Моделирование пути методом частичных наименьших квадратов - Partial least squares path modeling

В моделирование методом частичных наименьших квадратов или же моделирование структурных уравнений методом частичных наименьших квадратов (PLS-PM, PLS-SEM)[1][2][3] это метод структурное моделирование уравнение что позволяет оценивать сложные модели причинно-следственных связей с скрытые переменные.

Обзор

PLS-PM[4][5] - это компонентный подход к оценке, который отличается от ковариационного структурное моделирование уравнение. В отличие от ковариационных подходов к моделированию структурным уравнением, PLS-PM не соответствует общей факторной модели для данных, а скорее подходит для составной модели.[6][7] При этом он максимизирует объясненную дисперсию (хотя, что это означает со статистической точки зрения, неясно, и пользователи PLS-PM не согласны с тем, как эта цель может быть достигнута).

Кроме того, с помощью корректировки PLS-PM также может последовательно оценивать определенные параметры общих факторных моделей с помощью подхода, называемого согласованным PLS (PLSc).[8] Еще одна связанная разработка - это факторный PLS-PM (PLSF), в одном из вариантов которого PLSc используется в качестве основы для оценки факторов в общих факторных моделях; этот метод значительно увеличивает количество параметров модели общего фактора, которые могут быть оценены, эффективно устраняя разрыв между классическим PLS и моделированием структурных уравнений на основе ковариации.[9] Кроме того, PLS-PM можно использовать для прогнозирования вне выборки,[10] и может использоваться как оценщик в подтверждающий композитный анализ.[11][12]

Модель структурного уравнения PLS состоит из двух подмоделей: модели измерения и модели конструкции. Модель измерения представляет отношения между наблюдаемыми данными и скрытые переменные. Структурная модель представляет отношения между скрытыми переменными.

Итерационный алгоритм решает модель структурного уравнения путем оценки скрытые переменные с помощью чередующихся этапов измерения и структурной модели, отсюда и название процедуры - частичная. Модель измерения оценивает скрытые переменные как взвешенную сумму своих явных переменных. Структурная модель оценивает скрытые переменные с помощью простых или множественных линейная регрессия между скрытыми переменными, оцененными с помощью модели измерения. Этот алгоритм повторяется до тех пор, пока не будет достигнута сходимость.

С появлением программных приложений PLS-PM стал особенно популярным в таких дисциплинах социальных наук, как бухгалтерский учет,[13][14] семейный бизнес,[15] маркетинг[16] Информационные системы управления,[17][18] управление операциями,[19] стратегическое управление,[20] и туризм.[21] В последнее время такие области, как инженерное дело, науки об окружающей среде,[22] лекарство,[23] и политические науки более широко использовать PLS-PM для оценки сложных моделей причинно-следственных связей с скрытые переменные. Таким образом, они анализируют, исследуют и проверяют свои установленные и лежащие в основе концептуальные модели и теория.

PLS критически рассматривается несколькими исследователями-методологами.[24][25] Основным предметом разногласий было утверждение, что PLS-PM всегда можно использовать с очень маленькими размерами выборки.[26] Недавнее исследование предполагает, что это утверждение в целом необоснованно, и предлагает два метода оценки минимального размера выборки в PLS-PM.[27][28] Еще одним предметом разногласий является специальный способ разработки PLS-PM и отсутствие аналитических доказательств, подтверждающих его основную особенность: выборочное распределение весов PLS. Однако PLS-PM по-прежнему считается предпочтительным (по сравнению с CB-SEM), когда неизвестно, является ли природа данных на основе общих факторов или составной.[29]

Смотрите также

Рекомендации

  1. ^ Hair, J.F .; Hult, G.T.M .; Рингл, К.; Зарштедт, М. (2017). Учебник по моделированию структурных уравнений методом неполных наименьших квадратов (PLS-SEM) (2-е изд.). Таузенд-Оукс, Калифорния: Сейдж. ISBN  9781483377445.
  2. ^ Винзи, В.Е .; Trinchera, L .; Амато, С. (2010). Справочник частичных наименьших квадратов. Springer Berlin Heidelberg.
  3. ^ Hair, J.F .; Sarstedt, M .; Рингл, К.; Гудерган, С.П. (2018). Расширенные проблемы моделирования структурных уравнений методом наименьших квадратов (PLS-SEM). Таузенд-Оукс, Калифорния: Сейдж. ISBN  9781483377391.
  4. ^ Уолд, Х. О. А. (1982). «Мягкое моделирование: базовый дизайн и некоторые расширения». В Jöreskog, K. G .; Уолд, Х. О. А. (ред.). Системы под косвенным наблюдением: Часть II. Амстердам: Северная Голландия. С. 1–54. ISBN  0-444-86301-X.
  5. ^ Lohmöller, J.-B. (1989). Моделирование скрытого переменного пути с помощью частичных наименьших квадратов. Гейдельберг: Physica. ISBN  3-7908-0437-1.
  6. ^ Хенселер, Йорг; Дейкстра, Тео К .; Сарштедт, Марко; Рингл, Кристиан М .; Диамантопулос, Адамантиос; Штрауб, Детмар В .; Кетчен, Дэвид Дж .; Волосы, Джозеф Ф .; Халт, Г. Томас М. (2014-04-10). «Общие убеждения и действительность о PLS». Организационные методы исследования. 17 (2): 182–209. Дои:10.1177/1094428114526928.
  7. ^ Rigdon, E. E .; Sarstedt, M .; Рингл, М. (2017). «О сравнении результатов CB-SEM и PLS-SEM: пять точек зрения и пять рекомендаций». Маркетинг ZFP. 39 (3): 4–16. Дои:10.15358/0344-1369-2017-3-4.
  8. ^ Дейкстра, Тео К .; Хенселер, Йорг (01.01.2015). «Согласованные и асимптотически нормальные оценки PLS-PM для линейных структурных уравнений». Вычислительная статистика и анализ данных. 81: 10–23. Дои:10.1016 / j.csda.2014.07.008.
  9. ^ Кок, Н. (2019). От композитов к факторам: устранение разрыва между PLS и моделированием структурных уравнений на основе ковариации. Журнал информационных систем, 29 (3), 674-706.
  10. ^ Шмуэли, Галит; Рэй, Сумья; Веласкес Эстрада, Хуан Мануэль; Чатла, Сунил Бабу (01.10.2016). «Слон в комнате: прогнозирование моделей PLS». Журнал бизнес-исследований. 69 (10): 4552–4564. Дои:10.1016 / j.jbusres.2016.03.049.
  11. ^ Hair, J. F .; Howard, M.C .; Ницль, К. (2020). «Оценка качества модели измерения в PLS-SEM с использованием подтверждающего композитного анализа». Журнал бизнес-исследований. 109: 101–110. Дои:10.1016 / j.jbusres.2019.11.069.
  12. ^ Шуберт, Флориан; Хенселер, Йорг; Дейкстра, Тео К. (2018). «Подтверждающий композитный анализ». Границы в психологии. 9: 2541. Дои:10.3389 / fpsyg.2018.02541. ЧВК  6300521. PMID  30618962.
  13. ^ Ницль, К. (2016). «Использование моделирования структурных уравнений методом наименьших квадратов (PLS-SEM) в исследованиях управленческого учета: направления для будущего развития теории». Журнал бухгалтерской литературы. 37: 19–35. Дои:10.1016 / j.acclit.2016.09.003.
  14. ^ Nitzl, C .; Чин, В. В. (2017). «Пример моделирования пути методом частичных наименьших квадратов (PLS) в управленческом учете». Журнал управленческого контроля. 28: 137–156. Дои:10.1007 / s00187-017-0249-6. S2CID  113867355.
  15. ^ Sarstedt, M .; Ringle, C.M .; Smith, D .; Reams, R .; Волосы, J.F. (2014). «Моделирование структурного уравнения методом неполных наименьших квадратов (PLS-SEM): полезный инструмент для исследователей семейного бизнеса». Журнал стратегии семейного бизнеса. 5 (1): 105–115. Дои:10.1016 / j.jfbs.2014.01.002.
  16. ^ Sarstedt, M .; Ringle, C.M .; Hair, J.F .; Mena, J.A. (2012). "Оценка использования моделирования структурных уравнений методом наименьших квадратов в маркетинговых исследованиях". Журнал Академии маркетинговых наук. 40 (3): 414–433. Дои:10.1007 / s11747-011-0261-6. S2CID  167672022.
  17. ^ Шмитц, К. В., Тенг, Дж. Т., и Уэбб, К. Дж. (2016). Захват сложности гибкого использования ИТ: теория адаптивного структурирования для людей. Management Information Systems Quarterly, 40 (3), 663-686.
  18. ^ Ringle, C.M .; Sarstedt, M .; Штрауб, Д. (2012). «Критический взгляд на использование PLS-SEM в MIS Quarterly» (PDF). MIS Quarterly. 36 (1): iii-xiv. Дои:10.2307/41410402. JSTOR  41410402. Архивировано из оригинал (PDF) на 2018-04-03. Получено 2015-08-02.
  19. ^ Peng, D.X .; Лай, Ф. (2012). «Использование частичных наименьших квадратов в исследованиях управления операциями: практическое руководство и резюме прошлых исследований». Журнал оперативного управления. 30 (6): 467–480. Дои:10.1016 / j.jom.2012.06.002.
  20. ^ Hair, J.F .; Sarstedt, M .; Pieper, T .; Рингл, К. (2012). «Использование моделирования структурных уравнений методом наименьших квадратов в исследованиях стратегического управления: обзор прошлой практики и рекомендации для будущих приложений». Долгосрочное планирование. 45 (5–6): 320–340. Дои:10.1016 / j.lrp.2012.09.008.
  21. ^ Расуолиманеш, С.М., Джаафар, М., Кок, Н. и Ахмад, А.Г. (2017). Влияние факторов сообщества на восприятие жителями внесения в Список всемирного наследия и устойчивого развития туризма. Журнал устойчивого туризма, 25 (2), 198-216.
  22. ^ Брюэр Т.Д., Синнер Дж. Э., Фишер Р., Грин А. и Уилсон С. (2012). Доступ к рынкам, плотность населения и социально-экономическое развитие объясняют разнообразие и биомассу функциональных групп сообществ рыб коралловых рифов. Глобальное изменение окружающей среды, 22 (2), 399-406.
  23. ^ Берглунд, Э., Лыцы, П., и Вестерлинг, Р. (2012). Приверженность и убеждения в лечении гиполипидемической терапии: подход к моделированию структурного уравнения, включая концепцию необходимости. Обучение и консультирование пациентов, 91 (1), 105-112.
  24. ^ Rönkkö, M .; McIntosh, C.N .; Antonakis, J .; Эдвардс, Дж. Р. (2016). «Моделирование методом частичных наименьших квадратов: время для серьезных размышлений». Журнал оперативного управления. 47–48: 9–27. Дои:10.1016 / j.jom.2016.05.002.
  25. ^ Гудхью Д. Л., Льюис В. и Томпсон Р. (2012). Есть ли у PLS преимущества для небольшого размера выборки или нестандартных данных? MIS Quarterly, 981-1001.
  26. ^ Кок, Н., и Хадая, П. (2018). Оценка минимального размера выборки в PLS-SEM: методы обратного квадратного корня и гамма-экспоненты. Журнал информационных систем, 28 (1), 227–261.
  27. ^ Кок, Н., и Хадая, П. (2018). Оценка минимального размера выборки в PLS-SEM: методы обратного квадратного корня и гамма-экспоненты. Журнал информационных систем, 28 (1), 227–261.
  28. ^ Сарштедт, Марко; Чеа, Джун-Хва (27.06.2019). «Моделирование структурных уравнений методом частных наименьших квадратов с использованием SmartPLS: обзор программного обеспечения». Журнал маркетинговой аналитики. 7 (3): 196–202. Дои:10.1057 / с41270-019-00058-3. ISSN  2050-3318.
  29. ^ Sarstedt, M .; Hair, J.F .; Ringle, C.M .; Thiele, K.O .; Гудерган, С.П. (2016). «Проблемы с оценкой PLS и CBSEM: в чем заключается предвзятость!». Журнал бизнес-исследований. 69 (10): 3998–4010. Дои:10.1016 / j.jbusres.2016.06.007.