Parcelacja pozycji – kiedy łączyć pozycje w paczki w CFA i SEM?

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 28 października 2026 · Aktualizacja: 27 października 2026

Co to jest parcelacja pozycji?

Parcelacja pozycji (ang. item parceling) to łączenie kilku pozycji kwestionariusza w sumę albo średnią, czyli paczkę (parcel), i używanie paczek zamiast pojedynczych pozycji jako wskaźników czynnika w CFA lub w modelu SEM. Little i in. (2002) podsumowują spór o tę praktykę tak: bezrefleksyjna parcelacja nigdy nie jest uzasadniona, ale przemyślanej nie należy odrzucać z góry.

Kiedy pomaga, a kiedy szkodzi

Paczki mają rozkład bliższy ciągłemu niż pojedyncze odpowiedzi, są rzetelniejsze i zmniejszają liczbę parametrów. Bandalos (2002) pokazała w symulacji, że przy pozycjach jednowymiarowych parcelacja poprawia dopasowanie i zmniejsza obciążenie parametrów strukturalnych. W tym samym badaniu paczki utworzone z pozycji wielowymiarowych ukrywały błędną strukturę: indeksy dopasowania wyglądały dobrze, a parametry były obciążone. Dlatego paczki nadają się do pytań o związki między konstruktami, a nie do sprawdzania struktury samej skali – tę bada się na pozycjach. Little i in. (2013) przypominają, że paczki to narzędzie jak każde inne: przed ich utworzeniem trzeba poznać wymiarowość pozycji, a w pracy opisać regułę przydziału. Przy pozycjach porządkowych alternatywą bez paczek jest estymator WLSMV opisany we wpisie o kategorialnej CFA.

Przykład

W danych symulowanych 400 osób odpowiadało na 12 pozycji (1–5). Osiem mierzy jeden wymiar, cztery – drugi, a wymiary korelują .40. Jednoczynnikowa CFA na pozycjach pasuje źle: CFI = .760, RMSEA = .135. Po połączeniu pozycji w cztery paczki, z których każda miesza oba wymiary, ten sam błędny model wygląda bardzo dobrze: χ²(2) = 3.22, p = .199, CFI = .999, RMSEA = .039, ładunki od .80 do .83. Model dwuczynnikowy na pozycjach pasuje dobrze (CFI = .991, RMSEA = .027).

Jak opisać w pracy

Na co uważać

• Dobre dopasowanie modelu na paczkach nie dowodzi struktury skali. Paczki uśredniają ładunki krzyżowe i skorelowane błędy pozycji.
• Trzy paczki na jeden czynnik dają model z zerem stopni swobody. Jego dopasowania nie da się ocenić.
• Wynik zależy od przydziału pozycji do paczek. Ustal regułę przed analizą i ją opisz.
• Paczki utrudniają badanie inwariancji pomiaru. Pozycja działająca inaczej w grupach trafia do paczki razem z innymi, więc test nie wskaże jej wprost.

suppressPackageStartupMessages(library(lavaan))
set.seed(2991)
n <- 400
F1 <- rnorm(n); F2 <- 0.4 * F1 + rnorm(n, sd = sqrt(1 - 0.4^2))   # dwa wymiary, r = .40
poz <- function(f) round(pmin(pmax(3 + 1.1 * (0.7 * f + rnorm(n, sd = sqrt(1 - 0.49))), 1), 5))
d <- data.frame(sapply(1:8, function(i) poz(F1)), sapply(1:4, function(i) poz(F2)))
names(d) <- paste0("p", 1:12)               # p1–p8: wymiar 1, p9–p12: wymiar 2
for (k in 1:4)                               # paczka k = dwie pozycje wymiaru 1 + jedna wymiaru 2
  d[[paste0("P", k)]] <- rowMeans(d[, c(2 * k - 1, 2 * k, 8 + k)])
pozycje <- cfa(paste("F =~", paste0("p", 1:12, collapse = " + ")), data = d)
paczki  <- cfa("F =~ P1 + P2 + P3 + P4", data = d)
dwa     <- cfa(paste("F1 =~", paste0("p", 1:8, collapse = " + "),
                     "\nF2 =~ p9 + p10 + p11 + p12"), data = d)
miary <- c("chisq", "df", "pvalue", "cfi", "rmsea", "srmr")
round(rbind(pozycje_1F = fitMeasures(pozycje, miary), paczki_1F = fitMeasures(paczki, miary),
            pozycje_2F = fitMeasures(dwa, miary)), 3)
round(standardizedSolution(paczki)[1:4, "est.std"], 3)
round(lavInspect(dwa, "cor.lv")[2, 1], 3)

             chisq df pvalue   cfi rmsea  srmr
pozycje_1F 446.106 54  0.000 0.760 0.135 0.113
paczki_1F    3.224  2  0.199 0.999 0.039 0.009
pozycje_2F  68.016 53  0.080 0.991 0.027 0.034
[1] 0.800 0.828 0.824 0.819
[1] 0.402

Najczęstsze pytania

Ile pozycji łączyć w jedną paczkę i ile paczek tworzyć?

Nie ma jednej reguły. Na czynnik warto mieć co najmniej cztery paczki: przy trzech model jednoczynnikowy ma zero stopni swobody, więc jego dopasowania nie da się ocenić.

Czy parcelacja jest dopuszczalna przy walidacji nowej skali?

Nie. Struktura skali, ładunki i pozycje do usunięcia ocenia się na poziomie pozycji. Paczki mogą ukryć wielowymiarowość, ładunki krzyżowe i skorelowane błędy.

Jak przydzielić pozycje do paczek?

Najpierw sprawdź jednowymiarowość. Potem stosuj jawną regułę, np. łącz pozycje o wysokich i niskich ładunkach, tak by paczki miały podobne ładunki, i opisz ją w metodzie.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

@article{bandalos2002effects, author={Bandalos, Deborah L.}, title={{The effects of item parceling on goodness-of-fit and parameter estimate bias in structural equation modeling}}, journal={Structural Equation Modeling: A Multidisciplinary Journal}, year={2002}, volume={9}, number={1}, pages={78--102}, doi={10.1207/s15328007sem0901_5}}

@article{little2002parcel, author={Little, Todd D. and Cunningham, William A. and Shahar, Golan and Widaman, Keith F.}, title={{To parcel or not to parcel: Exploring the question, weighing the merits}}, journal={Structural Equation Modeling: A Multidisciplinary Journal}, year={2002}, volume={9}, number={2}, pages={151--173}, doi={10.1207/s15328007sem0902_1}}

@article{little2013why, author={Little, Todd D. and Rhemtulla, Mijke and Gibson, Kimberly and Schoemann, Alexander M.}, title={{Why the items versus parcels controversy needn’t be one}}, journal={Psychological Methods}, year={2013}, volume={18}, number={3}, pages={285--300}, doi={10.1037/a0033266}}