Modelowanie ścieżki metodą cząstkowych najmniejszych kwadratów
ścieżki metodą cząstkowych najmniejszych kwadratów lub modelowanie równań strukturalnych cząstkowych najmniejszych kwadratów ( PLS-PM , PLS-SEM ) to metoda modelowania równań strukturalnych , która umożliwia oszacowanie złożonych związków przyczynowo-skutkowych w modelach ścieżkowych ze zmiennymi ukrytymi .
Przegląd
modelowania równań strukturalnych w oparciu o kowariancję . W przeciwieństwie do podejść opartych na kowariancji do modelowania równań strukturalnych, PLS-PM nie dopasowuje modelu wspólnego czynnika do danych, raczej pasuje do modelu złożonego. W ten sposób maksymalizuje wielkość wyjaśnionej wariancji (chociaż nie jest jasne, co to oznacza ze statystycznego punktu widzenia, a użytkownicy PLS-PM nie zgadzają się, w jaki sposób można osiągnąć ten cel).
Ponadto, dzięki korekcie, PLS-PM jest w stanie konsekwentnie oszacować pewne parametry modeli wspólnego czynnika, poprzez podejście zwane spójnym PLS-PM (PLSc-PM). Kolejnym powiązanym rozwojem jest oparty na czynnikach PLS-PM (PLSF), którego odmiana wykorzystuje PLSc-PM jako podstawę do szacowania czynników w modelach wspólnego czynnika; metoda ta znacznie zwiększa liczbę parametrów modelu wspólnego czynnika, które można oszacować, skutecznie wypełniając lukę między klasycznym PLS-PM a modelowaniem równań strukturalnych opartym na kowariancji.
Model równań strukturalnych PLS-PM składa się z dwóch podmodeli: modeli pomiarowych i modelu strukturalnego. Modele pomiarowe reprezentują relacje między obserwowanymi danymi a zmiennymi latentnymi . Model strukturalny przedstawia relacje między zmiennymi latentnymi.
Algorytm iteracyjny rozwiązuje model równania strukturalnego poprzez oszacowanie ukrytych zmiennych przy użyciu modelu pomiarowego i strukturalnego w naprzemiennych krokach, stąd nazwa procedury, częściowa. Model pomiarowy szacuje ukryte zmienne jako ważoną sumę swoich zmiennych manifestu. Model strukturalny szacuje ukryte zmienne za pomocą prostej lub wielokrotnej regresji liniowej między ukrytymi zmiennymi oszacowanymi przez model pomiarowy. Algorytm ten powtarza się aż do osiągnięcia zbieżności.
PLS jest oceniany krytycznie przez kilku badaczy metodologicznych. Głównym punktem spornym było twierdzenie, że PLS-PM zawsze może być używany z bardzo małymi próbkami. Niedawne badanie sugeruje, że to twierdzenie jest ogólnie nieuzasadnione i proponuje dwie metody szacowania minimalnej wielkości próby w PLS-PM. Kolejnym punktem spornym jest doraźny sposób, w jaki opracowano PLS-PM, oraz brak analitycznych dowodów na poparcie jego głównej cechy: rozkładu próbkowania wag PLS-PM. Jednak PLS-PM jest nadal uważany za preferowany (w porównaniu z modelowaniem równań strukturalnych opartym na kowariancji), gdy nie wiadomo, czy natura danych jest oparta na czynnikach wspólnych, czy na złożeniu.