Co oznacza PLSc (consistent PLS)?
Zastosowanie, warunki i dobre praktyki
PLSc koryguje oszacowania klasycznego PLS dla konstrukcji modelowanych jako wspólne czynniki, aby uzyskać spójność parametrów przy odpowiednich założeniach. Nie jest uniwersalnie „lepszym PLS”, ponieważ kompozyty i czynniki reprezentują inne obiekty. Przed użyciem trzeba określić typ konstruktu, sprawdzić identyfikację i nie mieszać kryteriów oceny właściwych różnym modelom.
Najważniejsze zastosowanie: Stosuj, gdy teoria zakłada common factors i wybrano podejście PLS. Dla prawdziwych kompozytów klasyczny PLS może być właściwszy; model mieszany wymaga osobnej specyfikacji każdego konstruktu.
Jak poprawnie stosować i interpretować hasło „PLSc (consistent PLS)”?
W odniesieniu do hasła „PLSc (consistent PLS)” PLSc koryguje estymaty klasycznego PLS dla konstruktów modelowanych jako wspólne czynniki, aby uzyskać parametry zgodne przy odpowiednich założeniach. Przy ocenie hasła „PLSc (consistent PLS)” metoda ma sens po jednoznacznym odróżnieniu wspólnych czynników od kompozytów. W analizie dotyczącej hasła „PLSc (consistent PLS)” nie należy stosować korekty mechanicznie do bloków formatywnych ani wybierać jej tylko dlatego, że daje korzystniejsze ścieżki.
W analizie dotyczącej hasła „PLSc (consistent PLS)” trzeba sprawdzić jednowymiarowość bloków, identyfikację, jakość ładunków, rzetelność rho_A oraz rozwiązania niedopuszczalne. Dla interpretacji hasła „PLSc (consistent PLS)” warto porównać PLS i PLSc, lecz rozbieżność wyników interpretować przez pryzmat błędu pomiaru i specyfikacji, a nie jako konkurs metod. W odniesieniu do hasła „PLSc (consistent PLS)” bootstrap powinien obejmować pełną procedurę korekty.
Co trzeba opisać w raporcie?
W odniesieniu do hasła „PLSc (consistent PLS)” raport powinien podać, które konstrukty potraktowano jako wspólne czynniki, wariant algorytmu PLSc, ustawienia i liczbę replikacji bootstrapu. Przy ocenie hasła „PLSc (consistent PLS)” należy przedstawić skorygowane ładunki, korelacje, ścieżki i przedziały ufności oraz opisać ewentualne problemy z rozwiązaniami.
Zakres raportowania dla hasła „PLSc (consistent PLS)”: Podaj wersję algorytmu, typ każdego konstruktu, sposób korekty, wyniki z bootstrap CI i analizę dopasowania właściwą modelowi. Porównanie z CB-SEM traktuj jako analizę wrażliwości tylko dla tego samego obiektu.
Przykład praktyczny i gotowa interpretacja
Sytuacja: W modelu zaufania jako wspólnego czynnika klasyczny PLS może zaniżać korelacje, a PLSc koryguje osłabienie. Indeks dostępności nadal pozostaje kompozytem bez takiej korekty.
Jak ją zinterpretować: Korekta ma przywracać spójne oszacowania relacji między wspólnymi czynnikami przy odpowiednich założeniach. Nie należy stosować jej automatycznie do kompozytów, ponieważ czynnik i kompozyt reprezentują odmienne obiekty teoretyczne.
Najczęstsza pułapka i granica interpretacji
PLSc nie naprawia błędnej teorii pomiaru, małej próby ani źle określonego modelu. Nie wybieraj korekty po tym, która daje istotną ścieżkę.
W analizie dotyczącej hasła „PLSc (consistent PLS)” zgodność asymptotyczna PLSc nie gwarantuje dobrych własności w małej próbie ani poprawności modelu. Dla interpretacji hasła „PLSc (consistent PLS)” korekta nie naprawia złej operacjonalizacji, pominiętych ścieżek i naruszeń wynikających z projektu badania.
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}}