Co oznacza Rzetelność kompozytowa (Composite Reliability, rho_C)?
Zastosowanie, warunki i dobre praktyki
rho_C wykorzystuje oszacowane ładunki i wariancje błędów, dlatego nie zakłada równych ładunków tak jak proste odczytanie alfy w modelu tau-równoległym. Współczynnik ma sens dopiero po ustaleniu poprawnego modelu refleksyjnego; wysoka wartość w źle określonym modelu nie jest dowodem jakości skali. Należy podawać estymatę z przedziałem oraz odróżniać ją od rho_A i współczynnika omega.
Najważniejsze zastosowanie: Stosuj w CFA, CB-SEM i PLSc po sprawdzeniu, że wskaźniki reprezentują wspólny czynnik. Łącz ją z AVE, ładunkami, oceną struktury i przedziałem ufności.
Jak to się oblicza i co oznaczają symbole?
λᵢ oznaczają ładunki standaryzowane, a θᵢ wariancje błędów wskaźników. Wynik jest właściwością określonego modelu pomiarowego, a nie uniwersalną cechą kwestionariusza.
Jak poprawnie stosować i interpretować hasło „Rzetelność kompozytowa (Composite Reliability, rho_C)”?
Przy ocenie pojęcia „Rzetelność kompozytowa (Composite Reliability, rho_C)” najpierw definiuje się wynik, populację i źródło błędu, którego dotyczy ocena. Dla interpretacji hasła „Rzetelność kompozytowa (Composite Reliability, rho_C)” spójność wewnętrzna, stabilność w czasie i zgodność sędziów są różnymi pytaniami. W odniesieniu do hasła „Rzetelność kompozytowa (Composite Reliability, rho_C)” współczynnik należy dobrać do modelu pomiarowego i przeznaczenia wyniku; alfa, omega, rho_A i rho_C nie są wymiennymi etykietami tej samej własności.
Ocena pojęcia „Rzetelność kompozytowa (Composite Reliability, rho_C)” powinna obejmować przedział ufności, strukturę wymiarową i rozkład ładunków. Przy ocenie hasła „Rzetelność kompozytowa (Composite Reliability, rho_C)” wysoka wartość może wynikać z wielu podobnych pozycji, a nie z dobrego pokrycia konstruktu. W analizie dotyczącej hasła „Rzetelność kompozytowa (Composite Reliability, rho_C)” dla decyzji indywidualnych trzeba dodatkowo ocenić błąd standardowy pomiaru i stabilność klasyfikacji blisko progu.
Co trzeba opisać w raporcie?
Raport dotyczący „Rzetelność kompozytowa (Composite Reliability, rho_C)” powinien nazwać współczynnik, zestaw pozycji, próbę, model pomiarowy i przedział ufności. Dla interpretacji hasła „Rzetelność kompozytowa (Composite Reliability, rho_C)”, jeżeli porównuje się kilka miar, trzeba wyjaśnić, czemu każda odpowiada specyfikacji konstruktu. W odniesieniu do hasła „Rzetelność kompozytowa (Composite Reliability, rho_C)” wynik uzupełnia się dowodami trafności i informacją o procedurze obsługi braków.
Zakres raportowania dla hasła „Rzetelność kompozytowa (Composite Reliability, rho_C)”: Raportuj symbol, wartość, 95% CI, estymator i zakres ładunków. Jeżeli program używa odmiennej definicji rho_C, wskaż funkcję lub dokumentację.
Przykład praktyczny i gotowa interpretacja
Sytuacja: Dla ładunków .80, .75 i .70 oraz błędów 1−λ² rho_C wynosi około .79. Wynik opisuje precyzję utworzonego wyniku w założonym modelu, nie procent prawdziwych odpowiedzi.
Jak ją zinterpretować: Otrzymana wartość opisuje modelową precyzję wyniku refleksyjnego w tej próbie. Nie potwierdza jednowymiarowości ani trafności, dlatego musi być zestawiona z ładunkami, ich niepewnością i oceną struktury pomiarowej.
Najczęstsza pułapka i granica interpretacji
Wysokie rho_C może wynikać z redundantnych pozycji. Dla konstruktu formatywnego alfa, omega i rho_C nie są właściwym głównym kryterium.
Wysoka „Rzetelność kompozytowa (Composite Reliability, rho_C)” oznacza określony rodzaj precyzji, ale nie dowodzi jednowymiarowości ani trafności. Przy ocenie hasła „Rzetelność kompozytowa (Composite Reliability, rho_C)” współczynnik oszacowany w jednej populacji i do jednego zastosowania nie musi zachować wartości w innej grupie.
Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Henseler et al., 2015).
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)
- Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43, 115–135. https://doi.org/10.1007/s11747-014-0403-8
- Rönkkö, M., & Cho, E. (2022). An updated guideline for assessing discriminant validity. Organizational Research Methods, 25(1), 6–14. https://doi.org/10.1177/1094428120968614
- 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
- Benitez, J., Henseler, J., Castillo, A., & Schuberth, F. (2020). How to perform and report an impactful analysis using partial least squares: Guidelines for confirmatory and explanatory IS research. Information & Management, 57(2), 103168. https://doi.org/10.1016/j.im.2019.05.003
- Hair, J. F., Sarstedt, M., & Ringle, C. M. (2019). Rethinking some of the rethinking of partial least squares. European Journal of Marketing, 53(4), 566–584. https://doi.org/10.1108/EJM-10-2018-0665
- 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
Cytowania BibTeX
@article{henseler2015htmt, author={Henseler, Jörg and Ringle, Christian M. and Sarstedt, Marko}, title={A New Criterion for Assessing Discriminant Validity in Variance-Based Structural Equation Modeling}, journal={Journal of the Academy of Marketing Science}, year={2015}, volume={43}, pages={115--135}, doi={10.1007/s11747-014-0403-8}}@article{ronkko2022discriminant, author={Rönkkö, Mikko and Cho, Eunseong}, title={An Updated Guideline for Assessing Discriminant Validity}, journal={Organizational Research Methods}, year={2022}, volume={25}, number={1}, pages={6--14}, doi={10.1177/1094428120968614}}@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}}@article{benitez2020impactful, author={Benitez, Jose and Henseler, Jörg and Castillo, Ana and Schuberth, Florian}, title={How to Perform and Report an Impactful Analysis Using Partial Least Squares: Guidelines for Confirmatory and Explanatory IS Research}, journal={Information and Management}, year={2020}, volume={57}, number={2}, pages={103168}, doi={10.1016/j.im.2019.05.003}}@article{hair2019rethinking, author={Hair, Joseph F. and Sarstedt, Marko and Ringle, Christian M.}, title={Rethinking Some of the Rethinking of Partial Least Squares}, journal={European Journal of Marketing}, year={2019}, volume={53}, number={4}, pages={566--584}, doi={10.1108/EJM-10-2018-0665}}@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}}