Covariance-Based Structural Equation Modeling (CB-SEM)
Covariance-based SEM (CB-SEM) testuje celý teoretický model, měřicí část i cesty mezi konstrukty, tím, že reprodukuje pozorovanou kovarianční matici. Poskytuje globální indexy dopasování, takže teorii můžete potvrdit nebo zamítnout. Běžně používané prahy jsou CFI a TLI .95 a více, RMSEA .06 a méně a SRMR .08 a méně (Hu & Bentler, 1999), přičemž CFI/TLI .90 a RMSEA .08 se často považují za přijatelné. CB-SEM se hodí pro zralou teorii s reflektivními konstrukty; pro predikci nebo formativní konstrukty zvažte PLS-SEM.
Tato stránka je překladem recenzovaného anglického originálu. Zobrazit originál (EN)
cb-sem covariance based semCo to je
SEM založené na kovariancích (CB-SEM) testuje celý teoretický model — měřicí část i vztahy mezi konstrukty — tím, že reprodukuje pozorovanou kovarianční matici. Klade jedinou otázku: vytvořila by populace, která odpovídá mému modelu, kovariance, jaké skutečně vidím ve svých datech? CB-SEM vám dává globální indexy dopasování, takže můžete teorii potvrdit nebo zamítnout. Je to klasický konfirmační nástroj za programy jako AMOS a lavaan a hodí se pro zralou teorii s reflektivními konstrukty.
Kdy ho použít
- Testujete a potvrzujete zavedenou teorii, nikoli ji zkoumáte nebo budujete.
- Vaše konstrukty jsou reflektivní (indikátory jsou způsobeny latentní proměnnou).
- Potřebujete globální indexy dopasování, abyste potvrdili celou strukturu najednou.
- Váš vzorek je rozumně velký a indikátory jsou přibližně normální (nebo použijete robustní estimátor).
Kdy ho nepoužít
- Vaším cílem je predikce, nebo máte formativní konstrukty a malý vzorek — zvažte raději PLS-SEM.
- Zatím nemáte jasný hypotetický model — začněte s EFA a CFA.
Předpoklady
- Reflektivní měřicí model s dobře identifikovanými konstrukty.
- Vícerozměrná normalita, nebo robustní estimátor (MLR), když indikátory nemají normální rozdělení.
- Vhodná velikost vzorku vzhledem k počtu volných parametrů.
- Správná specifikace modelu — vynechané cesty nebo chyby zkreslují dopasování.
- Lineární vztahy mezi latentními proměnnými.
Prahy a mezní hodnoty
| Criterion | Rule of thumb | Source |
|---|---|---|
| CFI | ≥ .95 dobré, ≥ .90 přijatelné | Hu & Bentler (1999; https://doi.org/10.1080/10705519909540118) |
| TLI | ≥ .95 dobré, ≥ .90 přijatelné | Hu & Bentler (1999) |
| RMSEA | ≤ .06 dobré, ≤ .08 přijatelné | Hu & Bentler (1999); Browne & Cudeck (1993) |
| SRMR | ≤ .08 | Hu & Bentler (1999) |
| χ² (přesné dopasování) | Reportujte s df; nevýznamné svědčí pro dopasování, ale je citlivé na N | Kline (2016) |
| χ²/df | < 3 se někdy uvádí jako hrubé vodítko, ale poměr nemá pevný základ — preferujte CFI/RMSEA/SRMR | Kline (2016) |
Jak to reportovat v APA
Strukturní model vykázal přijatelné dopasování, χ²(df) = X.XX, CFI = .9X, RMSEA = .0X, 90% CI [.0X, .0X], SRMR = .0X. Hypotetická cesta byla významná, β = .XX, SE = .XX, p < .001, a model vysvětlil R² = .XX rozptylu výsledné proměnné.
Jak to počítá Explonia
Explonia odhaduje celý model CB-SEM v prohlížeči z dat, která nasbíráte nebo nahrajete. Definujete měřicí model a strukturní cesty a Explonia vrátí standardizované path koeficienty, jejich významnost a globální indexy dopasování s aplikovanými prahy. Připraví „Article description” ve stylu APA se strukturními výsledky, který si prohlédnete a upravíte. Můžete exportovat do AMOSu, R nebo SPSS (.sav) a model zreprodukovat. Měřicí invariance pro vícegrupové CB-SEM je podporována.
Často kladené otázky
CB-SEM, nebo PLS-SEM — které mám použít?
Použijte CB-SEM k potvrzení zavedené teorie s reflektivními konstrukty a globálními indexy dopasování. Použijte PLS-SEM pro predikci, formativní konstrukty, složité modely nebo menší vzorky. Úplné srovnání najdete na naší stránce PLS-SEM.
Které indexy dopasování mám reportovat pro CB-SEM?
Reportujte χ² se stupni volnosti, CFI, RMSEA s jeho 90% intervalem spolehlivosti a SRMR. Reportovat několik indexů společně je standard (Hu & Bentler, 1999), ale jejich prahy jsou spíše vodítka než přísná pravidla a mohou mást u složitých modelů (Marsh, Hau & Wen, 2004). Pamatujte, že χ² je citlivé na velikost vzorku — u velkých vzorků často zamítá dobré modely — takže se na něj nespoléhejte samostatně.
Dává CB-SEM R² jako regrese?
Ano. CB-SEM reportuje vysvětlený rozptyl (R²) pro každý endogenní konstrukt, vedle path koeficientů mezi latentními proměnnými.
Mohu v CB-SEM porovnávat skupiny?
Ano — vícegrupové CB-SEM s testováním měřicí invariance (konfigurální, metrická, skalární) umožňuje porovnávat strukturní vztahy mezi skupinami. Podívejte se na naši stránku o měřicí invarianci.
Last updated: září 2026
Spusťte CB-SEM na vlastních datech
Sesbírejte nebo nahrajte svá data, spusťte analýzu v prohlížeči a získejte návrh odstavce APA, který můžete upravit. Začněte zdarma. Bez karty.
Začít zdarma