HTMT Iznad 0.90: Što (Ne) Učiniti

Andrzej Szymkowiak · Posljednji pregled: srpanj 2026.

TL;DR: HTMT vrijednost na .90 ili iznad (izvan APA stila piše se 0.90) ne prolazi oba uobičajena praga — .85 (strogi) i .90 (liberalni; Henseler et al., 2015.) — pa signalizira problem s diskriminantnom valjanošću koji morate riješiti, a ne sakriti. Najprije dijagnosticirajte uzrok: česticu koja dijeli formulaciju s drugim konstruktom ili dva konstrukta koji se po definiciji preklapaju. Zatim postupite s navedenim razlogom: pokrenite test bootstrap intervala pouzdanosti, spojite konstrukte ako to podupire teorija ili uklonite jednu dijagnosticiranu česticu — te izvijestite o modelu prije i poslije. Brisanje čestica jednu po jednu dok vrijednost ne prođe jest p-hacking, i ovaj vodič to jasno kaže.

Vaša HTMT tablica stigla je i jedan par pokazuje .93. HTMT kalkulator prikazuje crvenu presudu, rok se nije pomaknuo, a očita se pojavljuje napast: izbrišite česticu, ponovno pokrenite, ponavljajte dok broj ne padne. Ovaj vodič objašnjava što vam HTMT iznad .90 zapravo govori, poštene korake koji to mogu ispraviti te jedan popularan "popravak" koji tiho šteti vašem istraživanju. Ako niste sigurni što je HTMT ili kako se uspoređuje sa starijim kriterijem, počnite s HTMT vs Fornell-Larcker i vratite se ovamo.

Što HTMT iznad .90 zapravo znači

HTMT uspoređuje koliko snažno čestice koreliraju između dvaju konstrukata s time koliko snažno koreliraju unutar vlastitog konstrukta (Henseler, Ringle, & Sarstedt, 2015.). Vrijednost blizu 1 znači da su ispitanici odgovorili na dva skupa čestica gotovo kao da je riječ o jednom skupu. Jednostavno rečeno: vaši podaci ne mogu razlikovati dva konstrukta.

To je stvaran nalaz o vašem mjerenju, a ne pogreška softvera. Ima dva uobičajena uzroka — jednu problematičnu česticu ili dva konstrukta koja se po definiciji preklapaju — i svaki zahtijeva drukčiji odgovor, zbog čega dijagnoza dolazi prije bilo kakvog popravka.

Koji HTMT prag primijeniti: .85 ili .90?

Dva praga nisu zamjenjiva i imaju različite izvore:

Važno pravilo: odaberite prag prije nego vidite rezultate i navedite zašto. Ako su vaši konstrukti konceptualno bliski — primjerice kognitivno i afektivno zadovoljstvo — prag .90 je obranjiv, a to obrazloženje trebate upisati u plan analize prije prikupljanja podataka — isti plan u kojem određujete veličinu uzorka. Prelazak s .85 na .90 nakon što se pojavi vrijednost .87 jest threshold shopping (biranje praga unatrag). Recenzenti to prepoznaju, a to slabi svaku drugu tvrdnju u vašem radu.

Ako je vaša vrijednost na .90 ili iznad, nijedan fiksni prag je neće spasiti. Trebate korake u nastavku.

Korak 1: dijagnosticirajte prije nego išta promijenite

Tri provjere, redoslijedom. Svaka traje nekoliko minuta i svaka upućuje na drukčije rješenje.

Provjerite kodiranje obrnuto formuliranih čestica. Rekodiranje obrnutih čestica prije analize osnovna je higijena mjerenja, pa to prvo isključite kao uzrok — traje minutu i ne nosi rizik. Jedna poštena napomena: većina implementacija HTMT-a, uključujući Exploniju i zadanu postavku u semTools, računa omjer iz apsolutnih korelacija, pa se sam HTMT uglavnom ne mijenja ovisno o tome je li obrnuta čestica rekodirana — ne očekujte da će samo rekodiranje pomaknuti .93. Ako vaš softver koristi predznačene korelacije, nerekodirana čestica može iskriviti vrijednost, pa rekodirajte i ponovno pokrenite analizu da biste bili sigurni.

Potražite jednu preklapajuću česticu. Pročitajte čestice oba konstrukta jednu uz drugu. Jedna čestica koja dijeli formulaciju ili značenje s drugim konstruktom — primjerice "Preporučio/la bih ovaj brend" koja se pojavljuje i u ljestvici lojalnosti i u ljestvici povjerenja — može povući cijeli par iznad praga. Ako je jedna čestica krivac, imate sadržajni razlog za postupanje s tom česticom (vidi Korak 3), što je vrlo različito od traganja za statistički najslabijom.

Provjerite preklapaju li se konstrukti po definiciji. Ako su dva konstrukta u vašoj teoriji gotovo sinonimi — stav i preferencija, zadovoljstvo i oduševljenje — promjena ili uklanjanje pojedinih čestica neće razdvojiti ono što ni ispitanici ne razdvajaju. Ova dijagnoza upućuje na spajanje, a ne na skraćivanje ljestvice.

Korak 2: pokrenite test HTMT bootstrap intervala pouzdanosti

Točkasta procjena od .91 nije isti dokaz kao točkasta procjena od .98. HTMT je procjena s pogreškom uzorkovanja, a postoji i inferencijalna verzija testa: izradite bootstrap interval pouzdanosti i provjerite uključuje li vrijednost 1 (Henseler, Ringle, & Sarstedt, 2015.). Ako interval isključuje 1 — recimo, [.86, .96] — podaci i dalje razlikuju konstrukte u inferencijalnom smislu, čak i kada točkasta procjena ne prolazi oba fiksna praga.

Dvije poštene napomene. Prvo, ovo je najliberalniji obranjivi kriterij, a stroža verzija uspoređuje gornju granicu intervala s vašim odabranim pragom umjesto s 1 (Franke & Sarstedt, 2019.) — procjena od .91 ne bi prošla tu verziju. Drugo, poput samog praga, inferencijalni kriterij treba biti naveden u vašem planu analize, a ne usvojen nakon što fiksni prag ne prođe. Kad se koristi transparentno, interval recenzentima govori točno koliko je problem loš (ili granični); kad se koristi kao spas u zadnji čas, izgleda upravo onako kako i jest.

Korak 3: obranjivi popravci za diskriminantnu valjanost

Uklanjanje čestice legitimno je samo kada vam je Korak 1 dao razlog koji postoji izvan brojki. Navedite razlog, prikažite vrijednost prije i poslije te potvrdite da skraćena ljestvica i dalje pokriva značenje konstrukta — gubitak sadržajne valjanosti radi dobitka od .02 na HTMT-u loša je razmjena. Zadržite barem tri čestice po refleksivnom konstruktu — samostalan refleksivni faktor je just-identified tek s tri čestice — pa ne možete ukloniti nijednu česticu iz ljestvice s tri čestice; uklanjanje tada nije opcija, a preostaje spajanje ili izvještavanje o preklapanju.

Spajanje zaslužuje više poštovanja nego što ga dobiva. Ako vaši podaci govore da su dva konstrukta zapravo jedan, to može biti nalaz — neki "različiti" konstrukti iz literature rutinski ne prolaze provjere diskriminantne valjanosti (Voorhees, Brady, Calantone, & Ramirez, 2016.). Spojite ih (ili modelirajte faktor višeg reda), ponovno procijenite model i to prikažite kao rezultat. Model koji pošteno odražava podatke bolji je od modela skraćenog samo da bi odgovarao teoriji.

Što ne raditi kada diskriminantna valjanost ne prođe

Ne brišite čestice dok broj ne prođe. Uklanjanje "najgore" čestice, ponovno pokretanje i ponavljanje dok HTMT ne padne ispod granice jest p-hacking primijenjen na mjerenje. Svako je brisanje odabrano zbog rezultata koji proizvodi, pa konačna "čista" tablica kapitalizira na slučajnosti i neće se replicirati. Ako ste promijenili ljestvicu, jedini pošten prikaz pokazuje izvorni model, promjenu, razlog i revidirani model. Odjeljak s rezultatima koji prikazuje skraćenu ljestvicu kao da je bila planirana pogrešno prikazuje istraživanje.

Ne prebacujte se na Fornell-Larcker samo zato što on prolazi. Kriterij Fornell-Larcker manje je osjetljiv i može promašiti upravo problem koji je HTMT otkrio (Henseler, Ringle, & Sarstedt, 2015.) — kad se dva testa ne slažu, ne možete birati onaj koji vam više odgovara. Usporedba, i zašto se danas preferira HTMT, obrađena je u HTMT vs Fornell-Larcker.

Ne zakopavajte izvorni rezultat. Brisanje neuspjelog pokretanja iz rada — ili iz vlastitog sjećanja — pretvara nalaz o mjerenju u problem izvještavanja. Transparentno izvještavanje prije/poslije nije neobavezna pristojnost; to je ono što čini revidirani model vjerodostojnim.

Riješeni primjer

Istraživanje mjeri povjerenje (5 čestica) i lojalnost (4 čestice). HTMT za par Povjerenje–Lojalnost iznosi .93 u odnosu na prije registriran prag od .85.

1. Dijagnoza. Sve su čestice ispravno kodirane. Čitanje ljestvica jedne uz drugu pokazuje da čestica lojalnosti L4, "Preporučio/la bih ovu trgovinu drugima," po značenju vrlo blisko odgovara čestici povjerenja T5, "Mogu se osloniti na preporuke ove trgovine." Sami konstrukti teorijski su različiti.
2. Test. Bootstrap 95%-tni interval za par iznosi [.87, .98] — isključuje 1, pa je neuspjeh stvaran, ali ne i potpun.
3. Popravak. L4 se uklanja zbog navedenog sadržajnog razloga — i valja primijetiti da se revizija provodi iako interval isključuje 1: preklapanje u formulaciji sadržajni je problem, ne samo statistički. Preostale tri čestice lojalnosti i dalje pokrivaju konstrukt (namjeru ponovne kupnje, preferenciju, otpornost na promjenu pružatelja usluge). Ponovno procijenjeni HTMT iznosi .81.
4. Prikaz u radu:

Diskriminantna valjanost procijenjena je HTMT omjerom u odnosu na prije registriran prag od .85 (Henseler et al., 2015.). Početna vrijednost za par Povjerenje–Lojalnost iznosila je .93, a njezin bootstrap 95%-tni interval pouzdanosti [.87, .98] isključivao je 1. Provjera čestica pokazala je da se čestica lojalnosti L4 sadržajno preklapa s česticom povjerenja T5. L4 je uklonjena na temelju sadržajnog razloga; revidirana ljestvica lojalnosti zadržala je tri čestice koje pokrivaju namjeru ponovne kupnje, preferenciju i otpornost na promjenu pružatelja usluge. Sve HTMT vrijednosti u revidiranom modelu bile su ispod .85 (maksimum = .81). Oba mjerna modela prikazana su u Prilogu A.

Četiri rečenice poštenja zahtijevaju malo truda — a odgovaraju na pitanje recenzenta prije nego što je i postavljeno.

Česte pogreške koje treba izbjegavati

• Odabir praga .85 ili .90 nakon što vidite koji od njih vaše vrijednosti prolaze.
• Ponovljeno brisanje čestica dok HTMT ne prođe, uz izvještavanje samo o konačnoj ljestvici.
• Zamjena HTMT-a Fornell-Larckerom samo zato što Fornell-Larcker "prolazi" — riječ je o manje osjetljivom testu.
• Preskakanje osnovnih provjera podataka (kodiranje čestica, očito preklapanje formulacija) i izravan prelazak na promjene modela.
• Uklanjanje čestice iz ljestvice s tri čestice — zadržite barem tri čestice po refleksivnom konstruktu (samostalan faktor s manje čestica nije čak ni just-identified).
• Tretiranje spajanja kao neuspjeha; kolaps dvaju konstrukata u jedan može biti nalaz vrijedan objave.

Često postavljana pitanja

References

Clark, L. A., & Watson, D. (1995). Constructing validity: Basic issues in objective scale development. Psychological Assessment, 7(3), 309–319. https://doi.org/10.1037/1040-3590.7.3.309

Franke, G., & Sarstedt, M. (2019). Heuristics versus statistics in discriminant validity testing: A comparison of four procedures. Internet Research, 29(3), 430–447. https://doi.org/10.1108/IntR-12-2017-0515

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

Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.

Voorhees, C. M., Brady, M. K., Calantone, R., & Ramirez, E. (2016). Discriminant validity testing in marketing: An analysis, causes for concern, and proposed remedies. Journal of the Academy of Marketing Science, 44(1), 119–134. https://doi.org/10.1007/s11747-015-0455-4

Kako Explonia to radi za vas

Explonia računa HTMT iz vašeg CFA ili PLS-SEM modela — s bootstrap intervalima pouzdanosti u PLS-SEM-u — i označava svaki par iznad praga koji postavite (.85 ili .90). Kada rekodirate česticu, uklonite je ili spojite konstrukte, ponovno pokrenete model i vidite vrijednosti prije/poslije jedne uz druge — transparentno izvještavanje koje ovaj vodič traži jednostavno je ono što platforma prikazuje. Značajka "Article description" piše nacrt rečenica u APA stilu s vašim stvarnim rezultatima; vi ostajete autor i uređujete svaku riječ. Tablice se izvoze u Word, R, SPSS/.sav i LaTeX. Za brzu ručnu provjeru nekoliko vrijednosti, besplatni HTMT kalkulator ne zahtijeva račun, a naša stranica o HTMT metodi pokriva formulu i pojedinosti izvještavanja.

Spremni pošteno popraviti diskriminantnu valjanost? Pokrenite HTMT u Exploniji i usporedite model prije i poslije promjene. Započnite besplatno →