Modelowanie równań strukturalnych – wybieranie między PLS SEM, a CB SEM
Modelowanie równań strukturalnych – wybieranie między PLS SEM, a CB SEM jest niezwykle ważną decyzją. Popularność modelowania wzrasta w badaniach akademickich w wielu dyscyplinach i jest uważana jako jedno z najważniejszych osiągnięć statystycznych w naukach społecznych. Bez wątpienia, modelowanie równań strukturalnych prezentuje kilka charakterystyk które przyciągają badaczy. Wynika to z faktu, że poszczególne pytania badawcze mogą być analizowane w pojedynczym, systematycznym i wszechstronnym modelu analizy statystycznej poprzez generowanie związków pomiędzy wieloma niezależnymi i zależnymi konstruktami jednocześnie. Co więcej, sama analiza nie tylko ocenia model strukturalny, ale także model pomiarowy. Takie połączenie analiz pozwala na pomiar błędów obserwowalnych zmiennych jako integralną część modelu, co sprawia że oszacowania dostarczone przez SEM są lepsze niż te dostarczane przez klasyczną analizę regresji. Badacze stosujący SEM mogą wybierać pomiędzy CB-SEM (covariance based) lub podejściem wariancyjnym, znanym jako PLS-SEM (partrial least squares).
Każde podejście ma różne założenia i cele.
Założenie CB-SEM ma na celu odtworzenie teoretyczną macierz kowariancji bez skupiania się na wyjaśnionej wariancji, podczas gdy PLS-SEM ma na celu maksymalizowanie wyjaśnianej wariancji konstruktów. PLS-SEM ma mniej restrykcyjnych założeń niż CB-SEM. Obie metody są bardziej komplementarne niż konkurujące ze sobą. Każda z nich ma swoje wady i zalety w kontekście testowania modeli teoretycznych. Najważniejszym powodem wyboru CB-SEM lub PLS-SEM jest cel badawczy, czyli struktura lub predykcja. Głównym celem CB-SEM jest studiowanie struktury obserwowanego zjawiska, a w przypadku podejścia PLS-SEM jest przewidywanie wskaźników za pomocą rozszerzonych składowych modelu. Zgodnie z tym poglądem Hair i inni (2011; p. 144) rekomendują następujące kroki.
Przedstawiają reguły kciuka dla wybierania pomiędzy modelowaniem równań strukturalnych metodą PLS (partial least squares) a metodą CB (covariance based).
Użyj PLS SEM kiedy:
- Celem jest przewidywanie kluczowych konstruktów lub ich identyfikacja
- model strukturalny jest jest złożony (wiele konstruktów oraz wiele wskaźników)
- Próbka obserwacji jest mała i/lub dane nie są zgodne z rozkładem normalnym
- Planem jest użycie wyników zmiennej latentnej w następnych analizach
Użyj metody CB-SEM kiedy:
- Celem jest testowanie teorii, potwierdzenie teorii lub porównywanie alternatywnych teorii
- Błędy wymagają dodatkowej specyfikacji, takiej jak kowariancja
- Model strukturalny ma cyrkularne (dwukierunkowe pętle zwrotne) związki
- Badanie wymaga całościowej oceny według kryteriów dopasowania
Warte uwagi jest to, że według Amaro i współpracowników (2015) oba podejścia modelowania równań strukturalnych zwracają podobne wyniki. Wskazali fakt, że obie metody osiągają porównywalne współczynniki i dopasowanie, w szczególności kiedy modele mają dobre właściwości pomiarowe. W artykule z sympozjum Amaro i inni (2015) przedstawiają, że w ich badaniu PLS SEM generowało wyższe rzetelności i trafność pomiarów, podczas gdy CB-SEM osiągało wyższe współczynniki ścieżkowe β.
Hair, J. F., Ringle, C. M., and Sarstedt, M. 2011. „PLS-SEM: Indeed a Silver Bullet.” Journal of Marketing Theory and Practice 19 (2): 139-151.
Amaro. S., Seabra, C. Abrantes, J. L. „Comparing CB-SEM and PLS-SEM Results” 2nd International Symposium on Partial Least Squares Path Modeling, Seville (Spain), 2015
