Słownik metodologiczny · Pomiar i skale

Współczynnik H (Hancock) – jak dobrze pozycje odtwarzają czynnik?

Współczynnik H mówi, jak rzetelny jest optymalnie ważony kompozyt pozycji, czyli jak dobrze pozycje definiują czynnik. Pokazujemy wzór, różnicę wobec omegi i ρC, przykład w R z lavaan i opis do pracy.

Strona główna / Słownik / Współczynnik H

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

W skrócie: Współczynnik H to rzetelność optymalnie ważonego kompozytu pozycji: H = 1/(1 + 1/Σ[λ²/(1 − λ²)]). Mówi, jak dobrze pozycje odtwarzają czynnik. Nigdy nie spada po dodaniu pozycji i jest co najmniej równy rzetelności najlepszej pozycji, dlatego nie zastępuje omegi dla wyniku sumarycznego.

Co to jest współczynnik H?

Współczynnik H (ang. coefficient H, maximal reliability, także construct replicability) to miara tego, jak dobrze zestaw pozycji odtwarza czynnik w modelu pomiarowym. Zaproponowali go Hancock i Mueller. Opisuje rzetelność optymalnie ważonego kompozytu, w którym pozycje o wyższych ładunkach dostają większe wagi. Tym różni się od omegi McDonalda i rzetelności kompozytowej ρC, które dotyczą zwykłej sumy lub średniej pozycji z wagami równymi 1. McNeish (2018) wymienia H obok omegi i GLB jako alternatywę dla alfy Cronbacha.

Jak go liczyć

Potrzebne są standaryzowane ładunki czynnikowe λ z CFA. Dla każdej pozycji liczy się λ²/(1 − λ²), sumuje te wartości (S), a potem H = 1/(1 + 1/S). Ze wzoru wynikają dwie własności:

  • H jest zawsze co najmniej równe rzetelności najlepszej pojedynczej pozycji (λ² największego ładunku);
  • dodanie pozycji nigdy nie obniża H, bo słaba pozycja dostaje wagę bliską zera.

Rodriguez i in. (2016) opisują rzetelność konstruktu (H) jako jeden z wskaźników jakości modelu pomiarowego w SEM, zwłaszcza w modelu bifactor.

Przykład

W danych symulowanych 400 osób odpowiedziało na sześć pozycji jednej skali. Dla pięciu pierwszych pozycji H = .849, a omega = .778. Po dodaniu szóstej, słabej pozycji (ładunek .225) H wzrosło nieznacznie do .851, a omega spadła do .751. Wynik sumaryczny traci na słabej pozycji, a ważony kompozyt – nie.

Jak opisać w pracy

Rzetelność konstruktu oszacowano współczynnikiem H na podstawie standaryzowanych ładunków jednoczynnikowej CFA (H = .851). Rzetelność wyniku sumarycznego opisano omegą McDonalda (ω = .751).

Na co uważać

  • H nie opisuje sumy pozycji. Jeśli w analizach używasz średniej odpowiedzi, podaj omegę lub ρC. H dotyczy czynnika w SEM albo wyników czynnikowych.
  • Wysokie H może ukrywać słabe pozycje. Jedna bardzo dobra pozycja wystarcza, by H było wysokie, więc zawsze pokaż też ładunki.
  • Nie ma jednego progu. Wartości H interpretuj razem z dopasowaniem modelu i trafnością.

Pełną ocenę modelu pomiarowego z rzetelnością i trafnością pokazuje wpis Trafność zbieżna i różnicowa w CB-SEM.

Przykład reprodukowalny

Współczynnik H w R

Kod dopasowuje jednoczynnikową CFA w lavaan dla pięciu i sześciu pozycji, a potem liczy H i omegę ze standaryzowanych ładunków.

H a omega po dodaniu słabej pozycji

Dane wejściowe: odpowiedzi 400 osób na sześć pozycji o prawdziwych ładunkach od .85 do .20 (dane symulowane, set.seed(3041)).

Co odczytać: kolumny H i omega w obu wierszach oraz max_l2, czyli rzetelność najlepszej pozycji.

R
suppressPackageStartupMessages(library(lavaan))
set.seed(3041)
n <- 400
lam <- c(.85, .80, .55, .50, .45, .20)                     # ładunki prawdziwe 6 pozycji
f <- rnorm(n)
dane <- as.data.frame(sapply(lam, function(l) l * f + rnorm(n, 0, sqrt(1 - l^2))))
names(dane) <- paste0("p", 1:6)
H_omega <- function(model) {
  fit <- cfa(model, data = dane, std.lv = TRUE)
  l <- standardizedSolution(fit)
  l <- l$est.std[l$op == "=~"]                             # ładunki standaryzowane
  c(H = 1 / (1 + 1 / sum(l^2 / (1 - l^2))),                # współczynnik H
    omega = sum(l)^2 / (sum(l)^2 + sum(1 - l^2)),          # omega (wynik sumaryczny)
    max_l2 = max(l^2))                                     # rzetelność najlepszej pozycji
}
round(rbind(piec_pozycji  = H_omega("F =~ p1 + p2 + p3 + p4 + p5"),
            szesc_pozycji = H_omega("F =~ p1 + p2 + p3 + p4 + p5 + p6")), 3)
Wynik w R
                  H omega max_l2
piec_pozycji  0.849 0.778  0.730
szesc_pozycji 0.851 0.751  0.736

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcja cfa() pakietu lavaan). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  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

Najczęstsze pytania

Czy współczynnik H może być wyższy niż omega?

Tak, i zwykle jest. Omega opisuje sumę pozycji z równymi wagami, a H – kompozyt, w którym lepsze pozycje mają większe wagi. Przy równych ładunkach obie wartości są takie same.

Dlaczego współczynnik H nie spada po dodaniu słabej pozycji?

Bo słaba pozycja dostaje w optymalnym kompozycie wagę bliską zera. Każda pozycja dodaje do sumy λ²/(1 − λ²) wartość nieujemną, więc H może tylko wzrosnąć.

Jak policzyć współczynnik H w lavaan?

Dopasuj CFA, pobierz standaryzowane ładunki z standardizedSolution(), policz sumę λ²/(1 − λ²) i podstaw ją do wzoru H = 1/(1 + 1/suma).

Powiązane hasła

Omega McDonaldaRzetelność kompozytowa (Composite Reliability, rho_C)Ładunek czynnikowyModel bifactorWyniki czynnikowe (factor scores)AVE (średnia wyodrębniona wariancja)

Poradniki, w których użyjesz tego pojęcia

Poradnik

Trafność zbieżna i różnicowa: AVE i HTMT

AVE i rzetelność złożona z ładunków lavaan, HTMT z bootstrapem, krytyka Fornella–Larckera i co zrobić, gdy dwa konstrukty są trudne do odróżnienia.

Czytaj →Poradnik

Model bifactor i ESEM

Od CFA do bifactor-ESEM na jednym kwestionariuszu: ładunki krzyżowe, czynnik ogólny, omega H, ECV, trafność podskal, tabela APA i kod lavaan.

Czytaj →Poradnik

Kalkulator alfy i omegi z ładunków

Omega McDonalda, alfa Cronbacha i współczynnik H z ładunków CFA oraz liczba pozycji potrzebna do zadanej rzetelności. Ze wzorami i kodem R.

Czytaj →

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. McNeish, D. (2018). Thanks coefficient alpha, we’ll take it from here. Psychological Methods, 23(3), 412–433. https://doi.org/10.1037/met0000144
  2. Rodriguez, A., Reise, S. P., & Haviland, M. G. (2016). Evaluating bifactor models: Calculating and interpreting statistical indices. Psychological Methods, 21(2), 137–150. https://doi.org/10.1037/met0000045

Cytowania BibTeX

@article{mcneish2018thanks, author={McNeish, Daniel}, title={{Thanks coefficient alpha, we’ll take it from here}}, journal={Psychological Methods}, year={2018}, volume={23}, number={3}, pages={412--433}, doi={10.1037/met0000144}}
@article{rodriguez2016evaluating, author={Rodriguez, Anthony and Reise, Steven P. and Haviland, Mark G.}, title={{Evaluating bifactor models: Calculating and interpreting statistical indices}}, journal={Psychological Methods}, year={2016}, volume={21}, number={2}, pages={137--150}, doi={10.1037/met0000045}}
R