Co oznacza Model A i Model B w PLS-PM?
Zastosowanie, warunki i dobre praktyki
Model A aktualizuje wyniki konstruktu na podstawie korelacyjnych ładunków i jest zwykle łączony z refleksyjną specyfikacją, natomiast Model B wykorzystuje wagi regresyjne dla kompozytu formatywnego. Nazwy algorytmu nie zastępują teorii pomiaru. Błędne przypisanie trybu może zmienić wagi i ścieżki, dlatego typ konstruktu ustala się przed estymacją.
Najważniejsze zastosowanie: Dobieraj tryb na podstawie definicji wskaźników i obiektu estymacji. Współczesne oprogramowanie może używać nazw mode A/B, reflective/composite lub common factor/composite; sprawdź dokumentację.
Jak poprawnie stosować i interpretować hasło „Model A i Model B w PLS-PM”?
W analizie dotyczącej hasła „Model A i Model B w PLS-PM” model A i Model B opisują odmienne relacje między blokiem wskaźników a wynikiem kompozytu w klasycznym PLS-PM. Dla interpretacji hasła „Model A i Model B w PLS-PM” model A wykorzystuje korelacyjne aktualizacje zewnętrzne i bywa łączony z refleksyjną intencją pomiarową, natomiast Model B opiera się na regresji wielorakiej i odpowiada logice składników tworzących kompozyt. W odniesieniu do hasła „Model A i Model B w PLS-PM” wyboru nie wolno sprowadzać do domyślnego ustawienia programu.
W odniesieniu do hasła „Model A i Model B w PLS-PM” specyfikację trzeba skonfrontować z teorią przyczynową pomiaru, wymiennością wskaźników, oczekiwanymi korelacjami i konsekwencją usunięcia pozycji. Przy ocenie hasła „Model A i Model B w PLS-PM” dla Modelu B ważna jest współliniowość i stabilność wag, a dla konstruktu rozumianego jako wspólny czynnik należy rozważyć estymację zgodną, taką jak PLSc, zamiast utożsamiać wynik PLS z estymatą czynnikową.
Co trzeba opisać w raporcie?
W analizie dotyczącej hasła „Model A i Model B w PLS-PM” raport powinien wskazać tryb każdego bloku, uzasadnienie jego wyboru, schemat ważenia, normalizację oraz wyniki wag lub ładunków z niepewnością. Dla interpretacji hasła „Model A i Model B w PLS-PM”, jeżeli terminologia refleksyjny–formatywny jest używana skrótowo, trzeba dodatkowo opisać rzeczywistą logikę konstruktu i algorytmu.
Zakres raportowania dla hasła „Model A i Model B w PLS-PM”: Podaj tryb dla każdego bloku, schemat wag wewnętrznych, kryterium zbieżności i powód teoretyczny. Dla common factors wyjaśnij, czy użyto korekty PLSc.
Przykład praktyczny i gotowa interpretacja
Sytuacja: Pozycje satysfakcji mogą używać Modelu A lub PLSc dla wspólnego czynnika, a składniki indeksu dostępności Modelu B. Sama zmiana trybu nie przekształca indeksu w zmienną latentną.
Jak ją zinterpretować: Model A odpowiada korelacyjnemu sposobowi tworzenia wyników zwykle łączonemu z refleksją, a Model B wykorzystuje wagi regresyjne dla kompozytu. Tryb musi wynikać z teorii pomiaru, nie z korzystniejszych oszacowań.
Najczęstsza pułapka i granica interpretacji
Nie wybieraj Mode A/B po tym, który daje wyższe ładunki. Termin „refleksyjny” nie gwarantuje zgodności klasycznego PLS dla wspólnego czynnika.
W odniesieniu do hasła „Model A i Model B w PLS-PM” model A nie jest automatycznie dowodem poprawnego pomiaru refleksyjnego, a Model B nie potwierdza trafności konstruktu formatywnego. Przy ocenie hasła „Model A i Model B w PLS-PM” tryb algorytmu i ontologia konstruktu są powiązane, lecz nie są tym samym.
Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Dijkstra i Henseler, 2015).
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
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 →PoradnikPLS-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 →PoradnikPLS-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 studentówBibliografia i dalsza literatura naukowa (APA 7)
- 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
- Tenenhaus, M., Esposito Vinzi, 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
- 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
- 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
- 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
- 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
Cytowania BibTeX
@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{tenenhaus2005pls, author={Tenenhaus, Michel and Esposito Vinzi, Vincenzo and Chatelin, Yves-Marie and Lauro, Carlo}, title={PLS Path Modeling}, journal={Computational Statistics and Data Analysis}, year={2005}, volume={48}, number={1}, pages={159--205}, doi={10.1016/j.csda.2004.03.005}}@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{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{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{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}}