测量模型的基本类型与适用场景
在量表开发与调研问卷信效度检验领域，反映性指标（Reflective Indicators）和形成性指标（Formative Indicators）代表着两种根本不同的测量逻辑，两者在构建方式、信效度检验标准和SEM分析方法上存在系统性差异。准确区分并选用合适的测量模型，是保障市场研究中复杂构念测量有效性的前提。
反映性指标的理论逻辑与检验方法
反映性测量模型假设潜变量（如品牌态度、消费者满意度）是导致观测指标（题目）出现的原因，即指标是潜变量的”镜像反映”。在这一逻辑下，同一构念的多个指标应高度相关，彼此可替换，删除任一指标不应改变构念的概念内涵。调研问卷信效度检验中常见的克隆巴赫α系数、因子载荷和AVE值均是基于反映性测量逻辑设计的检验工具。
反映性模型的信效度检验标准包括：因子载荷应大于0.70、组合信度（CR）应大于0.70、平均方差提取量（AVE）应大于0.50。当某个题项的因子载荷低于0.40时，通常建议删除该题项以提升量表的聚合效度。需要注意的是，反映性模型的内部一致性检验在理论上要求量表题项之间具有高度同质性，因此不适合用于测量多维度概念的单一量表。
形成性指标的理论逻辑与检验方法
形成性测量模型的因果逻辑与反映性模型相反：观测指标共同”形成”或”决定”潜变量，而非被潜变量决定。经典的形成性构念案例是”社会经济地位”——由收入、教育程度、职业声望等不同维度共同构成，各指标之间不必然高度相关，删除任一指标都会改变构念的内容域。在市场研究中，消费者行为障碍指数、品类竞争复杂度等综合评估类指标往往具有形成性测量的特征。
形成性模型的调研问卷信效度检验逻辑与反映性模型完全不同：由于各指标代表不同的理论内容域，内部一致性（α系数）不再是有效的检验工具；取而代之的是外部效度（Nomological Validity）检验（验证构念与其他理论相关构念的关系是否符合预期），以及共线性诊断（各形成性指标之间的VIF值应低于5，以避免指标间的高度共线性）。
反映性与形成性的识别误区与实践后果
在实际市场研究中，将形成性构念错误地用反映性框架进行分析是最常见的调研问卷信效度方法论错误之一。当研究者将形成性量表进行α系数检验，并因指标间相关度低而删除”不一致”的题项时，实际上破坏了构念的内容完整性，导致关键测量维度的遗失。另一个常见误区是将多维度构念设计为单一反映性量表，导致因子分析产生多个因子但被强行合并为单一得分，失去了构念的理论细分结构。
识别指标应使用反映性还是形成性测量模型，需要回答两个核心问题：第一，如果改变潜变量的程度，所有指标是否应该同方向变化（反映性特征）？第二，如果删除某个指标，潜变量的概念域是否发生实质性变化（形成性特征）？通过这两个问题的系统判断，能够在量表开发阶段做出正确的测量模型选择。
PLS-SEM与CB-SEM的适用条件对比
调研问卷信效度研究中测量模型类型的选择与SEM分析方法密切相关。含有形成性指标的模型通常采用PLS-SEM（偏最小二乘结构方程模型）而非传统的CB-SEM（协方差结构方程模型），因为CB-SEM在处理形成性指标时存在识别问题。PLS-SEM对样本量的要求相对宽松（最小样本量通常为最大路径数的10倍），且适用于非正态分布数据，在企业实际调研中具有较广的适用范围。
然而，PLS-SEM并非万能工具。当研究目标是验证先验理论模型的整体拟合度时，CB-SEM提供了更严格的模型检验框架；当模型含有二阶构念（High-Order Constructs）时，两类SEM方法均有特定的建模规范需要遵循。系统掌握反映性与形成性指标的构建差异与检验方法，是提升调研问卷信效度研究质量的核心方法论能力。