stringtranslate.com

Modelado de trayectorias por mínimos cuadrados parciales

El modelado de trayectorias por mínimos cuadrados parciales o modelado de ecuaciones estructurales por mínimos cuadrados parciales ( PLS-PM , PLS-SEM ) [1] [2] [3] es un método para el modelado de ecuaciones estructurales que permite la estimación de relaciones causa-efecto complejas en modelos de trayectorias con variables latentes .

Descripción general

PLS-PM [4] [5] es un enfoque de estimación basado en componentes que difiere del modelado de ecuaciones estructurales basado en covarianza . A diferencia de los enfoques basados ​​en covarianza para el modelado de ecuaciones estructurales, PLS-PM no ajusta un modelo de factor común a los datos, sino que ajusta un modelo compuesto. [6] [7] Al hacerlo, maximiza la cantidad de varianza explicada (aunque no está claro qué significa esto desde un punto de vista estadístico y los usuarios de PLS-PM no están de acuerdo sobre cómo se podría lograr este objetivo).

Además, mediante un ajuste, PLS-PM es capaz de estimar de manera consistente ciertos parámetros de los modelos de factores comunes también, a través de un enfoque llamado PLS-PM consistente (PLSc-PM). [8] Un desarrollo relacionado adicional es el PLS-PM basado en factores (PLSF), una variación del cual emplea PLSc-PM como base para la estimación de los factores en los modelos de factores comunes; este método aumenta significativamente el número de parámetros del modelo de factores comunes que se pueden estimar, cerrando efectivamente la brecha entre el PLS-PM clásico y el modelado de ecuaciones estructurales basado en covarianza. [9]

El modelo de ecuaciones estructurales PLS-PM se compone de dos submodelos: los modelos de medición y el modelo estructural. Los modelos de medición representan las relaciones entre los datos observados y las variables latentes . El modelo estructural representa las relaciones entre las variables latentes.

Un algoritmo iterativo resuelve el modelo de ecuaciones estructurales estimando las variables latentes mediante el uso del modelo de medición y el modelo estructural en pasos alternos, de ahí el nombre del procedimiento, parcial. El modelo de medición estima las variables latentes como una suma ponderada de sus variables manifiestas. El modelo estructural estima las variables latentes mediante regresión lineal simple o múltiple entre las variables latentes estimadas por el modelo de medición. Este algoritmo se repite hasta que se logra la convergencia.

Varios investigadores metodológicos consideran el PLS como una herramienta crítica. [10] [11] Un punto de discordia importante ha sido la afirmación de que el PLS-PM siempre se puede utilizar con tamaños de muestra muy pequeños. [12] Un estudio reciente sugiere que esta afirmación es generalmente injustificada y propone dos métodos para la estimación del tamaño mínimo de muestra en PLS-PM. [13] [14] Otro punto de discordia es la forma ad hoc en la que se ha desarrollado el PLS-PM y la falta de pruebas analíticas para respaldar su característica principal: la distribución de muestreo de los pesos del PLS-PM. Sin embargo, el PLS-PM todavía se considera preferible (al modelado de ecuaciones estructurales basado en covarianza) cuando se desconoce si la naturaleza de los datos se basa en factores comunes o compuestos. [15]

Véase también

Referencias

  1. ^ Hair, JF; Hult, GTM; Ringle, CM ; Sarstedt, M. (2017). Introducción al modelado de ecuaciones estructurales mediante mínimos cuadrados parciales (PLS-SEM) (2.ª ed.). Thousand Oaks, CA: Sage. ISBN 9781483377445.
  2. ^ Vinzi, VE; Trinchera, L.; Amato, S. (2010). Manual de mínimos cuadrados parciales . Springer Berlin Heidelberg.
  3. ^ Hair, JF; Sarstedt, M.; Ringle, CM ; Gudergan, SP (2018). Cuestiones avanzadas en modelado de ecuaciones estructurales por mínimos cuadrados parciales (PLS-SEM). Thousand Oaks, CA: Sage. ISBN 9781483377391.
  4. ^ Wold, HOA (1982). "Modelado suave: el diseño básico y algunas extensiones". En Jöreskog, KG; Wold, HOA (eds.). Sistemas bajo observaciones indirectas: Parte II . Ámsterdam: Holanda Septentrional. págs. 1–54. ISBN 0-444-86301-X.
  5. ^ Lohmöller, J.-B. (1989). Modelado de trayectorias de variables latentes con mínimos cuadrados parciales . Heidelberg: Physica. ISBN 3-7908-0437-1.
  6. ^ Henseler, Jörg; Dijkstra, Theo K.; Sarstedt, Marko; Ringle, Christian M.; Diamantopoulos, Adamantios; Straub, Detmar W.; Ketchen, David J.; Hair, Joseph F.; Hult, G. Tomas M. (10 de abril de 2014). "Creencias comunes y realidad sobre PLS". Métodos de investigación organizacional . 17 (2): 182–209. doi : 10.1177/1094428114526928 . hdl : 10362/117915 .
  7. ^ Rigdon, EE; Sarstedt, M.; Ringle, M. (2017). "Sobre la comparación de resultados de CB-SEM y PLS-SEM: cinco perspectivas y cinco recomendaciones". Marketing ZFP . 39 (3): 4–16. doi : 10.15358/0344-1369-2017-3-4 .
  8. ^ Dijkstra, Theo K.; Henseler, Jörg (1 de enero de 2015). "Estimadores PLS-PM consistentes y asintóticamente normales para ecuaciones estructurales lineales". Computational Statistics & Data Analysis . 81 : 10–23. doi : 10.1016/j.csda.2014.07.008 .
  9. ^ Kock, N. (2019). De los compuestos a los factores: cerrando la brecha entre el PLS y el modelado de ecuaciones estructurales basado en covarianza. Revista de sistemas de información, 29(3), 674-706.
  10. ^ Rönkkö, M.; McIntosh, CN; Antonakis, J.; Edwards, JR (2016). "Modelado de trayectorias de mínimos cuadrados parciales: es hora de pensarlo dos veces". Journal of Operations Management . 47–48: 9–27. doi :10.1016/j.jom.2016.05.002.
  11. ^ Goodhue, DL, Lewis, W., y Thompson, R. (2012). ¿Tiene PLS ventajas para muestras de tamaño pequeño o datos no normales? MIS Quarterly, 981-1001.
  12. ^ Kock, N., y Hadaya, P. (2018). Estimación del tamaño mínimo de muestra en PLS-SEM: los métodos de raíz cuadrada inversa y exponencial gamma. Revista de sistemas de información, 28(1), 227–261.
  13. ^ Kock, N., y Hadaya, P. (2018). Estimación del tamaño mínimo de muestra en PLS-SEM: los métodos de raíz cuadrada inversa y exponencial gamma. Revista de sistemas de información, 28(1), 227–261.
  14. ^ Sarstedt, Marko; Cheah, Jun-Hwa (27 de junio de 2019). "Modelado de ecuaciones estructurales de mínimos cuadrados parciales utilizando SmartPLS: una revisión de software" (PDF) . Journal of Marketing Analytics . 7 (3): 196–202. doi :10.1057/s41270-019-00058-3. ISSN  2050-3318. S2CID  198334897.
  15. ^ Sarstedt, M.; Hair, JF; Ringle, CM; Thiele, KO; Gudergan, SP (2016). "Problemas de estimación con PLS y CBSEM: ¡dónde reside el sesgo!". Journal of Business Research . 69 (10): 3998–4010. doi : 10.1016/j.jbusres.2016.06.007 . hdl : 11420/1817 .