Słownik metodologiczny · Psychometria

Trafność różnicowa – co to jest i jak sprawdzić, czy dwa konstrukty da się odróżnić?

Trafność różnicowa pokazuje, że skala mierzy coś innego niż miary pokrewnych konstruktów. Porównujemy przedziały ufności korelacji czynników, kryterium Fornella–Larckera, HTMT i test χ² na przykładzie wypalenia i depresji – z liczbami i kodem w R.

Strona główna / Słownik / Trafność różnicowa
W skrócie: Trafność różnicowa to dowód, że miara jednego konstruktu jest empirycznie odróżnialna od miar innych konstruktów – ich korelacja po uwzględnieniu błędu pomiaru jest wyraźnie niższa od 1. Sprawdzaj ją przedziałem ufności korelacji czynników w CFA albo HTMT. Nie opieraj się na samym teście χ² przeciw korelacji równej 1: w przykładzie odrzucił ją przy korelacji .88.

Co to jest trafność różnicowa?

Trafność różnicowa (ang. discriminant validity, czasem tłumaczona jako trafność dyskryminacyjna) to dowód, że miara jednego konstruktu jest empirycznie odróżnialna od miar innych konstruktów. Jeśli nowa skala wypalenia akademickiego koreluje z miarą depresji prawie tak silnie jak z inną skalą wypalenia, to nie wiadomo, czy mierzy wypalenie, czy po prostu ogólne złe samopoczucie.

Rönkkö i Cho (2022) proponują ogólną definicję: dwie miary mają trafność różnicową, gdy ich korelacja – po uwzględnieniu błędu pomiaru – jest wyraźnie niższa od 1. To ważne doprecyzowanie, bo surowe korelacje sum punktów są zaniżane przez nierzetelność i mogą ukryć problem. Trafność różnicowa jest jednym ze źródeł dowodów trafności testu i stanowi parę z trafnością zbieżną: pierwsza pyta, czy miara się odróżnia, druga – czy się zgadza z miarami tego samego konstruktu.

Uwaga na nazewnictwo. W części polskich podręczników „trafnością różnicową” nazywa się też co innego: zdolność testu do odróżniania grup, o których wiadomo, że różnią się cechą (np. osoby z diagnozą i bez niej). Na tej stronie chodzi o znaczenie przyjęte w modelowaniu równań strukturalnych i w literaturze anglojęzycznej.

Skąd się wzięła i dlaczego jest tak ważna

Pojęcie wprowadzili Campbell i Fiske (1959) razem z macierzą wielu cech i wielu metod (MTMM). W tej logice miara powinna korelować silniej z innymi miarami tej samej cechy niż z miarami innych cech, nawet gdy te mierzy się tą samą metodą. Kiedy różnicowanie zawodzi, pojawiają się trzy problemy:

  • Zbędne konstrukty – badacz opisuje „nowe” zjawisko, które jest starym pod inną nazwą.
  • Błędne wnioski o związkach – w modelu ścieżkowym dwa prawie identyczne predyktory dają niestabilne, a nawet przeciwne co do znaku współczynniki (zob. współliniowość).
  • Sztucznie silne efekty – „związek” wypalenia z depresją w wysokości .88 może opisywać nakładanie się treści pozycji, a nie zależność między zjawiskami.

Jak sprawdza się trafność różnicową

Metody oceny trafności różnicowej
MetodaNa czym polegaUwagi
Przedział ufności korelacji czynnikówW CFA sprawdzasz, czy górna granica 95% CI korelacji dwóch czynników leży wyraźnie poniżej 1; próg ustalasz z góry, często .85 lub .90Podejście zalecane przez Rönkkö i Cho (2022); opiera się na korelacji oczyszczonej z błędu
Kryterium Fornella–LarckeraAVE każdego czynnika powinna być większa niż kwadrat jego korelacji z innym czynnikiemKlasyczne kryterium z pracy Fornella i Larckera (1981); w symulacjach często nie wykrywa problemu
HTMTStosunek średniej korelacji pozycji różnych konstruktów do średniej korelacji pozycji tego samego konstruktuHenseler i in. (2015) pokazali, że w PLS-SEM radzi sobie lepiej niż Fornell–Larcker; najczęściej stosowane progi to .85 lub .90
Test różnicy χ² (korelacja = 1)Porównujesz model swobodny z modelem, w którym korelację czynników ustalono na 1Odrzucenie r = 1 to bardzo słaby dowód: wystarczy, że korelacja wynosi .95
Ładunki krzyżoweKażda pozycja ładuje swój czynnik silniej niż inneMało czułe – według Henselera i in. (2015) zawodzi w typowych sytuacjach

Którą metodę wybrać? W CB-SEM najprostsza i najlepiej uzasadniona jest ocena przedziału ufności korelacji czynników, bo korzysta z oszacowań oczyszczonych z błędu pomiaru i od razu pokazuje niepewność. W PLS-SEM, gdzie nie ma korelacji czynników w tym sensie, standardem stało się HTMT. Kryterium Fornella–Larckera i ładunki krzyżowe podawaj najwyżej jako uzupełnienie, gdy wymaga tego czasopismo albo promotor. Niezależnie od metody próg ustal przed analizą i stosuj go do wszystkich par konstruktów.

Przykład: wypalenie, depresja i zaangażowanie

W badaniu 320 osób studiujących (dane symulowane) zastosowano trzy skale po cztery pozycje: wypalenie akademickie (WYP), objawy depresji (DEP) i zaangażowanie w naukę (ZAA). Trzyczynnikowy model CFA był dobrze dopasowany: χ²(51) = 60.25, CFI = .993, TLI = .991, RMSEA = .024, SRMR = .030. Dobre dopasowanie nie rozstrzyga jednak, czy czynniki są odróżnialne. To trzeba sprawdzić osobno:

Wskaźniki trafności różnicowej dla trzech par czynników
Para czynnikówr [95% CI]r²Mniejsza AVE w parzeHTMT
Wypalenie – depresja.88 [.82, .94].78.44 (DEP).88
Wypalenie – zaangażowanie−.50 [−.61, −.39].25.51 (ZAA).51
Depresja – zaangażowanie−.40 [−.52, −.27].16.44 (DEP).37

Pary z zaangażowaniem nie budzą wątpliwości. Para wypalenie–depresja zawodzi według każdego z trzech kryteriów: przedział korelacji sięga .94, kwadrat korelacji (.78) przekracza AVE obu czynników (.53 i .44), a HTMT wynosi .88. Mimo to test różnicy χ² odrzuca hipotezę, że korelacja wynosi 1: Δχ²(1) = 19.21, p < .001. Kto oparłby się tylko na tym teście, ogłosiłby trafność różnicową dwóch konstruktów, które dzielą prawie 80% wariancji. Szczegóły testu opisuje hasło test różnicy chi-kwadrat w SEM.

Wykres przedziałów ufności korelacji trzech par czynników: wypalenie i depresja .88 z przedziałem od .82 do .94 w czerwonej strefie powyżej .85, wypalenie i zaangażowanie .50, depresja i zaangażowanie .40; czerwone trójkąty pokazują HTMT .88, .51 i .37
Rysunek 1. Korelacje czynników z CFA (wartości bezwzględne, niebieskie punkty z 95% CI) i HTMT (czerwone trójkąty). Przerywane linie to progi .85 i .90, czerwone pole – strefa, w której konstrukty trudno odróżnić. Obliczenia: R (dane symulowane).

Co zrobić, gdy trafności różnicowej brakuje

  1. Wróć do treści pozycji. Sprawdź, czy w obu skalach nie ma niemal identycznych twierdzeń (np. „czuję się wyczerpany” i „nie mam energii”). Czasem wystarczy przeformułować lub usunąć kilka pozycji.
  2. Rozważ wspólne źródło wariancji. Gdy wszystkie skale pochodzą z jednego kwestionariusza samoopisowego, korelacje zawyża wspólna wariancja metody.
  3. Porównaj modele. Oszacuj model, w którym dwa czynniki połączono w jeden, albo model z czynnikiem wyższego rzędu. Decyzję uzasadnij teorią, nie samym dopasowaniem.
  4. Opisz problem otwarcie. W pracy dyplomowej lepiej napisać, że dwie skale mierzą w dużej mierze to samo, niż interpretować ich „związek” jako odkrycie.

Jak opisać trafność różnicową w pracy (APA)

Podaj korelacje czynników z 95% CI, a jeśli recenzenci tego oczekują (zwłaszcza przy PLS-SEM), także HTMT i porównanie AVE z kwadratami korelacji. Napisz, jakie progi przyjąłeś, i oceń każdą parę konstruktów osobno.

Trafność różnicową oceniono na podstawie 95% przedziałów ufności korelacji czynników w modelu CFA oraz wskaźnika HTMT. Zaangażowanie w naukę było wyraźnie odróżnialne od wypalenia, r = −.50, 95% CI [−.61, −.39], HTMT = .51, i od objawów depresji, r = −.40, 95% CI [−.52, −.27], HTMT = .37. Korelacja wypalenia z objawami depresji była natomiast bardzo wysoka, r = .88, 95% CI [.82, .94], HTMT = .88, a jej kwadrat przekraczał AVE obu czynników (.53 i .44). Wyniki wskazują na niewystarczającą trafność różnicową skal wypalenia i depresji w badanej próbie.

Gdzie umieścić te liczby w rozdziale wyników modelu pomiarowego, pokazują przewodniki CB-SEM krok po kroku i PLS-SEM krok po kroku.

Przykład reprodukowalny

Przykład w R

Kod szacuje trzyczynnikowy model CFA w pakiecie lavaan, a następnie ocenia trafność różnicową czterema sposobami: przedziałami ufności korelacji czynników, kryterium Fornella–Larckera, HTMT i testem różnicy χ². Liczby w tekście pochodzą z tego kodu.

Korelacje czynników, AVE, HTMT i test r = 1

Dane wejściowe: 12 pozycji 1–5 (trzy skale po cztery pozycje), 320 osób (dane symulowane, set.seed(161)).

Co odczytać: dopasowanie modelu, korelacje czynników z 95% CI (est.std, ci.lower, ci.upper), AVE i kwadraty korelacji, macierz HTMT oraz wynik porównania modeli (Chisq diff, Pr(>Chisq)).

R
# R161 – trafność różnicowa: wypalenie akademickie, objawy depresji i zaangażowanie (dane symulowane)
suppressPackageStartupMessages({library(lavaan); library(semTools); library(MASS)})
set.seed(161)
N <- 320
Phi <- matrix(c(1, .88, -.50,
                .88, 1, -.40,
                -.50, -.40, 1), 3)
F <- mvrnorm(N, rep(0, 3), Phi)
lad <- list(c(.78, .74, .70, .72), c(.76, .70, .73, .68), c(.75, .80, .71, .69))
X <- do.call(cbind, lapply(1:3, function(f) sapply(lad[[f]], function(l)
  findInterval(l * F[, f] + rnorm(N, 0, sqrt(1 - l^2)), c(-1.6, -0.6, 0.4, 1.4)) + 1)))
colnames(X) <- c(paste0("wyp", 1:4), paste0("dep", 1:4), paste0("zaa", 1:4))
dane <- as.data.frame(X)
model <- "WYP =~ wyp1 + wyp2 + wyp3 + wyp4
          DEP =~ dep1 + dep2 + dep3 + dep4
          ZAA =~ zaa1 + zaa2 + zaa3 + zaa4"
m <- cfa(model, data = dane, std.lv = TRUE)
round(fitMeasures(m, c("chisq", "df", "cfi", "tli", "rmsea", "srmr")), 3)

# 1. Korelacje czynników z 95% CI
ss <- standardizedSolution(m)
kor <- subset(ss, op == "~~" & lhs != rhs)[, c("lhs", "rhs", "est.std", "ci.lower", "ci.upper")]
kor[, 3:5] <- round(kor[, 3:5], 3); kor

# 2. Fornell–Larcker: AVE a kwadrat korelacji
lam <- subset(ss, op == "=~")
ave <- tapply(lam$est.std^2, lam$lhs, mean)
round(ave, 3)
round(kor$est.std^2, 3)

# 3. HTMT (na korelacjach pozycji)
round(htmt(model, data = dane), 3)

# 4. Test różnicy chi-kwadrat: korelacja WYP–DEP ustalona na 1
m1 <- suppressWarnings(cfa(paste(model, "\n WYP ~~ 1*DEP"), data = dane, std.lv = TRUE))   # model z r = 1 jest z definicji „na granicy”
anova(m1, m)
Wynik w R
 chisq     df    cfi    tli  rmsea   srmr 
60.246 51.000  0.993  0.991  0.024  0.030 
   lhs rhs est.std ci.lower ci.upper
28 WYP DEP   0.882    0.821    0.943
29 WYP ZAA  -0.499   -0.606   -0.392
30 DEP ZAA  -0.397   -0.520   -0.274
  DEP   WYP   ZAA 
0.438 0.529 0.507 
[1] 0.778 0.249 0.158
      WYP   DEP   ZAA
WYP 1.000            
DEP 0.884 1.000      
ZAA 0.508 0.368 1.000

Chi-Squared Difference Test

   Df    AIC    BIC  Chisq Chisq diff   RMSEA Df diff Pr(>Chisq)    
m  51 9531.8 9633.5 60.246                                          
m1 52 9549.0 9647.0 79.457     19.211 0.23856       1   1.17e-05 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3; model CFA oszacowano w pakiecie lavaan (estymator ML), HTMT policzono funkcją htmt() z pakietu semTools, dane wygenerowano funkcją mvrnorm() z pakietu MASS, a rysunek przygotowano w ggplot2.

  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. (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
  3. semTools (wersja 0.5-8): Jorgensen, T. D., Pornprasertmanit, S., Schoemann, A. M., & Rosseel, Y. (2026). semTools: Useful tools for structural equation modeling (Version 0.5-8) [R package]. https://doi.org/10.32614/CRAN.package.semTools
  4. MASS (wersja 7.3-65): Venables, W. N., & Ripley, B. D. (2002). Modern applied statistics with S (4th ed.). Springer. https://doi.org/10.1007/978-0-387-21706-2
  5. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Najczęstsze błędy

  • Test χ² przeciw korelacji równej 1 jako jedyny dowód. W przykładzie dał „istotny” wynik przy korelacji .88. Przy dużej próbie odrzuci r = 1 nawet przy .95.
  • Surowe korelacje sum punktów zamiast korelacji czynników. Nierzetelność zaniża korelacje sum, więc problem może się ukryć. Rönkkö i Cho (2022) definiują trafność różnicową właśnie przez korelację po uwzględnieniu błędu pomiaru.
  • Raportowanie samego kryterium Fornella–Larckera. Jest mało czułe, więc jego spełnienie nie wystarcza. Uzupełnij je przedziałami ufności korelacji lub HTMT.
  • Sprawdzanie tylko par z „głównym” konstruktem. Oceń wszystkie pary w modelu, także dwie zmienne zależne.
  • Mylenie dobrego dopasowania modelu z trafnością różnicową. Model z dwoma prawie identycznymi czynnikami może być świetnie dopasowany, tak jak w przykładzie (CFI = .993).
  • Odwrócone pozycje w HTMT. HTMT liczy się na wartościach bezwzględnych korelacji, a pozycje odwrócone trzeba wcześniej przekodować.

Najczęstsze pytania

Jak sprawdzić trafność różnicową w CFA?

Oszacuj model z wszystkimi czynnikami i odczytaj korelacje czynników z 95% przedziałami ufności. Jeśli górna granica przedziału dla danej pary leży poniżej przyjętego z góry progu (często .85 lub .90), konstrukty są odróżnialne. Wynik możesz uzupełnić HTMT i porównaniem AVE z kwadratami korelacji.

Na czym polega kryterium Fornella–Larckera?

Kryterium wymaga, by średnia wyodrębniona wariancja (AVE) każdego czynnika była większa niż kwadrat jego korelacji z każdym innym czynnikiem. Na przykład przy korelacji .88 kwadrat wynosi .78, więc oba czynniki musiałyby mieć AVE powyżej .78. Kryterium bywa mało czułe, dlatego warto je uzupełnić HTMT lub przedziałami ufności korelacji.

Jaka wartość HTMT oznacza brak trafności różnicowej?

Najczęściej przyjmuje się progi .85 (ostrzejszy) lub .90 (łagodniejszy). HTMT powyżej progu sygnalizuje, że pozycje dwóch skal korelują ze sobą niemal tak samo jak pozycje jednej skali. W przykładzie wypalenia i depresji HTMT wyniosło .88, czyli przekroczyło próg .85.

Czym różni się trafność różnicowa od zbieżnej?

Trafność zbieżna pokazuje, że miara zgadza się z innymi miarami tego samego konstruktu, a trafność różnicowa – że da się ją odróżnić od miar innych konstruktów. Obie wywodzą się z macierzy wielu cech i wielu metod (MTMM) Campbella i Fiske’a i zwykle sprawdza się je razem.

Co zrobić, gdy dwie skale nie mają trafności różnicowej?

Sprawdź treść pozycji (czy nie powtarzają się niemal identyczne twierdzenia), rozważ wpływ wspólnej metody pomiaru i porównaj model z połączonymi czynnikami. Decyzję uzasadnij teorią. W pracy opisz problem otwarcie i nie interpretuj bardzo wysokiej korelacji jako związku między różnymi zjawiskami.

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. Campbell, D. T., & Fiske, D. W. (1959). Convergent and discriminant validation by the multitrait-multimethod matrix. Psychological Bulletin, 56(2), 81–105. https://doi.org/10.1037/h0046016 ● Otwarty dostęp: pełny tekst
  2. Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.1177/002224378101800104
  3. 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(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8 ● Otwarty dostęp
  4. 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 ● Otwarty dostęp

Cytowania BibTeX

@article{campbell1959convergent, author={Campbell, Donald T. and Fiske, Donald W.}, title={{Convergent and discriminant validation by the multitrait-multimethod matrix}}, journal={Psychological Bulletin}, year={1959}, volume={56}, number={2}, pages={81--105}, doi={10.1037/h0046016}}
@article{fornell1981evaluating, author={Fornell, Claes and Larcker, David F.}, title={{Evaluating structural equation models with unobservable variables and measurement error}}, journal={Journal of Marketing Research}, year={1981}, volume={18}, number={1}, pages={39--50}, doi={10.1177/002224378101800104}}
@article{henseler2015new, 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}, number={1}, pages={115--135}, doi={10.1007/s11747-014-0403-8}}
@article{ronkko2022updated, 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}}
R