OpenPLS
ZH
免费开始使用
PLS-SEM 方法

HTMT 比值：评估区分效度

相关性的异质-同质特质比(HTMT)是检验 PLS-SEM 模型中两个构念是否在实证上彼此区分的现代标准。本页解释它测量什么、如何对照 0.85 与 0.90 的阈值来解读、它的变体，以及大多数初次投稿会踩的坑。

HTMT 比值测量什么

区分效度提出一个简单的问题:理论上被视为不同的两个构念，在数据中是否真的不同?HTMT 估计的是,如果两个构念在没有测量误差的情况下被测量,它们之间的相关会是多少。它是两个构念之间指标的平均相关(异质特质)与每个构念内部指标的平均相关(同质特质)之比。

该比值越接近 1,两个构念的重叠就越多,区分效度也越弱。HTMT 由 Henseler、Ringle 和 Sarstedt (2015) 提出,能够发现较早的 Fornell-Larcker 准则和交叉载荷检查经常遗漏的区分效度问题。

计算示例

信任与质量这两个构念,用反映型指标来测量。它们的指标在两个构念之间的平均相关(异质特质),相对于每个构念内部的平均相关(同质特质),得到 HTMT = 0.78。由于 0.78 低于保守阈值 0.85,这两个构念在实证上彼此区分。

如果该值算出来是 0.93,你会得出两个构念重叠过多、不能当作各自独立来处理的结论,并重新审视测量模型。

Trust Quality HTMT = 0.78 < 0.85 · distinct
HTMT(信任, 质量) = 0.78,低于 0.85 的阈值,因此两个构念彼此区分。

如何解读阈值

你将每一对的 HTMT 值与一个临界值比较。采用哪个临界值,取决于两个构念在概念上有多相似。

HTMT < 0.85
保守阈值。当两个构念在概念上明确不同时使用。低于 0.85 是区分效度的明确证据。
HTMT < 0.90
宽松阈值。当两个构念在概念上接近时(例如认知态度与情感态度)可以成立。
HTMT ≥ 0.90
存在区分效度问题。两个构念很可能测量的是同一事物。可考虑合并它们、删除重叠的指标,或重新审视测量模型。

在 0.85 与 0.90 之间的选择必须基于理论依据,在看到结果之前确定,而不是事后为了通过而选择。

HTMT、HTMT2 与统计推断

HTMT

基于指标相关算术平均的原始比值。默认且最常报告的数值。

HTMT2

Roemer、Schuberth 和 Henseler (2021) 提出的改进,使用几何平均。当某构念的指标不满足 tau 等价(载荷差异很大)时更为合适。

HTMT 推断

不与固定临界值比较,而是对每个 HTMT 用自助法估计一个置信区间,检查其上限是否保持在 1(或你的阈值)以下。这样区分效度就成为一个正式的统计检验。

逐步评估区分效度

  1. 为模型中每一对构念计算完整的 HTMT 矩阵。
  2. 为每一对选择阈值:概念上不同的构念用 0.85,概念上接近的用 0.90。
  3. 标记所有达到或超过其阈值的配对。
  4. 对被标记或处于临界的配对,用自助法估计 HTMT 置信区间,确认上限保持在 1 以下。
  5. 若某对未通过,先修订测量模型,再解读路径系数。在构念彼此区分之前,后续任何结果都不可信。

常见误区

  • 只报告 Fornell-Larcker 准则。如今单独使用被认为不足,审稿人会期待 HTMT。
  • 为了通过,对并不概念相似的构念使用 0.90 的阈值。
  • 把单一点估计当作证据。一个置信区间触及 0.95 的 0.84 并不干净。
  • 当构念内部指标载荷差异很大时,忽略 HTMT2。

OpenPLS 中的 HTMT

一旦你计算模型,OpenPLS 就会在质量标准面板中显示完整的 HTMT 矩阵,并附带 HTMT2 和基于自助法的置信区间。超过你所选阈值的配对会被自动高亮,因此无需手工构建矩阵即可发现区分效度问题。免费,且在浏览器中运行。

在你自己的模型上检查区分效度

在可视化编辑器中构建模型,一次计算即可获得 HTMT 矩阵、HTMT2 和自助法区间。免费,无需安装。

打开 OpenPLS 什么是 PLS-SEM?

常见问题

多少的 HTMT 值算好?
概念上不同的构念应低于 0.85,概念上相似的应低于 0.90。越低越好:这表示两个构念清晰分离。
HTMT 与 Fornell-Larcker 准则有何区别?
两者都评估区分效度,但 HTMT 灵敏得多。模拟研究表明,Fornell-Larcker 准则常常检测不到的区分效度不足,HTMT 能够发现,因此 HTMT 现已成为推荐标准。
什么时候应该用 HTMT2 而不是 HTMT?
当某构念的指标载荷差异很大(不满足 tau 等价)时使用 HTMT2。它基于几何平均,在这种情况下偏差更小。

延伸阅读

奠基性文献为 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。关于几何平均变体,参见 Roemer, E., Schuberth, F., & Henseler, J. (2021). HTMT2 - an improved criterion for assessing discriminant validity. Industrial Management & Data Systems, 121(12), 2637-2650。