Modelowanie równań strukturalnych (SEM)

Modelowanie równań strukturalnych, określane skrótem SEM, umożliwia jednoczesne badanie zależności między wieloma zmiennymi, także takimi, których nie można zaobserwować bezpośrednio, jak satysfakcja, zaufanie czy lojalność. Metoda pozwala sprawdzić, czy przyjęty model wyjaśniający zachowania klientów jest zgodny z danymi z badania ilościowego.

Co to jest modelowanie równań strukturalnych (SEM)?

Modelowanie równań strukturalnych (SEM, z ang. Structural Equation Modeling) to rodzina metod statystycznych służących do testowania modeli opisujących relacje między zmiennymi. Łączy elementy analizy regresji, analizy czynnikowej oraz analizy ścieżek. Jego podstawową cechą jest możliwość analizowania wielu zależności równocześnie, zamiast oceniania każdej z nich osobno.

SEM jest szczególnie przydatne wtedy, gdy przedmiotem badania są konstrukty ukryte, czyli pojęcia nieobserwowalne bezpośrednio. W badaniach rynku mogą to być między innymi postrzegana jakość marki, skłonność do rekomendacji, zaangażowanie klienta, wrażliwość cenowa, zaufanie do dostawcy lub intencja zakupu. Konstrukty te mierzy się zwykle za pomocą zestawu pytań ankietowych, czyli wskaźników obserwowalnych.

Typowy model SEM składa się z dwóch powiązanych części:

• modelu pomiarowego – określa, w jaki sposób pytania lub wskaźniki mierzą konstrukty ukryte, na przykład czy deklaracje dotyczące obsługi, produktu i komunikacji rzeczywiście tworzą wymiar satysfakcji;
• modelu strukturalnego – opisuje kierunek i siłę zależności między konstruktami, na przykład wpływ jakości obsługi na satysfakcję, a następnie satysfakcji na lojalność.

W praktyce modelowanie równań strukturalnych rozpoczyna się od hipotez opartych na wiedzy o kategorii, wcześniejszych badaniach, teorii zachowań konsumentów lub danych jakościowych. Następnie sprawdza się, czy dane empiryczne wspierają założony układ relacji. Analiza może uwzględniać efekty bezpośrednie, pośrednie oraz całkowite. Dzięki temu można ustalić nie tylko, czy dana cecha wpływa na wynik biznesowy, lecz także przez jaki mechanizm ten wpływ zachodzi.

SEM nie dowodzi samodzielnie związku przyczynowo-skutkowego. Kierunek relacji wynika przede wszystkim z modelu badawczego, projektu pomiaru i przesłanek merytorycznych. Wynik statystyczny może wzmacniać wiarygodność hipotezy, ale nie zastępuje dobrze zaprojektowanego badania.

Zastosowanie modelowania równań strukturalnych (SEM) w praktyce

Modelowanie równań strukturalnych stosuje się przede wszystkim w badaniach ilościowych, gdy problem decyzyjny dotyczy sieci wzajemnie powiązanych czynników. Metoda jest użyteczna dla zespołów marketingowych, badaczy rynku, analityków customer experience oraz menedżerów odpowiedzialnych za rozwój oferty i relacji z klientami.

Zastosowanie SEM w badaniach marketingowych pozwala przejść od prostego opisu wyników ankiety do oceny mechanizmów wpływających na zachowanie odbiorców. Zamiast ograniczać analizę do stwierdzenia, że klienci są mniej lub bardziej zadowoleni, można zbadać, które elementy doświadczenia najsilniej budują satysfakcję oraz czy przekłada się ona na retencję, rekomendacje lub skłonność do ponownego zakupu.

Modelowanie równań strukturalnych może znaleźć zastosowanie między innymi w następujących projektach:

• w badaniach marki – do analizy wpływu świadomości, skojarzeń, wizerunku i zaufania na preferencję marki;
• w badaniach satysfakcji i customer experience – do identyfikacji czynników wpływających na satysfakcję, lojalność oraz gotowość do polecenia;
• w badaniach B2B – do oceny, jak jakość współpracy, kompetencje opiekuna klienta, warunki handlowe i niezawodność dostaw wpływają na utrzymanie kontraktu;
• w badaniach produktów cyfrowych – do badania relacji między użytecznością, łatwością korzystania, zaufaniem do platformy i intencją dalszego używania;
• w analizie komunikacji marketingowej – do oceny, czy rozpoznawalność kampanii wpływa na postawy wobec marki, a następnie na deklarowaną intencję zakupu.

W projektach mixed-methods SEM bywa poprzedzane badaniami jakościowymi. Wywiady indywidualne, grupy fokusowe lub analiza otwartych wypowiedzi pomagają ustalić, jakie czynniki są rzeczywiście istotne dla badanej grupy. Na tej podstawie można przygotować model pojęciowy i kwestionariusz, a następnie zweryfikować założenia w badaniu ilościowym. Takie połączenie jest szczególnie wartościowe w nowych kategoriach produktowych oraz w sytuacji, gdy język klientów różni się od języka stosowanego wewnątrz organizacji.

Modelowanie równań strukturalnych (SEM) a powiązane metody

Modelowanie równań strukturalnych należy odróżnić od pojedynczej regresji liniowej. Regresja bada zwykle wpływ jednego zestawu zmiennych niezależnych na jedną zmienną zależną. SEM pozwala modelować wiele równań jednocześnie, uwzględniać zmienne ukryte oraz analizować łańcuchy zależności pośrednich.

Istotnie powiązaną metodą jest analiza czynnikowa. Jej celem jest określenie, czy zestaw pytań tworzy spójne wymiary, na przykład czy kilka ocen dotyczących kontaktu z marką opisuje jeden konstrukt zaufania. W modelowaniu równań strukturalnych analiza czynnikowa stanowi część modelu pomiarowego, natomiast SEM idzie dalej i bada relacje między zidentyfikowanymi konstruktami.

SEM bywa także zestawiane z analizą ścieżek. Analiza ścieżek opisuje zależności między zmiennymi obserwowalnymi, podczas gdy modelowanie równań strukturalnych pozwala dodatkowo uwzględnić błąd pomiaru i konstrukty latentne. Ma to znaczenie w badaniach ankietowych, ponieważ odpowiedzi na pojedyncze pytanie nie są idealnym odzwierciedleniem postawy lub doświadczenia respondenta.

W praktyce wykorzystywane są dwa główne podejścia do SEM:

• SEM oparty na kowariancji – stosowany głównie do testowania teorii i oceny, czy dane pasują do wcześniej określonego modelu;
• PLS-SEM – podejście częściej wykorzystywane w analizach nastawionych na predykcję, rozwój modelu oraz identyfikację czynników o największym znaczeniu dla określonego wyniku.

Wybór podejścia powinien wynikać z celu analizy, jakości danych, charakteru zmiennych oraz dojrzałości modelu teoretycznego. Nie należy traktować PLS-SEM i SEM opartego na kowariancji jako metod zamiennych bez analizy tych uwarunkowań.

Warunki i ograniczenia stosowania modelowania równań strukturalnych (SEM)

Wiarygodność wyników SEM zależy w dużej mierze od jakości projektu badawczego. Nawet poprawnie oszacowany model nie będzie użyteczny, jeśli pytania ankietowe nie mierzą właściwych zjawisk albo hipotezy nie mają uzasadnienia w realiach rynku.

Przed zastosowaniem modelowania równań strukturalnych warto zweryfikować kilka kwestii:

• czy konstrukty zostały jasno zdefiniowane i odróżnione od siebie;
• czy wskaźniki pomiarowe są zrozumiałe dla respondentów i odpowiadają celowi badania;
• czy model nie jest nadmiernie rozbudowany w stosunku do dostępnych danych;
• czy założony kierunek relacji wynika z wiedzy merytorycznej, a nie wyłącznie z wyniku analizy;
• czy interpretacja obejmuje zarówno istotność relacji, jak i ich znaczenie biznesowe.

Modelowanie równań strukturalnych wymaga także ostrożności przy interpretacji wskaźników dopasowania modelu. Dobre dopasowanie nie oznacza automatycznie, że model jest jedynym możliwym wyjaśnieniem obserwowanych danych. Z kolei słabsze dopasowanie może sygnalizować problem z teorią, pomiarem, doborem próby lub specyfiką badanego segmentu.

Największą wartość SEM daje wtedy, gdy analiza prowadzi do konkretnych decyzji: wskazuje priorytety poprawy doświadczenia klienta, pomaga uporządkować czynniki budujące kapitał marki lub wyjaśnia, dlaczego deklarowana satysfakcja nie przekłada się na lojalność. W takich zastosowaniach modelowanie równań strukturalnych stanowi narzędzie łączące dane ankietowe z interpretacją potrzebną w zarządzaniu marketingiem i relacjami z rynkiem.