Co to jest waga zewnętrzna?
Waga zewnętrzna (ang. outer weight) to w modelowaniu ścieżek PLS (PLS-SEM, PLS-PM) współczynnik, z jakim wskaźnik wchodzi do wyniku konstruktu. Program PLS nie szacuje zmiennej ukrytej bezpośrednio. Tworzy ją jako ważoną sumę standaryzowanych wskaźników:
Wagi w są dobrane tak, aby wynik konstruktu Ŷj miał wariancję 1. „Zewnętrzna” oznacza, że waga należy do modelu zewnętrznego, czyli pomiarowego. Model wewnętrzny to ścieżki między konstruktami. Wagi istnieją dla każdego konstruktu w PLS. Interpretuje się je jednak przede wszystkim przy konstruktach formatywnych (formatywna zmienna latentna), gdzie wskaźniki tworzą konstrukt, a nie są jego przejawami. Przy konstruktach refleksyjnych ocenia się raczej ładunki zewnętrzne.
Skąd się biorą wagi: Mode A i Mode B
Algorytm PLS ustala wagi iteracyjnie, na jeden z dwóch sposobów (szerzej: Model A i Model B w PLS-PM):
- Mode A (korelacyjny) – waga jest proporcjonalna do korelacji wskaźnika z przybliżeniem konstruktu wyznaczonym przez sąsiednie konstrukty. Wskaźniki o podobnej treści dostają podobne wagi. Stosuje się go zwykle przy konstruktach refleksyjnych.
- Mode B (regresyjny) – wagi to współczynniki regresji wielokrotnej przybliżenia konstruktu na wszystkie jego wskaźniki naraz. Każda waga mówi więc, co wskaźnik wnosi ponad pozostałe. To typowy wybór dla konstruktów formatywnych.
Z regresyjnej natury Mode B wynikają wszystkie kłopoty z interpretacją wag. Gdy wskaźniki korelują ze sobą (współliniowość), waga może być mała, nieistotna, a nawet ujemna, choć sam wskaźnik jest silnie związany z konstruktem. Cenfetelli i Bassellier (2009) proponują dlatego odróżniać wkład względny wskaźnika (waga – co dodaje ponad inne wskaźniki) od wkładu bezwzględnego (ładunek – jak silnie wiąże się z konstruktem sam). Do oceny używają m.in. współliniowości, liczby wskaźników i współwystępowania wag dodatnich i ujemnych.
Skala wag zależy od liczby wskaźników i od ich wzajemnych korelacji, bo wynik konstruktu musi mieć wariancję 1. Gdy K nieskorelowanych wskaźników jest równie ważnych, każda waga wynosi 1/√K: 0.50 przy czterech wskaźnikach, ale tylko 0.33 przy dziewięciu. Gdy wskaźniki korelują, wagi są jeszcze mniejsze. Dlatego wartości wag nie oceniaj według stałego progu. Patrz na ich znak, przedział ufności i proporcje między wskaźnikami tego samego konstruktu.
Przykład: formatywne „warunki studiowania”
Dwustu dwudziestu studentów (dane symulowane) oceniło w skali 1–7 cztery elementy warunków studiowania: wyposażenie sal (ws1), organizację zajęć (ws2), kontakt z prowadzącymi (ws3) i dostęp do materiałów online (ws4). Odpowiedzieli też na trzy pytania o satysfakcję ze studiów. Warunki studiowania to konstrukt formatywny, bo dobre wyposażenie nie jest przejawem dobrej organizacji. To cztery odrębne składniki, które razem tworzą ocenę warunków. Petter i in. (2007) pokazali, że takie konstrukty bywają błędnie określane jako refleksyjne, co zniekształca wnioski. W próbie ws4 korelował z pozostałymi ocenami na poziomie r = .43–.44. Dane wygenerowano jednak tak, że w populacji nie wnosił nic do satysfakcji ponad pozostałe trzy oceny.
| Wskaźnik | Waga [95% CI] | t | Ładunek [95% CI] | VIF |
|---|---|---|---|---|
| ws1 wyposażenie sal | 0.571 [0.337, 0.787] | 5.01 | .854 [.706, .943] | 1.42 |
| ws2 organizacja zajęć | 0.398 [0.166, 0.609] | 3.53 | .753 [.595, .864] | 1.42 |
| ws3 kontakt z prowadzącymi | 0.372 [0.130, 0.584] | 3.17 | .679 [.468, .819] | 1.30 |
| ws4 materiały online | −0.080 [−0.338, 0.200] | −0.58 | .501 [.256, .698] | 1.47 |
Wagi ws1–ws3 są dodatnie, a ich 95% przedziały bootstrapowe (5000 prób, metoda percentylowa) nie obejmują zera. Waga ws4 jest bliska zeru i nawet lekko ujemna. Rysunek 1 pokazuje, że ładunek tego samego wskaźnika wynosi .501, a jego przedział od .256 do .698 jest daleko od zera. Współliniowość nie jest duża (VIF od 1.30 do 1.47, wyraźnie poniżej zwykle przyjmowanych granic 3–5), więc nie ona tłumaczy ten wynik. Ocena materiałów online po prostu powtarza informację zawartą w pozostałych ocenach.
Co zrobić z ws4? W modelu formatywnym usunięcie wskaźnika zmienia treść konstruktu. Jeśli materiały online należą do definicji „warunków studiowania”, zostaw wskaźnik i opisz, że jego wkład względny jest pomijalny, a bezwzględny – umiarkowany. Takie rozumowanie odpowiada podejściu Cenfetellego i Bassellier (2009). Usuń go tylko wtedy, gdy teoria na to pozwala i gdy jednocześnie waga, i ładunek są słabe. Ścieżka od warunków studiowania do satysfakcji wynosi β = 0.53, a R² satysfakcji = .281.
Jak oceniać wagi zewnętrzne – lista kontrolna
- Współliniowość: policz VIF wskaźników formatywnych. Wysokie VIF zawyża błędy standardowe wag i może odwracać ich znak.
- Istotność wag: sprawdź przedziały ufności z bootstrapu. Rozkładu normalnego wag się nie zakłada.
- Waga nieistotna: sprawdź ładunek (wkład bezwzględny), zanim podejmiesz decyzję o wskaźniku.
- Waga ujemna przy dodatnim ładunku: to zwykle efekt supresji. Opisz go i nie interpretuj jako „szkodliwego” wpływu wskaźnika.
- Trafność zbieżna konstruktu formatywnego: jeśli masz globalną miarę tego samego konstruktu, zrób analizę redundancji (korelacja konstruktu formatywnego z tą miarą, podobnie jak w modelu MIMIC).
Hair i in. (2019) zestawiają te kryteria razem z pozostałymi miarami oceny modelu pomiarowego i strukturalnego w PLS-SEM. Henseler i in. (2016) zwracają uwagę, że PLS jest właściwym narzędziem, gdy model łączy kompozyty i czynniki. To pytanie o naturę konstruktu trzeba jednak rozstrzygnąć przed analizą, a nie po obejrzeniu wag (zob. modele refleksyjne i formatywne).
Jak opisać wagi zewnętrzne w pracy (APA)
Podaj tryb estymacji (Mode B), liczbę prób bootstrapu i rodzaj przedziałów, a dla każdego wskaźnika – wagę z 95% CI, ładunek i VIF. Najwygodniej zrobić to w tabeli takiej jak wyżej.
Wagi zewnętrzne w R (seminr)
Kod tworzy dane z przykładu, szacuje model PLS z konstruktem formatywnym (Mode B), wypisuje wagi, ładunki i VIF i pokazuje, że wagi Mode B to współczynniki regresji wielokrotnej. Na końcu liczy przedziały bootstrapowe. Liczby w tekście i na rysunku 1 pochodzą z tego kodu.
Wagi zewnętrzne konstruktu formatywnego z bootstrapem
R
suppressPackageStartupMessages(library(seminr)) # PLS-SEM
library(MASS) # mvrnorm()
# Dane symulowane: 220 studentów. Konstrukt formatywny „warunki studiowania” (WS) tworzą
# cztery oceny (1–7): ws1 wyposażenie sal, ws2 organizacja zajęć, ws3 kontakt z prowadzącymi,
# ws4 dostęp do materiałów online. Satysfakcję ze studiów (SAT) mierzą trzy pozycje (1–7).
set.seed(142)
R <- matrix(c(1.00, 0.40, 0.30, 0.45,
0.40, 1.00, 0.35, 0.50,
0.30, 0.35, 1.00, 0.40,
0.45, 0.50, 0.40, 1.00), 4)
X <- mvrnorm(220, rep(0, 4), R)
ws <- X %*% c(0.45, 0.35, 0.30, 0.00) # ws4 nie wnosi nic ponad pozostałe
sat <- as.numeric(scale(ws)) * 0.60 + rnorm(220, sd = 0.80)
dane <- data.frame(
ws1 = round(4.5 + 1.2 * X[, 1]), ws2 = round(4.2 + 1.3 * X[, 2]),
ws3 = round(4.8 + 1.1 * X[, 3]), ws4 = round(5.0 + 1.2 * X[, 4]),
sat1 = round(4.6 + 1.1 * (0.85 * scale(sat) + rnorm(220, sd = 0.53))),
sat2 = round(4.4 + 1.2 * (0.80 * scale(sat) + rnorm(220, sd = 0.60))),
sat3 = round(4.7 + 1.0 * (0.75 * scale(sat) + rnorm(220, sd = 0.66))))
dane[] <- lapply(dane, function(x) pmin(pmax(x, 1), 7))
round(cor(dane[, 1:4]), 2) # korelacje wskaźników formatywnych
pomiar <- constructs(
composite("WS", multi_items("ws", 1:4), weights = mode_B), # formatywny: wagi z regresji wielokrotnej
composite("SAT", multi_items("sat", 1:3), weights = mode_A)) # refleksyjny: wagi korelacyjne
struktura <- relationships(paths(from = "WS", to = "SAT"))
pls <- estimate_pls(data = dane, measurement_model = pomiar, structural_model = struktura)
s <- summary(pls)
# 1. Wagi zewnętrzne i ładunki zewnętrzne wskaźników WS
round(cbind(waga = s$weights[1:4, "WS"], ladunek = s$loadings[1:4, "WS"]), 3)
# 2. Współliniowość wskaźników formatywnych (VIF)
round(s$validity$vif_items$WS, 3)
# 3. Wagi = współczynniki regresji wielokrotnej wyniku konstruktu SAT na standaryzowane ws1–ws4 (Mode B)
z <- scale(dane[, 1:4])
b <- coef(lm(s$composite_scores[, "SAT"] ~ z))[-1]
round(b / sqrt(sum((z %*% b)^2) / (nrow(z) - 1)), 3) # po przeskalowaniu wyniku WS do wariancji 1
# 4. Bootstrap (5000 prób): przedziały ufności dla wag i ładunków
boot <- bootstrap_model(pls, nboot = 5000, seed = 142)
sb <- summary(boot, alpha = 0.05)
round(sb$bootstrapped_weights[1:4, c("Original Est.", "Bootstrap SD", "T Stat.", "2.5% CI", "97.5% CI")], 3)
round(sb$bootstrapped_loadings[1:4, c("Original Est.", "Bootstrap SD", "2.5% CI", "97.5% CI")], 3)
# 5. Ścieżka strukturalna i R²
round(s$paths, 3)Wynik w R
ws1 ws2 ws3 ws4
ws1 1.00 0.46 0.36 0.43
ws2 0.46 1.00 0.34 0.44
ws3 0.36 0.34 1.00 0.43
ws4 0.43 0.44 0.43 1.00
Generating the seminr model
All 220 observations are valid.
waga ladunek
ws1 0.571 0.854
ws2 0.398 0.753
ws3 0.372 0.679
ws4 -0.080 0.501
ws1 ws2 ws3 ws4
1.422 1.424 1.302 1.465
zws1 zws2 zws3 zws4
0.571 0.398 0.372 -0.080
Bootstrapping model using seminr...
SEMinR Model successfully bootstrapped
Original Est. Bootstrap SD T Stat. 2.5% CI 97.5% CI
ws1 -> WS 0.571 0.114 5.009 0.337 0.787
ws2 -> WS 0.398 0.113 3.531 0.166 0.609
ws3 -> WS 0.372 0.117 3.170 0.130 0.584
ws4 -> WS -0.080 0.137 -0.580 -0.338 0.200
Original Est. Bootstrap SD 2.5% CI 97.5% CI
ws1 -> WS 0.854 0.060 0.706 0.943
ws2 -> WS 0.753 0.069 0.595 0.864
ws3 -> WS 0.679 0.090 0.468 0.819
ws4 -> WS 0.501 0.113 0.256 0.698
SAT
R^2 0.281
AdjR^2 0.278
WS 0.530Bibliografia oprogramowania
Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3; rysunek przygotowano w pakiecie ggplot2. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- 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/
- seminr (wersja 2.5.0): Ray, S., Danks, N., & Calero Valdez, A. (2026). seminr: Building and estimating structural equation models [R package]. https://doi.org/10.32614/CRAN.package.seminr
- MASS (wersja 7.3.65): Venables, W. N., & Ripley, B. D. (2002). Modern applied statistics with S (4th ed.). Springer. https://www.stats.ox.ac.uk/pub/MASS4/
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
Najczęstsze błędy
- Usuwanie wskaźnika formatywnego tylko dlatego, że jego waga jest nieistotna. Zmieniasz wtedy definicję konstruktu. Najpierw sprawdź ładunek i treść wskaźnika.
- Interpretowanie wagi ujemnej jako ujemnego związku wskaźnika z konstruktem. Przy dodatnim ładunku to efekt supresji wynikający z korelacji między wskaźnikami.
- Ocenianie konstruktu formatywnego miarami spójności (alfa Cronbacha, AVE, rzetelność kompozytowa). Wskaźniki formatywne nie muszą ze sobą korelować, więc te miary nie mają tu sensu.
- Porównywanie wag między konstruktami o różnej liczbie wskaźników. Przy wielu wskaźnikach wagi z natury są mniejsze i częściej nieistotne.
- Brak informacji o trybie estymacji. Te same dane w Mode A i Mode B dają inne wagi. Podaj w pracy, który tryb zastosowano i dlaczego.
Cały proces oceny modelu pomiarowego i strukturalnego opisuje PLS-SEM krok po kroku, a decyzję, czy konstrukt jest refleksyjny, czy formatywny – model refleksyjny czy formatywny.
Najczęstsze pytania
Czym różni się waga zewnętrzna od ładunku zewnętrznego?
Waga mówi, co wskaźnik wnosi do wyniku konstruktu ponad pozostałe wskaźniki (wkład względny), a ładunek zewnętrzny – jak silnie wskaźnik koreluje z wynikiem konstruktu sam w sobie (wkład bezwzględny). Przy konstruktach formatywnych oceniasz przede wszystkim wagi, a przy refleksyjnych – ładunki.
Co zrobić, gdy waga wskaźnika formatywnego jest nieistotna?
Sprawdź ładunek tego wskaźnika i VIF. Jeśli ładunek jest wyraźny i istotny, a wskaźnik należy do definicji konstruktu, zostaw go i opisz jego pomijalny wkład względny. Usunięcie rozważ tylko wtedy, gdy teoria na to pozwala, a zarówno waga, jak i ładunek są słabe.
Dlaczego waga zewnętrzna jest ujemna?
W trybie Mode B wagi są współczynnikami regresji wielokrotnej, więc przy skorelowanych wskaźnikach może wystąpić supresja: wskaźnik dodatnio związany z konstruktem dostaje ujemną wagę. Jeśli jego ładunek jest dodatni, nie interpretuj tego jako ujemnego wpływu; sprawdź współliniowość i stabilność wagi w bootstrapie.
Jak sprawdzić istotność wag zewnętrznych?
Bootstrapem – zwykle 5000 prób – i 95% przedziałem ufności: waga jest istotna, gdy przedział nie obejmuje zera. W seminr służy do tego bootstrap_model(), a w SmartPLS procedura Bootstrapping; w pracy podaj liczbę prób i rodzaj przedziałów.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
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 →PoradnikModel refleksyjny czy formatywny? Jak poprawnie określić konstrukt
Kierunek pomiaru zmienia znaczenie modelu, diagnostykę i interpretację. Zobacz kryteria wyboru modelu refleksyjnego, formatywnego i kompozytowego.
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.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Cenfetelli, R. T., & Bassellier, G. (2009). Interpretation of formative measurement in information systems research. MIS Quarterly, 33(4), 689–708. https://doi.org/10.2307/20650323
- Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2–24. https://doi.org/10.1108/ebr-11-2018-0203 ● Otwarty dostęp: pełny tekst
- Henseler, J., Hubona, G., & Ray, P. A. (2016). Using PLS path modeling in new technology research: Updated guidelines. Industrial Management & Data Systems, 116(1), 2–20. https://doi.org/10.1108/imds-09-2015-0382 ● Otwarty dostęp
- Petter, S., Straub, D., & Rai, A. (2007). Specifying formative constructs in information systems research. MIS Quarterly, 31(4), 623–656. https://doi.org/10.2307/25148814
Cytowania BibTeX
@article{cenfetelli2009interpretation, author={Cenfetelli, Ronald T. and Bassellier, Geneviève}, title={{Interpretation of formative measurement in information systems research}}, journal={MIS Quarterly}, year={2009}, volume={33}, number={4}, pages={689--708}, doi={10.2307/20650323}}@article{hair2019when, author={Hair, Joseph F. and Risher, Jeffrey J. and Sarstedt, Marko and Ringle, Christian M.}, title={{When to use and how to report the results of PLS-SEM}}, journal={European Business Review}, year={2019}, volume={31}, number={1}, pages={2--24}, doi={10.1108/ebr-11-2018-0203}}@article{henseler2016using, author={Henseler, Jörg and Hubona, Geoffrey and Ray, Pauline Ash}, title={{Using PLS path modeling in new technology research: Updated guidelines}}, journal={Industrial Management \& Data Systems}, year={2016}, volume={116}, number={1}, pages={2--20}, doi={10.1108/imds-09-2015-0382}}@article{petter2007specifying, author={Petter, Stacie and Straub, Detmar and Rai, Arun}, title={{Specifying formative constructs in information systems research}}, journal={MIS Quarterly}, year={2007}, volume={31}, number={4}, pages={623--656}, doi={10.2307/25148814}}