Metodolog.pl · praktyczna baza wiedzy

PLS-SEM czy CB-SEM? Porównanie metod i praktyczna decyzja

Neutralne porównanie PLS-SEM i CB-SEM: cel, rodzaj konstruktu, estymacja, dopasowanie, predykcja, próba i raportowanie bez popularnych mitów.

Strona główna / Blog / PLS-SEM czy CB-SEM? Porównanie metod i praktyczna decyzja

Autor: · Opublikowano: · Aktualizacja:

Wybór nie jest konkursem programów. Najpierw określ, czy teoria dotyczy wspólnych czynników, kompozytów czy obu typów, czy celem jest test ograniczeń kowariancyjnych, estymacja ścieżek, tworzenie wyniku czy predykcja poza próbą. Potem porównaj dopuszczalne estymatory.

Najważniejsze różnice

Zestawienie informacji omawianych w tej sekcji
KryteriumCB-SEMPLS-SEM / composite-based SEM
Naturalny punkt wyjściaModel wspólnych czynników i implikowana macierz kowariancji.Wyniki kompozytów tworzone z liniowych kombinacji wskaźników.
Refleksyjne czynnikiBezpośrednio modelowane z błędem pomiaru.Wymagają właściwej korekty, np. PLSc, jeśli mają znaczenie common factor.
KompozytyMożliwe w rozszerzeniach, lecz nie są tym samym co klasyczna CFA.Stanowią naturalny cel metod kompozytowych.
DopasowanieRozbudowana ocena globalna i lokalna modelu kowariancji.Wymaga procedur adekwatnych do modelu kompozytowego; nie kopiuje się mechanicznie progów CB-SEM.
PredykcjaMożliwa, ale trzeba ją jawnie zaplanować i ocenić poza próbą.Często eksponowana jako cel, lecz również wymaga walidacji i benchmarku.
PróbaZależna od modelu, estymatora i precyzji.Również zależna od modelu; PLS nie legalizuje dowolnie małego N.

Drzewo decyzji w sześciu krokach

  1. Zdefiniuj konstrukt. Jeśli istnieje jako wspólna przyczyna wskaźników, rozważ CFA/CB-SEM lub PLSc. Jeśli wynik jest zaprojektowanym kompozytem, rozważ metodę kompozytową.
  2. Nazwij cel. Globalny test ograniczeń i porównanie modeli sprzyjają CB-SEM; konstrukcja kompozytu i analiza jego relacji może sprzyjać composite-based SEM. Predykcja wymaga osobnego planu niezależnie od metody.
  3. Uwzględnij skalę. Dane porządkowe mogą wymagać WLSMV w CB-SEM lub ordPLS/ordPLSc w podejściu PLS.
  4. Sprawdź identyfikację i próbę. Przeprowadź symulację, analizę mocy lub plan precyzji dla kluczowych parametrów. Nie stosuj reguł „10 razy” ani stałego N.
  5. Określ diagnostykę przed analizą. Wspólny czynnik, kompozyt i model strukturalny wymagają innych dowodów jakości.
  6. Wykonaj analizę wrażliwości. Jeżeli dwa uzasadnione estymatory dają różne wnioski, nie wybieraj wygodniejszego — wyjaśnij źródło rozbieżności.

Mity, które warto odrzucić

„PLS nie ma założeń”

Każdy estymator ma warunki poprawnej specyfikacji, jakości danych i interpretacji. Brak testu globalnego używanego w CB-SEM nie oznacza braku ryzyka błędu modelu.

„PLS jest zawsze lepszy dla małych prób”

Mała próba powoduje niestabilność wag, ścieżek i bootstrapowych przedziałów. Metoda może zwrócić liczbę, lecz to nie znaczy, że liczba ma użyteczną precyzję.

„CB-SEM służy tylko potwierdzaniu, PLS tylko predykcji”

Obie rodziny mogą być wykorzystywane w różnych celach, ale cel trzeba przełożyć na konkretną procedurę oceny. Model dopasowany do jednej próby nie ma automatycznie trafności predykcyjnej.

„Podobne współczynniki oznaczają, że metody są równoważne”

Współczynniki mogą odnosić się do różnych obiektów: czynnika, kompozytu albo wyniku zastępczego. Przed porównaniem trzeba ujednolicić teorię pomiaru, skalowanie i definicję parametru.

Przykład decyzji

Badanie zawiera refleksyjną skalę satysfakcji, refleksyjną skalę zaufania i formatywny indeks dostępności usługi. Czyste CB-SEM z samymi czynnikami nie reprezentuje bez dodatkowej specyfikacji indeksu, a klasyczny PLS dla wszystkich bloków ignoruje problem obciążenia wspólnych czynników. Rozwiązaniem może być model mieszany: poprawnie określone wspólne czynniki estymowane z korektą PLSc oraz kompozyt dostępności, albo odpowiedni model SEM z jawną reprezentacją kompozytu. Decyzję raportuje się jako konsekwencję teorii, nie jako przewagę programu.

Przykład zapisu decyzji metodologicznej

PLS-SEM wybrano nie z powodu samej liczebności, lecz dlatego, że głównym obiektem analizy był zdefiniowany a priori kompozyt dostępności utworzony z czterech niezastępowalnych składników. Dwa pozostałe konstrukty określono jako wspólne czynniki refleksyjne i oszacowano z korektą PLSc. Stabilność ścieżek oceniono za pomocą 5000 prób bootstrapowych, a trafność predykcyjną — w dziesięciokrotnej walidacji krzyżowej względem modelu liniowego. Dodatkowy model CB-SEM dla części czynnikowej dał zgodny kierunek i zbliżoną wielkość kluczowej ścieżki; analizę tę oznaczono jako wrażliwościową.

Cztery typowe scenariusze wyboru

Walidacja refleksyjnej skali psychologicznej

Gdy wszystkie konstrukty są wspólnymi czynnikami, a pytanie dotyczy struktury, dopasowania i porównania alternatywnych CFA, CB-SEM jest naturalnym punktem wyjścia. PLSc może być analizą wrażliwości, lecz trzeba porównywać ten sam model czynnikowy, a nie klasyczny PLS-kompozyt.

Indeks dojrzałości organizacyjnej

Jeżeli wynik jest celowo zbudowany z procesów, zasobów i kompetencji, które nie są zamiennymi symptomami, właściwe jest podejście kompozytowe. Największą wagę ma pokrycie domeny, wagi, współliniowość i zewnętrzna użyteczność indeksu.

Model mieszany

Badanie może łączyć refleksyjną satysfakcję z kompozytem dostępności. Wtedy metoda musi obsłużyć oba obiekty bez udawania, że są tym samym. Możliwe jest PLS z korektą dla common factors albo odpowiedni model SEM z kompozytami; opis typu każdego konstruktu jest obowiązkowy.

Projekt stricte predykcyjny

Jeżeli głównym celem jest przewidywanie nowych obserwacji, najważniejsze są podział danych, walidacja krzyżowa, benchmark, kalibracja i koszt błędów. Wybór PLS nie zwalnia z porównania z prostą regresją, regularizacją lub innym modelem adekwatnym do danych.

Analiza wrażliwości, która naprawdę coś sprawdza

Analiza wrażliwości nie polega na uruchomieniu kilku programów i wybraniu większości głosów. Zmieniaj jedną uzasadnioną decyzję naraz: model common factor versus kompozyt, estymator dla danych porządkowych, sposób obsługi braków albo zestaw kontrolny. Dla każdej wersji porównaj znak, wielkość i przedział kluczowego parametru oraz sprawdź, czy znaczenie konstruktu pozostało to samo.

Jeżeli wynik jest stabilny, raport zyskuje wiarygodność. Jeżeli się zmienia, rozbieżność jest informacją o zależności wniosku od założeń. Nie wolno wtedy ogłosić jednego wyniku jako prawdy bez wyjaśnienia. Czasem poprawnym wnioskiem jest, że dostępne dane nie rozstrzygają hipotezy przy rozsądnym zakresie modeli.

Jak raportować porównanie metod?

  • podaj, jakie obiekty estymuje każdy model i czy parametry mają to samo znaczenie;
  • ujednolić próbę, kodowanie, skalowanie i model strukturalny;
  • wyjaśnij, czy refleksyjne konstrukty w PLS używają PLSc;
  • porównaj oszacowania i niepewność, nie tylko istotność;
  • oddziel dopasowanie do próby od predykcji poza próbą;
  • pokaż modele niedopuszczalne oraz replikacje bootstrap odrzucone przez procedurę;
  • nie formułuj rankingu metod na podstawie jednego zastosowania.

Tak opisane porównanie staje się argumentem metodologicznym. Czytelnik widzi, które wnioski wynikają z danych, a które z przyjętej definicji konstruktu i algorytmu.

Co musi znaleźć się w uzasadnieniu wyboru?

  • definicja każdego konstruktu i kierunek pomiaru;
  • główny cel: wyjaśnianie, test ograniczeń, kompozyt lub predykcja;
  • skala danych, estymator i sposób obsługi braków;
  • uzasadnienie próby dla parametrów, nie dla nazwy metody;
  • diagnostyka odpowiednia dla każdego typu konstruktu;
  • analiza wrażliwości, gdy wybór estymatora może zmienić wniosek.

Pojęcia potrzebne do tego zagadnienia

Definicje poniżej rozwijają najważniejsze terminy, pokazują wzory, przykłady i gotowe raportowanie w APA 7.

PLSc (consistent PLS)Confirmatory Composite Analysis (CCA)CFI (Comparative Fit Index)CFA (konfirmacyjna analiza czynnikowa)d_ULS i d_GPLSpredictModel A i Model B w PLS-PMSEM (Modelowanie Równań Strukturalnych)

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Dijkstra i Henseler, 2015).

Planujesz artykuł lub projekt naukowy?

Możemy przygotować plan analityczny, reprodukowalny kod, modele, raport publication-ready i odpowiedź na uwagi recenzentów.

Analizy statystyczne dla badaczyOmów projekt

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Rigdon, E. E., Sarstedt, M., & Ringle, C. M. (2017). On comparing results from CB-SEM and PLS-SEM: Five perspectives and five recommendations. Marketing ZFP, 39(3), 4–16. https://doi.org/10.15358/0344-1369-2017-3-4
  2. Sarstedt, M., Hair, J. F., Ringle, C. M., Thiele, K. O., & Gudergan, S. P. (2016). Estimation issues with PLS and CBSEM: Where the bias lies! Journal of Business Research, 69(10), 3998–4010. https://doi.org/10.1016/j.jbusres.2016.06.007
  3. Dijkstra, T. K., & Henseler, J. (2015). Consistent partial least squares path modeling. MIS Quarterly, 39(2), 297–316. https://doi.org/10.25300/MISQ/2015/39.2.02
  4. Schuberth, F., Henseler, J., & Dijkstra, T. K. (2018). Confirmatory composite analysis. Frontiers in Psychology, 9, 2541. https://doi.org/10.3389/fpsyg.2018.02541
  5. Henseler, J., & Schuberth, F. (2020). Using confirmatory composite analysis to assess emergent variables in business research. Journal of Business Research, 120, 147–156. https://doi.org/10.1016/j.jbusres.2020.07.026
  6. Liengaard, B. D., Sharma, P. N., Hult, G. T. M., Jensen, M. B., Sarstedt, M., Hair, J. F., & Ringle, C. M. (2021). Prediction: Coveted, yet forsaken? Introducing a cross-validated predictive ability test in partial least squares path modeling. Decision Sciences, 52(2), 362–392. https://doi.org/10.1111/deci.12329
  7. Iacobucci, D. (2010). Structural equations modeling: Fit indices, sample size, and advanced topics. Journal of Consumer Psychology, 20(1), 90–98. https://doi.org/10.1016/j.jcps.2009.09.003
  8. Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
  9. Bentler, P. M. (1990). Comparative fit indexes in structural models. Psychological Bulletin, 107(2), 238–246. https://doi.org/10.1037/0033-2909.107.2.238
  10. Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
  11. Lang, T. A., & Altman, D. G. (2015). Basic statistical reporting for articles published in biomedical journals: The SAMPL guidelines. International Journal of Nursing Studies, 52(1), 5–9. https://doi.org/10.1016/j.ijnurstu.2014.09.006
  12. Jarvis, C. B., MacKenzie, S. B., & Podsakoff, P. M. (2003). A critical review of construct indicators and measurement model misspecification in marketing and consumer research. Journal of Consumer Research, 30(2), 199–218. https://doi.org/10.1086/376806

Cytowania BibTeX

@article{rigdon2017compare, author={Rigdon, Edward E. and Sarstedt, Marko and Ringle, Christian M.}, title={On Comparing Results from CB-SEM and PLS-SEM: Five Perspectives and Five Recommendations}, journal={Marketing ZFP}, year={2017}, volume={39}, number={3}, pages={4--16}, doi={10.15358/0344-1369-2017-3-4}}
@article{sarstedt2016bias, author={Sarstedt, Marko and Hair, Joseph F. and Ringle, Christian M. and Thiele, Kai O. and Gudergan, Siegfried P.}, title={Estimation Issues with PLS and CBSEM: Where the Bias Lies!}, journal={Journal of Business Research}, year={2016}, volume={69}, number={10}, pages={3998--4010}, doi={10.1016/j.jbusres.2016.06.007}}
@article{dijkstra2015plsc, author={Dijkstra, Theo K. and Henseler, Jörg}, title={Consistent Partial Least Squares Path Modeling}, journal={MIS Quarterly}, year={2015}, volume={39}, number={2}, pages={297--316}, doi={10.25300/MISQ/2015/39.2.02}}
@article{schuberth2018cca, author={Schuberth, Florian and Henseler, Jörg and Dijkstra, Theo K.}, title={Confirmatory Composite Analysis}, journal={Frontiers in Psychology}, year={2018}, volume={9}, pages={2541}, doi={10.3389/fpsyg.2018.02541}}
@article{henseler2020cca, author={Henseler, Jörg and Schuberth, Florian}, title={Using Confirmatory Composite Analysis to Assess Emergent Variables in Business Research}, journal={Journal of Business Research}, year={2020}, volume={120}, pages={147--156}, doi={10.1016/j.jbusres.2020.07.026}}
@article{liengaard2021cvpat, author={Liengaard, Benjamin D. and Sharma, Pratyush N. and Hult, G. Tomas M. and Jensen, Martin B. and Sarstedt, Marko and Hair, Joseph F. and Ringle, Christian M.}, title={Prediction: Coveted, Yet Forsaken? Introducing a Cross-Validated Predictive Ability Test in Partial Least Squares Path Modeling}, journal={Decision Sciences}, year={2021}, volume={52}, number={2}, pages={362--392}, doi={10.1111/deci.12329}}
@article{iacobucci2010sem, author={Iacobucci, Dawn}, title={Structural Equations Modeling: Fit Indices, Sample Size, and Advanced Topics}, journal={Journal of Consumer Psychology}, year={2010}, volume={20}, number={1}, pages={90--98}, doi={10.1016/j.jcps.2009.09.003}}
@article{hu1999sem, author={Hu, Li-tze and Bentler, Peter M.}, title={Cutoff criteria for fit indexes in covariance structure analysis}, journal={Structural Equation Modeling}, year={1999}, volume={6}, number={1}, pages={1--55}, doi={10.1080/10705519909540118}}
@article{bentler1990cfi, author={Bentler, Peter M.}, title={Comparative fit indexes in structural models}, journal={Psychological Bulletin}, year={1990}, volume={107}, number={2}, pages={238--246}, doi={10.1037/0033-2909.107.2.238}}
@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}
@article{lang2015sampl, author={Lang, Thomas A. and Altman, Douglas G.}, title={Basic statistical reporting for articles published in biomedical journals: the SAMPL guidelines}, journal={International Journal of Nursing Studies}, year={2015}, volume={52}, number={1}, pages={5--9}, doi={10.1016/j.ijnurstu.2014.09.006}}
@article{jarvis2003measurement, author={Jarvis, Cheryl Burke and MacKenzie, Scott B. and Podsakoff, Philip M.}, title={A Critical Review of Construct Indicators and Measurement Model Misspecification in Marketing and Consumer Research}, journal={Journal of Consumer Research}, year={2003}, volume={30}, number={2}, pages={199--218}, doi={10.1086/376806}}
R