Co oznacza Refleksyjna zmienna latentna?
Zastosowanie, warunki i dobre praktyki
W modelu refleksyjnym wspólny czynnik ma wyjaśniać współzmienność wskaźników, a każdy wskaźnik zawiera także błąd lub wariancję swoistą. Wskaźniki powinny być skutkami tego samego konstruktu, lecz nie muszą być identyczne. Ocena obejmuje ładunki, reszty, rzetelność modelową, trafność i możliwość istnienia ładunków krzyżowych.
Najważniejsze zastosowanie: Stosuj, gdy pozycje są skutkami tej samej cechy, powinny współzmieniać się i są częściowo zamienne jako jej przejawy; oceniaj ładunki, błędy, rzetelność modelową oraz trafność zbieżną i różnicową.
Jak to się oblicza i co oznaczają symbole?
xᵢ jest obserwowanym wskaźnikiem, η wspólnym czynnikiem, λᵢ ładunkiem, a εᵢ częścią swoistą i błędem pomiaru. Równanie zakłada, że zmiany konstruktu prowadzą do zmian wskaźników oraz że po uwzględnieniu czynnika ich reszty są niezależne, chyba że model jawnie stanowi inaczej. Usunięcie wskaźnika może zmienić zakres treści mierzonego konstruktu.
Jak poprawnie stosować i interpretować hasło „Refleksyjna zmienna latentna”?
Przy ocenie pojęcia „Refleksyjna zmienna latentna” trzeba najpierw zdefiniować konstrukt, populację, przeznaczenie wyniku i model łączący konstrukt ze wskaźnikami. W odniesieniu do hasła „Refleksyjna zmienna latentna” dopiero potem dobiera się współczynnik lub kryterium. Przy ocenie hasła „Refleksyjna zmienna latentna” 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 „Refleksyjna zmienna latentna” powinna łączyć treść pozycji, strukturę wewnętrzną, rzetelność oraz relacje z innymi zmiennymi. W analizie dotyczącej hasła „Refleksyjna zmienna latentna” żaden pojedynczy współczynnik nie dowodzi trafności całego zastosowania. Dla interpretacji hasła „Refleksyjna zmienna latentna” 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 „Refleksyjna zmienna latentna” trzeba nazwać model pomiarowy, wskaźniki, sposób skalowania i użyty estymator. W odniesieniu do hasła „Refleksyjna zmienna latentna” wyniki powinny obejmować właściwe estymaty z przedziałami ufności oraz dowody odpowiadające konkretnemu pytaniu o rzetelność lub trafność. Przy ocenie hasła „Refleksyjna zmienna latentna” wszelkie progi należy uzasadnić, a decyzje o usunięciu pozycji powiązać z ich treścią.
Zakres raportowania dla hasła „Refleksyjna zmienna latentna”: Opisz definicję konstruktu, wskaźniki, estymator, ładunki z CI, rzetelność modelową, AVE, trafność różnicową i dopasowanie lub diagnostykę właściwą estymatorowi.
Przykład praktyczny i gotowa interpretacja
Sytuacja: Ogólny lęk może powodować częstsze zamartwianie, napięcie i trudności z koncentracją. Każda odpowiedź jest niedoskonałym wskaźnikiem wspólnej cechy.
Jak ją zinterpretować: Wspólny czynnik ma wyjaśniać korelacje wskaźników traktowanych jako jego skutki. Wysokie ładunki wspierają model, lecz potrzebne są reszty, rzetelność i trafność; usunięcie pozycji nie powinno zawężać konstruktu.
Najczęstsza pułapka i granica interpretacji
Wysoka alfa nie dowodzi, że istnieje jeden wspólny czynnik; błędne potraktowanie czynnika jako zwykłego kompozytu może obciążyć ścieżki strukturalne.
Wysoka wartość wskaźnika związanego z „Refleksyjna zmienna latentna” nie naprawia błędnej operacjonalizacji. W analizie dotyczącej hasła „Refleksyjna zmienna latentna” jakość pomiaru dotyczy określonej interpretacji wyniku w danej populacji i nie przenosi się automatycznie na inne zastosowanie.
Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Hu i Bentler, 1999).
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Modelowanie równań strukturalnych (SEM): od teorii do raportu
SEM bez skrótów myślowych: model pomiarowy i strukturalny, CB-SEM a PLS-SEM, dopasowanie, założenia oraz raportowanie wyników.
Czytaj →PoradnikPLS-SEM krok po kroku: założenia, model pomiarowy i strukturalny
Praktyczny przewodnik po PLS-SEM: kiedy metoda odpowiada pytaniu, jak odróżnić kompozyt od wspólnego czynnika, ocenić model i uczciwie raportować wynik.
Czytaj →PoradnikPLS-SEM w R: kompletny przykład w seminr i cSEM
Odtwarzalny przykład PLS-SEM w R: specyfikacja refleksyjna i kompozytowa, PLSc, bootstrap, HTMT, R², f² i ocena predykcyjna w seminr oraz cSEM.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Oferta dla badaczyOferta dla studentówBibliografia 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}}