruktu (składnik ζ)
Rzetelnośćalfa, omega, rzetelność kompozytowanie dotyczy w tradycyjnym sensie
Ocena jakościładunki, AVE, HTMT, dopasowanie CFApokrycie treści, wagi, VIF, związki z kryteriami zewnętrznymi
Identyfikacja w CB-SEMsamodzielnie przy ≥ 3 wskaźnikachwymaga co najmniej dwóch wyników refleksyjnych albo struktury typu MIMIC

Diamantopoulos i Winklhofer (2001) opisują budowę indeksu formatywnego jako alternatywę dla tworzenia skal. Proponują ocenę przez pełne pokrycie treści, kontrolę współliniowości i trafność zewnętrzną zamiast przez spójność wewnętrzną.

Jak rozstrzygnąć, który model pasuje

Kierunek określa się przed analizą, na podstawie definicji konstruktu. Edwards i Bagozzi (2000) zauważają, że procedury estymacji nie mówią, czy konstrukt ma być przyczyną, czy skutkiem miar. Ich artykuł formułuje zasady określania kierunku na podstawie treści. W praktyce pomagają cztery pytania:

  1. Czy zmiana konstruktu powinna zmienić wszystkie wskaźniki naraz (refleksyjny), czy zmiana jednego wskaźnika zmienia konstrukt (formatywny)?
  2. Czy wskaźniki są wymiennymi sformułowaniami tej samej treści?
  3. Czy powinny ze sobą korelować?
  4. Czy mają te same przyczyny i skutki?

Sarstedt i in. (2016) dodają rozróżnienie, które porządkuje dyskusję: pojęcie pomiaru (refleksyjny lub formatywny) to co innego niż model estymacji (czynnik wspólny lub kompozyt). Kompozyt można oszacować z różnych wskaźników, ale założenia o kierunku muszą wynikać z operacjonalizacji. Szczegółowy algorytm decyzji z przykładami omawia wpis model refleksyjny czy formatywny.

Typowe konstrukty w psychologii – który model?

Przykłady konstruktów psychologicznych mierzonych refleksyjnie i formatywnie wraz z uzasadnieniem
Konstrukt i wskaźnikiModelUzasadnienie
Neurotyczność – pozycje o martwieniu się, drażliwości, napięciurefleksyjnywspólna cecha wywołuje różne przejawy; pozycje są wymienne
Status socjoekonomiczny – dochód, wykształcenie, prestiż zawoduformatywnywzrost dochodu podnosi status, ale status nie „powoduje” wykształcenia
Zachowania ryzykowne – alkohol, szybka jazda, ryzykowny seksformatywnyróżne zachowania tworzą indeks; mogą słabo ze sobą korelować
Ogólna satysfakcja z pracy – „Jestem zadowolony z pracy”, „Lubię swoją pracę”refleksyjnyparafrazy tej samej oceny
Satysfakcja z aspektów pracy – płaca, zespół, przełożony, rozwójformatywny lub wyższego rzędukażdy aspekt to odrębny składnik oceny całościowej

Ostatni wiersz pokazuje, że jeden obszar treści można zoperacjonalizować na oba sposoby. Bywa też, że konstrukt ma budowę mieszaną: wymiary mierzone refleksyjnie tworzą formatywnie konstrukt nadrzędny (zob. hierarchiczna zmienna latentna). Wtedy model trzeba określić osobno na każdym poziomie.

Przykład: co widać w danych, a czego nie

Czterystu studentów (dane symulowane) odpowiedziało na cztery pozycje lęku przed oceną (L1–L4, skala 1–5) i na cztery pytania o obciążenia życiowe w ostatnim roku (O1–O4, 0–4). Podali też wynik w skali objawów depresji (0–27). Lęk generowano refleksyjnie, a obciążenia – jako indeks z niezależnych zdarzeń. Rysunek 1 pokazuje korelacje wskaźników w obu blokach.

Dwie macierze korelacji. Wskaźniki refleksyjne lęku przed oceną korelują od .43 do .51, alfa = .78. Wskaźniki formatywne obciążeń życiowych korelują od −.06 do .17, alfa = .04.
Rysunek 1. Korelacje między wskaźnikami w bloku refleksyjnym (lewy panel) i formatywnym (prawy panel). Obliczenia: R (dane symulowane).

W bloku refleksyjnym korelacje wynoszą od .43 do .51, a alfa Cronbacha .783. W bloku formatywnym korelacje mieszczą się między −.06 a .17, a alfa wynosi .035. Gdyby ocenić obciążenia kryteriami refleksyjnymi, trzeba by uznać indeks za „nierzetelny”. W rzeczywistości jest dokładnie taki, jaki powinien być.

Jeszcze wyraźniej różnicę widać po usunięciu jednego wskaźnika. Suma trzech pozycji lęku (bez L4) korelowała z sumą czterech na poziomie .962, więc konstrukt praktycznie się nie zmienił. Indeks obciążeń bez kłopotów finansowych (O1) korelował z pełnym indeksem już tylko na poziomie .882. Odsetek wyjaśnionej wariancji objawów depresji spadł z 21.6% do 13.4%. Usunięcie wskaźnika formatywnego zmienia to, co mierzysz.

A co, jeśli ktoś błędnie potraktuje obciążenia jako czynnik refleksyjny? Jednoczynnikowa CFA na O1–O4 dała ładunki .31, .54, −.11 i .04 oraz idealne dopasowanie: χ²(2) = 0.70, p = .706, CFI = 1.000, RMSEA = .000. Dobre dopasowanie nie chroni więc przed błędnym kierunkiem modelu. Niskie ładunki skłaniałyby do usunięcia O3 i O4. Tymczasem w poprawnym modelu formatywnym (oszacowanym w lavaan przez dwa wyniki: objawy depresji i dni absencji) standaryzowana waga choroby bliskiej osoby (O3) wynosiła .556 i była druga co do wielkości. Pozostałe wagi wynosiły .689 (finanse), .378 (konflikt) i .172 (przeprowadzka). Nawet najmniejsza z nich różniła się istotnie od zera (p = .014), choć w błędnej CFA ten sam wskaźnik miał ładunek .04.

Jak opisać model pomiaru w pracy

W rozdziale metodologicznym nazwij model pomiaru każdego konstruktu i uzasadnij go treścią wskaźników, a nie wynikami. Następnie podaj kryteria jakości właściwe dla danego modelu.

Lęk przed oceną potraktowano jako konstrukt refleksyjny: cztery pozycje opisują wymienne przejawy tej samej cechy, korelowały ze sobą od .43 do .51, a rzetelność wyniosła α = .78. Obciążenia życiowe potraktowano jako indeks formatywny, ponieważ poszczególne zdarzenia (problemy finansowe, konflikt w rodzinie, choroba bliskiej osoby, przeprowadzka) tworzą konstrukt, a nie są jego przejawami; zgodnie z tym nie oceniano spójności wewnętrznej indeksu (korelacje między wskaźnikami od −.06 do .17). Indeks wyjaśniał 21.6% wariancji objawów depresji.
Przykład reprodukowalny

Model refleksyjny i formatywny w R

Kod generuje dwa bloki wskaźników – refleksyjny i formatywny – i porównuje ich korelacje, alfę Cronbacha, skutki usunięcia jednego wskaźnika, wynik błędnej jednoczynnikowej CFA dla wskaźników formatywnych oraz model formatywny w lavaan (operator <~) zidentyfikowany przez dwa wyniki. Liczby w tekście i na rysunku 1 pochodzą z tego kodu.

Ten sam test na dwóch typach wskaźników

Dane wejściowe: 400 studentów: 4 pozycje lęku przed oceną (1–5), 4 obciążenia życiowe (0–4), objawy depresji (0–27) i dni absencji (dane symulowane, set.seed(124) i set.seed(1240)).

Co odczytać: dwie macierze korelacji, alfa_L i alfa_O, korelacje pełnej i skróconej sumy (r_L_bez_L4, r_O_bez_O1), R² objawów dla pełnego i skróconego indeksu, ładunki i dopasowanie błędnej CFA oraz kolumnę std.all dla wag formatywnych.

R
# R124 – model refleksyjny a formatywny: co widać w danych (pakiety lavaan i psych)
# Dane symulowane: 400 studentów.
# (a) Refleksyjnie: lęk przed oceną (L1–L4, 1–5) – odpowiedzi są przejawami jednej cechy.
# (b) Formatywnie: obciążenia życiowe w ostatnim roku (O1 finanse, O2 konflikt w rodzinie,
#     O3 choroba bliskiej osoby, O4 przeprowadzka; 0–4) – składniki tworzą indeks.
suppressPackageStartupMessages({library(lavaan); library(psych)})
set.seed(124)
n <- 400
na <- function(x, lo, hi, m, s) pmin(pmax(round(m + s * x), lo), hi)
lek <- rnorm(n)
L <- sapply(c(0.80, 0.75, 0.70, 0.65), function(l) na(l * lek + rnorm(n, sd = sqrt(1 - l^2)), 1, 5, 3, 1))
colnames(L) <- paste0("L", 1:4)
O <- sapply(1:4, function(j) na(rnorm(n), 0, 4, 1.5, 1.1))
O[, 2] <- na(0.25 * scale(O[, 1]) + rnorm(n, sd = 0.97), 0, 4, 1.5, 1.1)   # finanse i konflikt lekko współwystępują
colnames(O) <- paste0("O", 1:4)
obciazenia <- as.numeric(O %*% c(0.45, 0.35, 0.30, 0.15))
objawy <- na(as.numeric(scale(obciazenia)) * 0.5 + rnorm(n, sd = 0.85), 0, 27, 9, 4.5)   # objawy depresji (0–27)
dane <- data.frame(L, O, objawy)

# 1. Korelacje między wskaźnikami
round(cor(dane[, paste0("L", 1:4)]), 2)
round(cor(dane[, paste0("O", 1:4)]), 2)

# 2. Alfa Cronbacha – sensowna tylko dla bloku refleksyjnego
round(c(alfa_L = psych::alpha(dane[, 1:4])$total$raw_alpha,
        alfa_O = psych::alpha(dane[, 5:8], warnings = FALSE)$total$raw_alpha), 3)

# 3. Co się stanie po usunięciu jednego wskaźnika?
suma_L <- rowSums(dane[, 1:4]); suma_L3 <- rowSums(dane[, 1:3])
ind_O <- rowSums(dane[, 5:8]);  ind_O3 <- rowSums(dane[, 6:8])              # bez O1 (finanse)
round(c(r_L_bez_L4 = cor(suma_L, suma_L3), r_O_bez_O1 = cor(ind_O, ind_O3)), 3)
round(c(R2_pelny = summary(lm(objawy ~ ind_O))$r.squared, R2_bez_O1 = summary(lm(objawy ~ ind_O3))$r.squared), 3)

# 4. Błąd specyfikacji: jednoczynnikowa CFA dopasowana do wskaźników formatywnych
f_bledny <- cfa('obc =~ O1 + O2 + O3 + O4', data = dane, std.lv = TRUE)
round(standardizedSolution(f_bledny)[1:4, "est.std"], 2)
round(fitMeasures(f_bledny, c("chisq", "df", "pvalue", "cfi", "rmsea")), 3)

# 5. Model formatywny w lavaan (operator <~); identyfikacja przez dwa wyniki reflektywne:
#    objawy depresji i liczba dni absencji (dla ilustracji symulowana z tych samych obciążeń)
set.seed(1240)
dane$absencja <- na(as.numeric(scale(obciazenia)) * 0.4 + rnorm(n, sd = 0.9), 0, 20, 4, 2.5)
f_form <- sem('obc <~ O1 + O2 + O3 + O4
               objawy ~ obc
               absencja ~ obc
               objawy ~~ absencja', data = dane)
pe <- parameterEstimates(f_form, standardized = TRUE)
pe[pe$op == "<~", c("lhs", "op", "rhs", "est", "se", "pvalue", "std.all")]
Wynik w R
     L1   L2   L3   L4
L1 1.00 0.51 0.51 0.46
L2 0.51 1.00 0.51 0.43
L3 0.51 0.51 1.00 0.43
L4 0.46 0.43 0.43 1.00
      O1    O2    O3    O4
O1  1.00  0.17 -0.02  0.03
O2  0.17  1.00 -0.06  0.01
O3 -0.02 -0.06  1.00 -0.04
O4  0.03  0.01 -0.04  1.00
alfa_L alfa_O 
 0.783  0.035 
r_L_bez_L4 r_O_bez_O1 
     0.962      0.882 
 R2_pelny R2_bez_O1 
    0.216     0.134 
[1]  0.31  0.54 -0.11  0.04
 chisq     df pvalue    cfi  rmsea 
 0.695  2.000  0.706  1.000  0.000 
  lhs op rhs   est    se pvalue std.all
1 obc <~  O1 1.000 0.000     NA   0.689
2 obc <~  O2 0.569 0.125  0.000   0.378
3 obc <~  O3 0.708 0.110  0.000   0.556
4 obc <~  O4 0.237 0.096  0.014   0.172

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. psych (wersja 2.6.5): Revelle, W. (2026). psych: Procedures for psychological, psychometric, and personality research [R package]. Northwestern University. https://CRAN.R-project.org/package=psych
  4. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Najczęstsze błędy

  • Liczenie alfy Cronbacha dla indeksu formatywnego i usuwanie pozycji, które „obniżają alfę”. Zobacz też alfa Cronbacha bez uproszczeń.
  • Wybór modelu po wynikach („alfa wyszła niska, więc to model formatywny”). Kierunek wynika z definicji konstruktu.
  • Traktowanie dobrego dopasowania CFA jako dowodu refleksyjności. W przykładzie błędny model refleksyjny pasował idealnie.
  • Pominięcie części treści w indeksie formatywnym. Brak jednego składnika zmienia konstrukt; zaplanuj pełne pokrycie domeny już przy budowie narzędzia.
  • Utożsamianie trybu estymacji z modelem pomiaru – zob. Mode A i Mode B w PLS-PM.

Najczęstsze pytania

Jak sprawdzić, czy model pomiaru jest refleksyjny, czy formatywny?

Zadaj pytania o treść: czy zmiana konstruktu zmienia wszystkie wskaźniki naraz, czy wskaźniki są wymienne, czy powinny korelować i czy mają wspólne przyczyny. Twierdzące odpowiedzi wskazują model refleksyjny. Jeśli wskaźniki to różne składniki, które razem tworzą całość, model jest formatywny. Wyniki analizy nie rozstrzygają tej kwestii.

Czy dla wskaźników formatywnych liczy się alfę Cronbacha?

Nie. Alfa zakłada, że wskaźniki mierzą tę samą cechę i są ze sobą skorelowane. Wskaźniki formatywne nie muszą korelować, więc niska alfa niczego o nich nie mówi. W przykładzie z tego hasła poprawny indeks obciążeń życiowych miał α = .04.

Co się stanie, jeśli model formatywny potraktuję jako refleksyjny?

Możesz usunąć ważne składniki z powodu niskich ładunków albo niskiej korelacji z resztą, a przez to zmienić definicję konstruktu i zaniżyć jego związki z innymi zmiennymi. Dopasowanie CFA może przy tym być bardzo dobre, więc nie ostrzeże cię przed błędem.

Czy skala Likerta może być formatywna?

Tak – o modelu decyduje treść pozycji, a nie format odpowiedzi. Lista różnych zachowań zdrowotnych albo źródeł stresu ocenianych na skali 1–5 może tworzyć indeks formatywny, a kilka sformułowań tej samej emocji – skalę refleksyjną.

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. Bollen, K., & Lennox, R. (1991). Conventional wisdom on measurement: A structural equation perspective. Psychological Bulletin, 110(2), 305–314. https://doi.org/10.1037/0033-2909.110.2.305
  2. Diamantopoulos, A., & Winklhofer, H. M. (2001). Index construction with formative indicators: An alternative to scale development. Journal of Marketing Research, 38(2), 269–277. https://doi.org/10.1509/jmkr.38.2.269.18845
  3. Edwards, J. R., & Bagozzi, R. P. (2000). On the nature and direction of relationships between constructs and measures. Psychological Methods, 5(2), 155–174. https://doi.org/10.1037/1082-989x.5.2.155
  4. Sarstedt, M., Hair, J. F., Ringle, C. M., Thiele, K. O., & Gudergan, S. P. (2016). Estimation issues with PLS and CBSEM: Where the bias lies! Journal of Business Research, 69(10), 3998–4010. https://doi.org/10.1016/j.jbusres.2016.06.007 ● Otwarty dostęp

Cytowania BibTeX

@article{bollen1991conventional, author={Bollen, Kenneth and Lennox, Richard}, title={{Conventional wisdom on measurement: A structural equation perspective}}, journal={Psychological Bulletin}, year={1991}, volume={110}, number={2}, pages={305--314}, doi={10.1037/0033-2909.110.2.305}}
@article{diamantopoulos2001index, author={Diamantopoulos, Adamantios and Winklhofer, Heidi M.}, title={{Index construction with formative indicators: An alternative to scale development}}, journal={Journal of Marketing Research}, year={2001}, volume={38}, number={2}, pages={269--277}, doi={10.1509/jmkr.38.2.269.18845}}
@article{edwards2000nature, author={Edwards, Jeffrey R. and Bagozzi, Richard P.}, title={{On the nature and direction of relationships between constructs and measures}}, journal={Psychological Methods}, year={2000}, volume={5}, number={2}, pages={155--174}, doi={10.1037/1082-989x.5.2.155}}
@article{sarstedt2016estimation, author={Sarstedt, Marko and Hair, Joseph F. and Ringle, Christian M. and Thiele, Kai O. and Gudergan, Siegfried P.}, title={{Estimation issues with PLS and CBSEM: Where the bias lies!}}, journal={Journal of Business Research}, year={2016}, volume={69}, number={10}, pages={3998--4010}, doi={10.1016/j.jbusres.2016.06.007}}
R