HTMT vs Fornell-Larcker: návod na diskriminačnú validitu

Andrzej Szymkowiak · Naposledy revidované: jún 2026

Recenzent práve napísal: „Ukážte, že vaše konštrukty sú odlišné." Tu je presne, ako to urobiť a ktorý test použiť. Diskriminačná validita kladie jednoduchú otázku: sú dva konštrukty v tvojom modeli naozaj odlišné jeden od druhého? Ak sú dva faktory takmer to isté, tvoj model má problém. Roky výskumníci toto kontrolovali kritériom Fornell-Larcker. Dnes väčšina recenzentov preferuje pomer HTMT. Tento návod vysvetľuje obe metódy jednoduchým jazykom, ukazuje správne hraničné hodnoty a pomáha ti rozhodnúť, ktorú reportovať.

Čo znamená diskriminačná validita

Povedzme, že meriaš „dôveru" a „spokojnosť" položkami prieskumu (pre pomoc s výberom validovaných škál pozri ako nájsť validovanú škálu). Diskriminačná validita je podporená, keď položky dôvery držia spolu ako dôvera, položky spokojnosti držia spolu ako spokojnosť a oba faktory sú jasne odlišné. Ak dôvera a spokojnosť korelujú takmer dokonale, možno meriaš jeden konštrukt pod dvoma názvami. Toto zvyčajne kontroluješ hneď po potvrdení meracieho modelu z tvojej CFA.

Metóda 1: Kritérium Fornell-Larcker

Kritérium Fornell-Larcker (Fornell & Larcker, 1981) porovnáva varianciu každého faktora v jeho vlastných položkách s varianciou, ktorú zdieľa s ostatnými faktormi.

Pravidlo: pre každý faktor musí byť odmocnina jeho AVE väčšia ako jeho korelácia s každým iným faktorom.

• AVE (average variance extracted) je množstvo variancie, ktoré faktor vysvetľuje v priemere cez svoje položky. AVE by malo byť ≥ .50 (Fornell & Larcker, 1981; Hair et al., 2019).
• Odmocninu každého AVE umiestniš na diagonálu tabuľky korelácií faktorov.
• Mimo diagonály umiestniš korelácie medzi faktormi.
• Pre diskriminačnú validitu musí byť každá hodnota na diagonále väčšia ako ostatné hodnoty v jej riadku a stĺpci.

Riešený príklad. Dôvera má AVE = .64, takže √.64 = .80. Spokojnosť má AVE = .58, takže √.58 = .76. Korelácia medzi dôverou a spokojnosťou je .55. Pretože .80 aj .76 sú väčšie ako .55, kritérium Fornell-Larcker je splnené.

Metóda 2: Pomer HTMT

HTMT je skratka pre heterotrait-monotrait ratio of correlations (Henseler, Ringle, & Sarstedt, 2015). Jednoducho povedané, porovnáva priemernú koreláciu položiek naprieč dvoma rôznymi faktormi s geometrickým priemerom priemerných vnútrofaktorových korelácií položiek oboch faktorov (nie s jediným vnútrofaktorovým priemerom). Ak položky korelujú naprieč faktormi takmer rovnako silno ako v rámci svojho vlastného faktora, faktory nie sú odlišné.

Pravidlo:

• HTMT < .85 podporuje diskriminačnú validitu (prísny prah).
• HTMT < .90 je liberálnejší prah, používaný, keď sú dva konštrukty koncepčne blízke.
• Hodnota na úrovni alebo nad .90 signalizuje problém s diskriminačnou validitou.

Môžeš tiež otestovať, či interval spoľahlivosti HTMT (z bootstrappingu) zahŕňa 1. Ak nezahŕňa 1, diskriminačná validita je podporená. Prísnejšia verzia testuje, či horná hranica zostáva pod prahom (napríklad .85 alebo .90), nie len pod 1 (Franke & Sarstedt, 2019).

Riešený príklad. Pre dôveru a spokojnosť je hodnota HTMT .74. Pretože .74 je pod prísnou hranicou .85, diskriminačná validita je podporená. Bootstrapový interval spoľahlivosti [.61, .83] nezahŕňa 1, čo výsledok potvrdzuje.

Prečo je dnes HTMT preferované

Simulačné štúdie ukázali, že kritérium Fornell-Larcker často nedokáže odhaliť nedostatok diskriminačnej validity, najmä keď sa náboje indikátorov v rámci konštruktu líšia len málo. V takých prípadoch Fornell-Larcker hovorí „všetko v poriadku", keď sú konštrukty v skutočnosti príliš podobné. HTMT tieto problémy odhaľuje oveľa spoľahlivejšie (Henseler, Ringle, & Sarstedt, 2015). Preto mnohé časopisy a recenzenti dnes žiadajú HTMT.

Porovnanie vedľa seba

Ktoré by si mal reportovať?

Reportuj HTMT ako svoj hlavný dôkaz, pretože je to silnejší test a recenzenti ho čoraz častejšie očakávajú. Môžeš zahrnúť aj tabuľku Fornell-Larcker, keďže mnohí čitatelia ju stále dobre poznajú. Reportovať obe je bezpečné a v súčasných článkoch bežné. Nech si vyberieš čokoľvek, uveď prah, ktorý si použil, a ukáž hodnoty, ideálne v tabuľke.

Krátka veta v APA:

Diskriminačná validita bola posúdená pomerom HTMT. Všetky hodnoty HTMT boli pod prísnym prahom .85 (maximum = .74) a žiadny bootstrapový interval spoľahlivosti nezahŕňal 1, čím sa diskriminačná validita podporila.

Čo robiť, keď je HTMT priveľmi vysoké

Vysoké HTMT (na úrovni alebo nad tvojím prahom) nemusí vždy znamenať, že musíš vyradiť konštrukt. Najprv skontroluj, či sú dva konštrukty koncepčne blízke — ak sú, liberálnejší prah .90 môže byť obhájiteľný a mal by si povedať prečo. Ďalej preskúmaj položky: jediná položka, ktorá kríženo nabíja alebo zdieľa znenie s iným faktorom, môže HTMT nafúknuť a preformulovanie alebo odstránenie (s uvedeným dôvodom) môže pomôcť. Ak sa dva faktory stále silno prekrývajú, zváž, či nie sú v skutočnosti jedným konštruktom, alebo či ich oba nevysvetľuje faktor vyššieho rádu. Spusti bootstrapový inferenčný test (Franke & Sarstedt, 2019), aby si videl, či horná hranica spoľahlivosti prekoná prah; bodový odhad tesne nad čiarou s intervalom spoľahlivosti, ktorý zostáva pod ňou, hovorí iný príbeh ako jasné zlyhanie. Nech sa rozhodneš akokoľvek, reportuj zmenu a zdôvodnenie, nielen finálnu čistú tabuľku. Kompletný návod krok za krokom — diagnostika, bootstrapový test a opravy, ktoré obstoja pri recenzii — nájdeš v HTMT nad 0.90: čo robiť.

Časté chyby, ktorým sa treba vyhnúť

• Reportovanie len Fornell-Larcker, keď časopis očakáva HTMT.
• Považovanie .85 a .90 za zameniteľné bez uvedenia, ktoré si použil a prečo.
• Vynechanie kontroly AVE — obe metódy predpokladajú AVE ≥ .50.
• Čítanie intervalu spoľahlivosti HTMT len oproti 1, keď prísnejší test porovnáva hornú hranicu s prahom.
• Pridávanie nuly pred desatinnou čiarkou k HTMT, AVE alebo koreláciám (píš .74, nie 0.74).

Poznámka o AVE

Obe metódy závisia od AVE, takže najprv sa uisti, že AVE každého faktora je ≥ .50 (Fornell & Larcker, 1981; Hair et al., 2019). Ak je AVE pod .50, faktor nevysvetľuje v priemere cez svoje položky ani polovicu ich variancie a diskriminačnú validitu je ťažké tvrdiť, nech už použiješ ktorúkoľvek metódu.

Často kladené otázky

References

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

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

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

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

Ako to Explonia robí za teba

Explonia počíta HTMT aj tabuľku Fornell-Larcker z tvojho modelu CFA alebo PLS-SEM, spolu s AVE — a v PLS-SEM aj s bootstrapovými intervalmi spoľahlivosti pre HTMT. Označí akúkoľvek hodnotu nad tvojím zvoleným prahom (.85 alebo .90), takže problémy zachytíš na prvý pohľad. Funkcia „Article description" naformuluje vetu v štýle APA s tvojimi skutočnými číslami, ktorú potom upravíš a ponecháš ako svoju vlastnú. Tabuľky môžeš exportovať do Wordu, R, SPSS/.sav, AMOS alebo LaTeX. Ak teraz používaš SmartPLS na PLS-SEM, pozri ako sa Explonia porovnáva so SmartPLS. Viac o našich metódach HTMT.

Chceš skontrolovať diskriminačnú validitu za pár minút? Spusti HTMT a Fornell-Larcker v Explonii a získaj vetu s výsledkami pripravenú na úpravu. Začni zadarmo →