부분 최소 제곱 경로 모델링

Partial least squares path modeling

부분 최소 제곱 경로 모델링 또는 부분 최소 제곱 구조 방정식 모델링(PLS-PM, PLS-SEM)[1][2][3]은 잠재적 변수를 갖는 경로 모델에서 복잡한 인과관계를 추정할 수 있는 구조 방정식 모델링 방법이다.

개요

PLS-PM은[4][5] 공분산 기반 구조 방정식 모델링과는 다른 구성요소 기반 추정 접근방식이다. 구조 방정식 모델링에 대한 공분산 기반 접근법과 달리 PLS-PM은 데이터에 공통 인자 모델을 적합시키지 않고 오히려 복합 모델을 적합시킨다.[6][7] 그렇게 함으로써 설명되는 분산의 양을 최대화한다(통계적 관점에서 이것이 의미하는 것은 불명확하고 PLS-PM 사용자는 이 목표가 어떻게 달성될 수 있는지에 대해 동의하지 않는다).

또한, 조정에 의해 PLS-PM 꾸준히 일반적인 요소 모델의 어떤 변수의 판단, 이 접근법이 일관된 PLS-PM는의 변화 요인들의 공통 인자 모드에서 견적을 위한 기초로 PLSc-PM을 고용합니다 추가적인 관련 개발은factor-based PLS-PM(PLSF),(PLSc-PM)[8]이라 불리는 과정을 통해 가능하다.ls. 이 방법은 추정할 수 있는 공통 인자 모델 매개변수의 수를 유의하게 증가시켜 고전적 PLS-PM과 공분산 기반 구조 방정식 모델링 사이의 간격을 효과적으로 연결한다.[9]

PLS-PM 구조 방정식 모델은 두 개의 하위 모델인 측정 모델과 구조 모델로 구성된다. 측정 모델은 관측된 데이터와 잠재 변수 사이의 관계를 나타낸다. 구조 모델은 잠재 변수들 사이의 관계를 나타낸다.

반복 알고리즘은 측정과 구조 모델을 교대로 사용하여 잠재적 변수를 추정함으로써 구조 방정식 모델을 해결하므로 절차의 이름인 부분적인 것이다. 측정 모형은 잠재 변수를 매니페스트 변수의 가중 합으로 추정한다. 구조 모형은 측정 모형으로 추정된 잠재 변수 사이의 단순 또는 다중 선형 회귀 분석을 통해 잠재 변수를 추정한다. 이 알고리즘은 수렴이 이루어질 때까지 반복된다.

PLS는 몇몇 방법론적 연구자들에 의해 비판적으로 검토되고 있다.[10][11] 주요 논쟁점은 PLS-PM이 매우 작은 표본 크기로 항상 사용될 수 있다는 주장이었다.[12] 최근 연구에 따르면 이러한 주장은 일반적으로 정당하지 않으며, PLS-PM에서 최소 표본 크기 추정을 위한 두 가지 방법을 제안한다.[13][14] 또 다른 논쟁점은 PLS-PM이 개발된 특별방법과 PLS-PM 가중치의 표본추출분포라는 주요 특징을 뒷받침할 분석적 증거의 부족이다. 그러나 PLS-PM은 데이터의 특성이 공통 요인 기반인지 복합 기반인지를 알 수 없는 경우 여전히 선호되는 것으로 간주된다([15]공분산 기반 구조 방정식 모델링보다).

참고 항목

참조

  1. ^ Hair, J.F.; Hult, G.T.M.; Ringle, C.M.; Sarstedt, M. (2017). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (2 ed.). Thousand Oaks, CA: Sage. ISBN 9781483377445.
  2. ^ Vinzi, V.E.; Trinchera, L.; Amato, S. (2010). Handbook of partial least squares. Springer Berlin Heidelberg.
  3. ^ Hair, J.F.; Sarstedt, M.; Ringle, C.M.; Gudergan, S.P. (2018). Advanced Issues in Partial Least Squares Structural Equation Modeling (PLS-SEM). Thousand Oaks, CA: Sage. ISBN 9781483377391.
  4. ^ Wold, H. O. A. (1982). "Soft Modeling: The Basic Design and Some Extensions". In Jöreskog, K. G.; Wold, H. O. A. (eds.). Systems Under Indirect Observations: Part II. Amsterdam: North-Holland. pp. 1–54. ISBN 0-444-86301-X.
  5. ^ Lohmöller, J.-B. (1989). Latent Variable Path Modeling with Partial Least Squares. 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. (2014-04-10). "Common Beliefs and Reality About PLS". Organizational Research Methods. 17 (2): 182–209. doi:10.1177/1094428114526928.
  7. ^ Rigdon, E. E.; Sarstedt, M.; Ringle, M. (2017). "On Comparing Results from CB-SEM and PLS-SEM: Five Perspectives and Five Recommendations". Marketing ZFP. 39 (3): 4–16. doi:10.15358/0344-1369-2017-3-4.
  8. ^ Dijkstra, Theo K.; Henseler, Jörg (2015-01-01). "Consistent and asymptotically normal PLS-PM estimators for linear structural equations". Computational Statistics & Data Analysis. 81: 10–23. doi:10.1016/j.csda.2014.07.008.
  9. ^ 코크, N. (2019) 복합 재료에서 요인에 이르기까지: PLS와 공분산 기반 구조 방정식 모델링 사이의 간격 연결 정보 시스템 저널, 29(3), 674-706.
  10. ^ Rönkkö, M.; McIntosh, C.N.; Antonakis, J.; Edwards, J.R. (2016). "Partial least squares path modeling: Time for some serious second thoughts". Journal of Operations Management. 47–48: 9–27. doi:10.1016/j.jom.2016.05.002.
  11. ^ Goodhue, D. L., L., Lewis, W. & Thompson, R.(2012). PLS는 작은 표본 크기나 비정규 데이터에 장점이 있는가? MIS 분기별, 981-1001.
  12. ^ Kock, N, & Hadaya, P.(2018). PLS-SEM의 최소 표본 크기 추정: 역제곱근 및 감마선 외적 방법. 정보 시스템 저널, 28(1), 227–261.
  13. ^ Kock, N, & Hadaya, P.(2018). PLS-SEM의 최소 표본 크기 추정: 역제곱근 및 감마선 외적 방법. 정보 시스템 저널, 28(1), 227–261.
  14. ^ Sarstedt, Marko; Cheah, Jun-Hwa (2019-06-27). "Partial least squares structural equation modeling using SmartPLS: a software review". Journal of Marketing Analytics. 7 (3): 196–202. doi:10.1057/s41270-019-00058-3. ISSN 2050-3318.
  15. ^ Sarstedt, M.; Hair, J.F.; Ringle, C.M.; Thiele, K.O.; Gudergan, S.P. (2016). "Estimation issues with PLS and CBSEM: Where the bias lies!". Journal of Business Research. 69 (10): 3998–4010. doi:10.1016/j.jbusres.2016.06.007.