Czym jest modelowanie równań strukturalnych PLS?


Modelowanie równań strukturalnych PLS (PLS-SEM) to statystyczne podejście do modelowania złożonych wielowymiarowych relacji między obserwowanymi i ukrytymi zmiennymi. Od kilku lat podejście to stało się popularne w licznych obszarach nauki (Tenenhaus, Esposito, Chatelin, & Lauro, 2005). Modele równań strukturalnych obejmują szereg metodologii statystycznych umożliwiających oszacowanie przyczynowej teoretycznej sieci relacji ze złożonymi ukrytymi zmiennymi.

Podejścia do analizy modelowania równań strukturalnych PLS

Pierwsza prezentacja sfinalizowanego podejścia PLS do modelowania równań strukturalnych ze zmiennymi ukrytymi została opublikowana przez Wolda w 1979 r., A następnie główne odniesienia do algorytmu PLS to Wold (1982 i 1985).

Herman Wold sprzeciwił się podejściu modelowania równań strukturalnych w programie LISREL (Jöreskog, 1970), czyli twardemu modelowani wymagającego kilka set obserwacji w analizie. Faworyzował on „miękkie modelowanie” PLS, które zwraca fajne wyniki już przy kilkudziesięciu obserwacjach w baniu. Te dwa podejścia do modelowania równań strukturalnych zostały porównane w publikacji Jöreskoga i Wolda (1982).

Na czym polega modelowanie równań strukturalnych PLS?

Z punktu widzenia modelowania równań strukturalnych, PLS-SEM jest podejściem opartym na komponentach, w którym pojęcie przyczynowości jest sformułowane w kategoriach liniowych relacji. Modelowanie równań strukturalnych w odmianie PLS szuka raczej optymalnych liniowych zależności predykcyjnych niż mechanizmów przyczynowych, uprzywilejowując zorientowany na predykcję proces odkrywania zorientowany na testowanie statystyczne hipotez przyczynowych. Dwa bardzo ważne artykuły przeglądowe dotyczące podejścia do modelowania równań strukturalnych PLS to Chin (1998), bardziej zorientowane na praktycznie rozwiązania i Tenenhaus (Tenenhaus et al., 2005), bardziej zorientowane na weryfikację teorii.

Analizę modelowania równań strukturalnych PLS można wykorzystać do wszystkiego?

Ponadto modelowanie równań strukturalnych PLS można wykorzystać do analizy wielu danych, w podgrupach, moderacji, mediacji, moderowanej mediacji, analizy inwariancji i heterogeniczności (Berlin, Williams, & Parra, 2014; A. Hayes, 2013; A. F. Hayes, 2013; Jorg & Ringle, 2016). W rzeczywistości PLS-PM można postrzegać jako bardzo elastyczne podejście do analizy wielowymiarowej zarówno za pomocą hierarchicznego modelu ścieżkowego PLS, jak i modelu ścieżki konfirmacyjnej PLS (Kock, 2016). Podejście to wyraźnie pokazuje, w jaki sposób tradycja „analizy opartej na danych” może być stosowana w tradycji „modelowania równań strukturalnych”.

Żródło:

Berlin, K. S., Williams, N. A., & Parra, G. R. (2014). An introduction to latent variable mixture modeling (Part 1): Overview and cross-sectional latent class and latent profile analyses. Journal of Pediatric Psychology, 39(2), 174–187. https://doi.org/10.1093/jpepsy/jst084

Hayes, A. (2013). Introduction to mediation, moderation, and conditional process analysis. New York, NY: Guilford, (August), 3–4. https://doi.org/978-1-60918-230-4

Hayes, A. F. (2013). Introduction. Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach, 3–22. https://doi.org/10.1111/jedm.12050

Jorg, C., & Ringle, C. M. (2016). Testing Measurement Invariance of Composites Using Partial Least Squares. International Marketing Review, 33(3), 405–431. https://doi.org/10.1108/IMR-09-2014-0304

Kock, N. (2016). Statistical power with respect to true sample and true population paths : A PLS-based SEM illustration, 1–19. https://doi.org/10.1504/IJDATS.2016.081365

Tenenhaus, M., Esposito, V. V., Chatelin, Y.-M., & Lauro, C. (2005). PLS path modeling. Computational Statistics & Data Analysis, 48(1), 159–205. https://doi.org/10.1016/j.csda.2004.03.005