📊 statistics

Factor- and Composite-Based Structural Equation Modeling -- A New Approach to Incorporate Composites in the Traditional SEM Framework

Questo articolo presenta il FC-SEM, un nuovo approccio che integra fattori comuni e compositi nel tradizionale framework della modellazione delle equazioni strutturali, permettendo di sfruttare gli stimatori consolidati e le funzionalità di valutazione del modello senza aumentare la complessità della specificazione.

Autori originali: Tamara Schamberger, Florian Schuberth, Jörg Henseler, Yves Rosseel

Pubblicato 2026-04-02

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Tamara Schamberger, Florian Schuberth, Jörg Henseler, Yves Rosseel

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

🧩 Il Ponte tra Due Mondi: Come unire "Fattori Nascosti" e "Compositi"

Immagina di essere un detective che deve capire come funzionano le cose nel mondo. A volte, le cose che cerchi sono invisibili (come l'intelligenza o la felicità), e altre volte sono costruite da pezzi diversi (come il "livello di istruzione" di una città, che è la somma di scuole, biblioteche e università).

Per decenni, gli statistici hanno avuto un solo modo per fare questa indagine: il SEM (Modellazione delle Equazioni Strutturali). Ma questo metodo era come un cassetto degli attrezzi molto specializzato: funzionava benissimo per trovare le cose nascoste (i "Fattori Comuni"), ma faceva molta fatica con le cose costruite (i "Compositi").

Questo nuovo articolo presenta una soluzione geniale chiamata FC-SEM (Modellazione basata su Fattori e Compositi). È come se avessero aggiunto un nuovo cassetto al loro kit, permettendo di usare gli stessi strumenti potenti per entrambi i tipi di indagine.

Ecco come funziona, spiegato con metafore quotidiane:

1. I Due Tipi di "Indizi" (Costrutti)

Per capire il problema, dobbiamo distinguere due tipi di "oggetti" che studiamo:

I Fattori Comuni (Le "Ombre"):
- Esempio: L'Intelligenza. Non puoi vederla direttamente. La vedi solo attraverso i suoi effetti: un voto alto a matematica, una buona memoria, una risposta veloce.
- Metafora: Immagina un faro nascosto dietro una collina. Non vedi il faro, ma vedi la sua luce che illumina diverse case (gli indicatori). La luce è causata dal faro. Se il faro si spegne, tutte le case diventano buie.
- Il problema vecchio: I vecchi metodi statistici erano fatti solo per tracciare questi fari.
I Compositi (I "Mosaici"):
- Esempio: Il Livello Socioeconomico. Non è una cosa magica che causa le cose. È fatto di cose diverse messi insieme: reddito, istruzione, occupazione.
- Metafora: Immagina un mosaico. Il mosaico non "causa" le tessere; è costituito dalle tessere. Se cambi una tessera (es. il reddito), cambi il mosaico. Le tessere non devono per forza essere simili tra loro (come le luci del faro), possono essere pezzi diversi che formano un'immagine unica.
- Il problema vecchio: I vecchi metodi statistici si rompevano o davano risposte sbagliate quando provavi a usare un mosaico invece di un faro.

2. Il Vecchio Dilemma: "O tutto o niente"

Fino a poco tempo fa, se volevi studiare un modello che aveva sia fari (intelligenza) che mosaici (reddito), dovevi scegliere:

Usare un metodo vecchio: Funzionava per i mosaici, ma non potevi usare le funzioni avanzate (come gestire dati mancanti o testare la bontà del modello). Era come guidare una macchina senza freni ABS o aria condizionata.
Usare un metodo nuovo: Funzionava per i fari, ma costringeva a trasformare i mosaici in fari finti, rendendo tutto complicato e poco chiaro.

3. La Soluzione FC-SEM: Il "Cantiere Unificato"

Gli autori di questo paper hanno costruito un ponte. Hanno creato un nuovo modo di scrivere le equazioni matematiche che permette di:

Mettere i Fari (fattori nascosti) e i Mosaici (compositi) nella stessa stanza.
Usare lo stesso motore (gli stessi calcoli statistici potenti) per guidare entrambi.

Cosa cambia nella pratica?

Prima: Se volevi analizzare un'azienda con "Soddisfazione del cliente" (un faro) e "Performance aziendale" (un mosaico fatto di vendite, efficienza, ecc.), dovevi usare due software diversi o fare calcoli a mano molto complicati.
Ora (con FC-SEM): Puoi mettere tutto in un unico modello. Il software (chiamato lavaan, che è come un'auto sportiva per statistici) guida tutto automaticamente.

4. I Vantaggi Pratici (Perché dovresti importi?)

Immagina di dover costruire una casa.

Flessibilità: Puoi decidere come pesare i pezzi del mosaico. Vuoi che il reddito conti più dell'istruzione? Nessun problema, lo imposti.
Precisione: Non devi più "ingannare" il sistema trasformando un mosaico in un faro. Il mosaico rimane un mosaico, e il faro rimane un faro.
Sicurezza: Puoi usare tutti i controlli di sicurezza moderni (come gestire dati mancanti o testare se il modello è corretto) su entrambi i tipi di costrutti. È come avere gli stessi freni ABS sia per la tua auto da città che per il tuo fuoristrada.

5. La Prova del Fuoco

Gli autori hanno fatto due cose per dimostrare che funziona:

Il Test del "Fotocopia": Hanno creato un mondo perfetto (dati simulati) dove conoscevano già la risposta. Hanno usato il loro nuovo metodo e... bingo! Ha trovato esattamente la risposta corretta.
La Prova Reale: Hanno preso un dataset reale (l'indice di soddisfazione dei clienti americani) e lo hanno analizzato. I risultati erano quasi identici a quelli ottenuti con altri metodi complessi, ma molto più facili da ottenere e da interpretare.

In Sintesi

Questo paper è come l'arrivo di un traduttore universale nel mondo della statistica.
Prima, chi parlava la lingua dei "Fattori Nascosti" e chi parlava la lingua dei "Compositi" faticavano a capirsi. Ora, con la FC-SEM, possono sedersi allo stesso tavolo, usare gli stessi strumenti e collaborare senza intoppi.

Per un ricercatore (o per chiunque voglia capire dati complessi), questo significa poter fare analisi più profonde, più veloci e, soprattutto, più vere rispetto alla realtà. Non si tratta più di forzare la realtà in un modello rigido, ma di adattare il modello alla complessità della realtà.

Titolo: Modellazione delle Equazioni Strutturali Basata su Fattori e Compositi (FC-SEM)

1. Il Problema

La Modellazione delle Equazioni Strutturali (SEM) è lo strumento statistico predominante per studiare le relazioni tra costrutti. Tradizionalmente, i costrutti sono modellati come variabili latenti riflettive (fattori comuni), che spiegano la struttura di varianza-covarianza dei loro indicatori. Tuttavia, in molte discipline (es. scienze sociali, marketing, ecologia), alcuni costrutti sono meglio rappresentati come compositi (o costrutti formativi), definiti come combinazioni lineari dei loro indicatori.

Il problema centrale affrontato dal paper è la mancanza di un approccio unificato che permetta di includere sia fattori comuni che compositi all'interno del framework SEM tradizionale. Le soluzioni esistenti presentano limitazioni significative:

Metodi esterni al SEM tradizionale: Approcci come PLS-PM, PLSc, GSCA e SVD-SEM sono limitati nella specificazione del modello, non permettono vincoli sui parametri, mancano di criteri di adattamento globale (fit indices) e spesso richiedono metodi di inferenza non parametrici (bootstrap) che aumentano i tempi computazionali.
Specificazioni nel SEM tradizionale: Metodi come l'approccio "one-step", "pseudo-indicator" o la specifica "H-O" (Henseler-Ogasawara) presentano difetti: non permettono ai compositi di essere variabili dipendenti, non stimano liberamente i pesi dei compositi, o aumentano eccessivamente la complessità della specificazione del modello (introducendo variabili aggiuntive e problemi di convergenza).

2. Metodologia: FC-SEM

Gli autori propongono una nuova specifica di modello, denominata Factor- and Composite-Based SEM (FC-SEM), che integra nativamente compositi e fattori comuni nel framework SEM classico.

Specificazione del Modello:
Il modello è diviso in due componenti principali:

Modello di Misurazione:
- Per i fattori comuni ( $\eta_f$ ): $y_f = \Lambda_f \eta_f + \varepsilon_f$ . Gli indicatori sono causati dal fattore.
- Per i compositi ( $\eta_c$ ): $\eta_c = W' y_c$ . Il composito è una combinazione lineare degli indicatori con pesi $W$ . A differenza dei fattori, le varianze e le covarianze degli indicatori che formano un composito sono parametri liberi (non vincolati dalla struttura del fattore).
Modello Strutturale:
- Relazioni lineari tra costrutti (fattori e compositi): $\eta = B\eta + \zeta$ .

Derivazione della Matrice di Varianza-Covarianza:
Un contributo teorico fondamentale è la derivazione della matrice di varianza-covarianza implicata dal modello ( $\Sigma(\theta)$ ) per gli indicatori osservati.

Gli autori dimostrano come calcolare le "caricamenti compositi" ( $\Lambda_c$ ) tramite regressione OLS dei compositi sugli indicatori.
La matrice totale $\Sigma(\theta)$ combina le restrizioni dei fattori riflettivi e la struttura libera degli indicatori dei compositi, permettendo l'uso diretto di stimatori tradizionali.

Identificazione e Stima:

Identificazione: Il modello richiede che i sottografi (fattori, compositi, struttura) siano identificati. Per i compositi, è necessario un metodo di scalatura (es. fissare un peso a 1 o fissare la varianza) e il composito deve essere collegato ad almeno un'altra variabile esterna.
Stima: Poiché la specifica del modello e la matrice $\Sigma(\theta)$ sono compatibili con il SEM tradizionale, è possibile utilizzare stimatori consolidati come la Massima Verosimiglianza (ML), i Minimi Quadrati Generalizzati (GLS) e i Minimi Quadrati Ponderati (WLS). Questo elimina la necessità di algoritmi iterativi complessi o bootstrap per l'inferenza statistica.

Implementazione:
L'approccio è stato implementato nel pacchetto R open-source lavaan (versione 0.6-20). I compositi vengono specificati utilizzando l'operatore <~ (es. Composito <~ ind1 + ind2), mentre i fattori riflettivi usano =~.

3. Risultati

Gli autori hanno validato l'approccio attraverso tre fasi:

Analisi di Scenario (Popolazione):
- È stato creato un modello di popolazione con 4 costrutti (2 fattori, 2 compositi).
- Utilizzando un campione che rappresenta perfettamente la popolazione, l'estimatore ML di FC-SEM ha restituito esattamente i parametri della popolazione, dimostrando la correttezza teorica e la capacità di recupero dei parametri.
- Il calcolo dei gradi di libertà è stato verificato come corretto, tenendo conto che le varianze dei compositi sono determinate internamente dal modello.
Simulazione Monte Carlo (Campioni Finiti):
- Sono stati generati 1.000 campioni (N=500) da una distribuzione normale multivariata.
- I risultati mostrano che le stime dei parametri sono consistenti (vicine ai valori della popolazione) e gli errori standard medi sono coerenti con le deviazioni empiriche, confermando le proprietà asintotiche dello stimatore ML anche in campioni finiti.
Esempio Empirico (American Customer Satisfaction Index):
- Il modello è stato applicato a un dataset reale contenente sia costrutti riflettivi che formativi.
- I risultati ottenuti con FC-SEM sono stati confrontati con quelli di IGSCA, PLSc e della specifica H-O.
- Risultato chiave: Le stime standardizzate ottenute con FC-SEM sono simili a quelle degli altri metodi, ma con il vantaggio di fornire errori standard analitici e di essere stimate all'interno del framework ML standard.

4. Contributi Chiave

Unificazione Teorica: Fornisce una specifica matematica rigorosa che permette di trattare compositi e fattori comuni nello stesso modello senza compromettere le proprietà statistiche.
Accesso al Framework SEM Tradizionale: Permette l'uso diretto di:
- Stimatori ML, GLS, WLS.
- Test di adattamento globale ( $\chi^2$ , RMSEA, SRMR).
- Gestione dei dati mancanti (es. FIML).
- Analisi multi-gruppo e modelli mediatori complessi.
Flessibilità di Specificazione: Risolve i limiti delle specifiche precedenti permettendo ai compositi di essere variabili dipendenti, stimando liberamente i pesi e permettendo vincoli sui parametri.
Inferenza Statistica: Elimina la dipendenza dal bootstrap per gli errori standard, permettendo derivazioni analitiche e riducendo i tempi computazionali.

5. Significato e Implicazioni

Il lavoro di Schamberger et al. rappresenta un avanzamento significativo per la ricerca quantitativa.

Per i Ricercatori: Offre uno strumento flessibile e potente per modellare costrutti complessi (sia riflettivi che formativi) utilizzando software standard (lavaan), senza dover ricorrere a metodi "di nicchia" con limitazioni di validazione.
Validità del Costrutto: Aiuta a evitare errori di specificazione (modellare un costrutto formativo come riflettivo), che possono portare a stime distorte e conclusioni errate.
Futuri Sviluppi: L'implementazione in lavaan apre la strada all'applicazione di tecniche avanzate SEM (come l'analisi di mediazioni complesse o la gestione di dati mancanti) a modelli misti. Gli autori notano che futuri lavori dovranno esplorare ulteriormente i criteri di adattamento specifici per i compositi e l'incorporazione di errori di misura negli indicatori dei compositi.

In sintesi, FC-SEM colma il divario tra la teoria dei compositi e la pratica della SEM tradizionale, rendendo l'analisi di modelli misti più accessibile, rigorosa e flessibile.