Modelowanie równań strukturalnych PLS (PLS-SEM) zyskało ostatnio coraz większą uwagę w badaniach i praktyce w różnych dyscyplinach, takich jak zarządzanie, marketing, systemy informatyczne, medycyna, inżynieria, psychologia, nauki polityczne i środowiskowe.

Modelowanie równań strukturalnych PLS (PLS-SEM) umożliwia naukowcom modelowanie i szacowanie złożonych modeli zależności przyczynowo-skutkowych zarówno ze zmiennymi ukrytymi (graficznie przedstawionymi najczęściej jako elipsy), jak i z obserwowanymi zmiennymi (graficznie przedstawionymi zazwyczaj jako prostokąty).

Ukryte zmienne ucieleśniają niezauważalne (tj. Nie bezpośrednio mierzalne) zjawiska, takie jak postrzeganie, postawy i intencje. Obserwowane zmienne (np. Odpowiedzi na kwestionariusz lub dane wtórne) są zmiennymi ukrytymi w modelu statystycznym. Modelowanie równań strukturalnych PLS (PLS-SEM) szacuje zależność między zmiennymi ukrytymi a tym, jak model wyjaśnia konstrukty docelowe będące przedmiotem zainteresowania.

Popularność modelowania równań strukturalnych PLS

Głównymi przyczynami rosnącej popularności modelowania równań strukturalnych PLS jest możliwość oszacowania bardzo złożonych modeli i złagodzenia wymagań dotyczących danych. Najpopularniejszymi aplikacjami modelowania równań strukturalnych PLS jest estymacja modeli akceptacji technologii (TAM) i modeli amerykańskiego indeksu zadowolenia klientów (ACSI). Każdy z tych modeli został opublikowany w tysiącach różnych badań.

Popularność PLS-SEM zwiększyła także wymagania związane z tą metodą. Ostatnie, najnowsze badania zaprezentowano z szerokim spektrum opcji technicznych, aby spełnić cele analityczne modeli równań strukturalnych. Rozszerzenia te obejmują, na przykład, mapę wydajności, mediację, moderację, analizę wielogrupową MGA, segmentację klas latentnych i analizę predykcyjną, analizę heterogeniczności w modelu i wiele innych

Gdzie można poczytać o modelowaniu równań strukturalnych metodą PLS?

Aby poznać metodę modelowania równań strukturalnych można zajrzeć do drugiego wydania na temat Modelowanie Równań strukturalnych Metodą Najmniejszych Kwadratów (PLS-SEM) autorstwa Joe Hair, Thomasa Hulta, Christiana Ringle’a i Marko Sarstedta, oraz Modelowanie równań strukturalnych przez Hair, Sarstedt, Ringle i Siegfried Gudergan, to praktyczne przewodniki, które dostarczają naukowcom szybkiego zrozumienia szybko rozwijającej się wspaniałej wielowymiarowej techniki PLS-SEM.

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Pola, których wypełnienie jest wymagane, są oznaczone symbolem *