Vai al contenuto
Metodo

Covariance-Based Structural Equation Modeling (CB-SEM)

Il SEM basato sulle covarianze (CB-SEM) testa un modello teorico completo, sia la parte di misurazione sia i percorsi tra i costrutti, riproducendo la matrice di covarianza osservata. Fornisce indici di fit globali, quindi puoi confermare o respingere una teoria. Le soglie più usate sono CFI e TLI di .95 o più, RMSEA di .06 o meno e SRMR di .08 o meno (Hu & Bentler, 1999). Soglie più larghe sono spesso considerate accettabili: CFI/TLI di .90 (Bentler & Bonett, 1980), RMSEA di .08 (Browne & Cudeck, 1993) e SRMR di .10 (Schermelleh-Engel et al., 2003). Il CB-SEM è adatto a una teoria matura con costrutti riflessivi; per la predizione o i costrutti formativi, considera il PLS-SEM.

Questa pagina è una traduzione dell'originale inglese revisionato. Vedi l'originale (EN)

cb-sem sem basato su covarianze

Che cos'è

Il covariance-based structural equation modeling (CB-SEM) testa un intero modello teorico — sia la parte di misura sia le relazioni tra i costrutti — riproducendo la matrice di covarianza osservata. Pone una sola domanda: una popolazione coerente con il mio modello produrrebbe le covarianze che osservo davvero nei dati? Il CB-SEM fornisce indici di fit globali, così puoi confermare o rifiutare una teoria. È lo strumento confermativo classico dietro programmi come AMOS e lavaan, ed è adatto a una teoria matura con costrutti riflessivi.

Quando usarlo

  • Stai testando e confermando una teoria consolidata, non esplorandola o costruendola.
  • I tuoi costrutti sono riflessivi (gli indicatori sono causati dalla variabile latente).
  • Ti servono indici di fit globali per confermare l'intera struttura in una volta.
  • Il tuo campione è ragionevolmente ampio e gli indicatori sono all'incirca normali (oppure usi uno stimatore robusto).

Quando non usarlo

  • Il tuo obiettivo è la previsione, oppure i tuoi costrutti sono formativi: considera invece il PLS-SEM. Un campione piccolo da solo non è un motivo per cambiare, perché riduce la potenza in entrambi i metodi.
  • Non hai ancora un modello ipotizzato chiaro — inizia con EFA e CFA.

Assunzioni

  • Modello di misura riflessivo con costrutti ben identificati.
  • Normalità multivariata, oppure uno stimatore robusto quando gli indicatori non hanno distribuzione normale, come MLM (χ² scalato di Satorra-Bentler con errori standard robusti) o MLR (errori standard robusti di Huber-White e χ² scalato di Yuan-Bentler). Entrambi sono disponibili in Explonia, lavaan e Mplus.
  • Ampiezza del campione adeguata rispetto al numero di parametri liberi.
  • Specificazione corretta del modello — percorsi o errori omessi distorcono il fit.
  • Relazioni lineari tra le variabili latenti.

Soglie e valori limite

CriterionRule of thumbSource
CFI≥ .95 buono, ≥ .90 accettabileBuono: Hu & Bentler (1999; https://doi.org/10.1080/10705519909540118). Accettabile: Bentler & Bonett (1980; https://doi.org/10.1037/0033-2909.88.3.588), applicato al CFI per convenzione
TLI≥ .95 buono, ≥ .90 accettabileBuono: Hu & Bentler (1999). Accettabile: Bentler & Bonett (1980)
RMSEA≤ .06 buono, ≤ .08 accettabileBuono: Hu & Bentler (1999). Accettabile: Browne & Cudeck (1993)
SRMR≤ .08 buono, ≤ .10 accettabileBuono: Hu & Bentler (1999). Accettabile: Schermelleh-Engel, Moosbrugger & Müller (2003, p. 38)
χ² (fit esatto)Riportalo con i df; un valore non significativo favorisce il fit ma è sensibile a NHu & Bentler (1999); Marsh, Hau & Wen (2004)
χ²/df≤ 2 buono, ≤ 3 accettabile solo come euristica approssimativa; il rapporto non ha basi solide, quindi preferisci CFI/RMSEA/SRMRSchermelleh-Engel et al. (2003, Table 1, p. 52); Carmines & McIver (1981, p. 80)

Come riportarlo in APA

Modello APA — copia e adatta

Il modello strutturale mostrava un fit accettabile, χ²(df) = X.XX, CFI = .9X, RMSEA = .0X, 90% CI [.0X, .0X], SRMR = .0X. Il percorso ipotizzato era significativo, β = .XX, SE = .XX, p < .001, e il modello spiegava R² = .XX della varianza nell'outcome.

Come Explonia lo esegue

Explonia stima l'intero modello CB-SEM nel browser dai dati che raccogli o carichi. Definisci il modello di misura e i percorsi strutturali, ed Explonia restituisce i path coefficient standardizzati, la loro significatività e gli indici di fit globali, con le soglie applicate. Puoi scegliere ML (predefinito), MLM con la correzione di Satorra-Bentler, MLR, GLS o ULS; MLMV viene calcolato come MLM. MLR fornisce errori standard robusti (Huber-White), il χ² scalato di Yuan-Bentler (calcolato come N·F, come in lavaan e Mplus) e CFI, TLI e RMSEA robusti (Brosseau-Liard, Savalei & Li, 2012; Brosseau-Liard & Savalei, 2014), ed è stato verificato in modo incrociato rispetto a lavaan (MLR). Tutti gli stimatori usano i casi completi (listwise deletion); la FIML non è ancora disponibile. WLS e DWLS per dati ordinali non sono ancora implementati: se li scegli, Explonia stima il modello con ML e mostra un avviso. Prepara un'“Article description” in stile APA dei risultati strutturali che puoi rivedere e modificare. Puoi esportare i dati in SPSS (.sav) o AMOS, e la sintassi del modello in R (lavaan; con MLR lo script imposta estimator = "MLR"), per riprodurre il modello. È supportata l'invarianza di misura per il CB-SEM multi-gruppo.

Results verified against R (lavaan)

Domande frequenti

CB-SEM o PLS-SEM — quale dovrei usare?

Usa il CB-SEM per confermare una teoria consolidata con costrutti riflessivi e indici di fit globali. Usa il PLS-SEM per la previsione, i costrutti formativi o i modelli molto complessi. Un campione piccolo da solo non è un motivo, perché riduce la potenza in entrambi i metodi. Vedi la nostra pagina PLS-SEM per il confronto completo.

Quali indici di fit devo riportare per il CB-SEM?

Riporta χ² con i gradi di libertà, CFI, RMSEA con il suo intervallo di confidenza al 90% e SRMR. Riportare più indici insieme è prassi standard (Hu & Bentler, 1999), ma le loro soglie sono indicazioni più che regole rigide e possono ingannare con modelli complessi (Marsh, Hau & Wen, 2004). Nota che il χ² è sensibile all'ampiezza del campione — spesso rifiuta buoni modelli in campioni grandi — quindi non affidarti solo a esso.

Il CB-SEM fornisce R² come la regressione?

Sì. Il CB-SEM riporta la varianza spiegata (R²) per ogni costrutto endogeno, insieme ai path coefficient tra le variabili latenti.

Posso confrontare gruppi nel CB-SEM?

Sì — il CB-SEM multi-gruppo con test di invarianza di misura (configurale, metrica, scalare) ti permette di confrontare le relazioni strutturali tra i gruppi. Vedi la nostra pagina sull'invarianza di misura.

Last updated: ottobre 2026

Esegui CB-SEM sui tuoi stessi dati

Raccogli o carica i tuoi dati, esegui l'analisi nel tuo browser e ottieni una bozza di paragrafo APA che puoi modificare. Inizia gratis. Nessuna carta di credito.

Inizia gratis