Słownik metodologiczny · Modele SEM

Niejawna heterogeniczność (unobserved heterogeneity) – gdy jeden model uśrednia różne podgrupy

Niejawna heterogeniczność oznacza, że w próbie są podgrupy o różnych parametrach modelu, ale nie mamy zmiennej, która je oznacza. Pokazujemy, jak mieszanina regresji odsłania dwa przeciwne związki ukryte pod jednym nachyleniem, jakie metody stosuje się w SEM i PLS-SEM i dlaczego modele mieszanin potrafią znaleźć klasy, których nie ma.

Strona główna / Słownik / Niejawna heterogeniczność
W skrócie: Niejawna heterogeniczność to istnienie w próbie nieoznaczonych podgrup, w których model ma różne parametry – np. przeciwne kierunki związku. Jeden model dla wszystkich uśrednia te związki i może nie opisywać nikogo. Wykrywa się ją modelami mieszanin (mieszanina regresji, LPA, FIMIX-PLS), ale znalezione klasy traktuj jako hipotezę: przy nienormalnych danych modele mieszanin wskazują klasy, których w populacji nie ma.

Co to jest niejawna heterogeniczność?

Niejawna heterogeniczność (ang. unobserved heterogeneity) to sytuacja, w której próba składa się z podgrup o różnych parametrach modelu – różnych ścieżkach, średnich albo ładunkach – a badacz nie ma zmiennej, która te podgrupy oznacza. Model oszacowany dla całej próby uśrednia wtedy różne związki. Wynik może nie opisywać dobrze żadnej z rzeczywistych podgrup.

Kontrastem jest heterogeniczność jawna. Gdy źródło różnic jest obserwowane (płeć, kraj, rodzaj studiów), można je wprowadzić jako moderator albo przeprowadzić analizę wielogrupową. Lubke i Muthén (2005) opisują ten podział wprost: obserwowane źródła różnic obsługuje się metodami wielogrupowymi, a nieobserwowane – modelami klas ukrytych. Becker i in. (2013) pokazali w symulacjach, że pominięta niejawna heterogeniczność obciąża oszacowania parametrów modeli strukturalnych i prowadzi do błędów I i II rodzaju.

Dlaczego to problem

  • Uśrednione efekty. Silny związek w jednej podgrupie i brak związku w drugiej dają razem słaby związek, który nikogo nie opisuje.
  • Odwrócone kierunki. Gdy podgrupy różnią się też średnimi, łączny wynik może mieć nawet przeciwny znak niż związki wewnątrz grup – to mechanizm podobny do paradoksu Simpsona.
  • Zaniżone R² i źle oceniona trafność. Model dla wszystkich wyjaśnia mniej wariancji, a wnioski o tym, „jak działa” zjawisko, mogą być błędne dla większości badanych.

Jak się ją wykrywa

Narzędzia do wykrywania niejawnej heterogeniczności to modele mieszanin. Zakładają one, że każda obserwacja należy z pewnym prawdopodobieństwem do jednej z K klas ukrytych, a w każdej klasie obowiązuje inny zestaw parametrów.

Metody wykrywania niejawnej heterogeniczności i ich zastosowania
MetodaCo różni klasyTypowe zastosowanie
Mieszanina regresjiwspółczynniki regresjiróżne związki X–Y w podgrupach
Analiza profili latentnych (LPA)średnie zmiennychtypy osób o podobnym profilu wyników
Czynnikowy model mieszaninparametry modelu czynnikowegoklasy różniące się strukturą pomiaru
FIMIX-PLS, PLS-POSścieżki modelu PLSsegmentacja w PLS-SEM

W PLS-SEM najczęściej stosuje się FIMIX-PLS. Hair i in. (2016) zalecają, by liczbę segmentów ustalać na podstawie kilku kryteriów informacyjnych, teorii i logiki, a nie jednego wskaźnika. Becker i in. (2013) zaproponowali PLS-POS, który – w odróżnieniu od FIMIX-PLS – wykrywa też heterogeniczność w formatywnych modelach pomiarowych.

Niejawna heterogeniczność w SEM i PLS-SEM

W modelach równań strukturalnych podgrupy mogą różnić się na dwóch poziomach. W części strukturalnej różnią się ścieżki, np. wpływ stresu na wypalenie jest silny w jednej podgrupie i słaby w drugiej. W części pomiarowej różnią się ładunki albo wyrazy wolne – te same pozycje znaczą wtedy coś innego dla różnych osób. Druga sytuacja jest groźniejsza, bo podważa porównywalność wyników konstruktów między segmentami.

W praktyce analizy PLS-SEM postępowanie ma zwykle cztery etapy:

  1. ocena modelu pomiarowego i strukturalnego dla całej próby;
  2. segmentacja (np. FIMIX-PLS) i wybór liczby segmentów na podstawie kilku kryteriów;
  3. poszukiwanie zmiennych, które wyjaśniają przynależność do segmentów – płci, wieku, motywów, doświadczenia;
  4. jeśli takie zmienne się znajdą: analiza wielogrupowa lub moderacja z ich użyciem, poprzedzona sprawdzeniem inwariancji pomiaru.

W CB-SEM tę samą rolę pełnią czynnikowe modele mieszanin i mieszaniny modeli strukturalnych. Wymagają one większych prób i starannego sprawdzania rozwiązań lokalnych. W przykładzie niżej, dla przejrzystości, segmentujemy zwykłą regresję liniową. Logika jest ta sama.

Przykład: media społecznościowe i samopoczucie

Czterystu studentów (dane symulowane) podało, ile godzin dziennie spędza w mediach społecznościowych, i wypełniło skalę samopoczucia (0–25). W populacji istnieją dwie nieoznaczone podgrupy. U około 60% osób więcej czasu w mediach wiąże się z gorszym samopoczuciem. U pozostałych 40% związek jest lekko dodatni, np. dlatego, że używają mediów głównie do kontaktu z bliskimi. Badacz nie ma żadnej zmiennej, która by te grupy rozróżniała.

Jedna regresja dla wszystkich daje nachylenie b = −0.92 punktu na godzinę i R² = .226. Wniosek brzmiałby: „każda godzina w mediach obniża samopoczucie o niecały punkt”.

Mieszanina regresji oszacowana algorytmem EM dla K = 1, 2 i 3 klas dała BIC równe 1949.89, 1865.90 i 1882.12. Najniższe BIC wskazało rozwiązanie dwuklasowe, zgodnie z zaleceniem Nylund i in. (2007), dla których BIC był najlepszym z kryteriów informacyjnych. W rozwiązaniu dwuklasowym:

  • segment 1 (60.6% próby): nachylenie −1.94, stała 20.42;
  • segment 2 (39.4% próby): nachylenie +0.56, stała 11.07.
Dwa wykresy rozrzutu 400 osób: czas w mediach społecznościowych a samopoczucie. Po lewej jedna prosta regresji z nachyleniem −0.92 i R² = .23. Po prawej dwa segmenty z mieszaniny regresji: 61% osób z nachyleniem −1.94 i 39% z nachyleniem 0.56.
Rysunek 1. Ten sam zbiór danych opisany jedną regresją (lewy panel) i mieszaniną dwóch regresji (prawy panel). Intensywność koloru punktu odpowiada pewności przypisania do segmentu. Obliczenia: R (dane symulowane).

Oszacowania są bliskie wartościom populacyjnym (−1.80 i +0.60). Jedna regresja opisywała więc „przeciętną osobę”, która nie istnieje: w żadnym segmencie nachylenie nie jest bliskie −0.92. Przypisanie do segmentów było jednak niepewne. Entropia wyniosła .473, a 82% osób (329 z 400) trafiło do swojej prawdziwej grupy. Osoby o krótkim czasie w mediach i średnim samopoczuciu pasują do obu prostych.

Ostrożnie: klasy, których nie ma

Modele mieszanin potrafią „znaleźć” klasy także w jednorodnej populacji. Bauer i Curran (2003) pokazali, że przy nienormalnym rozkładzie model mieszanin może wskazać kilka klas jako optymalne, choć w populacji istnieje tylko jedna. W drugiej części kodu wygenerowaliśmy dane z jednej populacji z jednym nachyleniem, ale ze skośnymi resztami. BIC wynosił 2067.23 dla jednej klasy, 1934.84 dla dwóch i 1899.87 dla trzech. Kryterium wybrało więc trzy segmenty, których w rzeczywistości nie ma.

Dlatego rozwiązanie z klasami traktuj jako hipotezę, którą trzeba sprawdzić:

  1. Sprawdź rozkład reszt modelu jednoklasowego – silna skośność sama może tworzyć pozorne klasy.
  2. Porównaj kilka kryteriów (BIC, AIC, entropia, liczebność najmniejszej klasy) i stabilność rozwiązania przy różnych punktach startowych.
  3. Poszukaj zmiennych, które różnicują klasy, np. motywów korzystania z mediów. Gdy je znajdziesz, heterogeniczność staje się jawna i możesz ją modelować jako interakcję.
  4. Powtórz analizę na nowej próbie. Klasy, które nie replikują się w innych danych, opisz najwyżej jako wynik eksploracyjny.

Jak opisać analizę w pracy

Aby sprawdzić, czy związek czasu spędzanego w mediach społecznościowych z samopoczuciem jest jednorodny, oszacowano mieszaniny regresji liniowych z jedną, dwiema i trzema klasami (algorytm EM, 20 losowych punktów startowych; N = 400). Najniższe BIC uzyskało rozwiązanie dwuklasowe (BIC = 1865.90 wobec 1949.89 dla jednej klasy i 1882.12 dla trzech klas; entropia = .47). W klasie obejmującej 60.6% badanych dłuższy czas w mediach wiązał się z gorszym samopoczuciem (b = −1.94 na godzinę), a w klasie obejmującej 39.4% badanych związek był słaby i dodatni (b = 0.56). Ze względu na umiarkowaną pewność klasyfikacji i ryzyko wyodrębniania pozornych klas wynik traktujemy jako eksploracyjny i wymagający replikacji.
Przykład reprodukowalny

Mieszanina regresji w R

Kod generuje dane z dwiema ukrytymi podgrupami, szacuje jedną regresję dla wszystkich, a następnie mieszaninę K = 1–3 regresji własną funkcją algorytmu EM (bez dodatkowych pakietów; 20 losowych startów). Porównuje BIC, AIC i entropię, wypisuje parametry rozwiązania dwuklasowego i zgodność przypisania z prawdziwymi segmentami, a na koniec sprawdza, ile klas BIC „znajduje” w jednorodnej populacji ze skośnymi resztami. Liczby w tekście i na rysunku 1 pochodzą z tego kodu.

Mieszanina regresji algorytmem EM

Dane wejściowe: 400 studentów: godziny w mediach społecznościowych dziennie i samopoczucie (0–25); dwie nieoznaczone podgrupy (dane symulowane, set.seed(126), starty EM: set.seed(1260); dane jednorodne ze skośnymi resztami: set.seed(1261)).

Co odczytać: współczynniki i R² jednej regresji, tabelę logLik, AIC, BIC i entropia dla K = 1–3, udziały, stałe i nachylenia segmentów, tabelę zgodności przypisania oraz BIC dla danych jednorodnych.

R
# R126 – niejawna heterogeniczność: mieszanina regresji (algorytm EM napisany w R, bez dodatkowych pakietów)
# Dane symulowane: 400 studentów; X = godziny korzystania z mediów społecznościowych dziennie,
# Y = samopoczucie (0–25). W populacji są dwa nieoznaczone segmenty:
# 60% – im więcej mediów, tym gorsze samopoczucie; 40% – brak takiego związku (lekko dodatni).
set.seed(126)
n <- 400
segment <- rbinom(n, 1, 0.40) + 1                       # 1 albo 2 – badacz tego nie widzi
media <- round(pmin(pmax(rgamma(n, shape = 4, rate = 1.2), 0.2), 9), 1)
samop <- ifelse(segment == 1, 20 - 1.80 * media, 11 + 0.60 * media) + rnorm(n, sd = 1.8)
samop <- pmin(pmax(round(samop), 0), 25)
dane <- data.frame(media, samop, segment)

# 1. Jedna regresja dla wszystkich (homogeniczność założona)
m1 <- lm(samop ~ media, data = dane)
round(c(coef(m1), R2 = summary(m1)$r.squared), 3)

# 2. Mieszanina K regresji liniowych – algorytm EM z wieloma punktami startowymi
em_mieszanina <- function(x, y, K, starty = 20, iter = 500) {
  X <- cbind(1, x); n <- length(y); najlepszy <- NULL
  for (s in seq_len(starty)) {
    z <- matrix(runif(n * K), n); z <- z / rowSums(z)       # losowe prawdopodobieństwa przynależności
    ll_stare <- -Inf
    for (it in seq_len(iter)) {
      pi_k <- colMeans(z)
      par <- lapply(seq_len(K), function(k) {
        b <- lm.wfit(X, y, z[, k])$coefficients
        s2 <- sum(z[, k] * (y - X %*% b)^2) / sum(z[, k])
        list(b = b, s = sqrt(max(s2, 1e-4)))
      })
      gest <- sapply(seq_len(K), function(k) pi_k[k] * dnorm(y, X %*% par[[k]]$b, par[[k]]$s))
      ll <- sum(log(rowSums(gest)))
      z <- gest / rowSums(gest)
      if (abs(ll - ll_stare) < 1e-8) break
      ll_stare <- ll
    }
    if (is.null(najlepszy) || ll > najlepszy$ll) najlepszy <- list(ll = ll, pi = pi_k, par = par, z = z)
  }
  npar <- K * 3 + (K - 1)
  najlepszy$BIC <- -2 * najlepszy$ll + log(n) * npar
  najlepszy$AIC <- -2 * najlepszy$ll + 2 * npar
  ent <- if (K > 1) 1 - sum(-najlepszy$z * log(pmax(najlepszy$z, 1e-12))) / (n * log(K)) else NA
  najlepszy$entropia <- ent
  najlepszy
}
set.seed(1260)
wyniki <- lapply(1:3, function(K) em_mieszanina(dane$media, dane$samop, K))
round(t(sapply(wyniki, function(w) c(K = length(w$pi), logLik = w$ll, AIC = w$AIC, BIC = w$BIC, entropia = w$entropia))), 3)

# 3. Rozwiązanie dwusegmentowe: udziały, stałe, nachylenia, SD reszt
w2 <- wyniki[[2]]
round(t(sapply(seq_along(w2$pi), function(k) c(udzial = w2$pi[k], stala = unname(w2$par[[k]]$b[1]),
                                                 nachylenie = unname(w2$par[[k]]$b[2]), sd = w2$par[[k]]$s))), 3)
# zgodność przypisania z prawdziwym segmentem
przyp <- max.col(w2$z)
table(prawdziwy = dane$segment, przypisany = przyp)

# 4. Ostrzeżenie: jedna populacja o skośnych resztach – czy BIC „znajdzie” segmenty, których nie ma?
set.seed(1261)
y_skos <- 20 - 0.8 * media - (rgamma(n, shape = 1.2, rate = 0.35) - 1.2 / 0.35)
wyniki_skos <- lapply(1:3, function(K) em_mieszanina(media, y_skos, K))
round(t(sapply(wyniki_skos, function(w) c(K = length(w$pi), BIC = w$BIC))), 2)
saveRDS(list(dane = dane, w2 = w2, m1 = coef(m1)), "heterogenicznosc.rds")
Wynik w R
(Intercept)       media          R2 
     16.682      -0.915       0.226 
     K   logLik      AIC      BIC entropia
[1,] 1 -965.958 1937.915 1949.890       NA
[2,] 2 -911.980 1837.959 1865.900    0.473
[3,] 3 -908.108 1838.217 1882.123    0.500
     udzial  stala nachylenie    sd
[1,]  0.606 20.415     -1.945 1.739
[2,]  0.394 11.070      0.563 1.750
         przypisany
prawdziwy   1   2
        1 221  19
        2  52 108
     K     BIC
[1,] 1 2067.23
[2,] 2 1934.84
[3,] 3 1899.87

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (tylko funkcje bazowe i pakiet stats); rysunek przygotowano w pakietach ggplot2 i patchwork. 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. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots (R package version 1.3.2) [Computer software]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze błędy

  • Interpretowanie klas jako „typów ludzi” bez dowodów zewnętrznych. Klasa może być artefaktem rozkładu.
  • Wybór liczby klas po jednym kryterium albo dlatego, że rozwiązanie „dobrze się interpretuje”.
  • Pomijanie niepewności przypisania. Przy entropii .47 analizowanie klas jak zwykłych grup zawyża różnice między nimi.
  • Szukanie segmentów przed oceną modelu pomiarowego. W PLS-SEM najpierw oceń pomiar, a przy porównaniu segmentów sprawdź też inwariancję pomiaru kompozytów (MICOM).

Praktyczne porównanie LPA i metody k-średnich znajdziesz we wpisie segmentacja respondentów, a miejsce analizy heterogeniczności w ocenie modelu PLS – w przewodniku PLS-SEM.

Najczęstsze pytania

Czym różni się heterogeniczność jawna od niejawnej?

Jawna dotyczy podgrup oznaczonych zmienną, którą mamy w danych (np. płeć, kierunek studiów) – uwzględnia się ją przez moderację albo analizę wielogrupową. Niejawna dotyczy podgrup, których nie oznacza żadna zmienna – trzeba je wykrywać modelami mieszanin z klasami ukrytymi.

Jak wybrać liczbę segmentów w modelu mieszanin?

Porównaj kilka kryteriów: BIC (zwykle najbardziej wiarygodny wśród kryteriów informacyjnych), AIC, entropię i wielkość najmniejszej klasy, sprawdź stabilność przy różnych startach i sens merytoryczny klas. Pamiętaj, że przy skośnych danych kryteria mogą wskazywać zbyt wiele klas.

Co oznacza entropia w modelu mieszanin?

Entropia (w wersji względnej, od 0 do 1) mierzy pewność przypisania osób do klas: wartości bliskie 1 oznaczają wyraźne rozdzielenie, a niskie – że wiele osób pasuje do kilku klas. W przykładzie z tego hasła entropia wyniosła .47, a do właściwej grupy trafiło 82% osób.

Czy znaleziona klasa ukryta to rzeczywista grupa ludzi?

Niekoniecznie. Model mieszanin może podzielić na klasy także jednorodną populację o nienormalnym rozkładzie. Klasa staje się wiarygodna, gdy jest stabilna, replikuje się w nowej próbie i różni się w przewidywalny sposób zmiennymi spoza modelu.

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. Bauer, D. J., & Curran, P. J. (2003). Distributional assumptions of growth mixture models: Implications for overextraction of latent trajectory classes. Psychological Methods, 8(3), 338–363. https://doi.org/10.1037/1082-989X.8.3.338
  2. Becker, J.-M., Rai, A., Ringle, C. M., & Völckner, F. (2013). Discovering unobserved heterogeneity in structural equation models to avert validity threats. MIS Quarterly, 37(3), 665–694. https://doi.org/10.25300/misq/2013/37.3.01
  3. Hair, J. F., Jr., Sarstedt, M., Matthews, L. M., & Ringle, C. M. (2016). Identifying and treating unobserved heterogeneity with FIMIX-PLS: part I – method. European Business Review, 28(1), 63–76. https://doi.org/10.1108/ebr-09-2015-0094 ● Otwarty dostęp: pełny tekst
  4. Lubke, G. H., & Muthén, B. (2005). Investigating population heterogeneity with factor mixture models. Psychological Methods, 10(1), 21–39. https://doi.org/10.1037/1082-989x.10.1.21
  5. Nylund, K. L., Asparouhov, T., & Muthén, B. O. (2007). Deciding on the number of classes in latent class analysis and growth mixture modeling: A Monte Carlo simulation study. Structural Equation Modeling: A Multidisciplinary Journal, 14(4), 535–569. https://doi.org/10.1080/10705510701575396

Cytowania BibTeX

@article{bauer2003distributional, author={Bauer, Daniel J. and Curran, Patrick J.}, title={{Distributional assumptions of growth mixture models: Implications for overextraction of latent trajectory classes}}, journal={Psychological Methods}, year={2003}, volume={8}, number={3}, pages={338--363}, doi={10.1037/1082-989x.8.3.338}}
@article{becker2013discovering, author={Becker, Jan-Michael and Rai, Arun and Ringle, Christian M. and Völckner, Franziska}, title={{Discovering unobserved heterogeneity in structural equation models to avert validity threats}}, journal={MIS Quarterly}, year={2013}, volume={37}, number={3}, pages={665--694}, doi={10.25300/misq/2013/37.3.01}}
@article{hair2016identifying, author={Hair, Jr., Joe F. and Sarstedt, Marko and Matthews, Lucy M. and Ringle, Christian M.}, title={{Identifying and treating unobserved heterogeneity with FIMIX-PLS: part I – method}}, journal={European Business Review}, year={2016}, volume={28}, number={1}, pages={63--76}, doi={10.1108/ebr-09-2015-0094}}
@article{lubke2005investigating, author={Lubke, Gitta H. and Muthén, Bengt}, title={{Investigating population heterogeneity with factor mixture models}}, journal={Psychological Methods}, year={2005}, volume={10}, number={1}, pages={21--39}, doi={10.1037/1082-989x.10.1.21}}
@article{nylund2007deciding, author={Nylund, Karen L. and Asparouhov, Tihomir and Muthén, Bengt O.}, title={{Deciding on the number of classes in latent class analysis and growth mixture modeling: A Monte Carlo simulation study}}, journal={Structural Equation Modeling: A Multidisciplinary Journal}, year={2007}, volume={14}, number={4}, pages={535--569}, doi={10.1080/10705510701575396}}
R