Mastering Partial Least Squares Structural Equation Modeling (PLS-SEM) with SmartPLS in 38 Hours

Mastering Partial Least Squares Structural Equation Modeling (PLS-SEM) with SmartPLS in 38 Hours

Bình phương tối thiểu một phần là một cách tiếp cận mới trong mô hình phương trình cấu trúc có thể trả cổ tức khi lý thuyết khan hiếm, thông số kỹ thuật mô hình chính xác là không chắc chắn và độ chính xác dự đoán là tối quan trọng. Các nhà tiếp thị có thể sử dụng PLS để xây dựng các mô hình đo lường các biến tiềm ẩn như tình trạng kinh tế xã hội, chất lượng cảm nhận, sự hài lòng, thái độ thương hiệu, ý định mua và lòng trung thành của khách hàng. Khi được áp dụng chính xác, PLS có thể là một sự thay thế tuyệt vời cho các phương pháp SEM dựa trên hiệp phương sai hiện có. Tiến sĩ Ken Kwong-Kay Wong đã viết hướng dẫn tham khảo này với các sinh viên tốt nghiệp và các học viên tiếp thị trong tâm trí. Cùng với các ví dụ kinh doanh và bộ dữ liệu có thể tải xuống để thực hành, hướng dẫn bao gồm hướng dẫn từng bước cho các quy trình PLS-SEM nâng cao trong SmartPLS, bao gồm: CTA-PLS, FIMIX-PLS, GoF (SRMR, dULS và dG), HCM, HTMT, IPMA, MICOM, PLS-MGA, PLS-POS, PLSc và QEM. Với đầy đủ các minh họa hữu ích để tạo điều kiện cho sự hiểu biết, bạn sẽ tìm thấy hướng dẫn này một công cụ tiếp theo khi tiến hành nghiên cứu tiếp thị. Cuốn sách này cung cấp tất cả các yếu tố cần thiết trong việc thấu hiểu, đồng hóa, áp dụng và trình bày rõ ràng các mô hình có cấu trúc tinh vi theo cách đơn giản nhất cho rất nhiều ngành kinh doanh và phi kinh doanh. - Giáo sư Siva Muthaly, Trưởng khoa Kinh doanh và Quản lý tại APU .

Mastering-PLS-SEM-with-SmartPLS-in-38-Hours

Chương 12 - Các kỹ thuật mới trong các mô hình nhân tố ước tính PLS-SEM sử dụng PLS nhất quán (PLSc) Thuật toán PLS truyền thống có những thiếu sót. Dijkstra & Schermelleh-Engel (2014) cho rằng nó đánh giá quá cao các tải trọng trong giá trị tuyệt đối và đánh giá thấp mối tương quan nhiều và bivariate giữa các biến tiềm ẩn. Người ta cũng thấy rằng giá trị R2 của các biến tiềm ẩn nội sinh thường bị đánh giá thấp (Dijkstra, 2010). Dựa trên sự điều chỉnh nổi tiếng của Nunnally (1978) cho công thức suy giảm, PLS nhất quán (PLSc) được đề xuất để điều chỉnh các mối tương quan của các cấu trúc phản chiếu để đưa ra kết quả ước lượng phù hợp với mô hình nhân tố (Dijkstra 2010; Dijkstra 2014; Dijkstra và Henseler 2015a; Schermelleh-Engel 2014). Trong SmartPLS v3, các nhà phát triển đã bổ sung Thuật toán PLS nhất quán và liên tục của PLS Bootstrapping tựa để tính toán mối tương quan giữa các yếu tố phản xạ (xem Hình 99). Các chức năng Thuật toán PLS và Bootstrapping ban đầu vẫn có sẵn trong phần mềm. Sự lựa chọn tùy thuộc vào việc mô hình của nhà nghiên cứu có cấu trúc phản xạ và / hoặc hình thức hay không: • Nếu tất cả các cấu trúc đều phản chiếu: sử dụng Thuật toán PLS nhất quán và Bootstrapping • Nếu tất cả các cấu trúc đều có định dạng: hãy sử dụng Thuật toán PLS và Bootstrapping (bản gốc) Một hỗn hợp của các cấu trúc phản xạ và hình thành: sử dụng Thuật toán PLS nhất quán và Bootstrapping Nói cách khác, nếu các cấu trúc được mô hình hóa như các yếu tố, nhà nghiên cứu nên sử dụng PLS (PLSc) nhất quán thay vì PLS truyền thống với Chế độ A. Ngoài ra còn có các cân nhắc khác khi sử dụng PLSc . Ví dụ, nếu một mô hình nhà nghiên cứu sử dụng cấu trúc bậc cao hơn, anh ta hoặc cô ta chỉ nên sử dụng phương pháp hai giai đoạn và không sử dụng phương pháp chỉ báo lặp lại vì phương pháp sau không hoạt động tốt với PLSc. Ngoài ra, nếu có sự khác biệt lớn giữa kết quả PLS và PLSc truyền thống, nhà nghiên cứu nên suy nghĩ lại nếu tất cả các cấu trúc phản chiếu thực sự tuân theo mô hình nhân tố chung, hoặc thay vào đó chúng nên sử dụng mô hình tổng hợp (hình thức). Đánh giá tính hợp lệ của phân biệt đối xử bằng cách sử dụng tỷ lệ tương quan giữa các vùng tương quan (HTMT) Trong PLS-SEM nơi có các cấu trúc phản chiếu, điều quan trọng là phải đánh giá tính hợp lệ của phân biệt khi phân tích mối quan hệ giữa các biến tiềm ẩn. Hiệu lực phân biệt đối xử cần phải được thiết lập để xác nhận rằng các kết quả đường dẫn cấu trúc được đưa ra giả thuyết là có thật và không phải là kết quả của sự khác biệt thống kê. Cách tiếp cận cổ điển trong việc đánh giá tính hợp lệ của phân biệt đối xử dựa trên việc kiểm tra (i) tiêu chí của Fornell-Larcker và (ii) tải chéo một phần. Thông tin này vẫn có sẵn trong báo cáo kết quả của SmartPLS v3. Tuy nhiên, Henseler, Ringle và Sarstedt (2015) lập luận rằng những cách tiếp cận này không thể phát hiện một cách đáng tin cậy sự thiếu hiệu lực phân biệt đối xử trong hầu hết các kịch bản nghiên cứu. Họ đã đề xuất một phương pháp thay thế gọi là tỷ lệ tương quan Heterot Eo-monot Eo (HTMT) dựa trên ma trận đa tuyến-đa tuyến. Các thủ tục HTMT 1. Chúng ta hãy sử dụng bộ dữ liệu của cafe cafe100 để minh họa cách HTMT có thể được thực hiện để kiểm tra tính hợp lệ của phân biệt đối xử. 2. Chuyển đến trình đơn tính toán của Wikipedia và chọn Thuật toán PLS thuật toán liên tục. 3. Trong tab Cài đặt trên máy tính, hãy kiểm tra Kết nối tất cả LV cho tính toán ban đầu, sau đó nhấn nút Bắt đầu tính toán tính toán. 4. Sau khi thuật toán được hội tụ, hãy chuyển đến phần Tiêu chí Chất lượng của Trực tuyến và nhấp vào liên kết Siêu liên quan đến Phân biệt đối xử. 5. Chuyển đến tab thứ 3 có ghi Tỷ lệ Heterot Eo-Monot Eo (HTMT) (xem Hình 100). 6. Kiểm tra các giá trị. Vì giá trị tối đa 0,754 nằm dưới ngưỡng 0,85 (nghĩa là giá trị HTMT bảo thủ nhất), chúng tôi nói rằng tính hợp lệ phân biệt được thiết lập trong mô hình. 7. Bước tiếp theo là đánh giá tiêu chí suy luận HTMT. Để làm điều đó, đầu tiên hãy quay lại tab mô hình đầy màu sắc. Sau đó, vào menu Tính toán của chế độ và chọn PLS Bootstrapping trực tiếp. 8. Trên tab thứ 2, Boot Bootpingpping, hãy chọn, Hoàn thành Bootstrapping trực tiếp trong số lượng Kết quả Lựa chọn. Đây là một bước quan trọng nếu không thông tin HTMT sẽ không được hiển thị. 9. Nhấp vào nút Bắt đầu tính toán trên mạng để thực hiện quy trình bootstrapping.

10. Sau khi báo cáo kết quả mở ra, hãy truy cập liên kết Tiêu chí Chất lượng của Hồi giáo và nhấp vào liên kết Siêu tỷ lệ Eo-Eo-Monot Eo (HTMT). Bạn có thể cần phải cuộn xuống để xem liên kết này ở dưới cùng của màn hình. 11. Chuyển đến tab 2 Khoảng tin cậy Khoảng tin cậy Xu hướng Sửa lỗi để kiểm tra các giá trị (xem Hình 101). 12. Nhìn vào các cột CI thấp (2,5%) và CI Up (97,5%). Vì tất cả HTMT khác biệt đáng kể so với 1, nên tính hợp lệ của phân biệt đối xử được cho là được thiết lập giữa các cấu trúc phản chiếu này. Tương phản tổng hiệu ứng sử dụng Phân tích ma trận hiệu suất quan trọng (IPMA) SmartPLS v3 đã giới thiệu một cách báo cáo kết quả PLS-SEM mới - Phân tích ma trận hiệu suất quan trọng (IPMA). Nó thường được sử dụng để đánh giá hiệu suất của các trình điều khiển thành công kinh doanh chính. IPMA về cơ bản là một sơ đồ xy trong đó trục x hiển thị các Trình điều khiển thành công trong kinh doanh (Tổng hiệu ứng) của các trình điều khiển thành công kinh doanh sử dụng thang điểm từ 0 đến 1 và trục y hiển thị Trình điều khiển thành công trong kinh doanh sử dụng thang đo Từ 0 đến 100. Bằng cách này, các nhà nghiên cứu có thể xác định các cấu trúc tiền thân đó có hiệu ứng tổng mạnh (tầm quan trọng cao) nhưng điểm số biến trung bình tiềm ẩn thấp (hiệu suất thấp) để cải thiện hoạt động tiếp theo. IPMA yêu cầu sử dụng thang đo hệ mét hoặc thang đo tương đương (với các loại tích cực và tiêu cực cân bằng với một loại trung tính ở giữa). Do đó, các chỉ số được đo trên thang đo danh nghĩa không thể sử dụng IPMA. Các thủ tục IPMA 1. Chúng ta hãy sử dụng bộ dữ liệu của cafe cafe100 để minh họa IPMA. 2. Chạy Thuật toán PLS bằng cách vào menu Tính toán tính toán và chọn Thuật toán PLS nhất quán PLS Thuật toán 3. Trên Báo cáo kết quả, kiểm tra các dấu hiệu của trọng lượng bên ngoài để xem chúng có dương hay âm bằng cách đi tới Kết quả cuối cùng Bên ngoài Trọng lượng trực tiếp. Nói chung, chúng tôi muốn các giá trị tích cực. Nếu có bất kỳ chỉ số nào có giá trị âm (ví dụ: những chỉ số lớn hơn -0.1), chúng nên được xóa trước khi chạy IPMA. Trong trường hợp của chúng tôi, tất cả các giá trị đều dương (xem Hình 102), vì vậy chúng tôi có thể tiến hành IPMA. 4. Quay trở lại tab mô hình đầy màu sắc, sau đó chọn Phân tích bản đồ hiệu suất quan trọng (IPMA) của Cameron trong menu Tính toán chế độ. 5. Chỉ định công cụ xây dựng mục tiêu LOiance trong tab Cài đặt trực tuyến và chọn tùy chọn Tất cả các tiền thân của tùy chọn Xây dựng mục tiêu được chọn. Ngoài ra, nhập giá trị tối thiểu hoặc tối đa của thang đo và nhấn nút Áp dụng cho tất cả các dòng. Sau khi hoàn thành xong, hãy nhấn nút tính toán Bắt đầu tính toán (xem Hình 103). 6. Để xem kết quả IPMA bằng đồ họa, hãy truy cập Tiêu chí chất lượng của “Bản đồ hiệu suất quan trọng [LOiance] (cấu trúc, hiệu ứng không đạt tiêu chuẩn) trên trang Kết quả (xem Hình 104). 7. Như được hiển thị trong Hình 104, CHẤT có hiệu quả tổng thể cao (nghĩa là có tầm quan trọng cao) nhưng hiệu suất thấp trong việc thúc đẩy lòng trung thành của khách hàng, vì vậy đây là lĩnh vực mà chủ quán cà phê không nên bỏ qua để cải thiện một khi cô ấy đã giải quyết các mục EXPECT. Kiểm tra mức độ phù hợp của Model Fit (GoF) Sử dụng SRMR, dULS và dG Trước khi phát triển PLS nhất quán (PLSc), có một quan điểm đã được xác định rằng PLS-SEM không thể được đánh giá toàn cầu cho mô hình tổng thể vì nó không tối ưu hóa bất kỳ chức năng vô hướng toàn cầu (Henseler, Hubona và Ray, 2016). Trong nhiều năm, người ta đã tranh luận rằng mức độ phù hợp tổng thể (GoF) không thể phân biệt đáng tin cậy với các mô hình không hợp lệ trong PLS-SEM nên loại đánh giá này hiếm khi được sử dụng và báo cáo. Tuy nhiên, việc kiểm tra GoF như một cách để mô hình tương phản hiện có thể thực hiện được trong PLSc vì đây là phương pháp SEM toàn diện, cung cấp các ước tính phù hợp cho cả mô hình nhân tố và mô hình tổng hợp. Các nhà nghiên cứu hiện có thể đánh giá GoF trong PLSc để xác định xem một mô hình được trang bị tốt hay không phù hợp (Henseler et al, 2014) và để phát hiện lỗi chính tả mô hình đo lường và sai chính tả mô hình cấu trúc (Dijkstra và Henseler, 2014).

Đăng ký E-book tại link: Phần mềm SmartPLS