Частичное моделирование пути методом наименьших квадратов
Моделирование пути частичных наименьших квадратов или моделирование структурных уравнений частичных наименьших квадратов ( PLS-PM , PLS-SEM ) [1] [2] [3] это метод моделирования структурными уравнениями , который позволяет оценивать сложные причинно-следственные связи в траекторных моделях со скрытыми переменными .
Обзор
[ редактировать ]ПЛС-ПМ [4] [5] на основе ковариации — это подход к оценке на основе компонентов, который отличается от моделирования структурными уравнениями . В отличие от подходов к моделированию структурными уравнениями, основанных на ковариации, PLS-PM не соответствует данным общей факторной модели, а скорее соответствует составной модели. [6] [7] При этом максимизируется величина объясняемой дисперсии (хотя, что это означает со статистической точки зрения, неясно, и пользователи PLS-PM не согласны с тем, как можно достичь этой цели).
Кроме того, путем корректировки PLS-PM также способен последовательно оценивать определенные параметры моделей с общими факторами с помощью подхода, называемого последовательным PLS-PM (PLSc-PM). [8] Еще одной связанной разработкой является факторная PLS-PM (PLSF), разновидность которой использует PLSc-PM в качестве основы для оценки факторов в общих факторных моделях; этот метод значительно увеличивает количество параметров модели с общими факторами, которые можно оценить, эффективно устраняя разрыв между классическим PLS-PM и моделированием структурных уравнений на основе ковариации. [9]
Модель структурного уравнения PLS-PM состоит из двух подмоделей: модели измерения и структурной модели. Модели измерений представляют отношения между наблюдаемыми данными и скрытыми переменными . Структурная модель представляет отношения между скрытыми переменными.
Итерационный алгоритм решает модель структурного уравнения, оценивая скрытые переменные , используя измерение и структурную модель на чередующихся шагах, отсюда и название процедуры — частичный. Модель измерения оценивает скрытые переменные как взвешенную сумму явных переменных. Структурная модель оценивает скрытые переменные посредством простой или множественной линейной регрессии между скрытыми переменными, оцененными с помощью модели измерения. Этот алгоритм повторяется до тех пор, пока не будет достигнута сходимость.
PLS критически рассматривается некоторыми исследователями-методологами. [10] [11] Основным предметом разногласий было утверждение о том, что PLS-PM всегда можно использовать при очень небольших размерах выборки. [12] Недавнее исследование показывает, что это утверждение в целом неоправданно, и предлагает два метода оценки минимального размера выборки в PLS-PM. [13] [14] Еще одним предметом разногласий является специальный подход к разработке PLS-PM и отсутствие аналитических доказательств, подтверждающих его главную особенность: выборочное распределение весов PLS-PM. Однако PLS-PM по-прежнему считается предпочтительным (по сравнению с моделированием структурных уравнений на основе ковариации), когда неизвестно, является ли природа данных основанной на общих факторах или на основе составных данных. [15]
См. также
[ редактировать ]- Частичная регрессия наименьших квадратов
- Анализ главных компонентов
- Моделирование структурными уравнениями
Ссылки
[ редактировать ]- ^ Волосы, JF; Хульт, GTM; Рингл, CM ; Сарстедт, М. (2017). Учебник по моделированию структурных уравнений частичных наименьших квадратов (PLS-SEM) (2-е изд.). Таузенд-Оукс, Калифорния: Сейдж. ISBN 9781483377445 .
- ^ Винзи, В.Е.; Тринчера, Л.; Амато, С. (2010). Справочник по частичным наименьшим квадратам . Шпрингер Берлин Гейдельберг.
- ^ Волосы, JF; Сарстедт, М.; Рингл, CM ; Гудерган, СП (2018). Сложные вопросы моделирования структурных уравнений методом частичных наименьших квадратов (PLS-SEM) . Таузенд-Оукс, Калифорния: Сейдж. ISBN 9781483377391 .
- ^ Уолд, ТСЖ (1982). «Мягкое моделирование: базовая конструкция и некоторые расширения». В Йорескуге, КГ; Уолд, ТСЖ (ред.). Системы под непрямым наблюдением: Часть II . Амстердам: Северная Голландия. стр. 1–54. ISBN 0-444-86301-Х .
- ^ Ломёллер, Ж.-Б. (1989). Моделирование пути со скрытой переменной с использованием частичного метода наименьших квадратов . Гейдельберг: Физика. ISBN 3-7908-0437-1 .
- ^ Хенселер, Йорг; Дейкстра, Тео К.; Сарстедт, Марко; Рингл, Кристиан М.; Диамантопулос, Адамантиос; Штрауб, Детмар В.; Кетчен, Дэвид Дж.; Волосы, Джозеф Ф.; Хульт, Дж. Томас М. (10 апреля 2014 г.). «Распространенные убеждения и реальность относительно PLS» . Организационные методы исследования . 17 (2): 182–209. дои : 10.1177/1094428114526928 . hdl : 10362/117915 .
- ^ Ригдон, Э.Э.; Сарстедт, М.; 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 .
- ^ Дейкстра, Тео К.; Хенселер, Йорг (01 января 2015 г.). «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 .
- ^ 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.
- ^ Рёнкко, М.; Макинтош, Китай; Антонакис, Дж.; Эдвардс, младший (2016). «Моделирование пути методом частичных наименьших квадратов: время серьезно задуматься» . Журнал оперативного управления . 47–48: 9–27. дои : 10.1016/j.jom.2016.05.002 .
- ^ Гудхью, Д.Л., Льюис, В., и Томпсон, Р. (2012). Имеет ли PLS преимущества для небольшого размера выборки или ненормальных данных? Ежеквартальный журнал MIS, 981-1001.
- ^ Кок, Н., и Хадая, П. (2018). Оценка минимального размера выборки в PLS-SEM: методы обратного квадратного корня и гамма-экспоненциальный метод. Журнал информационных систем, 28 (1), 227–261.
- ^ Кок, Н., и Хадая, П. (2018). Оценка минимального размера выборки в PLS-SEM: методы обратного квадратного корня и гамма-экспоненциальный метод. Журнал информационных систем, 28 (1), 227–261.
- ^ Сарстедт, Марко; Чеа, Джун-Хва (27 июня 2019 г.). «Моделирование структурными уравнениями методом наименьших квадратов с использованием SmartPLS: обзор программного обеспечения» (PDF) . Журнал маркетинговой аналитики . 7 (3): 196–202. дои : 10.1057/s41270-019-00058-3 . ISSN 2050-3318 . S2CID 198334897 .
- ^ Сарстедт, М.; Волосы, JF; Рингл, СМ; Тиле, КО; Гудерган, СП (2016). «Проблемы оценки с помощью PLS и CBSEM: в чем заключается предвзятость!» . Журнал бизнес-исследований . 69 (10): 3998–4010. дои : 10.1016/j.jbusres.2016.06.007 . hdl : 11420/1817 .