Jak raportować wyniki modelowania równań strukturalnych PLS

Jak raportować wyniki modelowania równań strukturalnych PLS?

Jak raportować wyniki modelowania równań strukturalnych PLS?

Jak raportować wyniki modelowania równań strukturalnych PLS możemy zapytać siebie samych po przeprowadzeniu analizy. Niemniej tak jak jakakolwiek wielowymiarowa analiza statystyczna (J.F. Hair, Black, Babin, & Anderson, 2010) technika modelowania równań strukturalnych wymaga całościowego ocenienia finalnych wyników, czyli model musi zostać poddany ewaluacji. Słaba ewaluacja modelu strukturalnego i raportowanie tylko szczęści statystyk nie pozwala nam na dokładnie zapoznanie się z testowanym aspektem badanej rzeczywistości. Pod wieloma względami raportowanie wyników modelowania równań strukturalnych techniką PLS jest ciągle mocno pod wpływem raportowania wyników metody modelowania opartej na macierzy wariancji-kowariancji. Szczególnie podobieństwo to jest obserwowane w przypadku oceny modelu pomiarowego. Dzieje się tak dlatego, że model pomiarowy jest pod wpływem teorii zmiennej latentnej jako mechanizmu opartego wariancyjnie i kowariancyjnie.

Jak raportować wyniki modelowania równań strukturalnych PLS. Ocena modelu strukturalnego modelowania metodą PLS składa się z dwóch typowych etapów (niekiedy tylko z jednego, ale tylko w przypadkach kiedy zmienne mierzone są bez błędu pomiaru). Pierwszym etapem jest ocena modelu pomiarowego, czyli ocenia się to jak zmienne skonceptualizowane w modelu są dobrze mierzone. Drugim etapem jest ocena modelu strukturalnego, czyli ścieżkowych relacji między testowanymi zmiennymi (zmiennymi utworzonymi tak naprawdę w pierwszym kroku analizy PLS). W kroku pierwszym ocenie poddaje się rzetelność zmiennych, a także ich trafność zgodnie z kryteriami odnoszącymi się do konceptualizacji zmiennych reflektywnych i formatywnych. Ten krok polega na takiej logice, że jeśli nie jesteśmy pewni pomiarów zmiennych, to nie ma większego powodu do tego by wykorzystać je do badania relacji strukturalnych. Jeśli statystyki zmiennych latentnych są w porządku, to możemy analizować oszacowania modelu strukturalnego. Poniższa tabela przedstawia reguły kciuka odnoszące się do kryteriów oceny modelu pomiarowego i strukturalnego (Joe F. Hair, Ringle, & Sarstedt, 2011). Jak raportować wyniki modelowania równań strukturalnych PLS.

Ocena reflektywnego modelu pomiarowego zmiennych

– Wewnętrzna spójność/ wysoka rzetelność wskaźników (Cronbach, 1951). Rzetelność kompozytowa powinna wynosić więcej niż 0,70 (choć w badaniach eksploracyjnych wartość 0,6 – 0,7 jest rozważana jako akceptowalna (Fornel & Larcker, 1981; Joe F. Hair et al., 2011).

– Rzetelność wskaźników: Ładunki czynnikowe powinny być wyższe niż wartość 0,7.

Trafność różnicowa: Wartość AVE (Average Variance Extracted) powinna być wyższa niż jakakolwiek korelacja innej zmiennej z konstruktem. Kryterium Fornela-Larckera (Fornel & Larcker, 1981)

– Ładunki czynnikowe danego czynnika powinny być wyższe dla czynnika korespondującego niż innego czynnika

Ocena formatywnego modelu pomiarowego zmiennych

– Wartości wag wskaźników (względna ważność) powinna być istotna statystycznie p<0,05

– Kiedy wszystkie wartości wag są istotne, to znaczy, że jest empiryczne wsparcie by pozostawić je wszystkie w modelu

– Jeśli ładunki i wagi są nieistotne, to znaczy, że nie ma empirycznego dowodu na ich pozostawienie w modelu

– Współliniowość powinna być mniejsza niż 5 przy każdej badanej zmiennej

Statystyki modelu pomiarowego

– wartości SRMR i SMAR powinny wynosić mniej niż 0,10-0,12 (Iacobucci, 2010; Kock, 2020)

– Test Chi Kwadrat powinien wskazywać na zbieżność macierzy empirycznej z macierzą teoretyczną

Ocena modelu strukturalnego

– Wartości R2 0,75, 0,50, 0,25 dla zmiennych wyjaśnianych mogą być opisane odpowiednio jako znaczne, umiarkowane, słabe

– Statystyka Paradoksu Simpsona powinna wskazywać brak paradoksów (najlepiej kiedy jest większa niż 0,7)

– Ocena przeciętnej współliniowości (współliniowość modelu strukturalnego). Statystyka ta powinna być niższa niż 5, a najlepiej niższa niż 2,5.

– Ocena całkowitej współliniowości (współliniowość całego modelu). Wartości wyższe niż 5 wskazują o występowaniu Common Method Bias (Kock, 2015; Podsakoff, MacKenzie, Lee, & Podsakoff, 2003)

– Statystyka statystycznej supresji powinna wskazywać podobieństwo między znakami ścieżek i korelacji między zmiennymi (najlepiej kiedy jest większa niż 0,7)

– Wykorzystanie techniki Bootstrapingu (lub inne metody szacowania błędów standardowych) do oceny istotności wartości ścieżkowych lub wygładzania wykładniczego (Kock & Hadaya, 2018)

– Ocena całościowej mocy predykcyjnej modelu (Goddness of Fit (Tenenhaus, Esposito, Chatelin, & Lauro, 2005))

– Ocena inwariancji pomiarów jeśli model jest testowany w grupach (Jorg & Ringle, 2016; Kock, 2017; Tailab, 2020)

 

Poniższa tabela przedstawia przykładowy zapis statystyk rzetelności reflektywnego modelu pomiarowego 

 

Tabela nr 1. Wyniki analizy rzetelności  i wyjaśnionej wariancji pomiarów wykonanych w obu warunkach testowanych reklam marchwi JANZOF.

Grupa reklam Pomiar ΔR2 CR α AVE
Sprawcza Wspólnotowość odbiorcy  – .96 .95 .59
Intencja odbiorcy do jedzenia marchwi  – .91 .88 .63
Postawa wobec produktu .20 .95 .93 .74
Postawa wobec reklamy .06 .92 .89 .70
Pamięć elementów reklamy .00 .70 .56 .21
Wspólnotowa Wspólnotowość odbiorcy  – .94 .93 .52
Intencja odbiorcy do jedzenia marchwi  – .89 .85 .57
Postawa wobec produktu .11 .90 .86 .59
Postawa wobec reklamy .04 .91 .88 .68
Pamięć elementów reklamy .18 .71 .57 .24

 

Nota: ΔR2 = Skorygowane ΔR2; CR = rzetelność kompozytowa (pożądana wartość współczynnika  > = .75) α = Alpha Cronbacha (pożądana wartość współczynnika > = .75); AVE = Przeciętna wydobyta wariancja (pożądana wartość współczynnika > = .50).

 

Table 3. Data fit coefficients for the tested models.

Bikes Ad Purifier Ad Carrot Ad
AG CM AG CM AG CM
AVIF 1.45 1.10 1.25 1.26 1.11 1.26
AFVIF 2.11 2.10 2.42 1.98 1.23 1.32
GoF .21 .27 .11 .21 .17 .26
SPR 1.00 .80 .90 1.00 .90 .80
SSR 1.00 1.00 .80 1.00 1.00 .80
SRMR .11 .10 .12 .11 .09 .10
SMAR .09 .08 .09 .09 .07 .08
χ2 106.64*** 75.69*** 65.32*** 84.06*** 53.03*** 68.29***

 

Note. AVIF = Average Variance Inflation Factor (accepted if AVIF < = 5.00, ideally AVIF < = 3.30); GoF = Goodness of Fit (low if GoF > =.10, moderate if GoF > = .25, high if GoF > = .36); SPR = Simpson’s Paradox Ratio (accepted if SPR > = .70, ideally SPR  = 1.00); SSR = Statistical Suppression Ratio (accepted if SSR  > = .70, ideally SSR = 1.00); SRMR = Standardized Root Mean Squared Residual (accepted if SRMR < = .12); SMAR = Standardized Mean Absolute Residual (accepted if SMAR < = .12); χ2 = Chi Square; AG = Agentic Ad.; CM = Communal Ad.

*** p < .001.

 

Jak raportować wyniki modelowania równań strukturalnych PLS

Bibliografia:

Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297–334. https://doi.org/10.1007/BF02310555

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

Hair, J.F., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). The Role of Theory in Structural Equation Modeling. Multivariate Data Analysis, 642–644.

Hair, Joe 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

Iacobucci, D. (2010). Structural equations modeling: Fit Indices, sample size, and advanced topics. Journal of Consumer Psychology, 20(1), 90–98. https://doi.org/10.1016/j.jcps.2009.09.003

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. (2015). Common method bias in PLS-SEM : A full collinearity assessment approach. 1–10.

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

Podsakoff, P. M., MacKenzie, S. B., Lee, J.-Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5), 879–903. https://doi.org/10.1037/0021-9010.88.5.879

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

Tenenhaus, M., Esposito, V. 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