📊 statistics

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

Dit artikel introduceert een nieuwe FC-SEM-methode die compositen en gemeenschappelijke factoren integreert in het traditionele SEM-kader, waardoor onderzoekers de volledige flexibiliteit van bestaande SEM-schatters en -evaluatie-instrumenten kunnen benutten zonder de modelspecificatie onnodig te vertragen.

Oorspronkelijke auteurs: Tamara Schamberger, Florian Schuberth, Jörg Henseler, Yves Rosseel

Gepubliceerd 2026-04-02

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Tamara Schamberger, Florian Schuberth, Jörg Henseler, Yves Rosseel

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De Nieuwe Manier om Verborgen Patronen te Vinden: Een Verhaal over Factoren en Compositen

Stel je voor dat je een detective bent die probeert de waarheid achter een reeks aanwijzingen te achterhalen. In de wereld van statistiek noemen we dit Structural Equation Modeling (SEM). Het is een krachtige tool om te begrijpen hoe verschillende dingen met elkaar samenhangen.

Vroeger was er maar één manier om dit te doen: je ging ervan uit dat elke aanwijzing een spoor was van één enkel, onzichtbaar "geestelijk" ding. Laten we dit een Factor noemen.

De Analogie: Denk aan een ijsberg. Je ziet alleen de top (de meetbare aanwijzingen, zoals vragen in een enquête), maar er zit een enorme, onzichtbare berg onder water (de factor). De top bestaat alleen omdat de berg eronder is. Als de berg verdwijnt, verdwijnt de top ook. Dit werkt perfect voor dingen als "intelligentie" of "geluk": het is een onderliggende oorzaak die je gedrag veroorzaakt.

Maar... niet alles werkt zo. Soms is een construct geen onderliggende oorzaak, maar een samenvoeging van verschillende losse stukjes. Dit noemen we een Composit.

De Analogie: Denk aan een salade. Een salade is niet "veroorzaakt" door de komkommer, de tomaat en de sla. Nee, een salade is gewoon de som van die ingrediënten. Als je de komkommer verwijdert, is het nog steeds een salade, maar dan net iets anders. Een salade is een creatie van menselijke keuze, geen natuurlijk verschijnsel dat je "meet". Voorbeelden zijn "sociale status" (samenstelling van inkomen, opleiding en beroep) of "bedrijfsprestatie".

Het Probleem: De Oude Gereedschapskist
Tot nu toe hadden onderzoekers een groot probleem. De traditionele gereedschapskist (de oude SEM-methoden) was perfect voor ijsbergen (factoren), maar totaal ongeschikt voor salades (composieten).

Als je een salade probeerde te meten met de ijsberg-methode, kreeg je rare, onnauwkeurige resultaten.
Als je probeerde de salade-methode te gebruiken in de ijsberg-wereld, miste je de geavanceerde functies: je kon geen ontbrekende gegevens invullen, je kon niet goed testen of je model klopte, en het was heel lastig om groepen met elkaar te vergelijken.

Het was alsof je probeerde een auto te repareren met een hamer, of een huis te bouwen met een schroevendraaier. Je moest kiezen tussen twee onvolmaakte opties.

De Oplossing: FC-SEM (Factoren- en Composit-gebaseerde SEM)
De auteurs van dit paper (Schamberger en collega's) hebben een nieuwe, universele gereedschapskist ontworpen. Ze noemen het FC-SEM.

Stel je voor dat ze een modulair bouwsysteem hebben bedacht.

Voor de IJsbergen (Factoren): Ze gebruiken de bekende, betrouwbare methode. De top hangt aan de berg.
Voor de Salades (Composieten): Ze gebruiken een nieuwe methode waarbij de ingrediënten los van elkaar worden samengevoegd tot een geheel, zonder de "ijsberg-regels" op te leggen.

Het magische van FC-SEM is dat het beide systemen in één en hetzelfde model laat werken. Je kunt in één analyse kijken naar:

Een onzichtbare "intelligentie" (ijsberg) die invloed heeft op...
Een "bedrijfsprestatie" (salade) die weer wordt beïnvloed door...
Een "sociale status" (nog een salade).

Waarom is dit zo geweldig?
Dankzij deze nieuwe aanpak hoeven onderzoekers niet meer te kiezen tussen "goed meten" en "geavanceerde statistiek".

Geen meer knoeien: Je kunt nu de geavanceerde statistische trucs gebruiken die we al jaren kennen voor ijsbergen (zoals het invullen van ontbrekende antwoorden of het testen van de totale nauwkeurigheid van je model) en die toepassen op salades.
Flexibiliteit: Je kunt beslissen welke ingrediënten in je salade zitten en hoe zwaar ze wegen, precies zoals je wilt.
Software: Het werkt zelfs in een populaire gratis software (lavaan in R), dus het is niet alleen theorie, maar direct toepasbaar.

Samenvattend in één zin:
Vroeger moest je kiezen tussen het meten van een natuurlijke oorzaak (een ijsberg) of het bouwen van een menselijke constructie (een salade), en je kon niet de beste tools van beide werelden gebruiken. Met FC-SEM kun je nu een mix maken van ijsbergen en salades in één model, en gebruik je de allerbeste, meest geavanceerde statistische gereedschappen om ze allemaal perfect te analyseren.

Het is alsof je eindelijk een auto hebt die zowel op benzine als op elektriciteit kan rijden, zonder dat je de motor hoeft te vervangen.

Titel: Factor- en Composite-gebaseerde Structurele Vergelijkingenmodellen (FC-SEM)

1. Het Probleem

Traditionele Structurele Vergelijkingenmodellen (SEM) modelleren constructen doorgaans als gemeenschappelijke factoren (reflectieve latenten variabelen). Hierbij wordt aangenomen dat de constructen de oorzaak zijn van hun indicatoren, en dat de variantie in de indicatoren wordt verklaard door deze factoren plus meetfouten.

Echter, in veel disciplines (zoals management, sociologie en ecologie) worden constructen beter voorgesteld als composieten (formatieve constructen). Een composite is een lineaire combinatie van indicatoren die het construct vormen (bijv. een "bedrijfsprestatie-index" gevormd door omzet, klanttevredenheid, etc.).

De huidige uitdagingen zijn:

Beperkingen van bestaande methoden buiten het traditionele SEM: Methodes zoals PLS-PM (Partial Least Squares Path Modeling) en GSCA kunnen composieten en factoren combineren, maar missen geavanceerde SEM-functies zoals het behandelen van ontbrekende data, het uitvoeren van een volledige modelfit-analyse (bijv. $\chi^2$ -test), en het toepassen van analytische standaardfouten (vaak afhankelijk van bootstrapping).
Beperkingen van bestaande integraties in traditioneel SEM: Bestaande pogingen om composieten in traditioneel SEM te integreren (zoals de "one-step", "pseudo-indicator" of "H-O specificatie") hebben ernstige nadelen. Ze beperken composieten vaak tot onafhankelijke posities, vereisen dat gewichten extern worden geschat, verhogen de modelcomplexiteit drastisch door extra variabelen toe te voegen, of leiden tot convergentieproblemen.

Er is dus een behoefte aan een methode die composieten en factoren naadloos integreert binnen het traditionele SEM-raamwerk, zonder de voordelen van dat raamwerk (zoals Maximum Likelihood schatting en modelfit-tests) te verliezen.

2. Methodologie

De auteurs introduceren FC-SEM (Factor- and Composite-based SEM). Dit is een nieuwe specificatie die het mogelijk maakt om zowel gemeenschappelijke factoren als composieten in één model te schatten binnen het traditionele SEM-raamwerk.

Kerncomponenten van de methode:

Modelspecificatie:
- Factoren: Worden gemodelleerd volgens de standaard reflectieve vergelijking: $y_f = \Lambda_f \eta_f + \varepsilon_f$ .
- Composieten: Worden gemodelleerd als een lineaire combinatie: $\eta_c = W' y_c$ , waarbij $W$ de gewichten zijn. De variantie en covariantie van de indicatoren die een composite vormen, worden niet beperkt door het model, maar zijn vrije parameters (opgeslagen in matrix $T$ ).
- Structuur: De relaties tussen constructen (zowel factoren als composieten) worden beschreven via een structureel model: $\eta = B\eta + \zeta$ .
Afgeleide Variantie-Covariantie Matrix:
De auteurs leiden een gesloten vorm af voor de model-impliciete variantie-covariantie matrix ( $\Sigma(\theta)$ ) van de indicatoren. Cruciaal hierbij is de afleiding van composite loadings ( $\Lambda_c$ ), die de relatie tussen de composite en zijn indicatoren beschrijven in termen van de gewichten en de covarianties van de indicatoren.
De uiteindelijke matrix is: $\Sigma(\theta) = \Lambda V(\eta) \Lambda' + \Theta$ , waarbij $\Theta$ de onbeperkte covarianties van de composite-indicatoren bevat.
Identificatie:
Voor identificatie moeten zowel de factoren als de composieten geschaald worden (bijv. door één lading of gewicht te fixeren). Een composite moet bovendien gerelateerd zijn aan ten minste één andere variabele buiten zijn eigen indicatoren om te voorkomen dat de vrijheidsgraden negatief worden.
Schatting:
Omdat een gesloten vorm van $\Sigma(\theta)$ beschikbaar is, kunnen traditionele SEM-schattingen direct worden toegepast, zoals Maximum Likelihood (ML), Generalized Least Squares (GLS) en Weighted Least Squares (WLS). Dit betekent dat ML als "gouden standaard" ook voor modellen met composieten kan worden gebruikt.
Implementatie:
De methode is geïmplementeerd in het open-source R-pakket lavaan. Composieten worden gespecificeerd met de operator <~ (in plaats van =~ voor factoren).

3. Belangrijkste Bijdragen

Unificatie van Factoren en Composieten: FC-SEM biedt een theoretisch onderbouwd raamwerk om beide constructtypes in één model te combineren zonder de beperkingen van eerdere methoden.
Toepassing van Traditionele SEM-tools: Door een geldige variantie-covariantie matrix af te leiden, kunnen onderzoekers nu:
- ML-schattingen gebruiken (in plaats van alleen bootstrapping).
- Analytische standaardfouten en toetsstatistieken berekenen.
- Ontbrekende data (missing values) behandelen via traditionele methoden (bijv. FIML).
- Een volledige modelfit-evaluatie uitvoeren (o.a. $\chi^2$ , SRMR, RMSEA).
Flexibiliteit in Specificatie: In tegenstelling tot de H-O specificatie, vereist FC-SEM geen extra variabelen of complexe "trucs" (zoals het fixeren van foutvarianties op nul). Composieten kunnen zowel als onafhankelijke als afhankelijke variabelen in het structurele model fungeren (mogelijkheid tot mediatie-analyse).
Software-implementatie: De implementatie in lavaan maakt de methode direct toegankelijk voor een breed publiek van onderzoekers.

4. Resultaten

De auteurs valideren de methode via drie stappen:

Scenario-analyse: Een populatiemodel met zowel factoren als composieten werd gesimuleerd. De FC-SEM-methode slaagde erin om de populatieparameters perfect te herstellen wanneer de steekproef de populatie exact representeerde.
Monte Carlo Simulatie: Een simulatie met 1.000 steekproeven (n=500) toonde aan dat de ML-schattingen consistent en onbevooroordeeld zijn. De gemiddelde standaardfouten kwamen overeen met de empirische standaarddeviaties, wat aantoont dat de methode goed presteert in eindige steekproeven.
Empirisch Voorbeeld: De methode werd toegepast op het American Customer Satisfaction Index dataset. De resultaten (gestandaardiseerde parameters) waren zeer vergelijkbaar met die van gevestigde methoden zoals PLSc, IGSCA en de H-O specificatie. Dit bevestigt de validiteit van de aanpak in de praktijk.

5. Betekenis en Conclusie

De introductie van FC-SEM is een significante doorbraak in de SEM-literatuur. Het lost het langdurige probleem op van het modelleren van formatieve constructen (composieten) binnen het traditionele SEM-raamwerk zonder de kracht en flexibiliteit van dat raamwerk te verliezen.

Belangrijkste implicaties:

Onderzoekers hoeven niet langer te kiezen tussen de flexibiliteit van PLS-PM en de strenge modelfit-eisen van traditioneel SEM; ze kunnen nu beide hebben.
Het maakt geavanceerde analyses (zoals multi-group analyses, mediatiestudies met composieten, en behandeling van ontbrekende data) mogelijk voor modellen die composieten bevatten.
Het vermindert de afhankelijkheid van bootstrapping voor inferentie, wat rekenkracht bespaart en analytische eigenschappen van schatters mogelijk maakt.

De auteurs merken op dat toekomstig onderzoek nodig is om de geschiktheid van bestaande fit-maatstaven voor composieten verder te evalueren en om de methode uit te breiden naar softwarepakketten buiten R. Desalniettemin biedt FC-SEM een robuuste, flexibele en toegankelijke oplossing voor complexe structurele vergelijkingenmodellen.