Algoritma PLS

Abstrak

Metode pemodelan jalur PLS dikembangkan oleh Wold (1982). Intinya, algoritma PLS adalah urutan regresi dalam bentuk vektor bobot. Vektor bobot yang diperoleh pada konvergensi memenuhi persamaan titik tetap (lihat Dijkstra, 2010, untuk analisis umum persamaan ini).

Deskripsi

Metode pemodelan jalur PLS dikembangkan oleh Wold (1992) dan algoritma PLS pada dasarnya adalah urutan regresi dalam hal vektor bobot (Henseler et al., 2009). Vektor bobot yang diperoleh pada konvergensi memenuhi persamaan titik tetap (lihat Dijkstra, 2010, untuk analisis umum persamaan tersebut dan masalah konvergensi selanjutnya). Algoritme PLS dasar, seperti yang disarankan oleh Lohmöller (1989), mencakup tiga tahap berikut:

Tahap 1: Estimasi Iteratif dari skor variabel laten terdiri dari prosedur iteratif 4 langkah, yang diulangi sampai konvergensi telah diperoleh (atau jumlah iterasi maksimum telah tercapai):

(1) outer approximation of the latent variable scores,
(2) estimation of the inner weights,
(3) inner approximation of the latent variable scores, and
(4) estimation of the outer weights.

Tahap 2: Estimasi bobot luar / pembebanan dan koefisien jalur.

Tahap 3: Estimasi parameter lokasi.

Rambut dkk. (2017) dan Henseler et al. (2012) memberikan penjelasan rinci tentang bagaimana algoritma PLS dasar beroperasi seperti yang diimplementasikan dalam SmartPLS 3.0 (Ringle et al., 2015).

Pengaturan Algoritma PLS di SmartPLS

Skema Pembobotan

PLS-SEM memungkinkan pengguna untuk menerapkan tiga skema pembobotan model struktural:

(1) centroid weighting scheme,
(2) factor weighting scheme, and
(3) path weighting scheme (default).

Meskipun hasilnya sedikit berbeda untuk skema pembobotan alternatif, pembobotan jalur adalah pendekatan yang direkomendasikan. Skema pembobotan ini memberikan nilai R² tertinggi untuk variabel laten endogen dan umumnya berlaku untuk semua jenis spesifikasi dan estimasi model jalur PLS. Selain itu, jika model jalur menyertakan konstruksi tingkat tinggi (sering disebut model urutan kedua), peneliti biasanya tidak boleh menggunakan skema pembobotan pusat.

Iterasi Maksimum

Parameter ini mewakili jumlah maksimum iterasi yang akan digunakan untuk menghitung hasil PLS. Jumlah ini harus cukup besar (misalnya 300 iterasi). Saat memeriksa hasil PLS-SEM, harus dipastikan bahwa algoritme tidak berhenti karena jumlah iterasi maksimum tercapai tetapi karena kriteria berhenti. Catatan: Pemilihan 0 untuk jumlah maksimum iterasi memungkinkan Anda untuk mendapatkan hasil pendekatan jumlah skor.

Hentikan Kriteria

Algoritme PLS berhenti ketika perubahan bobot luar antara dua iterasi yang berurutan lebih kecil dari nilai kriteria stop ini (atau jumlah maksimum iterasi tercapai). Nilai ini harus cukup kecil (misalnya, 10 ^ -5 ^ atau 10 ^ -7 ^).

Bobot Luar Awal

Sebagai default (yaitu, pengaturan SmartPLS), bobot luar awal diatur ke +1. Namun, alternatif berikut tersedia:

• Pengaturan Lohmöller : Lohmöller menyarankan penggunaan +1 sebagai bobot luar awal untuk semua indikator per model pengukuran kecuali yang terakhir, yang menggunakan bobot luar awal -1. Dengan demikian, algoritma PLS-SEM menyatu lebih cepat. Namun, inisialisasi semacam ini dapat menyebabkan tanda-tanda yang berlawanan dari perkiraan koefisien jalur PLS dalam model pengukuran dan / atau dalam model struktural.
• Pengaturan Individual : SmartPLS untuk menentukan bobot luar awal individu untuk setiap indikator dalam model jalur PLS. Misalnya, secara khusus indikator penting dapat memperoleh +1 (misalnya, ketika diasumsikan kuat hubungan positif dengan variabel laten sebelumnya), sedangkan indikator lain dari model pengukuran yang sama memperoleh 0.

Tautan

• Memilih Antara PLS-SEM dan CB-SEM
• PLS-SEM Dibandingkan dengan CB-SEM
• Buku tentang Masalah Lanjutan di PLS-SEM
• Buku PLS-SEM
• E-Book di PLS-SEM

Referensi

• Dijkstra, TK (2010). Variabel dan Indeks Laten: Desain Dasar Herman Wold dan Partial Least Squares , dalam Handbook of Partial Least Squares: Konsep, Metode dan Aplikasi (Springer Handbooks of Computational Statistics Series, vol. II), V. Esposito Vinzi, WW Chin, J. Henseler dan H. Wang (eds.), Springer: Heidelberg, Dordrecht, London, New York, hlm. 23-46.
• Rambut, JF, Hult, GTM, Ringle, CM, dan Sarstedt, M. (2017). A Primer pada Partial Least Squares Structural Equation Modeling (PLS-SEM) , 2 ^ nd ^ Ed., Sage: Thousand Oaks.
• Henseler, J., Ringle, CM, dan Sarstedt, M. (2012). Menggunakan Partial Least Squares Path Modeling dalam International Advertising Research: Basic Concepts and Recent Issues , dalam Handbook of Research in International Advertising, S. Okazaki (ed.), Edward Elgar Publishing: Cheltenham, pp. 252-276.
• Henseler, J., Ringle, CM, dan Sinkovics, RR (2009). The Use of Partial Least Squares Path Modeling in International Marketing , in Advances in International Marketing, RR Sinkovics and PN Ghauri (eds.), Emerald: Bingley, pp.277-320.
• Lohmöller, J.-B. (1989). Pemodelan Jalur Variabel Laten dengan Partial Least Squares , Physica: Heidelberg.
• Ringle, CM, Wende, S., dan Becker, J.-M. (2015). SmartPLS 3 , SmartPLS GmbH: Boenningstedt.
• Wold, H. (1982). Pemodelan Lunak: Desain Dasar dan Beberapa Ekstensi , dalam Sistem di Bawah Pengamatan Tidak Langsung: Bagian II, KG Jöreskog dan H. Wold (eds.), North-Holland: Amsterdam, hlm. 1-54.

Tautan ke Lebih Banyak Literatur