Modelowanie równań strukturalnych PLS SEM i CB-SEM w badaniach zachowań konsumenckich

Modelowanie równań strukturalnych PLS SEM i CB-SEM w badaniach zachowań konsumenckich

Modelowanie równań strukturalnych PLS SEM i CB-SEM w badaniach zachowań konsumenckich

Modelowanie równań strukturalnych PLS SEM i CB-SEM w badaniach zachowań konsumenckich

Modelowanie równań strukturalnych (Structural Equations Modeling (SEM)) pojawiło się w literaturze na temat zachowań konsumenckich już we wczesnych latach 80 (Bagozzi & Warshaw, 1990; Fornel & Larcker, 1981), ale w ostatnich latach aplikowanie tej metody, w badaniach nad zachowywaniem się konsumentów, wzrosło bardzo dynamicznie i rozszerzyło się również na inne obszary nauki.

Modelowanie równań strukturalnych – dwa podejścia

Dążenie do testowania teorii i koncepcji jest jednym z powodów dla którego badacze wykorzystują modelowanie równań strukturalnych. Dla wielu badaczy zachowań konsumenskich modelowanie równań strukturalnych jest równoważne z wykonaniem modelowania opartego o macierz wariancji-kowariancji (CB-SEM/covariance based SEM) w programach Lisrel, M-PLUS, AMOS, pakiecie Lavaan (Arbuckle, 2010; Byrne, 2012; Haenlein & Kaplan, 2004; Rosseel, 2014). Niemniej modelowanie równań strukturalnych to również modelowanie metodą PLS (Partial Least Squares) (Garson, 2016; Henseler & Chin, 2010; Vinzi, Trinchera, & Amato, 2010). PLS-SEM jest przyczynowym podejściem do modelowania, mającym na celu maksymalizację wyjaśnionej wariancji zmiennych zależnych (konstruktów latentnych). W przeciwieństwie do CB-SEM, którego celem jest ocena odtworzenia teoretycznej macierzy wariancji-kowariancji, celem SEM-PLS jest właśnie maksymalizacja predykcji. Metoda SEM-PLS jest mniej popularna niż metoda CB-SEM. Niemniej wykorzystywanie metody SEM-PLS staje się coraz częstsze, szczególnie po roku 1999 (Hair, Ringle, & Sarstedt, 2011).  Tworzy to pewne trudności, ponieważ mniej zaznajomieni z metodą SEM badacze często wykorzystują tę metodę jako panaceum na wszystkie problemy w czasie badań zachowań konsumenckich. Szczególnie dzieje się to w przypadku kiedy zebrane w toku badania dane nie spełniają rygorystycznych założeń SEM-CB (Arbuckle, 2010). Warto dlatego zastanwoić się nad tym, którą metodę wybrać dla swoich danych rynkowych? Jaka metoda modelowania będzie najlepsza do weryfikacji modelu zachowania się konsumentó? Modelowanie równań strukturalnych PLS SEM i CB-SEM w badaniach rynku i ich kryteria wyboru są przedstawione poniżej.

Dobre rady dla badaczy wykorzystujących modelowanie równań strukturalnych.

Dobrą radą dla badaczy zachowań konsumenckich jest zapoznanie się  z regułami decyzyjnymi dotyczącymi wyboru odpowiedniej metody modelowania równań strukturalnych (co nieco zostało napisane tytaj klik). Na podstawie udokumentowanych sugestii (Hair et al., 2011) prezentujemy wskazówki za i przeciw wykorzystania danej metody modelowania.

Cele badawcze:

– Jeśli celem badania jest przewidywanie kluczowych zmiennych serią zmiennych niezależnych to wybieramy PLS-SEM.

– Jeśli celem jest testowanie teorii, jej potwierdzenie lub porównywanie koncepcji teoretycznych, to wybieramy CB-SEM

– Jeśli badanie jest eksploracyjne lub rozszerzeniem istniejącej teorii strukturalnej np. model akceptacji technologii TAM (Shroff, Deneen, & Ng, 2011), wybieramy PLS-SEM

Specyfikacja modelu pomiarowego:

– Jeśli częścią modelu strukturalnego są konstrukty formatywne, wybieramy PLS-SEM. Konstrukty formatywne mogą być również wykorzystane w CB-SEM, ale zawsze wymaga to uwzględnienia względnie złożonych dodatkowych specyfikacji.

– Jeśli błędy pomiaru wymagają dodatkowej specyfikacji np. kowariancji, to wybieramy CB-SEM

Specyfikacja modelu strukturalnego:

– Jeśli model strukturalny jest bardzo złożony (np. wiele konstruktów i wiele wskaźników), to wybieramy PLS-SEM

– Jeśli model jest nierekursywny to wybieramy CB-SEM

Charakterystyka danych i algorytmu:

– Jeśli dane spełniają wymagania CB-SEM (minimalna próbka, założenia o rozkładzie i skali (które są w zasadzie trudne to utrzymania (Kock, 2020)) wybieramy CB-SEM, jeśli jest inaczej, to lepiej wybrać SEM-PLS które i tak jest w większości przypadków dobrym przybliżeniem oszacowań uzyskanych przy CB-SEM

– Jeśli wielkość próbki jest względnie niska, to lepiej wybrać PLS-SEM. Przy większych zbiorach wyniki obu metod są podobne

– Zazwyczaj danych jest mniej niż byśmy tego chcieli, dlatego jeśli danych jest mniej, by zaspokoić wymagania metody CB-SEM to lepiej wykorzystać metodę PLS-SEM. Minimalna próbka danych dla PLS-SEM powinna być wyliczana według wzorów KLIK (biorąc przy tym również pod uwagę skomplikowanie modelu (Kock & Hadaya, 2018; Sarstedt, Ringle, Smith, Reams, & Hair, 2014).

– Jeśli dane są do pewnego stopnia nienormalne hehe, to wybieramy PLS-SEM. Jeśli są normalne to obie metody zwracają podobne wyniki (niemniej oszacowania CB-SEM sa nieco bardziej dokładne)

– Jeśli założenia CB-SEM nie mogą być spełnione (np. specyfikacja modelu, jego identyfikacja, brak zbieżności, założenie o rozkładzie) wykorzystanie PLS-SEM jest dobrym przybliżeniem wyników CB-SEM

Ocena modelu

– Jeśli jest potrzeba wykorzystania zmiennych latentnych w innych analizach, to najlepszym podejściem do analizy statystycznej jest PLS-SEM

– Jeśli badanie wymaga oceny globalnych kryteriów dopasowania danych do modelu/modeli, to CB-SEM będzie preferowanym i w sumie koniecznym podejściem

– Jeśli jest potrzeba testowanie globalnego poziomu invariancji, to CB-SEM będzie do tego jedyną metodą weryfikacji (choć PLS-SEM całkiem dobrze sobie radzi z weryfikacją tego założenia (Jorg & Ringle, 2016; Kock, 2017, 2020; Tailab, 2020)

Podsumowanie

Dzięki tym sugestiom wybranie odpowiedniej metody statystycznego modelowania zachowań konsumenckich w badaniach rynkowych będzie stanowiło mniejszy problem dla badaczy. Za jakiś czas wstawimy kilka informacji na temat tego jak oceniać model pomiarowy i model strukturalny w metodzie PLS-SEM.

Modelowanie równań strukturalnych PLS SEM i CB-SEM w badaniach zachowań konsumenckich Metodolog.pl

Bibliografia:

Arbuckle, J. L. (2010). Ibm Spss Amos 19. Methods, 635. https://doi.org/10.1111/j.1600-0447.2011.01711.x

Bagozzi, R. P., & Warshaw, P. R. (1990). Trying to Consume. Journal of Consumer Research, 17(2), 127–140. https://doi.org/10.1086/208543

Byrne, B. M. (2012). Structural Equation Modeling with M plus.

Fornel, C., & Larcker, D. (1981). Evaluating Structural Equation Unobservable Variables and Error. Journal of Marketing Research, 18, 39–50.

Garson, G. D. (2016). Partial Least Squares: Regression & Structural Equation Models. In G. David Garson and Statistical Associates Publishing. North Carolina: Statistical Associates Publishing.

Haenlein, M., & Kaplan, A. M. (2004). A Beginner’s Guide to Partial Least Squares Analysis. Understanding Statistics, 3(4), 283–297. https://doi.org/10.1207/s15328031us0304_4

Hair, J. F., Ringle, C. M., & Sarstedt, M. (2011). PLS-SEM: Indeed a silver bullet. Journal of Marketing Theory and Practice, 19(2), 139–151. https://doi.org/10.2753/MTP1069-6679190202

Henseler, J., & Chin, W. W. (2010). A comparison of approaches for the analysis of interaction effects between latent variables using partial least squares path modeling. Structural Equation Modeling, 17(1), 82–109. https://doi.org/10.1080/10705510903439003

Jorg, C., & Ringle, C. 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

Kock, N. (2017). WarpPLS User Manual: Version 6.0. Retrieved from http://cits.tamiu.edu/WarpPLS/UserManual_v_6_0.pdf#page=77

Kock, N. (2020). WarpPLS User Manual: Version 7.0 (7th ed.). Laredo: ScriptWarp Systems.

Kock, N., & Hadaya, P. (2018). Minimum sample size estimation in PLS-SEM : The inverse square root and gamma-exponential methods. 227–261. https://doi.org/10.1111/isj.12131

Rosseel, Y. (2014). The lavaan tutorial. The Lavaan Tutorial, 37. https://doi.org/10.1002/cd

Sarstedt, M., Ringle, C. M., Smith, D., Reams, R., & Hair, J. F. (2014). Partial least squares structural equation modeling (PLS-SEM): A useful tool for family business researchers. Journal of Family Business Strategy, 5(1), 105–115. https://doi.org/10.1016/j.jfbs.2014.01.002

Shroff, R. H., Deneen, C. C., & Ng, E. M. W. (2011). Analysis of the technology acceptance model in examining students ’ behavioural intention to use an e- portfolio system. Australasian Journal of Educational Technology, 27(4), 600–618. https://doi.org/10.14742/ajet.940

Tailab, M. M. K. (2020). Using Importance-Performance Matrix Analysis to Evaluate the Financial Performance of American Banks During the Financial Crisis. https://doi.org/10.1177/2158244020902079

Vinzi, V. E., Trinchera, L., & Amato, S. (2010). Handbook of Partial Least Squares (V. E. Vinzi, L. Trinchera, & S. Amato, eds.). https://doi.org/https://doi.org/10.1007/978-3-540-32827-8