HTMT powyżej 0.90: co zrobić (i czego unikać)

Andrzej Szymkowiak · Ostatnia aktualizacja: lipiec 2026

TL;DR: Wartość HTMT na poziomie .90 lub wyższym (zapis 0.90 poza stylem APA) nie przechodzi obu popularnych progów — .85 (surowy) i .90 (liberalny; Henseler et al., 2015) — więc sygnalizuje problem z trafnością różnicową (discriminant validity), który trzeba rozwiązać, a nie ukryć. Najpierw zdiagnozuj przyczynę: pozycję (item), która dzieli sformułowanie z drugim konstruktem, albo dwa konstrukty pokrywające się definicyjnie. Potem działaj z podanym powodem: przeprowadź test bootstrapowego przedziału ufności, połącz konstrukty, jeśli teoria to uzasadnia, albo usuń jedną zdiagnozowaną pozycję — i zaraportuj model przed i po. Usuwanie pozycji jedna po drugiej, aż wartość przejdzie próg, to p-hacking, i ten przewodnik mówi to wprost.

Twoja tabela HTMT wróciła i jedna para wskazuje .93. Kalkulator HTMT pokazuje czerwony werdykt, deadline się nie przesunął, a oczywista pokusa się pojawia: usuń pozycję, przelicz ponownie, powtarzaj, aż liczba spadnie. Ten przewodnik wyjaśnia, co naprawdę mówi ci HTMT powyżej .90, jakie uczciwe kroki mogą to naprawić i jaki jeden popularny „fix" po cichu psuje twoje badanie. Jeśli nie masz pewności, czym jest HTMT albo jak wypada na tle starszego kryterium, zacznij od HTMT vs Fornell-Larcker i wróć tutaj.

Co naprawdę oznacza HTMT powyżej .90

HTMT porównuje, jak silnie korelują ze sobą pozycje między dwoma konstruktami, z tym, jak silnie korelują wewnątrz własnego konstruktu (Henseler, Ringle, & Sarstedt, 2015). Wartość bliska 1 oznacza, że respondenci odpowiadali na oba zestawy pozycji niemal tak, jakby to był jeden zestaw. Mówiąc wprost: twoje dane nie potrafią odróżnić obu konstruktów.

To jest realne odkrycie dotyczące twojego pomiaru, nie błąd oprogramowania. Ma dwie typowe przyczyny — jedną problematyczną pozycję albo dwa konstrukty pokrywające się definicyjnie — i każda wymaga innej reakcji, dlatego diagnoza zawsze poprzedza jakąkolwiek poprawkę.

Który próg HTMT zastosować: .85 czy .90?

Te dwa progi nie są wymienne i mają różne źródła:

Ważna zasada: wybierz próg, zanim zobaczysz wyniki, i uzasadnij dlaczego. Jeśli twoje konstrukty są konceptualnie bliskie — na przykład satysfakcja poznawcza i afektywna — próg .90 jest obronny, a to uzasadnienie powinno się znaleźć w twoim planie analizy przed zbieraniem danych — tym samym planie, w którym ustalasz wielkość próby. Przełączenie z .85 na .90 po pojawieniu się wartości .87 to threshold shopping (dobieranie progu pod wynik). Recenzenci to rozpoznają i osłabia to każde inne twierdzenie w twojej pracy.

Jeśli twoja wartość wynosi .90 lub więcej, żaden stały próg jej nie uratuje. Potrzebujesz kroków poniżej.

Krok 1: zdiagnozuj, zanim cokolwiek zmienisz

Trzy sprawdziany, w kolejności. Każdy zajmuje kilka minut i każdy wskazuje na inne rozwiązanie.

Sprawdź kodowanie pozycji odwróconych (reverse-worded). Przekodowanie pozycji odwróconych przed analizą to podstawowa higiena pomiaru, więc wyklucz to najpierw — zajmuje minutę i nie niesie ryzyka. Jedno uczciwe zastrzeżenie: większość implementacji HTMT, w tym Explonia i domyślne ustawienie semTools, liczy ten stosunek z korelacji bezwzględnych (absolute), więc samo HTMT w dużej mierze nie zmienia się w zależności od tego, czy pozycję odwróconą przekodowano — nie oczekuj, że samo przekodowanie ruszy .93. Jeśli twoje oprogramowanie używa korelacji ze znakiem, nieprzekodowana pozycja może zniekształcić wartość, więc przekoduj i przelicz ponownie dla pewności.

Poszukaj jednej nakładającej się pozycji. Przeczytaj pozycje obu konstruktów obok siebie. Jedna pozycja, która dzieli sformułowanie lub znaczenie z drugim konstruktem — „Poleciłbym tę markę" pojawiające się zarówno w skali lojalności, jak i skali zaufania — może pociągnąć całą parę powyżej progu. Jeśli winna jest jedna pozycja, masz treściowy powód, by działać na tej konkretnej pozycji (zobacz Krok 3), co jest bardzo różne od polowania na statystycznie najsłabszą.

Zapytaj, czy konstrukty pokrywają się definicyjnie. Jeśli dwa konstrukty są w twojej teorii niemal synonimami — postawa i preferencja, satysfakcja i zachwyt — zmiana lub usunięcie pojedynczych pozycji nie rozdzieli tego, czego nie rozdzielają sami respondenci. Ta diagnoza wskazuje na połączenie konstruktów, nie na przycinanie pozycji.

Krok 2: przeprowadź test bootstrapowego przedziału ufności HTMT

Punktowy wynik .91 to nie ten sam dowód, co punktowy wynik .98. HTMT jest oszacowaniem z błędem próbkowania i istnieje jego inferencyjna wersja testu: wylicz bootstrapowy przedział ufności i sprawdź, czy zawiera 1 (Henseler, Ringle, & Sarstedt, 2015). Jeśli przedział wyklucza 1 — powiedzmy, [.86, .96] — dane wciąż odróżniają konstrukty w sensie inferencyjnym, mimo że punktowy wynik nie przechodzi obu stałych progów.

Dwa uczciwe zastrzeżenia. Po pierwsze, jest to najbardziej liberalne obronne kryterium, a surowsza wersja porównuje górną granicę przedziału z wybranym przez ciebie progiem zamiast z 1 (Franke & Sarstedt, 2019) — wynik .91 nie przejdzie tej wersji. Po drugie, tak jak sam próg, kryterium inferencyjne powinno być zapisane w planie analizy, a nie przyjęte dopiero po tym, jak stały próg zawiedzie. Użyty przejrzyście, przedział mówi recenzentom dokładnie, jak poważny (lub graniczny) jest problem; użyty jako ratunek, wygląda dokładnie tak, jak jest.

Krok 3: obronne sposoby naprawy trafności różnicowej

Usunięcie pozycji jest uprawnione tylko wtedy, gdy Krok 1 dał ci powód istniejący poza liczbami. Podaj powód, pokaż wartość przed i po oraz potwierdź, że skrócona skala nadal pokrywa znaczenie konstruktu — utrata trafności treściowej dla zysku .02 w HTMT to zły handel. Zachowaj co najmniej trzy pozycje na konstrukt refleksyjny (reflective) — samodzielny czynnik refleksyjny jest just-identified dopiero przy trzech pozycjach — więc nie możesz usunąć żadnej pozycji z trzypozycyjnej skali; usunięcie przestaje wtedy być opcją i zostaje połączenie konstruktów lub zaraportowanie nakładania.

Połączenie konstruktów zasługuje na więcej szacunku, niż zwykle dostaje. Jeśli twoje dane mówią, że dwa konstrukty to jeden, to może być wynik — część „odrębnych" konstruktów z literatury rutynowo nie przechodzi testów trafności różnicowej (Voorhees, Brady, Calantone, & Ramirez, 2016). Połącz je (albo zamodeluj czynnik wyższego rzędu), dopasuj model ponownie i opisz to jako wynik. Model, który uczciwie odzwierciedla dane, jest lepszy niż model przycięty tylko po to, by pasować do teorii.

Czego nie robić, gdy trafność różnicowa zawodzi

Nie usuwaj pozycji, aż liczba przejdzie próg. Usuwanie „najgorszej" pozycji, przeliczanie i powtarzanie, aż HTMT spadnie poniżej linii, to p-hacking zastosowany do pomiaru. Każde usunięcie jest wybierane ze względu na wynik, jaki daje, więc finalna „czysta" tabela kapitalizuje na przypadku i nie zreplikuje się. Jeśli zmieniłeś skalę, jedynym uczciwym opisem jest pokazanie oryginalnego modelu, zmiany, powodu i poprawionego modelu. Sekcja wyników, która przedstawia przyciętą skalę tak, jakby była planowana od początku, wprowadza w błąd co do charakteru badania.

Nie przełączaj się na Fornell-Larcker tylko dlatego, że przechodzi. Kryterium Fornella-Larckera jest mniej czułe i może przeoczyć dokładnie ten problem, który wykrył HTMT (Henseler, Ringle, & Sarstedt, 2015) — kiedy oba testy się nie zgadzają, nie masz prawa wybrać tego, który wolisz. Porównanie i powód, dla którego HTMT jest dziś preferowane, omawia HTMT vs Fornell-Larcker.

Nie chowaj oryginalnego wyniku. Usunięcie nieudanego przebiegu z pracy — albo z pamięci — zamienia odkrycie pomiarowe w problem raportowania. Przejrzyste raportowanie przed/po nie jest opcjonalną uprzejmością; to właśnie ono czyni poprawiony model wiarygodnym.

Przykład krok po kroku

Badanie mierzy zaufanie (5 pozycji) i lojalność (4 pozycje). HTMT dla pary Zaufanie–Lojalność wynosi .93 wobec zapreregistrowanego progu .85.

1. Diagnoza. Wszystkie pozycje są zakodowane poprawnie. Odczytanie skal obok siebie pokazuje, że pozycja lojalności L4, „Poleciłbym ten sklep innym", leży bardzo blisko znaczeniowo pozycji zaufania T5, „Mogę polegać na rekomendacjach tego sklepu". Same konstrukty są teoretycznie odrębne.
2. Test. Bootstrapowy 95% przedział dla tej pary wynosi [.87, .98] — wyklucza 1, więc problem jest realny, choć nie jest całkowitą porażką.
3. Poprawka. L4 zostaje usunięta z podanego powodu treściowego — i zwróć uwagę, że rewizja następuje mimo że przedział wyklucza 1: nakładanie się sformułowań to problem treściowy, nie tylko statystyczny. Trzy pozostałe pozycje lojalności nadal pokrywają konstrukt (intencja ponownego zakupu, preferencja, odporność na zmianę dostawcy). Przeliczone HTMT wynosi .81.
4. Opis w pracy:

Trafność różnicową oceniono wskaźnikiem HTMT wobec zapreregistrowanego progu .85 (Henseler et al., 2015). Początkowa wartość dla pary Zaufanie–Lojalność wyniosła .93, a jej bootstrapowy 95% przedział ufności [.87, .98] wykluczał 1. Analiza pozycji wykazała, że pozycja lojalności L4 pokrywała się treściowo z pozycją zaufania T5. L4 usunięto z powodów treściowych; poprawiona skala lojalności zachowała trzy pozycje pokrywające intencję ponownego zakupu, preferencję i odporność na zmianę dostawcy. Wszystkie wartości HTMT w poprawionym modelu były poniżej .85 (maksimum = .81). Oba modele pomiarowe są zaraportowane w Załączniku A.

Cztery zdania uczciwości nie wymagają dużo wysiłku — a odpowiadają na pytanie recenzenta, zanim zostanie zadane.

Częste błędy, których należy unikać

• Wybieranie progu .85 lub .90 po zobaczeniu, który z nich przechodzą twoje wartości.
• Wielokrotne usuwanie pozycji, aż HTMT przejdzie próg, i raportowanie tylko finalnej skali.
• Zastępowanie HTMT kryterium Fornella-Larckera, bo Fornell-Larcker „przechodzi" — to mniej czuły test.
• Pomijanie podstawowych sprawdzianów danych (kodowanie pozycji, oczywiste nakładanie się sformułowań) i przechodzenie od razu do zmian modelu.
• Usuwanie pozycji z trzypozycyjnej skali — zachowaj co najmniej trzy pozycje na konstrukt refleksyjny (samodzielny czynnik z mniejszą liczbą nawet nie jest just-identified).
• Traktowanie połączenia konstruktów jako porażki; dwa konstrukty zlewające się w jeden mogą być odkryciem nadającym się do publikacji.

Najczęściej zadawane pytania

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

Jak Explonia robi to za ciebie

Explonia liczy HTMT z twojego modelu CFA lub PLS-SEM — z bootstrapowymi przedziałami ufności w PLS-SEM — i oznacza każdą parę powyżej ustawionego przez ciebie progu (.85 lub .90). Gdy przekodujesz pozycję, usuniesz jedną albo połączysz konstrukty, przeliczasz model i widzisz wartości przed/po obok siebie — przejrzyste raportowanie, o które prosi ten przewodnik, to po prostu to, co pokazuje platforma. Funkcja „Article description" przygotowuje zdania w stylu APA z twoich rzeczywistych wyników; ty pozostajesz autorem i edytujesz każde słowo. Tabele eksportują się do Word, R, SPSS/.sav i LaTeX. Do szybkiego ręcznego sprawdzenia kilku wartości darmowy kalkulator HTMT nie wymaga konta, a nasza strona metody HTMT omawia wzór i szczegóły raportowania.

Gotowy, by naprawić swoją trafność różnicową w uczciwy sposób? Uruchom HTMT w Explonii i porównaj swój model przed i po zmianie. Zacznij za darmo →