Słownik metodologiczny · Modele SEM

FIMIX-PLS

Pełne wyjaśnienie, zastosowanie naukowe i praktyczne, przykład, dobre praktyki oraz gotowy zapis wyniku w APA 7.

Strona główna / Słownik / FIMIX-PLS

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza FIMIX-PLS?

FIMIX-PLS łączy finite mixture modeling z PLS-SEM, aby oszacować nieobserwowane segmenty różniące się parametrami modelu strukturalnego. Każda osoba otrzymuje prawdopodobieństwa przynależności do klas.

Zastosowanie, warunki i dobre praktyki

FIMIX-PLS łączy model mieszanin z PLS-PM, aby wykrywać nieobserwowane segmenty o różnych relacjach strukturalnych. Liczbę klas wybiera się na podstawie kilku kryteriów, jakości separacji, wielkości segmentów i stabilności, a nie jednego najmniejszego BIC. Metoda generuje kandydatów do interpretacji; przypisanie segmentom sensu wymaga zmiennych zewnętrznych i walidacji.

Najważniejsze zastosowanie: Stosuj eksploracyjnie przy podejrzeniu niejawnej heterogeniczności. Porównuj rozwiązania o różnej liczbie klas za pomocą kilku kryteriów, wielu inicjalizacji i minimalnych liczebności segmentów.

Jak poprawnie stosować i interpretować hasło „FIMIX-PLS”?

Przy ocenie hasła „FIMIX-PLS” analiza niejawnej heterogeniczności pyta, czy jedna zbiorcza struktura ukrywa segmenty różniące się parametrami modelu. FIMIX-PLS jest jednym z narzędzi poszukujących takich klas, ale liczba segmentów nie może wynikać tylko z najniższego pojedynczego kryterium informacyjnego. Dla interpretacji hasła „FIMIX-PLS” rozwiązanie musi mieć sens teoretyczny, odpowiednie liczebności i stabilne parametry.

Dla interpretacji hasła „FIMIX-PLS” należy porównać kilka liczb segmentów, wiele wartości początkowych oraz kryteria takie jak BIC, AIC i entropia. W odniesieniu do hasła „FIMIX-PLS” małe lub niestabilne klasy mogą być artefaktem lokalnego optimum. Przy ocenie hasła „FIMIX-PLS” rozwiązanie trzeba sprawdzić na nowych danych albo co najmniej przez resampling i porównać z segmentacją opartą na obserwowalnych cechach.

Co trzeba opisać w raporcie?

Przy ocenie hasła „FIMIX-PLS” raport powinien podać badane liczby klas, liczbę inicjalizacji, kryteria wyboru, wielkości segmentów, prawdopodobieństwa przynależności i stabilność rozwiązania. W analizie dotyczącej hasła „FIMIX-PLS” parametry modelu należy przedstawić osobno dla segmentów wraz z niepewnością, zaznaczając eksploracyjny charakter analizy.

Zakres raportowania dla hasła „FIMIX-PLS”: Podaj zakres K, liczbę startów, kryteria AIC/BIC/CAIC/EN, wielkości klas, entropię lub jakość klasyfikacji i replikację wyników.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Rozwiązania dwu- i trzysegmentowe mogą mieć zbliżone BIC, lecz trzeci segment obejmuje tylko 4% próby i jest niestabilny. Rozsądniejszy może być model dwóch klas lub wniosek nierozstrzygający.

Jak ją zinterpretować: Klasy są kandydatami na odmienne segmenty strukturalne, a liczby BIC lub AIC są tylko częścią wyboru. Rozwiązanie wymaga stabilności, sensownych wielkości grup, zewnętrznych charakterystyk i replikacji.

Najczęstsza pułapka i granica interpretacji

Najniższe pojedyncze kryterium nie gwarantuje prawdziwej liczby segmentów. FIMIX nie rozwiązuje problemu błędnego modelu pomiarowego.

Dla interpretacji hasła „FIMIX-PLS” wykryty segment nie jest automatycznie rzeczywistą podpopulacją ani kategorią osób. W odniesieniu do hasła „FIMIX-PLS” klasy mogą odzwierciedlać szum, błędną specyfikację, obserwacje odstające lub arbitralny podział ciągłej heterogeniczności.

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Sarstedt et al., 2017).

Powiązane hasła

AVE (średnia wyodrębniona wariancja)HTMT (heterotrait-monotrait ratio)Ładunek zewnętrzny (outer loading)Macierz ładunków i ładunków krzyżowychNiejawna heterogeniczność (unobserved heterogeneity)Rzetelność kompozytowa (Composite Reliability, rho_C)

Poradniki, w których użyjesz tego pojęcia

Poradnik

Modelowanie równań strukturalnych (SEM): od teorii do raportu

SEM bez skrótów myślowych: model pomiarowy i strukturalny, CB-SEM a PLS-SEM, dopasowanie, założenia oraz raportowanie wyników.

Czytaj →Poradnik

PLS-SEM krok po kroku: założenia, model pomiarowy i strukturalny

Praktyczny przewodnik po PLS-SEM: kiedy metoda odpowiada pytaniu, jak odróżnić kompozyt od wspólnego czynnika, ocenić model i uczciwie raportować wynik.

Czytaj →Poradnik

PLS-SEM w R: kompletny przykład w seminr i cSEM

Odtwarzalny przykład PLS-SEM w R: specyfikacja refleksyjna i kompozytowa, PLSc, bootstrap, HTMT, R², f² i ocena predykcyjna w seminr oraz cSEM.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczyOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Sarstedt, M., Ringle, C. M., & Hair, J. F. (2017). Treating unobserved heterogeneity in PLS-SEM: A multi-method approach. In H. Latan & R. Noonan (Eds.), Partial least squares path modeling (pp. 197–217). Springer. https://doi.org/10.1007/978-3-319-64069-3_9
  2. Benitez, J., Henseler, J., Castillo, A., & Schuberth, F. (2020). How to perform and report an impactful analysis using partial least squares: Guidelines for confirmatory and explanatory IS research. Information & Management, 57(2), 103168. https://doi.org/10.1016/j.im.2019.05.003
  3. Hair, J. F., Sarstedt, M., & Ringle, C. M. (2019). Rethinking some of the rethinking of partial least squares. European Journal of Marketing, 53(4), 566–584. https://doi.org/10.1108/EJM-10-2018-0665
  4. Henseler, J., Ringle, C. M., & Sarstedt, 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
  5. 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
  6. 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

Cytowania BibTeX

@incollection{sarstedt2017heterogeneity, author={Sarstedt, Marko and Ringle, Christian M. and Hair, Joseph F.}, title={Treating Unobserved Heterogeneity in PLS-SEM: A Multi-Method Approach}, booktitle={Partial Least Squares Path Modeling}, editor={Latan, Hengky and Noonan, Richard}, publisher={Springer}, year={2017}, pages={197--217}, doi={10.1007/978-3-319-64069-3_9}}
@article{benitez2020impactful, author={Benitez, Jose and Henseler, Jörg and Castillo, Ana and Schuberth, Florian}, title={How to Perform and Report an Impactful Analysis Using Partial Least Squares: Guidelines for Confirmatory and Explanatory IS Research}, journal={Information and Management}, year={2020}, volume={57}, number={2}, pages={103168}, doi={10.1016/j.im.2019.05.003}}
@article{hair2019rethinking, author={Hair, Joseph F. and Sarstedt, Marko and Ringle, Christian M.}, title={Rethinking Some of the Rethinking of Partial Least Squares}, journal={European Journal of Marketing}, year={2019}, volume={53}, number={4}, pages={566--584}, doi={10.1108/EJM-10-2018-0665}}
@article{henseler2016micom, author={Henseler, Jörg and Ringle, Christian M. and Sarstedt, Marko}, title={Testing Measurement Invariance of Composites Using Partial Least Squares}, journal={International Marketing Review}, year={2016}, volume={33}, number={3}, pages={405--431}, doi={10.1108/IMR-09-2014-0304}}
@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}}
R