stringtranslate.com

Modelado de rutas de mínimos cuadrados parciales

El modelado de trayectorias de mínimos cuadrados parciales o modelado de ecuaciones estructurales de 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 complejas de causa-efecto en modelos de trayectoria. 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 lo que esto significa desde un punto de vista estadístico no está claro y los usuarios de PLS-PM no están de acuerdo sobre cómo se podría lograr este objetivo).

Además, mediante un ajuste, PLS-PM también es capaz de estimar consistentemente ciertos parámetros de modelos de factores comunes, a través de un enfoque llamado PLS-PM consistente (PLSc-PM). [8] Otro desarrollo relacionado es el PLS-PM basado en factores (PLSF), una variación del cual emplea PLSc-PM como base para la estimación de los factores en 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 modelo 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 ecuación estructural estimando las variables latentes utilizando la 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.

PLS es visto críticamente por varios investigadores metodológicos. [10] [11] Un punto importante de controversia ha sido la afirmación de que 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 PLS-PM y la falta de pruebas analíticas que respalden su característica principal: la distribución muestral de las ponderaciones de PLS-PM. Sin embargo, PLS-PM todavía se considera preferible (sobre el modelado de ecuaciones estructurales basado en covarianza) cuando se desconoce si la naturaleza de los datos está basada en factores comunes o compuesta. [15]

Ver también

Referencias

  1. ^ Cabello, JF; Hult, GTM; Ringle, CM ; Sarstedt, M. (2017). Introducción al modelado de ecuaciones estructurales de mínimos cuadrados parciales (PLS-SEM) (2 ed.). Thousand Oaks, CA: Sage. ISBN 9781483377445.
  2. ^ Vinzi, VE; Trinchera, L.; Amato, S. (2010). Manual de mínimos cuadrados parciales . Springer Berlín Heidelberg.
  3. ^ Cabello, JF; Sarstedt, M.; Ringle, CM ; Gudergan, SP (2018). Problemas avanzados en el modelado de ecuaciones estructurales de mínimos cuadrados parciales (PLS-SEM). Thousand Oaks, CA: Sage. ISBN 9781483377391.
  4. ^ Mundo, HOA (1982). "Modelado suave: el diseño básico y algunas extensiones". En Jöreskog, KG; Wold, HOA (eds.). Sistemas bajo observaciones indirectas: Parte II . Amsterdam: Holanda Septentrional. págs. 1–54. ISBN 0-444-86301-X.
  5. ^ Lohmöller, J.-B. (1989). Modelado de rutas de variables latentes con mínimos cuadrados parciales . Heidelberg: Física. ISBN 3-7908-0437-1.
  6. ^ Henseler, Jörg; Dijkstra, Theo K.; Sarstedt, Marko; Ringle, Christian M.; Diamantopoulos, Adamantios; Straub, Detmar W.; Ketchen, David J.; Cabello, 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". Comercialización 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". Estadística computacional y análisis de datos . 81 : 10-23. doi : 10.1016/j.csda.2014.07.008 .
  9. ^ Kock, N. (2019). De compuestos a factores: cerrando la brecha entre 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 rutas de mínimos cuadrados parciales: es hora de reflexionar seriamente". Revista de Gestión de Operaciones . 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 anormales? MIS trimestral, 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 del software" (PDF) . Revista de análisis de marketing . 7 (3): 196–202. doi :10.1057/s41270-019-00058-3. ISSN  2050-3318. S2CID  198334897.
  15. ^ Sarstedt, M.; Cabello, JF; Ringle, CM; Thiele, KO; Gudergan, SP (2016). "Problemas de estimación con PLS y CBSEM: ¡dónde reside el sesgo!". Revista de investigación empresarial . 69 (10): 3998–4010. doi : 10.1016/j.jbusres.2016.06.007 . hdl : 11420/1817 .