Nieobserwowalna Heterogeniczność w PLS-SEM Metodolog.pl

Nieobserwowalna Heterogeniczność w PLS-SEM

Nieobserwowalna Heterogeniczność w PLS-SEM

Uwzględniana nieobserwowalna heterogeniczność w PLS-SEM stała się kluczowym elementem zapewniającym trafność wyników kiedy stosujemy modelowanie równań strukturalnych opartych o metodę cząstkowych najmniejszych kwadratów (SEM-PLS). Badacze rutynowo tworzą grupy danych i analizują ich grupowo specyficzne wyniki, by uwzględnić tę heterogeniczność w danych (Kotler, 1989). Niemniej źródła heterogeniczności w danych są często trudne do pojęcia a priori. Kiedy badacze nie uwzględnią heterogeniczności i obecności znacznych różnic międzygrupowych, wyniki analiz mogą być znacznie wątpliwe. Konsekwencją są wyciągane błędne i mylące konkluzje (Sarstedt i inni 2009). W modelowaniu równań strukturalnych w ogóle, a szczególnie w modelowaniu SEM-PLS odkrycie nieobserwowalnej heterogeniczności jest kluczową troską badacza i warto to podkreślać w kontekście oceny i podsumowania wyników (Hair i inni 2017). Stosowanie standardowych procedur grupowania danych, takich jak analiza k-średnich jest powszechnym podejściem do radzenia sobie z nieobserwowalną heterogenicznością.

Nieobserwowalna Heterogeniczność w PLS-SEM – Różnice międzygrupowe w odkrytych segmentach.

W kontekście PLS-SEM tradycyjne techniki grupowania zwracają słabe wyniki odnoszące się do identyfikacji różnic międzygrupowych pod względem szacowanych współczynników ścieżkowych. Tak więc badania oparte na metodologii stosowania SEM-PLS wymagają innych metod do identyfikowania i obróbki nieobserwowalnej heterogeniczności. Do tego typu przedsięwzięć coraz częściej wykorzystuje się techniki analizy klass latentnych (Sarstedt 2008). Stosowanie analizy klas latentnych jest dalekie od trywialnych. Użycie w SEM-PLS metody finite mixture PLS (FIMIX-PLS) jest najczęściej stosowanym podejściem analizy klas latentnych w SEM-PLS do tej pory. W analizie statystycznej wyników wykorzystujących SEM-PLS zaleca się wykorzystywanie tej metody do oceny heterogeniczności, a także do analizy wyników kryjących się w segmentach danego modelu. Procedura FIMIX-PLS jest obiecującym przedsięwzięciem analitycznym mającym na celu podjęcie decyzji o tym, czy nieobserwowalna heterogeniczność ma krytyczny wpływ na wyniki poddawane analizie. Jeśli zjawisko haterogeniczności w analizowanych danych zachodzi, to bazując na rezultatach metody FIMIX-PLS, badacz może podjąć decyzję o dążeniu do identyfikacji segmentów zagnieżdżonych w danych i ich interpretacji. Stosowanie wielogrupowych analiz modeli strukturalnych opartych na odkrywaniu segmentów w heterogenicznych danych daje wgląd w nieoczekiwane, a możliwe do interpretacji rezultaty badań.

Poniżej przedstawiamy algorytm odkrywania segmentów w modelach SEM-PLS.

  1. Współczynniki AIC i CAIC powinny wskazywać tę samą ilość segmentów
  2. Ilość obserwacji w segmentach powinna być wystarczająca w kontekście skomplikowania modelu strukturalnego SEM
  3. Przypisanie obserwacji do danego segmentu bazując na prawdopodobieństwach FIMIX-PLS
  4. Przeprowadzenie analizy ex-post; Czy wyniki są interpretowalne?; Czy można wyróżnić grupy poprzez zmienne eksploracyjne?
  5. Ocena invariancji (niezmienności modeli);

a) Brak invariancji pomiarowej – możliwe jest interpretowanie wyników współcznników ścieżkowych modelu w odkrytych segmentach

b) Częściowa invariancja pomiarowa – porównywanie segmentów za pomocą formalnej analizy porównującej grupy pod względem nasilenia współczynników ścieżkowych modelu

c) Całkowita invariancja pomiarowa – porównywanie segmentów za pomocą formalnej analizy porównującej grupy lub analizowanie danych na zagregowanym poziomie danych przy jednoczesnym rozważeniu analizy moderacji danych ścieżek modelu.

 

Bibliografia:

Kotler, P. (1989). From mass marketing to mass customization. Planning Review, 17, 10–47.

Sarstedt, M. (2008). A review of recent approaches for capturing heterogeneity in partial least squares path modelling. Journal of Modelling in Management, 3, 140–161.

Hair, J. F., Sarstedt,M.,Matthews, L.,&Ringle, C.M. (2016). Identifying and treating unobserved heterogeneity with FIMIX-PLS: Part I –Method. European Business Review, 28(1), 63–76