Słownik metodologiczny · Modele SEM

Rzetelność rho_A Dijkstry-Henselera

Pełne wyjaśnienie, zastosowanie naukowe i praktyczne, przykład, dobre praktyki oraz gotowy zapis wyniku w APA 7.

Strona główna / Słownik / Rzetelność rho_A Dijkstry-Henselera

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Czym jest współczynnik ρA Dijkstry–Henselera?

ρA jest współczynnikiem rzetelności wyniku konstruktu utworzonego w trybie A PLS. Dijkstra i Henseler zaproponowali go jako element metody consistent PLS (PLSc), aby umożliwić korektę korelacji między refleksyjnie mierzonymi konstruktami ze względu na błąd pomiaru.

Kiedy ρA ma sens?

Najważniejsze zastosowanie: ocena rzetelności wyniku refleksyjnego konstruktu oszacowanego w trybie A PLS lub PLSc, z wykorzystaniem wag i empirycznych kowariancji wskaźników.

ρA dotyczy konstruktu modelowanego jako wspólny czynnik z refleksyjnymi wskaźnikami. W takim modelu obserwowane pozycje są skutkami konstruktu i powinny odtwarzać wspólną zmienność. Współczynnik wykorzystuje wagi uzyskane w trybie A PLS oraz kowariancje wskaźników. Nie jest odmianą alfy Cronbacha, nie opiera się wyłącznie na liczbie pozycji i nie powinien być stosowany jako główne kryterium jakości kompozytu formatywnego.

ρA bywa przedstawiane razem z alfą oraz rzetelnością kompozytową ρC. Te trzy współczynniki mają inne założenia i nie muszą zawsze układać się w prostą kolejność. Wyniku nie należy więc oceniać przez rytuał „alfa najniższa, ρC najwyższa”. Najpierw trzeba sprawdzić, czy model refleksyjny jest merytorycznie uzasadniony, czy ładunki mają oczekiwane znaki i czy rozwiązanie PLS lub PLSc jest poprawne.

Wysokie ρA wspiera wniosek, że wynik konstruktu jest dostatecznie precyzyjny w badanej próbie, lecz nie dowodzi jednowymiarowości, trafności zbieżnej ani trafności różnicowej. Te właściwości wymagają osobnych dowodów, takich jak ocena modelu pomiarowego, AVE, HTMT, analiza treści pozycji i — gdy porównuje się grupy — ocena niezmienności pomiaru.

Jak zbudowany jest współczynnik ρA?

ρ̂A = (ŵ′ŵ)² · [ŵ′(S − diag(S))ŵ] / [ŵ′(ŵŵ′ − diag(ŵŵ′))ŵ]

Wektor ŵ zawiera oszacowane wagi wskaźników konstruktu, a S jest ich empiryczną macierzą kowariancji. Operator diag(·) pozostawia elementy przekątnej, dlatego wyrażenia S − diag(S) oraz ŵŵ′ − diag(ŵŵ′) odnoszą się do kowariancji między różnymi wskaźnikami. W uproszczeniu ρA dobiera wartość rzetelności tak, aby model wspólnego czynnika możliwie dobrze odtwarzał kowariancje poza przekątną. W praktyce współczynnik oblicza oprogramowanie; ręczne podstawienie wartości bez zachowania dokładnej normalizacji wag może prowadzić do innego wyniku.

Przykład praktyczny i pełna interpretacja

Refleksyjny konstrukt zaangażowania mierzono czterema pozycjami w próbie 312 osób. Standaryzowane ładunki wynosiły od .72 do .84, ρA = .86, 95% bootstrap CI [.82, .90], a ρC = .88. Wyniki wskazują na dobrą rzetelność wyniku konstruktu w tej próbie: przedział dla ρA nie obejmuje wartości świadczących o wyraźnie niskiej precyzji. Wniosek dotyczy jednak rzetelności, a nie całej jakości pomiaru. Trafność zbieżną i różnicową należy ocenić osobno, natomiast interpretacja pozostaje warunkowa względem poprawności refleksyjnego modelu pomiarowego.

Dobre praktyki

  • Stosuj ρA tylko wtedy, gdy konstrukt jest modelowany refleksyjnie i tryb A PLS odpowiada przyjętej teorii pomiaru.
  • Podawaj wersję programu lub pakietu, wariant algorytmu oraz sposób wyznaczenia przedziału bootstrapowego.
  • Interpretuj ρA razem z ładunkami, ρC, AVE i dowodami trafności, ale wyjaśnij, na jakie pytanie odpowiada każdy wskaźnik.
  • Nie usuwaj pozycji wyłącznie dlatego, że po tej operacji współczynnik wzrasta; sprawdź wpływ na zakres treści konstruktu.

Jak zaraportować ρA w standardzie APA 7?

Dla refleksyjnego konstruktu [nazwa] oszacowano rzetelność ρA Dijkstry–Henselera za pomocą [program/pakiet, wersja] w trybie [A/PLSc]. Otrzymano ρA = [wartość], 95% [rodzaj] bootstrap CI [[dolna], [górna]] na podstawie [liczba] replikacji. Ładunki standaryzowane mieściły się w zakresie [..–..], a ρC wyniosło [wartość]. Wyniki wspierają [dobrą/ograniczoną] rzetelność wyniku konstruktu w badanej próbie; trafność pomiaru oceniono oddzielnie za pomocą [AVE, HTMT, porównania modeli lub innych dowodów].

Najczęstsze błędy interpretacyjne

Nie należy nazywać ρA „rzetelnością Dijkstry” bez wyjaśnienia, czego dotyczy współczynnik. Błędem jest także pokazanie wzoru alfy Cronbacha jako wzoru ρA, automatyczne stosowanie miary do konstruktu formatywnego oraz traktowanie wartości powyżej .70 jako dowodu trafności.

Pytanie kontrolne: Czy współczynnik został obliczony dla właściwie określonego refleksyjnego konstruktu i czy raport rozdziela rzetelność od pozostałych dowodów jakości pomiaru?

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Henseler et al., 2015).

Powiązane hasła

Rzetelność kompozytowa (Composite Reliability, rho_C)AVE (średnia wyodrębniona wariancja)HTMT (heterotrait-monotrait ratio)Ładunek zewnętrzny (outer loading)Macierz ładunków i ładunków krzyżowychAIC i BIC w SEM

Poradniki, w których użyjesz tego pojęcia

Poradnik

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 →Poradnik

PLS-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 →Poradnik

PLS-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 studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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}}
R