Słownik metodologiczny · Modele SEM

Refleksyjna zmienna latentna – gdy konstrukt jest wspólną przyczyną odpowiedzi

W modelu refleksyjnym strzałki biegną od konstruktu do pozycji: cecha powoduje odpowiedzi. Pokazujemy, jakie sprawdzalne konsekwencje ma to założenie – lokalną niezależność, zanikające tetrady i wymienność pozycji – na przykładzie skali lęku społecznego w R.

Strona główna / Słownik / Refleksyjna zmienna latentna
W skrócie: Refleksyjna zmienna latentna to konstrukt, który jest wspólną przyczyną swoich wskaźników: każda pozycja = ładunek × konstrukt + błąd. Z tego wynika, że pozycje muszą być skorelowane, po uwzględnieniu konstruktu stają się niezależne, a ich korelacje są iloczynami ładunków. Wybierz model refleksyjny z teorii, zanim zobaczysz dane, i sprawdź jego konsekwencje w CFA.

Co to jest refleksyjna zmienna latentna?

Refleksyjna zmienna latentna (ang. reflective latent variable, konstrukt mierzony wskaźnikami efektów) to zmienna ukryta, która jest wspólną przyczyną swoich wskaźników. Strzałki na wykresie ścieżkowym biegną od konstruktu do pozycji: ktoś odpowiada „często” na pytania o unikanie rozmów, napięcie w towarzystwie i obawę przed oceną, ponieważ ma wysoki poziom lęku społecznego. Każda odpowiedź to odbicie (refleks) tej samej cechy plus błąd pomiaru specyficzny dla pozycji.

xi = λi · η + εi

η to zmienna latentna, λi – ładunek pozycji i, a εi – błąd, niezależny od η i od błędów innych pozycji. Tak zbudowany jest model czynnika wspólnego, na którym opierają się CFA, klasyczna teoria testu i większość skal psychologicznych. Przeciwieństwem jest formatywna zmienna latentna, w której wskaźniki tworzą konstrukt, a nie z niego wynikają; porównanie obu podejść zawiera hasło modele refleksyjne i formatywne.

Borsboom i in. (2003) zwracają uwagę, że taki model zakłada realistyczne rozumienie zmiennej latentnej, a relację „konstrukt → wskaźnik” można czytać przyczynowo – ale w modelach różnic między osobami nie dotyczy ona procesów zachodzących w pojedynczym człowieku. Model mówi, że osoby z wyższym lękiem częściej unikają rozmów, a nie opisuje, jak lęk działa w umyśle konkretnej osoby.

Co wynika z modelu refleksyjnego

Założenie wspólnej przyczyny ma sprawdzalne konsekwencje. To one odróżniają konstrukt refleksyjny od zwykłego zbioru pytań na podobny temat:

  1. Wskaźniki muszą być skorelowane – mają wspólne źródło zmienności. Spodziewana jest wysoka spójność wewnętrzna.
  2. Lokalna niezależność. Po uwzględnieniu zmiennej latentnej pozycje nie są już ze sobą powiązane. Korelacja dwóch pozycji to wtedy iloczyn ich ładunków standaryzowanych: rij = λiλj.
  3. Zanikające tetrady. Dla każdej czwórki pozycji iloczyny korelacji „na krzyż” są równe, np. r12r34 − r13r24 = 0. Bollen i Ting (2000) zbudowali na tym konfirmacyjny test tetrad, który pozwala odróżnić wskaźniki efektów od wskaźników przyczynowych.
  4. Wymienność wskaźników. Pozycje są próbkami z tej samej puli; usunięcie jednej obniża rzetelność, ale nie zmienia znaczenia konstruktu.
  5. Zmiana konstruktu zmienia wszystkie wskaźniki – w przeciwieństwie do modelu formatywnego, gdzie zmiana jednego składnika (np. dochodu) nie musi zmieniać pozostałych (wykształcenia).

Bollen i Lennox (1991) pokazali, że tradycyjne reguły pomiaru – wymóg spójności wewnętrznej, zastępowanie konstruktów sumami pozycji – mają sens tylko przy jawnie przyjętym modelu pomiarowym. W modelu refleksyjnym niska korelacja pozycji jest problemem; w modelu wskaźników przyczynowych może być czymś normalnym.

Kiedy wybrać model refleksyjny?

Edwards i Bagozzi (2000) podkreślają, że kierunek relacji między konstruktem a miarami trzeba ustalić przed analizą, na podstawie teorii, a nie z dopasowania modelu. Zadaj sobie cztery pytania:

Pytania pomocne przy wyborze modelu refleksyjnego
PytanieOdpowiedź wskazująca na model refleksyjny
Czy cecha powoduje odpowiedzi, czy odpowiedzi tworzą cechę?Cecha powoduje odpowiedzi (lęk → unikanie)
Czy pozycje są wymienne?Tak, każda wyraża tę samą treść innymi słowami
Czy pozycje powinny być skorelowane?Tak, i to umiarkowanie lub silnie
Czy wszystkie pozycje mają te same przyczyny i skutki?Tak, łączy je jedna wspólna przyczyna

Typowe konstrukty refleksyjne w psychologii to cechy osobowości, lęk, depresyjność, poczucie własnej skuteczności, postawy mierzone skalą Likerta. Typowe konstrukty formatywne to wskaźniki złożone: status społeczno-ekonomiczny, liczba stresujących wydarzeń życiowych, indeks ryzykownych zachowań. Szczegółowy przewodnik decyzji zawiera wpis model refleksyjny czy formatywny.

Przykład: lęk społeczny mierzony pięcioma pozycjami

Pięć pozycji skali lęku społecznego (1–5) wypełniło 300 studentów; mierzono też unikanie sytuacji społecznych (0–40; dane symulowane). Sprawdzamy kolejne konsekwencje modelu refleksyjnego.

1. Dopasowanie modelu jednoczynnikowego: χ²(5) = 3.02, p = .697, CFI = 1.000, RMSEA = .000, SRMR = .014. Ładunki standaryzowane: .77, .66, .74, .62 i .65.

2. Lokalna niezależność. Korelacje przewidziane jako iloczyny ładunków są bardzo bliskie obserwowanym (rysunek 1A). Największa rozbieżność dotyczy pary ls2–ls5: obserwowane r = .460, przewidziane .425, różnica .035. Gdyby dwie pozycje miały wspólną treść poza lękiem (np. obie dotyczyły wystąpień publicznych), różnica byłaby wyraźnie większa – wtedy rozważ kowariancję reszt, ale tylko z uzasadnieniem treściowym.

3. Tetrady. r12r34 − r13r24 = −0.020, a r12r35 − r13r25 = −0.033 – obie bliskie zera, jak przewiduje model.

4. Wymienność. Dla każdej z 10 możliwych trójek pozycji oszacowano korelację lęku latentnego z unikaniem. Wyniki mieszczą się w wąskim przedziale od .544 do .578 (rysunek 1B): niezależnie od tego, które trzy pozycje wybierzemy, mierzymy ten sam konstrukt. Dla porównania korelacja zwykłej sumy pięciu pozycji z unikaniem wynosi .505 – jest niższa, bo suma zawiera błąd pomiaru, który model latentny oddziela.

Panel A: 10 obserwowanych korelacji pozycji skali lęku społecznego leży blisko przekątnej korelacji przewidzianych jako iloczyny ładunków; największa różnica .035 dla pary ls2–ls5. Panel B: korelacja lęku latentnego z unikaniem dla 10 trójek pozycji wynosi od .544 do .578, a dla sumy wszystkich pozycji .505
Rysunek 1. A: w modelu refleksyjnym korelacja dwóch pozycji jest iloczynem ich ładunków – punkty leżą przy przekątnej. B: korelacja konstruktu z kryterium jest niemal taka sama dla każdej trójki pozycji; linia przerywana – korelacja zwykłej sumy pięciu pozycji. Obliczenia: R (dane symulowane).

Model refleksyjny w CB-SEM i w PLS-SEM

W CB-SEM konstrukt refleksyjny jest czynnikiem wspólnym i szacuje się go dokładnie według wzoru z początku strony. W PLS-SEM zapis bywa mylący: wskaźniki „refleksyjne” oznaczają tam zwykle sposób liczenia wag kompozytu (Mode A, zob. Model A i Model B), a sam konstrukt nadal jest ważoną sumą pozycji, która zawiera błąd pomiaru. Skutek: klasyczny PLS zawyża ładunki i zaniża ścieżki między konstruktami refleksyjnymi. Jeśli w PLS-SEM zakładasz, że konstrukt jest czynnikiem wspólnym, użyj korekty PLSc, która przywraca zgodność oszacowań z modelem refleksyjnym.

Jak opisać model refleksyjny w pracy

W metodzie uzasadnij wybór modelu (dlaczego cecha jest przyczyną odpowiedzi), w wynikach podaj dopasowanie CFA, ładunki i rzetelność (omega albo rzetelność kompozytowa). Wzór:

Lęk społeczny potraktowano jako konstrukt refleksyjny: zakładano, że poziom lęku jest wspólną przyczyną odpowiedzi na pięć pozycji skali, a pozycje są wymiennymi wskaźnikami tej samej cechy. Jednoczynnikowy model pomiarowy był dobrze dopasowany do danych, χ²(5) = 3.02, p = .697, CFI = 1.000, RMSEA = .000, SRMR = .014, a ładunki standaryzowane wynosiły od .62 do .77. Reszty korelacji nie przekraczały |.035|, co wspiera założenie lokalnej niezależności pozycji.

Pełną ścieżkę od pomysłu na skalę do jej walidacji opisuje wpis budowa i walidacja skali psychometrycznej.

Przykład reprodukowalny

Sprawdzanie modelu refleksyjnego w R

Kod tworzy dane z przykładu, szacuje model jednoczynnikowy, porównuje korelacje obserwowane z iloczynami ładunków, liczy dwie tetrady i sprawdza wymienność pozycji. Liczby w tekście i na rysunku 1 pochodzą z tego kodu.

CFA, lokalna niezależność, tetrady i wymienność

Dane wejściowe: 300 osób (dane symulowane, set.seed(135)), pozycje ls1–ls5 (1–5) i wynik unikania (0–40).

Co odczytać: dopasowanie i ładunki, kolumnę roznica (reszty korelacji), wartości tetrad, rozrzut korelacji latentnych dla trójek pozycji i korelację sumy z unikaniem.

R
# Dane symulowane: 300 studentów, 5 pozycji skali lęku społecznego (1–5) – model refleksyjny:
# lęk społeczny (zmienna latentna) jest wspólną przyczyną odpowiedzi; dodatkowo wynik unikania sytuacji społecznych (0–40)
suppressPackageStartupMessages(library(lavaan))
set.seed(135)
n <- 300
LEK <- rnorm(n)
lam <- c(.80, .75, .70, .65, .60)
dane <- data.frame(sapply(lam, function(l) round(pmin(pmax(2.7 + 0.9 * (l * LEK + rnorm(n, sd = sqrt(1 - l^2))), 1), 5), 1)))
names(dane) <- paste0("ls", 1:5)
dane$unikanie <- round(18 + 6 * (0.55 * LEK + rnorm(n, sd = sqrt(1 - .55^2))))

# 1. Model refleksyjny: strzałki od czynnika do pozycji
fit <- cfa('LEK =~ ls1 + ls2 + ls3 + ls4 + ls5', data = dane)
round(fitMeasures(fit, c("chisq", "df", "pvalue", "cfi", "rmsea", "srmr")), 3)
st <- standardizedSolution(fit)
l <- setNames(st$est.std[st$op == "=~"], paste0("ls", 1:5)); round(l, 2)

# 2. Konsekwencja modelu: korelacja dwóch pozycji = iloczyn ich ładunków (lokalna niezależność)
r_obs <- cor(dane[, 1:5])
r_impl <- outer(l, l); diag(r_impl) <- 1
pary <- which(upper.tri(r_obs), arr.ind = TRUE)
porown <- data.frame(para = paste0("ls", pary[, 1], "–ls", pary[, 2]), r_obserwowana = r_obs[pary], r_z_modelu = r_impl[pary])
porown$roznica <- porown$r_obserwowana - porown$r_z_modelu
porown[, 2:4] <- round(porown[, 2:4], 3); porown
round(max(abs(porown$roznica)), 3)

# 3. Zanikające tetrady: r12*r34 − r13*r24 powinno być bliskie 0
round(c(tetrada_1234 = r_obs[1, 2] * r_obs[3, 4] - r_obs[1, 3] * r_obs[2, 4],
        tetrada_1235 = r_obs[1, 2] * r_obs[3, 5] - r_obs[1, 3] * r_obs[2, 5]), 4)

# 4. Wymienność wskaźników: korelacja czynnika z unikaniem dla każdej trójki pozycji
trojki <- combn(5, 3)
r_lat <- apply(trojki, 2, function(ix) {
  m <- paste0("LEK =~ ", paste0("ls", ix, collapse = " + "), "\nLEK ~~ unikanie")
  f <- sem(m, data = dane)
  s <- standardizedSolution(f); s$est.std[s$lhs == "LEK" & s$op == "~~" & s$rhs == "unikanie"]
})
round(summary(r_lat), 3)
# Dla porównania: korelacja zwykłej sumy wszystkich 5 pozycji z unikaniem (osłabiona przez błąd pomiaru)
round(cor(rowSums(dane[, 1:5]), dane$unikanie), 3)
Wynik w R
 chisq     df pvalue    cfi  rmsea   srmr 
 3.020  5.000  0.697  1.000  0.000  0.014 
 ls1  ls2  ls3  ls4  ls5 
0.77 0.66 0.74 0.62 0.65 
      para r_obserwowana r_z_modelu roznica
1  ls1–ls2         0.503      0.509  -0.006
2  ls1–ls3         0.592      0.572   0.019
3  ls2–ls3         0.463      0.486  -0.023
4  ls1–ls4         0.480      0.482  -0.002
5  ls2–ls4         0.419      0.410   0.010
6  ls3–ls4         0.454      0.461  -0.007
7  ls1–ls5         0.480      0.500  -0.020
8  ls2–ls5         0.460      0.425   0.035
9  ls3–ls5         0.474      0.478  -0.003
10 ls4–ls5         0.407      0.402   0.004
[1] 0.035
tetrada_1234 tetrada_1235 
     -0.0197      -0.0333 
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  0.544   0.552   0.558   0.560   0.570   0.578 
[1] 0.505

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3; 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. lavaan (wersja 0.7-2): Rosseel, Y., Jorgensen, T. D., & De Wilde, L. (2026). lavaan: Latent variable analysis (R package version 0.7-2) [Computer software]. https://doi.org/10.32614/CRAN.package.lavaan
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  4. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze błędy

  • Model refleksyjny „z przyzwyczajenia” dla wskaźników złożonych, np. sumy stresujących wydarzeń. Takie pozycje nie muszą korelować, więc niska alfa nie świadczy o złej skali, a CFA źle pasuje z powodu błędnego modelu.
  • Usuwanie pozycji tylko dlatego, że podnosi to rzetelność, bez sprawdzenia, czy konstrukt nie traci części treści. Wymienność dotyczy pozycji z tej samej puli treści, nie dowolnego zestawu.
  • Dodawanie wielu kowariancji reszt. Każda narusza lokalną niezależność; kilka sygnalizuje, że konstrukt jest wielowymiarowy (zob. konstrukt wyższego rzędu).
  • Utożsamianie sumy pozycji ze zmienną latentną. Suma zawiera błąd pomiaru, więc zaniża korelacje z innymi zmiennymi (w przykładzie .505 zamiast około .56).
  • Odczytywanie modelu jako opisu procesów w jednej osobie. Model różnic międzyosobniczych nie mówi, jak cecha działa wewnątrz konkretnego człowieka (Borsboom i in., 2003).

Najczęstsze pytania

Jak rozpoznać, że konstrukt jest refleksyjny?

Zapytaj, czy cecha powoduje odpowiedzi, czy odpowiedzi ją tworzą. Jeśli wzrost konstruktu powinien podnieść wszystkie pozycje naraz, pozycje są wymienne i powinny być skorelowane – to model refleksyjny. Jeśli pozycje to odrębne składniki, które razem dają wskaźnik (np. dochód, wykształcenie, zawód), model jest formatywny.

Co to jest lokalna niezależność w modelu refleksyjnym?

To założenie, że po uwzględnieniu zmiennej latentnej pozycje nie są już ze sobą powiązane – łączy je wyłącznie wspólna przyczyna. W praktyce korelacja dwóch pozycji powinna być równa iloczynowi ich ładunków standaryzowanych; duże reszty korelacji wskazują na dodatkowe źródło wspólnej zmienności.

Czy w modelu refleksyjnym można usunąć pozycję ze skali?

Tak, bo pozycje są wymiennymi wskaźnikami tego samego konstruktu – usunięcie jednej obniża rzetelność, ale nie zmienia znaczenia cechy. Upewnij się jednak, że pozostałe pozycje nadal obejmują całą treść konstruktu, a skala ma co najmniej trzy dobre pozycje.

Dlaczego korelacja sumy pozycji jest niższa niż korelacja zmiennej latentnej?

Suma pozycji zawiera błąd pomiaru, który osłabia jej związki z innymi zmiennymi. Model refleksyjny oddziela wariancję wspólną od błędu, więc korelacja na poziomie latentnym jest skorygowana o niepełną rzetelność. W przykładzie na tej stronie wynosiła około .56 wobec .505 dla sumy.

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. A., & Ting, K. (2000). A tetrad test for causal indicators. Psychological Methods, 5(1), 3–22. https://doi.org/10.1037/1082-989x.5.1.3
  2. 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
  3. Borsboom, D., Mellenbergh, G. J., & van Heerden, J. (2003). The theoretical status of latent variables. Psychological Review, 110(2), 203–219. https://doi.org/10.1037/0033-295x.110.2.203
  4. 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

Cytowania BibTeX

@article{bollen2000tetrad, author={Bollen, Kenneth A. and Ting, Kwok-fai}, title={{A tetrad test for causal indicators}}, journal={Psychological Methods}, year={2000}, volume={5}, number={1}, pages={3--22}, doi={10.1037/1082-989x.5.1.3}}
@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{borsboom2003theoretical, author={Borsboom, Denny and Mellenbergh, Gideon J. and van Heerden, Jaap}, title={{The theoretical status of latent variables}}, journal={Psychological Review}, year={2003}, volume={110}, number={2}, pages={203--219}, doi={10.1037/0033-295x.110.2.203}}
@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}}
R