SEM (Modelowanie Równań Strukturalnych)

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 21 sierpnia 2026 · Aktualizacja: 22 sierpnia 2026

Co oznacza SEM (Modelowanie Równań Strukturalnych)?

SEM łączy model pomiarowy zmiennych latentnych z układem zależności strukturalnych.

Zastosowanie, warunki i dobre praktyki

SEM jest rodziną modeli, a nie jednym testem. Łączy część pomiarową, opisującą relacje konstruktów ze wskaźnikami, z częścią strukturalną, która przedstawia związki między zmiennymi jawnymi lub latentnymi. Wiarygodna analiza wymaga identyfikacji, odpowiedniego estymatora, oceny parametrów i reszt oraz porównania z teorią; dobry indeks globalny nie potwierdza całego mechanizmu.

Najważniejsze zastosowanie: Stosuj dla teorii obejmującej wiele równań, błąd pomiaru, mediację lub porównanie modeli.

Jak poprawnie stosować i interpretować hasło „SEM (Modelowanie Równań Strukturalnych)”?

Przy ocenie pojęcia „SEM (Modelowanie Równań Strukturalnych)” najpierw trzeba wskazać, której części SEM dotyczy pojęcie: globalnego dopasowania, lokalnych reszt, parametrów, identyfikacji czy porównania modeli. Przy ocenie hasła „SEM (Modelowanie Równań Strukturalnych)” model pomiarowy powinien zostać uzasadniony przed interpretacją ścieżek strukturalnych. W analizie dotyczącej hasła „SEM (Modelowanie Równań Strukturalnych)” indeks lub diagnostyka ma znaczenie tylko w połączeniu z estymatorem, skalą wskaźników i konkretną specyfikacją ograniczeń.

Ocena pojęcia „SEM (Modelowanie Równań Strukturalnych)” obejmuje zbieżność, rozwiązania niedopuszczalne, macierz reszt i stabilność parametrów, a nie tylko zestaw popularnych progów CFI, RMSEA czy SRMR. Dla interpretacji hasła „SEM (Modelowanie Równań Strukturalnych)” indeksy modyfikacji są informacją eksploracyjną. W odniesieniu do hasła „SEM (Modelowanie Równań Strukturalnych)” każda zmiana musi mieć uzasadnienie teoretyczne i powinna zostać sprawdzona na niezależnej próbie, aby ograniczyć przeuczenie modelu.

Co trzeba opisać w raporcie?

Raport dotyczący „SEM (Modelowanie Równań Strukturalnych)” powinien podać model, estymator, liczebność, sposób obsługi braków, test χ² i zestaw komplementarnych indeksów dopasowania. Przy ocenie hasła „SEM (Modelowanie Równań Strukturalnych)” należy dołączyć parametry z błędami standardowymi lub przedziałami ufności, wskazać rozwiązania brzegowe oraz dokładnie opisać wszystkie modyfikacje względem planu.

Zakres raportowania dla hasła „SEM (Modelowanie Równań Strukturalnych)”: Podaj estymator, identyfikację, N, dopasowanie, parametry z CI i modyfikacje.

Przykład praktyczny i gotowa interpretacja

Sytuacja: CFA definiuje dwa konstrukty, a część strukturalna testuje ścieżkę X→Y.

Jak ją zinterpretować: Parametry opisują jednocześnie model pomiarowy i relacje strukturalne przy przyjętej specyfikacji. Dobre dopasowanie nie ustanawia przyczynowości ani trafności konstruktu; potrzebne są identyfikacja, reszty, przedziały i modele alternatywne.

Najczęstsza pułapka i granica interpretacji

SEM nie tworzy przyczynowości bez właściwego projektu i założeń.

Akceptowalny wynik dotyczący „SEM (Modelowanie Równań Strukturalnych)” nie dowodzi, że model jest jedyny ani prawdziwy. Dla interpretacji hasła „SEM (Modelowanie Równań Strukturalnych)” równoważne lub niemal równoważne modele mogą pasować podobnie, a strzałki nie uzyskują znaczenia przyczynowego z samego diagramu.

Przykład reprodukowalny dla tego hasła

CFA i SEM: model pomiarowy, dopasowanie i rzetelność złożona

Przykład dotyczy jednego jawnie zapisanego modelu SEM i pokazuje dopasowanie oraz oszacowania ścieżek.

Dane wejściowe: item1–item6 to wskaźniki dwóch konstruktów; y jest wynikiem. Specyfikacja musi wynikać z teorii.

Co sprawdzić w wyniku: Raportuj estymator, χ², df, CFI/TLI, RMSEA z CI, SRMR, parametry z CI i diagnostykę. Nie modyfikuj modelu mechanicznie.

library(lavaan)
dane <- read.csv("dane.csv")

model <- '
  F1 =~ item1 + item2 + item3
  F2 =~ item4 + item5 + item6
  F2 ~ F1
'
fit <- sem(model, data = dane, estimator = "MLR", missing = "fiml")
summary(fit, fit.measures = TRUE, standardized = TRUE, ci = TRUE)
fitMeasures(fit, c("fmin", "chisq", "df", "cfi", "tli", "nfi", "pnfi",
                   "gfi_lisrel", "pgfi", "rmsea", "rmsea.ci.lower",
                   "rmsea.ci.upper", "srmr"))
modindices(fit, sort. = TRUE, maximum.number = 10)

# CR dla jednego czynnika na podstawie standaryzowanych ładunków.
std <- standardizedSolution(fit)
lambda <- subset(std, op == "=~" & lhs == "F1")$est.std
CR <- sum(lambda)^2 / (sum(lambda)^2 + sum(1 - lambda^2))
CR

Python

import pandas as pd
from semopy import Model, calc_stats

df = pd.read_csv("dane.csv")
opis = """
F1 =~ item1 + item2 + item3
F2 =~ item4 + item5 + item6
F2 ~ F1
"""
model = Model(opis)
model.fit(df)
print(model.inspect(std_est=True))
print(calc_stats(model).T)

# semopy jest pakietem dodatkowym; przed raportem sprawdź wersję,
# estymator, obsługę braków i definicje prezentowanych indeksów.

IBM SPSS Statistics — Syntax

* IBM SPSS Statistics nie estymuje klasycznych modeli CFA/SEM natywną komendą syntax.
* Użyj IBM SPSS Amos (model graficzny/tekstowy Amos), R/lavaan albo Python/semopy.
* Nie zastępuj CFA komendą FACTOR: EFA i CFA odpowiadają na inne pytania.

Bibliografia oprogramowania i wykorzystanych pakietów

W przykładach użyto: R, Python, IBM SPSS Statistics, lavaan, pandas, semopy. W pracy badawczej podaj również faktycznie użyte wersje, które można odczytać poleceniami sessionInfo() w R oraz pip freeze lub importlib.metadata.version() w Pythonie. Cytuj wyłącznie narzędzia rzeczywiście użyte w końcowej analizie.

R: R Core Team. (2026). R: A language and environment for statistical computing [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
Python: Van Rossum, G., & Drake, F. L., Jr. (2009). Python 3 reference manual. CreateSpace.
IBM SPSS Statistics: IBM Corp. (2025). IBM SPSS Statistics for Macintosh (Version 31.0) [Computer software]. IBM Corp.
lavaan: Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36. https://doi.org/10.18637/jss.v048.i02
pandas: McKinney, W. (2010). Data structures for statistical computing in Python. In S. van der Walt & J. Millman (Eds.), Proceedings of the 9th Python in Science Conference (pp. 56–61). https://doi.org/10.25080/Majora-92bf1922-00a
semopy: Igolkina, A. A., & Meshcheryakov, G. (2020). semopy: A Python package for structural equation modeling. Structural Equation Modeling: A Multidisciplinary Journal, 27(6), 952–963. https://doi.org/10.1080/10705511.2019.1704289

BibTeX dla oprogramowania i pakietów

@manual{r-core-2026,
  author = {{R Core Team}},
  title = {R: A Language and Environment for Statistical Computing},
  organization = {R Foundation for Statistical Computing},
  address = {Vienna, Austria},
  year = {2026},
  url = {https://www.R-project.org/}
}

@book{vanrossum2009python,
  author = {Van Rossum, Guido and Drake, Fred L., Jr.},
  title = {Python 3 Reference Manual},
  publisher = {CreateSpace},
  year = {2009},
  isbn = {978-1-4414-1269-0}
}

@software{ibm2025spss,
  author = {{IBM Corp.}},
  title = {IBM SPSS Statistics for Macintosh},
  year = {2025},
  version = {31.0},
  publisher = {IBM Corp.}
}

@article{rosseel2012lavaan,
  author = {Rosseel, Yves},
  title = {lavaan: An R Package for Structural Equation Modeling},
  journal = {Journal of Statistical Software},
  year = {2012},
  volume = {48},
  number = {2},
  pages = {1--36},
  doi = {10.18637/jss.v048.i02}
}

@inproceedings{mckinney2010pandas,
  author = {McKinney, Wes},
  title = {Data Structures for Statistical Computing in Python},
  booktitle = {Proceedings of the 9th Python in Science Conference},
  editor = {van der Walt, Stéfan and Millman, Jarrod},
  year = {2010},
  pages = {56--61},
  doi = {10.25080/Majora-92bf1922-00a}
}

@article{igolkina2020semopy,
  author = {Igolkina, Anna A. and Meshcheryakov, Georgy},
  title = {semopy: A Python Package for Structural Equation Modeling},
  journal = {Structural Equation Modeling: A Multidisciplinary Journal},
  year = {2020},
  volume = {27},
  number = {6},
  pages = {952--963},
  doi = {10.1080/10705511.2019.1704289}
}

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Hu i Bentler, 1999).

Powiązane hasła

AIC i BIC w SEM AVE (średnia wyodrębniona wariancja)CFA (konfirmacyjna analiza czynnikowa)CFI (Comparative Fit Index)Hierarchiczna zmienna latentna (konstrukt wyższego rzędu)HTMT (heterotrait-monotrait ratio)

Poradniki, w których użyjesz tego pojęcia

Poradnik

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczy Oferta dla studentów

Bibliografia 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}}