Co oznacza PLSpredict?
Zastosowanie, warunki i dobre praktyki
PLSpredict ocenia predykcję poza próbą przez podział danych na foldy i porównanie błędów PLS z benchmarkiem, często modelem liniowym. Wniosek wymaga powtarzanej walidacji, raportu RMSE lub MAE dla wskaźników i sprawdzenia rozkładu błędów. Samo dodatnie Q²_predict nie wystarcza do ogłoszenia wysokiej mocy predykcyjnej.
Najważniejsze zastosowanie: Stosuj, gdy deklarujesz cel predykcyjny. Zdefiniuj wskaźniki wyniku, foldy, powtórzenia, metrykę RMSE/MAE i benchmark przed analizą.
Jak poprawnie stosować i interpretować hasło „PLSpredict”?
PLSpredict ocenia predykcję modelu PLS-SEM na obserwacjach pomijanych w kolejnych fałdach walidacji. Dla interpretacji hasła „PLSpredict” trzeba wcześniej wskazać konstrukty i wskaźniki docelowe, miarę błędu oraz naiwny lub liniowy model odniesienia. W odniesieniu do hasła „PLSpredict” celem nie jest ponowne potwierdzenie R² w próbie, lecz sprawdzenie, czy model przewiduje lepiej poza danymi użytymi do estymacji.
W odniesieniu do hasła „PLSpredict” podział na fałdy powinien zapobiegać przeciekowi informacji i respektować grupy, czas albo powtarzane pomiary. Przy ocenie hasła „PLSpredict” wyniki należy oceniać dla każdego wskaźnika, porównując RMSE lub MAE z modelem odniesienia oraz analizując rozkład błędów. W analizie dotyczącej hasła „PLSpredict” pojedyncze korzystne Q²predict nie wystarcza do ogólnej oceny mocy predykcyjnej.
Co trzeba opisać w raporcie?
W analizie dotyczącej hasła „PLSpredict” raport powinien podać liczbę fałd i powtórzeń, regułę podziału, mierniki błędu, model odniesienia i wyniki dla wszystkich wskaźników docelowych. Dla interpretacji hasła „PLSpredict” wniosek o niskiej, średniej lub wysokiej mocy predykcyjnej musi wynikać z jawnej reguły porównania, a nie z samego znaku Q²predict.
Zakres raportowania dla hasła „PLSpredict”: Raportuj schemat walidacji, benchmark, Q²_predict, RMSE/MAE dla każdego wskaźnika i rozkład błędów. Zachowaj ten sam preprocessing wewnątrz foldów.
Przykład praktyczny i gotowa interpretacja
Sytuacja: Jeżeli PLS ma niższy RMSE niż benchmark dla czterech z sześciu wskaźników, a różnica dla pozostałych jest niepewna, wynik wskazuje częściową przewagę, nie „wysoką moc predykcyjną” całego modelu.
Jak ją zinterpretować: Błędy w foldach testowych pokazują, jak model przewiduje obserwacje niewykorzystane do estymacji. O sile predykcyjnej decyduje porównanie z benchmarkiem dla każdego wskaźnika, powtarzalność podziałów i właściwa metryka błędu.
Najczęstsza pułapka i granica interpretacji
Przeciek danych z pełnej próby do skalowania lub selekcji wskaźników zawyża wynik. PLSpredict nie naprawia przesunięcia populacji.
Dobra predykcja w PLSpredict nie potwierdza teorii przyczynowej ani trafności konstruktu. Przy ocenie hasła „PLSpredict” wynik zależy od populacji, schematu walidacji i modelu odniesienia; bez zewnętrznej replikacji pozostaje oceną wewnętrzną.
Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Liengaard et al., 2021).
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)
- 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
- 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
- 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
- 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
- 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
Cytowania BibTeX
@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{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{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{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}}