Jak raportować wyniki CFA w stylu APA (z szablonem)

Andrzej Szymkowiak · Ostatnia aktualizacja: październik 2026

Recenzent właśnie poprosił cię o uzasadnienie modelu pomiarowego. Oto dokładnie, co należy zaraportować. Po przeprowadzeniu confirmatory factor analysis (CFA) recenzent chce zobaczyć trzy rzeczy: dopasowanie modelu, ładunki pozycji oraz rzetelność i trafność każdego czynnika. Ten przewodnik pokazuje, co raportować i jak to zapisać w stylu APA, prostym i jasnym językiem. Progi poniżej to te, których oczekują recenzenci.

Co musisz mieć, zanim zaczniesz pisać

Powinieneś mieć przeprowadzoną CFA (na przykład estymacją maximum likelihood) i przygotowane następujące wyniki:

• Indeksy dopasowania: χ² ze stopniami swobody, CFI, TLI, RMSEA (z jej 90% przedziałem ufności) oraz SRMR. Po głębszy przewodnik zobacz indeksy dopasowania i progi.
• Standaryzowane ładunki czynnikowe dla każdej pozycji.
• Rzetelność: Cronbach's alpha (Cronbach, 1951), a dla modelu CFA — McDonald's omega (ω; McDonald, 1999) lub composite reliability (CR) dla każdego czynnika.
• Trafność zbieżna: average variance extracted (AVE) dla każdego czynnika.
• Trafność różnicowa: wskaźnik HTMT lub porównanie Fornella-Larckera.

Jeśli wciąż wybierasz, które pozycje uwzględnić, zobacz jak znaleźć zwalidowaną skalę oraz jak pisać dobre pytania ankietowe, zanim uruchomisz model.

Krok 1: Zaraportuj estymator i model

Zacznij od poinformowania czytelnika, co zrobiłeś. Podaj estymator, oprogramowanie oraz liczbę czynników i pozycji.

Przeprowadzono confirmatory factor analysis z estymacją maximum likelihood, aby przetestować czteroczynnikowy model pomiarowy (16 pozycji).

Jeśli użyłeś odpornego estymatora maximum likelihood, ponieważ twoje dane nie były normalne (na przykład MLR albo MLM ze skalowanym χ² Satorry-Bentlera), podaj dokładną nazwę estymatora i raportuj skalowane (robust) indeksy dopasowania, a nie standardowe.

Krok 2: Zaraportuj dopasowanie modelu z poprawnymi progami

Raportuj kilka indeksów dopasowania, nie tylko χ². Test χ² jest niemal zawsze istotny w dużych próbach, więc nie odrzucaj modelu na podstawie samego χ². Atrybucja ma tu znaczenie, bo obie kolumny pochodzą z różnych prac. Surowsza kolumna „dobrego dopasowania" pochodzi od Hu i Bentlera (1999). Kolumna „akceptowalna" zbiera inne, w większości starsze konwencje: próg .90 dla CFI i TLI sięga pracy Bentlera i Bonetta (1980), którzy zaproponowali go dla NFI i TLI (nazywanego przez nich non-normed fit index, NNFI), a do CFI stosuje się go na zasadzie konwencji; RMSEA ≤ .08 pochodzi od Browne'a i Cudecka (1993); SRMR ≤ .10 pochodzi od Schermelleh-Engel, Moosbruggera i Müllera (2003). Używaj tych szeroko cytowanych progów:

Krótkie zdanie w stylu APA wygląda tak:

Model pomiarowy wykazał dobre dopasowanie do danych, χ²(98) = 142.31, p = .002, CFI = .97, TLI = .96, RMSEA = .038, 90% CI [.023, .051], SRMR = .041.

Raportuj wartość χ², jej stopnie swobody w nawiasie oraz wartość p. Zawsze podawaj przedział ufności RMSEA. Stosuj zero wiodące dla χ², ale nie stosuj zera wiodącego dla indeksów dopasowania, które nie mogą przekroczyć 1 (CFI, TLI, RMSEA, SRMR). Hu i Bentler (1999) zalecają ocenę dopasowania na podstawie kryterium łącznego, a nie pojedynczego indeksu (na przykład SRMR bliski .08-.09 razem z CFI ≥ .95), więc patrz na cały zestaw. Traktuj te wartości jako wskazówki, nie sztywne prawa zalicza/nie-zalicza: wyprowadzono je w określonych warunkach i mogą zachowywać się inaczej przy małych próbach lub złożonych modelach, więc ich nie nadgeneralizuj (Marsh, Hau i Wen, 2004).

Krok 3: Zaraportuj ładunki czynnikowe

Recenzenci chcą standaryzowanych ładunków dla każdej pozycji. Ładunek .70 lub wyższy jest powszechnie uznawany za silny (Hair i in., 2019); .50 do .70 jest zwykle akceptowalny, jeśli czynnik nadal ma dobre AVE i rzetelność. Jako regułę kciuka, celuj w co najmniej trzy wskaźniki na czynnik refleksyjny: przy mniejszej liczbie czynnik może być niedo-identyfikowany lub niestabilny. Umieść ładunki w tabeli, jeden wiersz na pozycję, pogrupowane według czynnika. Zaznacz, że wszystkie ładunki były statystycznie istotne.

Wszystkie standaryzowane ładunki czynnikowe były istotne (p < .001) i mieściły się w zakresie od .68 do .89 (zob. Tabela 2).

Krok 4: Zaraportuj rzetelność i trafność zbieżną

Dla każdego czynnika raportuj współczynnik rzetelności oraz AVE. Używaj tych progów:

• Cronbach's alpha: ≥ .70 jest akceptowalna (Nunnally, 1978). Sam współczynnik pochodzi od Cronbacha (1951).
• McDonald's omega (ω) lub composite reliability (CR): ≥ .70 (McDonald, 1999; Hair i in., 2019). Dla modelu CFA omega i CR są lepiej dopasowanymi współczynnikami.
• AVE (trafność zbieżna): ≥ .50, co oznacza, że czynnik wyjaśnia, średnio w swoich pozycjach, więcej niż połowę ich wariancji (Fornell i Larcker, 1981; Hair i in., 2019).

Rzetelność była adekwatna dla wszystkich czynników (McDonald's ω = .82–.91; Cronbach's α = .81–.90). Trafność zbieżna została potwierdzona, ponieważ wszystkie wartości AVE przekraczały .50 (zakres .54–.68).

Alpha to nie cała historia

Liczą się tu dwa zastrzeżenia.

Po pierwsze, alpha zależy od liczby pozycji. Cronbach's alpha jest funkcją liczby pozycji i średniej kowariancji między pozycjami. Przy większej liczbie pozycji skala może osiągnąć wysoką alphę, nawet gdy średnia korelacja między pozycjami jest tylko umiarkowana. Zatem wysoka alpha (powiedzmy .90 na skali 20-pozycyjnej) nie jest sama w sobie dowodem na silną lub jednowymiarową skalę. Odczytuj alphę razem z korelacjami pozycji i ładunkami CFA, a nie samodzielnie.

Po drugie, alpha zakłada tau-equivalence — że każda pozycja ładuje na czynnik równie dobrze. Prawdziwe skale rzadko to spełniają. Gdy ładunki się różnią, alpha jest jedynie dolnym oszacowaniem rzetelności i może ją zaniżać. McDonald's omega nie przyjmuje tego założenia o równych ładunkach: jest obliczana z samych ładunków CFA, więc lepiej pasuje do modelu pomiarowego. Podobnie jak alpha, standardowa omega nadal zakłada model jednowymiarowy (kongeneryczny) bez skorelowanych błędów; dla skal wielowymiarowych użyj omega hierarchical lub omega total. Z tego powodu wielu metodologów zaleca teraz raportowanie omega (lub CR, która jest blisko z nią związana) zamiast alpha lub obok niej — szczególnie gdy masz już CFA (McDonald, 1999; Dunn, Baguley i Brunsden, 2014; McNeish, 2018; Hayes i Coutts, 2020). Alpha nadal jest w porządku do raportowania ze względu na znajomość, ale nie powinna być twoją jedyną liczbą rzetelności dla modelu zmiennej latentnej.

Krok 5: Zaraportuj trafność różnicową

Trafność różnicowa oznacza, że dwa czynniki są naprawdę różne. Nowoczesnym wyborem jest wskaźnik HTMT (Henseler, Ringle i Sarstedt, 2015). Wartości poniżej .85 (rygorystyczny) lub .90 (liberalny) potwierdzają trafność różnicową. Starsze kryterium Fornella-Larckera (Fornell i Larcker, 1981) porównuje pierwiastek kwadratowy z AVE każdego czynnika z jego korelacjami z innymi czynnikami. Po pełne porównanie obu zobacz HTMT vs Fornell-Larcker.

Trafność różnicowa została potwierdzona: wszystkie wartości HTMT były poniżej progu .85 (maksymalne HTMT = .74).

Jak zbudować tabele, których oczekują recenzenci

Dwie tabele sprawiają, że sekcja wyników CFA jest łatwa do recenzji. Pierwsza to tabela ładunków: jeden wiersz na pozycję, pogrupowane według czynnika, ze standaryzowanym ładunkiem i (opcjonalnie) jego błędem standardowym. Dodaj wiersz lub kolumnę dla alpha, CR i AVE każdego czynnika, by czytelnik widział rzetelność obok pozycji. Druga to tabela korelacji konstruktów: czynniki w wierszach i kolumnach, z pierwiastkiem kwadratowym z każdego AVE na przekątnej dla widoku Fornella-Larckera lub wartościami HTMT dla widoku nowoczesnego. Wiele prac pokazuje teraz oba. Utrzymaj spójne miejsca po przecinku (dwa), pomiń zero wiodące przy korelacjach i ładunkach oraz oznacz każdy próg, którego użyłeś, w przypisie tabeli. Jasny przypis, taki jak "Note. Wartości na przekątnej to √AVE; wartości HTMT znajdują się nad przekątną", oszczędza recenzentowi zgadywania.

Częste błędy, których należy unikać

• Raportowanie tylko χ² i odrzucanie dobrego modelu, ponieważ χ² jest istotne przy dużym N.
• Dodawanie zera wiodącego do indeksów dopasowania, standaryzowanych ładunków lub korelacji (pisz .97, nie 0.97).
• Zapominanie o 90% przedziale ufności RMSEA.
• Mieszanie indeksów dopasowania robust (skalowanych) i non-robust w tej samej tabeli.
• Usuwanie pozycji tylko po to, by gonić dopasowanie, bez teoretycznego powodu — i nieraportowanie, że się to zrobiło.

Przykład krok po kroku

Wyobraź sobie badanie z czterema czynnikami i 16 pozycjami, N = 320. Twoja CFA daje CFI = .97, TLI = .96, RMSEA = .038, SRMR = .041, standaryzowane ładunki od .68 do .89, omega od .82 do .91, alpha od .81 do .90, AVE od .54 do .68 oraz maksymalne HTMT równe .74. Twój akapit wyników brzmiałby:

Confirmatory factor analysis z estymacją maximum likelihood przetestowała model czteroczynnikowy. Model dobrze dopasował się do danych, χ²(98) = 142.31, p = .002, CFI = .97, TLI = .96, RMSEA = .038, 90% CI [.023, .051], SRMR = .041. Wszystkie standaryzowane ładunki były istotne i mieściły się w zakresie od .68 do .89. Rzetelność była adekwatna (McDonald's ω = .82–.91; Cronbach's α = .81–.90), a trafność zbieżna została potwierdzona (AVE = .54–.68). Trafność różnicowa utrzymała się, ze wszystkimi wartościami HTMT poniżej .85.

Dodaj Tabelę 1 (ładunki) i Tabelę 2 (macierz korelacji czynników z pierwiastkami AVE lub wartościami HTMT). To kompletny raport CFA, który możesz edytować.

Najczęściej zadawane pytania

References

Bentler, P. M., & Bonett, D. G. (1980). Significance tests and goodness of fit in the analysis of covariance structures. Psychological Bulletin, 88(3), 588–606. https://doi.org/10.1037/0033-2909.88.3.588

Browne, M. W., & Cudeck, R. (1993). Alternative ways of assessing model fit. In K. A. Bollen & J. S. Long (Eds.), Testing structural equation models (pp. 136–162). Sage.

Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297–334. https://doi.org/10.1007/BF02310555

Dunn, T. J., Baguley, T., & Brunsden, V. (2014). From alpha to omega: A practical solution to the pervasive problem of internal consistency estimation. British Journal of Psychology, 105(3), 399–412.

Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.2307/3151312

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage.

Hayes, A. F., & Coutts, J. J. (2020). Use omega rather than Cronbach's alpha for estimating reliability. But… Communication Methods and Measures, 14(1), 1–24.

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

Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55. https://doi.org/10.1080/10705519909540118

Marsh, H. W., Hau, K.-T., & Wen, Z. (2004). In search of golden rules: Comment on hypothesis-testing approaches to setting cutoff values for fit indexes and dangers in overgeneralizing Hu and Bentler's (1999) findings. Structural Equation Modeling, 11(3), 320–341. https://doi.org/10.1207/s15328007sem1103_2

McDonald, R. P. (1999). Test theory: A unified treatment. Lawrence Erlbaum.

McNeish, D. (2018). Thanks coefficient alpha, we'll take it from here. Psychological Methods, 23(3), 412–433.

Nunnally, J. C. (1978). Psychometric theory (2nd ed.). McGraw-Hill.

Schermelleh-Engel, K., Moosbrugger, H., & Müller, H. (2003). Evaluating the fit of structural equation models: Tests of significance and descriptive goodness-of-fit measures. Methods of Psychological Research Online, 8(2), 23–74. (Open-access journal; no DOI was assigned.)

Jak Explonia robi to za ciebie

Explonia przeprowadza CFA w twojej przeglądarce i zwraca indeksy dopasowania, standaryzowane ładunki, McDonald's omega, alphę, CR, AVE oraz HTMT w jednym miejscu. Jej funkcja „Article description" pisze szkic akapitu APA z już wstawionymi twoimi liczbami, używając progów powyżej, i buduje tabele ładunków oraz trafności. Czytasz go, edytujesz i pozostajesz autorem. Możesz wyeksportować tabele i pełny raport APA do Worda (.docx) oraz wyeksportować dane i model do SPSS/.sav, R, AMOS lub LaTeX. Jeśli obecnie używasz lavaan w R, zobacz jak Explonia wypada w porównaniu z lavaan. Dowiedz się więcej o naszych metodach CFA.

Gotowy, by szybciej napisać wyniki CFA? Uruchom model w Explonii i otrzymaj szkic akapitu APA oraz tabele, które możesz edytować. Zacznij za darmo →