Co oznacza Niejawna heterogeniczność (unobserved heterogeneity)?
Zastosowanie, warunki i dobre praktyki
Niejawna heterogeniczność oznacza, że w próbie mogą istnieć nieobserwowane segmenty o różnych parametrach modelu. Pominięcie takich grup może uśrednić lub nawet odwrócić ścieżki, lecz znaleziony segment nie musi odpowiadać realnej populacji. Rozwiązanie ocenia się przez stabilność, minimalną liczebność, kryteria informacyjne, trafność zewnętrzną i replikację.
Najważniejsze zastosowanie: Rozważ ją po sprawdzeniu jakości pomiaru i znanych moderatorów. Używaj kilku metod segmentacji, kryteriów informacyjnych, stabilności rozwiązania i interpretacji zewnętrznej segmentów.
Jak poprawnie stosować i interpretować hasło „Niejawna heterogeniczność (unobserved heterogeneity)”?
Przy ocenie hasła „Niejawna heterogeniczność (unobserved heterogeneity)” analiza niejawnej heterogeniczności pyta, czy jedna zbiorcza struktura ukrywa segmenty różniące się parametrami modelu. W analizie dotyczącej hasła „Niejawna heterogeniczność (unobserved heterogeneity)” FIMIX-PLS jest jednym z narzędzi poszukujących takich klas, ale liczba segmentów nie może wynikać tylko z najniższego pojedynczego kryterium informacyjnego. Dla interpretacji hasła „Niejawna heterogeniczność (unobserved heterogeneity)” rozwiązanie musi mieć sens teoretyczny, odpowiednie liczebności i stabilne parametry.
Dla interpretacji hasła „Niejawna heterogeniczność (unobserved heterogeneity)” należy porównać kilka liczb segmentów, wiele wartości początkowych oraz kryteria takie jak BIC, AIC i entropia. W odniesieniu do hasła „Niejawna heterogeniczność (unobserved heterogeneity)” małe lub niestabilne klasy mogą być artefaktem lokalnego optimum. Przy ocenie hasła „Niejawna heterogeniczność (unobserved heterogeneity)” 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 „Niejawna heterogeniczność (unobserved heterogeneity)” raport powinien podać badane liczby klas, liczbę inicjalizacji, kryteria wyboru, wielkości segmentów, prawdopodobieństwa przynależności i stabilność rozwiązania. W analizie dotyczącej hasła „Niejawna heterogeniczność (unobserved heterogeneity)” parametry modelu należy przedstawić osobno dla segmentów wraz z niepewnością, zaznaczając eksploracyjny charakter analizy.
Zakres raportowania dla hasła „Niejawna heterogeniczność (unobserved heterogeneity)”: Raportuj rozważane liczby segmentów, inicjalizacje, AIC/BIC lub EN, wielkości klas, stabilność, profilowanie i walidację na nowych danych.
Przykład praktyczny i gotowa interpretacja
Sytuacja: Łączna ścieżka jakość–lojalność wynosi .05, lecz w dwóch stabilnych segmentach wartości wynoszą .42 i −.31. Segmenty muszą jednak mieć sens poza samym algorytmem.
Jak ją zinterpretować: Uśredniony model może ukrywać podgrupy o różnych parametrach, ale rozwiązanie segmentacyjne jest wiarygodne tylko przy stabilnych i interpretowalnych klasach. Bardzo mały segment może odzwierciedlać przypadek lub obserwacje nietypowe.
Najczęstsza pułapka i granica interpretacji
Segment odkryty na tej samej próbie może być artefaktem. Nie nazywaj klas typami klientów bez zewnętrznego potwierdzenia i nie pomijaj niepewności przynależności.
Dla interpretacji hasła „Niejawna heterogeniczność (unobserved heterogeneity)” wykryty segment nie jest automatycznie rzeczywistą podpopulacją ani kategorią osób. W odniesieniu do hasła „Niejawna heterogeniczność (unobserved heterogeneity)” 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
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)
- 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
- 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
- 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
- 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
- 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
- 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}}