CHOICE BETWEEN COVARIANCEAND VARIANCE-BASED SEM
Since the introduction of covariance-based structural
equation modeling (SEM) by Jöreskog in 1973, this
technique has been received with considerable interest
among empirical researchers. However, the
predominance of LISREL, certainly the most well-
known tool to perform this kind of analysis, has led to
the fact that not all researchers are aware of
alternative techniques for SEM, such as partial least
squares (PLS) analysis. Therefore, the objective of
this article is to provide an easily comprehensible
introduction to this technique, which is particularly
suited to situations in which constructs are measured
by a very large number of indicators and where
maximum likelihood covariance-based SEM tools
reach their limit. Because this article is intended as a
general introduction, it avoids mathematical details as
far as possible and instead focuses on a presentation
of PLS, which can be understood without an in-depth
knowledge of SEM.
First-generation techniques, such as regression-based
approaches (e.g., multiple regression analysis,
discriminant analysis, logistic regression, analysis of
variance) and factor or cluster analysis, belong to the
core set of statistical instruments which can be used to
either identify or confirm theoretical hypothesis based
on the analysis of empirical data. Many researchers in
various disciplines have applied one of these method
stogenerate findings that have significantly shaped the
way we see the world today, such as Spearman’s
(1904) work on general intelligence for psychology
(factor analysis), Hofstede’s (1983) publication on
cross-cultural differences for sociology (factor and
cluster analysis), and Altman’s (1968) article on
forecasting corporate bankruptcy for management
research (discriminant analysis).
However, a common factor for all these methods is
that they share three limitations, namely, (a) the
postulation of a simple model structure (at least in the
case of regression-based approaches); (b) the
assumption that all variables can be considered as
observable; and (c) the conjecture that all variables
are measured without error, which may limit their
applicability in some research situations.
Where the first assumption, the postulation of a simple
model structure (i.e., one dependent and several
independent variables) is concerned, Jacoby (1978) stated
that “we live in a complex, multivariate world [and that]
studying the impact of one or two variables in isolation,
Kể từ khi giới thiệu mô hình phương trình cấu trúc
dựa trên hiệp phương sai (SEM) bởi Jöreskog vào
năm 1973, kỹ thuật này đã được các nhà nghiên cứu
thực nghiệm đón nhận với sự quan tâm đáng kể. Tuy
nhiên, ưu thế của LISREL, chắc chắn là công cụ nổi
tiếng nhất để thực hiện loại phân tích này, đã dẫn đến
thực tế là không phải tất cả các nhà nghiên cứu đều
biết về các kỹ thuật thay thế cho SEM, chẳng hạn như
phân tích một phần bình phương nhỏ nhất (PLS). Do
đó, mục tiêu của bài viết này là cung cấp một phần
giới thiệu dễ hiểu về kỹ thuật này, đặc biệt phù hợp
với các tình huống trong đó các cấu trúc được đo
lường bởi một số lượng rất lớn các chỉ số và khi các
công cụ SEM dựa trên hiệp phương sai đạt đến giới
hạn của chúng. Bởi vì bài viết này nhằm mục đích
giới thiệu chung, nó tránh các chi tiết toán học càng
xa càng tốt và thay vào đó tập trung vào phần trình
bày PLS, có thể hiểu được mà không cần kiến thức
chuyên sâu về SEM.
Các kỹ thuật thế hệ thứ nhất, chẳng hạn như các
phương pháp tiếp cận dựa trên hồi quy (ví dụ: phân
tích hồi quy bội số, phân tích phân biệt, hồi quy
logistic, phân tích phương sai) và phân tích nhân tố
hoặc cụm, thuộc bộ công cụ thống kê cốt lõi có thể
được sử dụng để xác định hoặc xác nhận giả thuyết lý
thuyết dựa trên việc phân tích dữ liệu thực nghiệm.
Nhiều nhà nghiên cứu trong các lĩnh vực khác nhau
đã áp dụng một trong những phát hiện tổng hợp của
phương pháp này đã định hình đáng kể cách chúng ta
nhìn thế giới ngày nay, chẳng hạn như công trình của
Spearman (1904) về trí thông minh chung cho tâm lý
học (phân tích nhân tố), công bố của Hofstede (1983)
trên cross- khác biệt văn hóa cho xã hội học (phân
tích nhân tố và cụm), và bài báo của Altman (1968) về
dự báo phá sản doanh nghiệp cho nghiên cứu quản lý
(phân tích phân biệt đối xử).
Tuy nhiên, một yếu tố chung cho tất cả các phương
pháp này là chúng có chung ba hạn chế, đó là (a) công
nhận cấu trúc mô hình đơn giản (ít nhất là trong
trường hợp phương pháp tiếp cận dựa trên hồi quy);
(b) giả định rằng tất cả các biến có thể được coi là có
thể quan sát được; và (c) phỏng đoán rằng tất cả các
biến được đo lường mà không có sai số, điều này có
thể hạn chế khả năng áp dụng của chúng trong một số
tình huống nghiên cứu.
would seem … relatively artificial and inconsequential” (p.
91).
Khi có liên quan đến giả định đầu tiên, định đề về cấu trúc
mô hình đơn giản (tức là, một phụ thuộc và một số biến
độc lập), Jacoby (1978) tuyên bố rằng “chúng ta đang sống
trong một thế giới phức tạp, đa biến [và điều đó] nghiên
Although model building always implies omitting
some aspect of reality (Shugan, 2002), this
assumption of regression-based approaches may be
too limiting for an analysis of more complex and
more realistic situations. This becomes, for example,
especially obvious when one wants to investigate the
potential effect of mediating or moderating variables
(for a detailed definition of these two terms, see Baron
& Kenny, 1986) on the relationship between one or
more dependent and independent variables, which
may result in some dependent variables influencing
other dependent variables.
With respect to the second limitation, the assumption
that all variables can beconsidered as observable,
McDonald (1996) stressed that a variable can be
called observable “if and only if its value can be
obtained by means of a real-world sampling
experiment” (p. 239). Therefore, any variable that
does not correspond directly to anything observable
must be considered as unobservable (Dijkstra, 1983).
This definition makes it obvious that only a handful of
relevant variables, such as age and gender, can be
considered as observable, whereas “the effects and
properties of molecules, processes, genes, viruses, and
bacteria are usually observed only indirectly” (S.
Wold, 1993, p. 138)
Regarding the conjecture of variables measured
without error, one has to bear in mind that each
observation of the real world is accompanied by a
certain measurement error, which may comprise two
parts (Bagozzi, Yi, & Philipps, 1991): (a) random
error (e.g., caused by the order of items in a
questionnaire or respondent fatigue; Heeler & Ray,
1972) and (b) systematic error, such as method
variance (i.e., variance attributable to the
measurement method rather than the construct of
interest; Bagozzi et al., 1991). Because the observed
score of an item is therefore always the sum of three
parts, namely, the true score of the variable, random
error, and systematic error (Churchill, 1979), first-
generation techniques are, strictly speaking, only
applicable when there is neither a systematic nor a
random error component—a rare situation in reality.
To overcome these limitations of first-generation techniques,
more and more authors started using structural equation
modeling (SEM) as an alternative. Compared to regression-
based approaches, which analyze only one layer of linkages
between independent and dependent variables at the same time,
SEM, as a second-generation technique, allows the
cứu tác động của một hoặc hai biến riêng biệt, sẽ có vẻ…
tương đối giả tạo và không quan trọng ”(trang 91).
Mặc dù việc xây dựng mô hình luôn ngụ ý bỏ qua một
số khía cạnh của thực tế (Shugan, 2002), giả định về
cách tiếp cận dựa trên hồi quy này có thể quá hạn chế
đối với việc phân tích các tình huống phức tạp hơn và
thực tế hơn. Ví dụ, điều này trở nên đặc biệt rõ ràng
khi một người muốn điều tra tác động tiềm tàng của
các biến trung gian hoặc kiểm duyệt (để biết định
nghĩa chi tiết về hai thuật ngữ này, xem Baron &
Kenny, 1986) đối với mối quan hệ giữa một hoặc
nhiều biến phụ thuộc và độc lập, có thể dẫn đến một
số biến phụ thuộc ảnh hưởng đến các biến phụ thuộc
khác.
Đối với hạn chế thứ hai, giả định rằng tất cả các biến
có thể được coi là có thể quan sát được, McDonald
(1996) nhấn mạnh rằng một biến có thể được gọi là có
thể quan sát được “nếu và chỉ khi giá trị của nó có thể
thu được bằng một thí nghiệm lấy mẫu trong thế giới
thực” ( trang 239). Do đó, bất kỳ biến nào không
tương ứng trực tiếp với bất kỳ thứ gì có thể quan sát
được phải được coi là không thể quan sát được
(Dijkstra, 1983). Định nghĩa này cho thấy rõ ràng
rằng chỉ một số ít các biến có liên quan, chẳng hạn
như tuổi và giới tính, có thể được coi là có thể quan
sát được, trong khi “các tác động và đặc tính của phân
tử, quá trình, gen, vi rút và vi khuẩn thường chỉ được
quan sát gián tiếp” (S . Wold, 1993, trang 138)
Về việc phỏng đoán các biến được đo lường không có
sai số, người ta phải nhớ rằng mỗi quan sát trong thế
giới thực đều đi kèm với một sai số đo lường nhất
định, có thể bao gồm hai phần (Bagozzi, Yi, &
Philipps, 1991): (a) ngẫu nhiên lỗi (ví dụ: do thứ tự
của các mục trong bảng câu hỏi hoặc sự mệt mỏi của
người trả lời; Heeler & Ray, 1972) và (b) lỗi hệ thống,
chẳng hạn như phương sai của phương pháp (tức là
phương sai quy cho phương pháp đo lường hơn là cấu
trúc quan tâm; Bagozzi và cộng sự, 1991). Do điểm số
quan sát được của một mục luôn là tổng của ba phần,
đó là điểm thực của biến số, lỗi ngẫu nhiên và lỗi hệ
thống (Churchill, 1979), các kỹ thuật thế hệ thứ nhất,
nói một cách chính xác, chỉ áp dụng được khi có
không phải là một thành phần lỗi có hệ thống hay
ngẫu nhiên - một tình huống hiếm gặp trong thực tế.
simultaneous modeling of relationships among multiple
independent and dependent constructs (Gefen, Straub, &
Boudreau, 2000).
Để khắc phục những hạn chế này của các kỹ thuật thế hệ thứ
nhất, ngày càng nhiều tác giả bắt đầu sử dụng mô hình phương
trình cấu trúc (SEM) như một giải pháp thay thế. So với các
phương pháp tiếp cận dựa trên hồi quy, chỉ phân tích một lớp
liên kết giữa các biến độc lập và phụ thuộc cùng một lúc, SEM,
với tư cách là một kỹ thuật thế hệ thứ hai, cho phép mô hình
Therefore, one no longer differentiates between
dependent and independent variables but distinguishes
between the exogenous and endogenous latent
variables, the former being variables which are not
explained by the postulated model (i.e. act always as
independent variables) and the latter being variables
that are explained by the relationships contained in the
model. (Diamantopoulos, 1994, pp. 108)
Additionally, SEM enables the researcher to construct
unobservable variables measured by indicators (also
called items, manifest variables, or observed
measures) as well as to explicitly model measurement
error for the observed variables (Chin, 1998a), and
hence it overcomes the limitations of first-generation
techniques described earlier and consequently gives
the researcher the flexibility to “statistically test a
priori substantive/theoretical and measurement
assumptions against empirical data (i.e. confirmatory
analysis)” (Chin, 1998a, p. vii).
In general, there are two approaches to estimating the
parameters of an SEM, namely, the covariance-based
approach and the variance-based (or components-
based) approach. Covariance-based SEM, in
particular, has received high prominence during the
last few decades and, “to many social science
researchers, the covariance-based procedure is
tautologically synonymous with the term SEM”
(Chin, 1998b, p. 295). Although there are several
different tools that can be used to perform this kind of
analysis, such as EQS, AMOS, SEPATH, and
COSAN, the LISREL program developed by Jöreskog
in 1975 became the most popular oneand,
consequently, the term LISREL is sometimes used as a
synonym for covariance-based SEM.
The focus of this article is to give an introduction to
the other side of the coin, variance-based SEM, and to
present partial least squares (PLS) analysis as one
technique from this group in more detail. In contrast
to articles already published in this area (e.g., Cassel,
Hackl, & Westlund, 1999; Dijkstra, 1983; Garthwaite,
1994), our focus is on an easily understandable
presentation of this topic, accessible to beginners
without extensive knowledge of statistics in general or
SEM in particular. Additionally, we try to answer the
question under which circumstances a researcher
might want to prefer variance-based over covariance-
hóa đồng thời các mối quan hệ giữa nhiều cấu trúc độc lập và
phụ thuộc (Gefen, Straub, & Boudreau, 2000).
Do đó, người ta không còn phân biệt giữa các biến
phụ thuộc và độc lập mà phân biệt giữa các biến tiềm
ẩn ngoại sinh và nội sinh, biến trước đây là các biến
không được giải thích bởi mô hình mặc nhiên (nghĩa
là luôn hoạt động như các biến độc lập) và biến sau là
các biến được giải thích bởi các mối quan hệ có trong
mô hình. (Diamantopoulos, 1994, trang 108)
Ngoài ra, SEM cho phép nhà nghiên cứu xây dựng
các biến không thể quan sát được đo lường bằng các
chỉ số (còn gọi là mục, biến biểu hiện hoặc đo lường
quan sát) cũng như mô hình hóa sai số đo lường rõ
ràng cho các biến quan sát (Chin, 1998a), và do đó nó
khắc phục được các hạn chế của các kỹ thuật thế hệ
thứ nhất được mô tả trước đó và do đó mang lại cho
nhà nghiên cứu sự linh hoạt để “kiểm tra thống kê các
giả định về cơ bản / lý thuyết và đo lường trước dựa
trên dữ liệu thực nghiệm (tức là phân tích xác nhận)”
(Chin, 1998a, p. vii).
Nói chung, có hai cách tiếp cận để ước tính các tham
số của SEM, đó là, cách tiếp cận dựa trên hiệp
phương sai và cách tiếp cận dựa trên phương sai (hoặc
dựa trên thành phần). Đặc biệt, SEM dựa trên hiệp
phương sai đã nhận được sự nổi bật cao trong vài thập
kỷ qua và “đối với nhiều nhà nghiên cứu khoa học xã
hội, thủ tục dựa trên hiệp phương sai đồng nghĩa với
thuật ngữ SEM” (Chin, 1998b, trang 295). Mặc dù có
một số công cụ khác nhau có thể được sử dụng để
thực hiện loại phân tích này, chẳng hạn như EQS,
AMOS, SEPATH và COSAN, chương trình LISREL
do Jöreskog phát triển năm 1975 đã trở thành chương
trình phổ biến nhất và do đó, thuật ngữ LISREL đôi
khi được sử dụng như một từ đồng nghĩa với SEM
dựa trên hiệp phương sai.
based SEM, given the specific assumptions and
limitations of each of these methods.
Trọng tâm của bài viết này là giới thiệu mặt khác của
đồng xu, SEM dựa trên phương sai và trình bày phân
tích bình phương nhỏ nhất (PLS) từng phần như một
kỹ thuật từ nhóm này chi tiết hơn. Trái ngược với các
bài báo đã được xuất bản trong lĩnh vực này (ví dụ:
Cassel, Hackl, & Westlund, 1999; Dijkstra, 1983;
Garthwaite, 1994), trọng tâm của chúng tôi là trình
bày dễ hiểu về chủ đề này, có thể tiếp cận được với
người mới bắt đầu không có kiến thức sâu rộng về
thống kê nói chung hoặc SEM nói riêng. Ngoài ra,
chúng tôi cố gắng trả lời câu hỏi trong trường hợp nào
mà nhà nghiên cứu có thể muốn thích dựa trên
phương sai hơn SEM dựa trên hiệp phương sai, với
For this purpose, our article is structured as follows:
In the next section, we provide a short introduction to
theories, SEM, and the measurement of unobservable
variables as necessary background to understanding
the fundamentals behind SEM. We then proceed to
the main topic of this article, an introduction to PLS
analysis, explaining the basics of this technique as
well as statistical assumptions and limitations
associated with it. The article concludes with some
recommendations regarding the suitability of PLS for
SEM, focusing particularly on situations in which
covariance-based SEM might not be appropriate.
THEORIES, SEM, AND INDICATORS
As indicated in the beginning of this article, SEM can
be (and often is) used to test (and consequently to
either support or reject) theoretical assumptions with
empirical data. It is therefore essential to have a sound
understanding of the structure of theories to
understand the different components of a structural
equation model.
According to Bagozzi and Philipps (1982), a theory
may contain three different types of concepts: (a)
theoretical concepts that “are abstract, unobservable
properties or attributes of a social unit of entity” (p.
465); (b) empirical concepts which “refer to
properties or relations whose presence or absence in a
given case can be inter-subjectively ascertained, under
suitable circumstances, by direct observations”
(Bagozzi & Philipps, 1982, p. 465); and (c) derived
concepts, which are unobservable (like theoretical
concepts) but “unlike theoretical concepts … must be
tied directly to empirical concepts” (Bagozzi &
Philipps, 1982, p. 465). Additionally, there are three
possible types of relationship that link these concepts:
(a) nonobservational hypotheses, which link
theoretical concepts with other theoretical concepts;
(b) theoretical definitions, which connect theoretical
and derived concepts; and (c) correspondence rules,
which link theoretical or derived to empirical
concepts and serve “to provide empirical significance
to theoretical terms” (Bagozzi, 1984, p. 17).
Using this framework, it is possible to construct are
search model thatre present sa certain theory, simply
by converting theoretical and derived concepts into
các giả định và hạn chế cụ thể của từng phương pháp
này.
Với mục đích này, bài viết của chúng tôi có cấu trúc
như sau: Trong phần tiếp theo, chúng tôi cung cấp
một giới thiệu ngắn về lý thuyết, SEM và việc đo
lường các biến không thể quan sát làm nền tảng cần
thiết để hiểu các nguyên tắc cơ bản đằng sau SEM.
Sau đó, chúng tôi chuyển sang chủ đề chính của bài
viết này, giới thiệu về phân tích PLS, giải thích những
điều cơ bản của kỹ thuật này cũng như các giả định
thống kê và các hạn chế liên quan đến nó. Bài báo kết
thúc với một số khuyến nghị về tính phù hợp của PLS
đối với SEM, đặc biệt tập trung vào các tình huống
trong đó SEM dựa trên hiệp phương sai có thể không
phù hợp.
Như đã chỉ ra ở phần đầu của bài viết này, SEM có
thể được (và thường được) sử dụng để kiểm tra (và do
đó hỗ trợ hoặc bác bỏ) các giả định lý thuyết với dữ
liệu thực nghiệm. Do đó, điều cần thiết là phải hiểu rõ
về cấu trúc của các lý thuyết để hiểu các thành phần
khác nhau của một mô hình phương trình cấu trúc.
Theo Bagozzi và Philipps (1982), một lý thuyết có thể
chứa ba loại khái niệm khác nhau: (a) khái niệm lý
thuyết “là những thuộc tính hoặc thuộc tính trừu
tượng, không thể quan sát được của một đơn vị xã hội
của thực thể” (trang 465); (b) các khái niệm thực
nghiệm “đề cập đến các thuộc tính hoặc quan hệ mà
sự hiện diện hoặc vắng mặt trong một trường hợp nhất
định có thể được xác định một cách chủ quan, trong
các trường hợp thích hợp, bằng các quan sát trực tiếp”
(Bagozzi & Philipps, 1982, trang 465); và (c) các khái
niệm có nguồn gốc, không thể quan sát được (như các
khái niệm lý thuyết) nhưng “không giống như các
khái niệm lý thuyết… phải gắn trực tiếp với các khái
niệm thực nghiệm” (Bagozzi & Philipps, 1982, trang
465). Ngoài ra, có ba loại mối quan hệ có thể có liên
kết các khái niệm này: (a) các giả thuyết không quan
sát, liên kết các khái niệm lý thuyết với các khái niệm
lý thuyết khác; (b) các định nghĩa lý thuyết, kết nối
các khái niệm lý thuyết và suy ra; và (c) các quy tắc
tương ứng, liên kết lý thuyết hoặc suy ra các khái
niệm thực nghiệm và phục vụ “để cung cấp ý nghĩa
thực nghiệm cho các thuật ngữ lý thuyết” (Bagozzi,
1984, trang 17).
unobservable (latent) variables, and empirical
concepts into indicators, which are linked by a set of
hypotheses (representing either nonobservational
hypotheses, theoretical definitions, or correspondence
rules).
Sử dụng khuôn khổ này, có thể xây dựng mô hình tìm
kiếm trình bày một lý thuyết nhất định, đơn giản bằng
cách chuyển đổi các khái niệm lý thuyết và suy ra
This model can then be represented graphically by a
path diagram (also called an arrow scheme; see Figure
1), which shows how the various elements relate to
one another (Diamantopoulos, 1994).
Based on the path diagram (and using Figure 1 as an
example), it is then possible to set up three sets of
equations, which can be used to describe the
relationships between the different parameters of the
research model.
The first set relates the indicators of the exogenous
variables (x) to their associated measurement error ()
and the latent exogenous variables ():
FIGURE 1 Relationship between theory and path
diagram/arrow scheme (Bagozzi & Philipps, 1982;
Diamantopoulos, 1994). η (eta) = latent endogenous variable; ξ
(xi) = latent exogenous (i.e., independent) variable; ζ (zeta) =
random disturbance term; γ (gamma) = path coefficient; ϕ (phi)
noncausal relationship between two latent exogenous variables;
y= indicators of endogenous variables; ε(epsilon) =
measurement errors for indicators of endogenous variable;
λy(lambda y) = loadings of indicators of endogenous
variable; x= indicators of endogenous variable; δ(delta)
= measurment errors for indicators of exogenous variable;
λx= (lambda x) loadings of indicators of exogenous variable
thành các biến không quan sát được (tiềm ẩn) và các
khái niệm thực nghiệm thành các chỉ số, được liên kết
bởi một tập hợp các giả thuyết (đại diện cho hoặc
không quan sát giả thuyết, định nghĩa lý thuyết hoặc
quy tắc tương ứng).
Mô hình này sau đó có thể được biểu diễn bằng đồ thị
bằng một sơ đồ đường dẫn (còn được gọi là sơ đồ mũi
tên; xem Hình 1), cho thấy các phần tử khác nhau liên
quan với nhau như thế nào (Diamantopoulos, 1994).
Dựa trên sơ đồ đường dẫn (và sử dụng Hình 1 làm ví
dụ), sau đó có thể thiết lập ba bộ phương trình, có thể
được sử dụng để mô tả mối quan hệ giữa các tham số
khác nhau của mô hình nghiên cứu.
Tập hợp đầu tiên liên hệ các chỉ số của các biến ngoại
sinh (x) với sai số đo lường liên quan của chúng ()
và các biến ngoại sinh tiềm ẩn ():
HÌNH 1 Mối quan hệ giữa lý thuyết và sơ đồ đường đi / sơ đồ
mũi tên (Bagozzi & Philipps, 1982; Diamantopoulos, 1994). η
(eta) = biến nội sinh tiềm ẩn; ξ (xi) = biến ngoại sinh tiềm ẩn
(tức là độc lập); ζ (zeta) = thuật ngữ xáo trộn ngẫu nhiên; γ
(gamma) = hệ số đường đi; ϕ (phi) mối quan hệ phi nhân quả
giữa hai biến ngoại sinh tiềm ẩn; y = chỉ số của các biến nội
sinh; ε (epsilon) = sai số đo lường đối với các chỉ số của
biến nội sinh; λy (lambda y) = tải các chỉ số của biến nội
sinh; x = các chỉ số của biến nội sinh; δ (delta) = sai số
đo lường đối với các chỉ số của biến ngoại sinh; λx =
(lambda x) tải các chỉ số của biến ngoại sinh
The second set describes the relationship between the
indicators of the endogenous variables (y), their
associated measurement error (ε), and the latent
endogenous variables (η ):
Finally, the last set deals with the relationship
between the latent endogenous (η) and exogenous (ξ)
variables:
In contrast to the equations just formulated, the
random disturbance terms ζ do not reflect
measurement error but are known as “errors in
equations” and “reflect random disturbances (i.e. they
indicate that the endogenous variables are not
perfectly explained by the independent variables)”
(Diamantopoulos, 1994, p. 110).
By using matrix algebra, these three sets of equations
can also be written in the following way:
This results in a set of theoretical equations (Equation
3), representing nonobservational hypotheses and
theoretical definitions, and measurement equations
(Equations 1 and 2), representing correspondence
rules (Bagozzi & Philipps, 1982). The theoretical
equations are then also referred to as the structural
model, whereas the measurement equations build the
measurement model, and both combined can be
subsumed by the term structural equation model.
As Bagozzi (1984) emphasized, there are three
different types of unobservable variables: (a) variables
that are unobservable in principle (e.g., theoretical
terms); (b) variables that are unobservable in principle
Bộ thứ hai mô tả mối quan hệ giữa các chỉ số của các
biến nội sinh (y), sai số đo lường liên quan của chúng
(ε) và các biến nội sinh tiềm ẩn (η):
Cuối cùng, tập hợp cuối cùng đề cập đến mối quan hệ
giữa biến nội sinh tiềm ẩn (η) và biến ngoại sinh (ξ):
Ngược lại với các phương trình vừa lập, thuật ngữ
nhiễu ngẫu nhiên ζ không phản ánh sai số đo mà được
gọi là "sai số trong phương trình" và "phản ánh nhiễu
ngẫu nhiên (nghĩa là chúng chỉ ra rằng các biến nội
sinh không được giải thích hoàn hảo bởi các biến độc
lập)" (Diamantopoulos, 1994, trang 110).
Bằng cách sử dụng đại số ma trận, ba bộ phương trình
này cũng có thể được viết theo cách sau:
Điều này dẫn đến một tập hợp các phương trình lý
thuyết (Phương trình 3), đại diện cho các giả thuyết
không quan sát và định nghĩa lý thuyết, và các
phương trình đo lường (Phương trình 1 và 2), đại diện
cho các quy tắc tương ứng (Bagozzi & Philipps,
1982). Các phương trình lý thuyết sau đó còn được
gọi là mô hình cấu trúc, trong khi các phương trình đo
lường xây dựng mô hình đo lường và cả hai kết hợp
này có thể được gộp lại bằng thuật ngữ mô hình
phương trình cấu trúc.
but either imply empirical concepts or can be inferred
from observations (e.g., attitudes, which might be
reflected in evaluations); and (c) unobservable
variables that are defined in terms of observables.
Because none of these types can be measured directly,
the researcher needs to measure indicators instead,
which cover different facets of the unobservable
variable. In general, indicators can be split into two
groups: (a) reflective indicators that depend on the
construct and (b) formative ones (also known as
cause measures) that cause the formation of or
changes in an unobservable variable (Bollen &
Lennox, 1991).
Như Bagozzi (1984) đã nhấn mạnh, có ba loại biến số
không thể quan sát khác nhau: (a) các biến số không
thể quan sát về nguyên tắc (ví dụ, các thuật ngữ lý
thuyết); (b) các biến về nguyên tắc không thể quan sát
Written in mathematical terms (see Figure 2), this
difference becomes obvious. Whereas reflective
indicators can be expressed as a function of their
associated latent variables, such as
or, by using matrix algebra, hoặc, bằng cách sử dụng đại số ma trận,
formative indicators are not influenced by but
influence the latent variables, so that
Consequently, if the unobservable can be considered
as giving “rise to something observed,” as is the case
when, for example, the unobservable describes a
personality trait or attitude, reflective indicators
should be used. For example, Moorman, Deshpandeé,
được nhưng bao hàm các khái niệm thực nghiệm hoặc
có thể được suy ra từ các quan sát (ví dụ: thái độ, có
thể được phản ánh trong các đánh giá); và (c) các biến
không quan sát được được xác định theo nghĩa có thể
quan sát được. Bởi vì không có loại nào trong số này
có thể được đo lường trực tiếp, thay vào đó, nhà
nghiên cứu cần phải đo lường các chỉ số, các chỉ số
này bao gồm các khía cạnh khác nhau của biến không
thể quan sát được. Nói chung, các chỉ số có thể được
chia thành hai nhóm: (a) các chỉ số phản ánh phụ
thuộc vào cấu trúc và (b) các chỉ số hình thành (còn
được gọi là các biện pháp nguyên nhân) gây ra sự
hình thành hoặc thay đổi trong một biến không thể
quan sát được (Bollen & Lennox, 1991).
Được viết bằng thuật ngữ toán học (xem Hình 2), sự
khác biệt này trở nên rõ ràng. Trong khi các chỉ số
phản ánh có thể được biểu thị dưới dạng một hàm của
các biến tiềm ẩn liên quan của chúng, chẳng hạn như
các chỉ số hình thành không bị ảnh hưởng bởi nhưng
ảnh hưởng đến các biến tiềm ẩn, do đó
and Zaltman (1993) operationalized the unobservable
variable “timeliness” by the following three reflective
indicators: (a) accommodation of last-minute requests,
(b) punctuality in meeting deadlines, and (c) speed of
returning phone calls. In contrast, formative indicators
are appropriate if constructs “are perceived as
explanatory combinations of indicators” (Fornell &
Bookstein, 1982, p. 442), such as the unobservable
variable “life stress,” which can be considered as a
combination of formative indicators such as job loss,
divorce, a recent accident, and death in the family
(Chin & Newsted, 1999).
Do đó, nếu cái không thể quan sát được có thể được
coi là “làm nảy sinh một cái gì đó được quan sát”,
chẳng hạn như trường hợp khi cái không thể quan sát
được mô tả một đặc điểm tính cách hoặc thái độ, thì
nên sử dụng các chỉ báo phản ánh. Ví dụ, Moorman,
This leads to one major difference between formative and
reflective indicators: Whereas reflective indicators should
have a high correlation (as they are all dependent on the
same unobservable variable), formative indicators of the
same construct can have positive, negative, or zero
correlation with one another (Hulland, 1999), which means
that a change in one indicator does not necessarily imply a
similar directional changein others (Chin, 1998a). In the
examples given earlier,a person who is considered more
timely than another is expected to accommodate last-
minute requests more often and to be more punctual in
meetings and to return phone calls more promptly. On the
other hand, a higher degree of life stress does not imply
that a person has become unemployed, got divorced, and
lost his or her parents all at the same time—one of these
events alone may be sufficient to increase stress.
PLS ANALYSIS: BASIC IDEA AND UNDERLYING ASSUMPTIONS
As highlighted in the beginning of this article, there
are two approaches to estimate the parameters of an
SEM, that is, the covariance-based approach and the
variance-based approach.
The covariance-based approach “attempts to minimize
the difference between the sample covariances and
those predicted by the theoretical model. …
Therefore, the parameter estimation process attempts
to reproduce the covariance matrix of the observed
measures” (Chin & Newsted, 1999, p. 309). Because
of the popularity of covariance-based SEM, there is a
wide variety of articles that provide an introduction to
this technique, and because a detailed description of
that method goes beyond the scope of this article, the
reader is referred to Diamantopoulos (1994) for an
excellent and easily understandable presentation of
covariance-based SEM and LISREL. We come back
to some points related to this approach later, when we
highlight the circumstances under which a researcher
Deshpandeé và Zaltman (1993) đã vận hành biến
không thể quan sát được “tính kịp thời” bằng ba chỉ số
phản ánh sau: (a) mức độ đáp ứng các yêu cầu vào
phút cuối, (b) đúng giờ trong thời hạn họp và (c) tốc
độ của gọi lại cuộc điện thoại. Ngược lại, các chỉ số
hình thành phù hợp nếu các cấu trúc “được coi là sự
kết hợp giải thích của các chỉ số” (Fornell &
Bookstein, 1982, trang 442), chẳng hạn như biến
không thể quan sát được “căng thẳng cuộc sống”, có
thể được coi là sự kết hợp của các chỉ số hình thành
chẳng hạn như mất việc làm, ly hôn, một tai nạn gần
đây và cái chết trong gia đình (Chin & Newsted,
1999).
Điều này dẫn đến một sự khác biệt lớn giữa các chỉ số
hình thành và phản ánh: Trong khi các chỉ số phản
ánh phải có mối tương quan cao (vì chúng đều phụ
thuộc vào cùng một biến không quan sát được), các
chỉ số hình thành của cùng một cấu trúc có thể có mối
tương quan dương, âm hoặc bằng không với một khác
(Hulland, 1999), có nghĩa là sự thay đổi trong một chỉ
số không nhất thiết phải ngụ ý đến những người thay
đổi hướng tương tự (Chin, 1998a). yêu cầu thường
xuyên hơn và đúng giờ hơn trong các cuộc họp và trả
lời các cuộc gọi điện thoại kịp thời hơn. Mặt khác,
mức độ căng thẳng trong cuộc sống cao hơn không có
nghĩa là một người trở nên thất nghiệp, ly hôn và mất
cha mẹ cùng một lúc — chỉ một trong những sự kiện
này thôi cũng đủ làm tăng căng thẳng.
Như đã nhấn mạnh trong phần đầu của bài viết này,
có hai cách tiếp cận để ước tính các tham số của SEM,
đó là, cách tiếp cận dựa trên hiệp phương sai và cách
tiếp cận dựa trên phương sai.
might want to prefer variance-based over covariance-
based SEM.
Phương pháp dựa trên hiệp phương sai “cố gắng giảm
thiểu sự khác biệt giữa hiệp phương sai mẫu và những
giá trị được dự đoán bởi mô hình lý thuyết. … Do đó,
quá trình ước lượng tham số cố gắng tái tạo ma trận
hiệp phương sai của các phép đo được quan sát
”(Chin & Newsted, 1999, trang 309). Do sự phổ biến
của SEM dựa trên hiệp phương sai, có rất nhiều bài
báo cung cấp phần giới thiệu về kỹ thuật này và bởi vì
mô tả chi tiết về phương pháp đó nằm ngoài phạm vi
của bài viết này, người đọc được tham khảo
Diamantopoulos (1994) để có một bản trình bày xuất
sắc và dễ hiểu về SEM và LISREL dựa trên hiệp
phương sai. Chúng ta quay lại một số điểm liên quan
đến cách tiếp cận này sau, khi chúng ta làm nổi bật
các trường hợp mà nhà nghiên cứu có thể muốn thích
Unlike covariance-based SEM, PLS, first introduced
by H. Wold (1975) under the name NIPALS
(nonlinear iterative partial least squares), focuses on
maximizing the variance of the dependent variables
explained by the independent ones instead of
reproducing the empirical covariance matrix. Like any
SEM, a PLS model consists of a structural part, which
reflects the relationships between the latent variables,
and a measurement component, which shows how the
latent variables and their indicators are related; but it
also has a third component, the weight relations,
which are used to estimate case values for the latent
variables (Chin & Newsted, 1999).
In contrast to covariance-based SEM, which estimates
first model parameters and then case values (i.e.,
estimated values for each latent variable in each data
set) by regressing them onto the set of all indicators
(Dijkstra, 1983), PLS starts by calculating case
values. For this purpose, the “unobservable variables
are estimated as exact linear combinations of their
empirical indicators” (Fornell & Bookstein, 1982, p.
441), and PLS treats these estimated proxies as
perfect substitutes for the latent variables (Dijkstra,
1983). The weights used to determine these case
values are estimated so that the resulting case values
capture most of the variance of the independent
variables that is useful for predicting the dependent
variable (Garthwaite, 1994). This is based on the
implicit assumption that all measured variance of the
variables in the model is useful variance that should
be explained (Chin, Marcolin, & Newsted, 1996).
Using these weights, it is then possible to de- termine
a value for each unobservable variable, simply by
calculating a weighted average of its indicators. This
results in a model in which all unobservable variables
are approximated by a set of case values and that can,
therefore, be estimated by a set of simple, first-
generation, ordinary least squares regressions.
Consequently, the basic idea of PLS is quite
straightforward: First, the weight relations, which link
the indicators to their respective unobservable
variables, are estimated.
Second, case values for each unobservable variable
are calculated, based on a weighted average of its
indicators, using the weight relations as an input.
Finally, these case values are used in a set of
dựa trên phương sai hơn SEM dựa trên hiệp phương
sai.
Không giống như SEM dựa trên hiệp phương sai,
PLS, lần đầu tiên được giới thiệu bởi H. Wold (1975)
với tên NIPALS (bình phương nhỏ nhất từng phần lặp
lại phi tuyến), tập trung vào việc tối đa hóa phương
sai của các biến phụ thuộc được giải thích bởi các
biến độc lập thay vì tái tạo ma trận hiệp phương sai
thực nghiệm . Giống như bất kỳ SEM nào, mô hình
PLS bao gồm một phần cấu trúc, phản ánh mối quan
hệ giữa các biến tiềm ẩn và một thành phần đo lường,
cho biết các biến tiềm ẩn và các chỉ số của chúng có
liên quan như thế nào; nhưng nó cũng có một thành
phần thứ ba, quan hệ trọng số, được sử dụng để ước
tính giá trị trường hợp cho các biến tiềm ẩn (Chin &
Newsted, 1999).
Ngược lại với SEM dựa trên hiệp phương sai, ước
tính các tham số mô hình đầu tiên và sau đó là giá trị
trường hợp (tức là giá trị ước tính cho mỗi biến tiềm
ẩn trong mỗi tập dữ liệu) bằng cách hồi quy chúng
vào tập hợp tất cả các chỉ số (Dijkstra, 1983), PLS bắt
đầu bằng cách tính các giá trị trường hợp. Vì mục
đích này, “các biến không thể quan sát được ước tính
là sự kết hợp tuyến tính chính xác của các chỉ số thực
nghiệm của chúng” (Fornell & Bookstein, 1982, p.
441), và PLS coi các proxy ước tính này là sự thay thế
hoàn hảo cho các biến tiềm ẩn (Dijkstra, 1983). Các
trọng số được sử dụng để xác định các giá trị trường
hợp này được ước tính sao cho các giá trị trường hợp
kết quả nắm bắt được hầu hết phương sai của các biến
độc lập hữu ích cho việc dự đoán biến phụ thuộc
(Garthwaite, 1994). Điều này dựa trên giả định ngầm
định rằng tất cả các phương sai đo được của các biến
trong mô hình là phương sai hữu ích cần được giải
thích (Chin, Marcolin, & Newsted, 1996). Sử dụng
các trọng số này, sau đó có thể xác định giá trị cho
từng biến không thể quan sát được, đơn giản bằng
cách tính giá trị trung bình có trọng số của các chỉ số
của nó. Điều này dẫn đến một mô hình trong đó tất cả
các biến không thể quan sát được xấp xỉ bởi một tập
hợp các giá trị trường hợp và do đó, có thể được ước
tính bằng một tập hợp các hồi quy bình phương nhỏ
nhất thông thường, thế hệ thứ nhất, đơn giản. Do đó, ý
tưởng cơ bản của PLS khá đơn giản: Thứ nhất, các
quan hệ trọng số, liên kết các chỉ số với các biến
không quan sát được tương ứng của chúng, được ước
tính.
regression equations to determine the parameters for
the structural relations (Fornell & Bookstein, 1982).
Thứ hai, các giá trị trường hợp cho mỗi biến không thể
quan sát được, dựa trên giá trị trung bình có trọng số của
các chỉ số của nó, sử dụng các quan hệ trọng số làm đầu
vào. Cuối cùng, các giá trị trường hợp này được sử dụng
This explanation makes it obvious that the most crucial
part of a PLS analysis is the estimation of the weight
relations. Of course, it would be easier simply to assume
equal weights for all indicators, but this approach has two
disadvantages: First, there is no theoretical rationale for all
indicators to have the same weighting. Because it can be
assumed that the resulting parameter estimates of the
structural model depend on the type of weighting used, at
least as long as the number of indicators is not excessively
large (McDonald, 1996), the (exogenous) assumption of
equal weights makes the results highly arbitrary. Second,
as Chin, Marcolin, and Newsted (2003b) stressed, such a
procedure does not take into account the fact that some
indicators may be more reliable than others and should,
therefore, receive higher weights.
Consequently, PLS uses a more complex, two-step
estimation process to determine the weights (wi):
First, it starts with an outside approximation, in which
case values for each latent variable (e.g. η 2 in Figure
1) are estimated, based on a weighted average of their
respective indicators (e.g., XXXXX). The weights
used to calculate this aggregation are determined in a
manner similar to a principal-components analysis for
reflective or regression analysis for formative
indicators (Cassel, Hackl, & Westlund, 1999). In the
next step, the inside approximation, improved case
values are determined as a weighted average of
neighboring latent variables (e.g., XXXXX). For this
process, there are three different weighting schemes
available (centroid, factor, and path weighting
scheme; for a detailed description, see Lohmöller,
1989), but one can demonstrate that the choice
between them has only a minor impact on the final
results. Using this second estimate of the case values,
the weight relations are modified (e.g., XXXXX) and
the process of inside and outside approximation starts
from the beginning again and is repeated until
convergence of the case values is achieved (Cassel et
al., 1999).
Hence, being a limited information approach (Dijkstra,
1983), PLS has the advantage that it “involves no
assumptions about the population or scale of
measurement” (Fornell & Bookstein, 1982, p. 443) and
consequently works without distributional assumptions and
with nominal, ordinal, and interval scaled variables.
However, one has to bear in mind that PLS, like any
statistical technique, also re quires certain assumptions to
be fulfilled. Beyond those known from the standard (i.e.,
trong một tập hợp các phương trình hồi quy để xác định
các tham số cho các quan hệ cấu trúc (Fornell &
Bookstein, 1982).
Giải thích này cho thấy rõ ràng rằng phần quan trọng
nhất của phân tích PLS là ước tính các quan hệ trọng
số. Tất nhiên, sẽ dễ dàng hơn nếu đơn giản là giả định
trọng số bằng nhau cho tất cả các chỉ số, nhưng cách
tiếp cận này có hai nhược điểm: Thứ nhất, không có
cơ sở lý thuyết để tất cả các chỉ số có cùng trọng số.
Bởi vì có thể giả định rằng các ước lượng tham số kết
quả của mô hình cấu trúc phụ thuộc vào loại trọng số
được sử dụng, ít nhất là miễn là số lượng chỉ số không
quá lớn (McDonald, 1996), giả định (ngoại sinh) về
các trọng số bằng nhau làm cho kết quả rất tùy ý. Thứ
hai, như Chin, Marcolin và Newsted (2003b) đã nhấn
mạnh, quy trình như vậy không tính đến thực tế là
một số chỉ số có thể đáng tin cậy hơn những chỉ số
khác và do đó, nên nhận được trọng số cao hơn.
Do đó, PLS sử dụng một quy trình ước lượng hai
bước phức tạp hơn để xác định trọng số (wi): Đầu
tiên, nó bắt đầu với một phép gần đúng bên ngoài,
trong trường hợp đó các giá trị cho mỗi biến tiềm ẩn
(ví dụ: η 2 trong Hình 1) được ước tính, dựa trên trên
mức trung bình có trọng số của các chỉ số tương ứng
của chúng (ví dụ: XXXXX). Các trọng số được sử
dụng để tính toán tổng hợp này được xác định theo
cách tương tự như phân tích các thành phần chính để
phân tích phản xạ hoặc hồi quy cho các chỉ số hình
thành (Cassel, Hackl, & Westlund, 1999). Trong bước
tiếp theo, giá trị xấp xỉ bên trong, giá trị trường hợp
cải tiến được xác định dưới dạng trung bình có trọng
số của các biến tiềm ẩn lân cận (ví dụ: XXXXX). Đối
với quá trình này, có sẵn ba sơ đồ trọng số khác nhau
(sơ đồ trọng số centroid, hệ số và đường dẫn; để biết
mô tả chi tiết, xem Lohmöller, 1989), nhưng người ta
có thể chứng minh rằng sự lựa chọn giữa chúng chỉ có
tác động nhỏ đến kết quả cuối cùng . Sử dụng ước
lượng thứ hai này của các giá trị trường hợp, các quan
hệ trọng số được sửa đổi (ví dụ, XXXXX) và quá
trình xấp xỉ bên trong và bên ngoài bắt đầu lại từ đầu
và được lặp lại cho đến khi đạt được sự hội tụ của các
giá trị trường hợp (Cassel và cộng sự, 1999 ).
Gaussian classical linear ordinary least squares) regression
model (see, e.g., Gujarati, 1995), the most important
assumption is predictor specification (Chin & Newsted,
1999). This requirement states that the systematic part of
the linear regression must be equal to the conditional
expectation of the dependent variable (for a mathematical
formulation, see H. Wold, 1975) and can be considered as
fulfilled in most cases. Furthermore, by using a Monte
Carlo simulation, Cassel et al. (1999) showed that PLS is
quite robust with regard to several inadequacies (e.g.
skewness or multicollinearity of the indicators,
misspecification of the structural model) and that the latent
variable scores always conform to the true values.
Do đó, là một phương pháp tiếp cận thông tin hạn chế
(Dijkstra, 1983), PLS có lợi thế là nó “không liên quan đến
các giả định về dân số hoặc quy mô đo lường” (Fornell &
Bookstein, 1982, trang 443) và do đó hoạt động mà không
có giả định phân phối và với các biến định mức, thứ tự và
theo khoảng tỷ lệ. Tuy nhiên, người ta phải ghi nhớ rằng
PLS, giống như bất kỳ kỹ thuật thống kê nào, cũng đòi hỏi
một số giả định nhất định phải được thực hiện. Ngoài
However, there is also another side of the coin,
namely, the problem of consistency at large. In
general, a consistent estimator can be described as
“one that converges in probability to the value of the
parameter being estimated as the sample size
increases” (McDonald, 1996, p. 248).
However, because the case values for the latent
variables in PLS are aggregates of manifest variables
that involve measurement error, they must be
considered as inconsistent (Fornell & Cha, 1994).
Therefore, “the path coefficients estimated through
PLS converge on the parameters of the latent-variable
model [only] as both the sample size and the number
of indicators of each latent variable become infinite”
(McDonald, 1996, p. 248)—a problem known under
the term consistency at large. Hence in all real-life
situations, in which both the number of cases in the
sample and the number of indicators per latent
variable will be finite, PLS tends to underestimate the
correlations between the latent variables and
overestimate the loadings (i.e., the parameters of the
measurement model; Dijkstra, 1983). Only when the
number of cases in the sample and the number of
indicators per latent variable increase to infinity do
the latent variable case values approach the true
values and this problem disappears (Lohmöller,
1989).
CHOICE BETWEEN COVARIANCEAND
VARIANCE-BASED SEM
Given this problem of consistency at large, one might
question the suitability of PLS and by right ask why a
technique that cannot guarantee one of the key
features of any statistical model, namely, consistency
of estimators, should be presented to the reader of a
statistics journal at all.
những điều đã biết từ mô hình hồi quy chuẩn (tức là bình
phương nhỏ nhất tuyến tính thông thường cổ điển
Gaussian) (xem, ví dụ, Gujarati, 1995), giả định quan trọng
nhất là đặc tả của dự đoán (Chin & Newsted, 1999). Yêu
cầu này nói rằng phần hệ thống của hồi quy tuyến tính phải
bằng kỳ vọng có điều kiện của biến phụ thuộc (đối với
công thức toán học, xem H. Wold, 1975) và có thể được
coi là thỏa mãn trong hầu hết các trường hợp. Hơn nữa,
bằng cách sử dụng mô phỏng Monte Carlo, Cassel et al.
(1999) đã chỉ ra rằng PLS khá mạnh đối với một số điểm
bất cập (ví dụ độ lệch hoặc đa cộng tuyến của các chỉ số,
sự sai lệch của mô hình cấu trúc) và rằng điểm số tiềm ẩn
luôn phù hợp với giá trị thực.
Tuy nhiên, cũng có một mặt khác của đồng tiền, đó là
vấn đề về tính nhất quán nói chung. Nói chung, một
công cụ ước lượng nhất quán có thể được mô tả là
“một công cụ hội tụ xác suất thành giá trị của tham số
được ước tính khi kích thước mẫu tăng lên”
(McDonald, 1996, trang 248).
Tuy nhiên, vì các giá trị trường hợp cho các biến tiềm
ẩn trong PLS là tổng hợp của các biến biểu hiện có
liên quan đến sai số đo lường, chúng phải được coi là
không nhất quán (Fornell & Cha, 1994). Do đó, “hệ
số đường dẫn được ước tính thông qua PLS hội tụ trên
các tham số của mô hình biến tiềm ẩn [chỉ] vì cả kích
thước mẫu và số lượng chỉ số của mỗi biến tiềm ẩn
đều trở nên vô hạn” (McDonald, 1996, trang 248) —a
vấn đề được biết đến dưới thuật ngữ nhất quán nói
chung. Do đó, trong tất cả các tình huống thực tế,
trong đó cả số trường hợp trong mẫu và số lượng chỉ
báo trên mỗi biến tiềm ẩn sẽ là hữu hạn, PLS có xu
hướng đánh giá thấp mối tương quan giữa các biến
tiềm ẩn và đánh giá quá thấp tải (tức là, các tham số
của mô hình đo lường; Dijkstra, 1983). Chỉ khi số
lượng trường hợp trong mẫu và số lượng chỉ báo trên
mỗi biến tiềm ẩn tăng lên đến vô cùng thì các giá trị
trường hợp biến tiềm ẩn mới tiếp cận giá trị thực và
vấn đề này biến mất (Lohmöller, 1989).
LỰA CHỌN GIỮA MÙA DỰA TRÊN
COVARIANCEAND
Do vấn đề về tính nhất quán này nói chung, người ta
có thể đặt câu hỏi về tính phù hợp của PLS và đặt câu
hỏi ngay tại sao một kỹ thuật không thể đảm bảo một
trong những đặc điểm chính của bất kỳ mô hình thống
kê nào, cụ thể là tính nhất quán của các công cụ ước
lượng, nên được trình bày cho người đọc thống kê. tạp
chí nào cả.
The answer to this question is that PLS comes into its
own principally in situations in which covariance-
based SEM tools reach their limit, namely, when the
number of indicators per latent variable becomes
excessively large.
As stated earlier, the goal of covariance-based SEM
is to determine the matrix of model parameters Φ in
such a way that the resulting covariance matrix
predicted by the theoretical model Σ(Φ) is as close as
possible to the sample covariance matrix . For this,
one needs to define a discrepancy function F(, Σ),
which “takes on a value of zero only when S = Σ and
otherwise is positive, increasing as the difference
between S and Σ increases” (MacCallum, Browne, &
Sugawara, 1996, p. 132). Given that the sample
covariance matrix is based on p measured indicators,
the most commonly used such function is the normal-
theory maximum likelihood function, defined as
(MacCallum et al., 1996).
Regarding the number of indicator sperlatent variable
p, the researcher should try to identify as many of
them aspossible, since “no serious work on path
models…can be done without using a very large
number of indicators for each attribute” (McDonald,
1996, p. 267). For example, the work of Marsh, Hau,
Balla, and Grayson (1998) gave an indication that
more indicators per latent variable lead to fewer
improper solutions and more stable results, and
similar findings were generated by Nasser and
Wisenbaker (2003). Although in some areas, such as
management research, researchers rarely have more
than a handful of indicators per unobservable variable
to their disposition (Baumgartner & Homburg, 1996),
there are also disciplines in which this number can be
very large, as many as 500 indicators per latent
variable or more. For example, Bookstein, Sampson,
Streissguth, and Barr (1996) analyzed the influence of
prenatal alcohol exposure on neurobehavioural
functioning by using 474 indicators to measure the
latter construct. Another area in which this might be
applicable is that of functional magnetic resonance
imaging studies in which brain functions (e.g.,
remembrance, addiction) are analyzed by using a
“surrogate” hemodynamic response as an indicator for
neuronal response (for an introduction into functional
magnetic resonance imaging, see Parry & Matthews,
2000).
Câu trả lời cho câu hỏi này là PLS chủ yếu đi vào các
tình huống trong đó các công cụ SEM dựa trên hiệp
phương sai đạt đến giới hạn của chúng, cụ thể là khi
số lượng chỉ báo trên mỗi biến tiềm ẩn trở nên quá
lớn.
Như đã nêu trước đó, mục tiêu của SEM dựa trên hiệp
phương sai là xác định ma trận của các tham số mô
hình Φ theo cách sao cho ma trận hiệp phương sai
được dự đoán bởi mô hình lý thuyết Σ (Φ) càng gần
với ma trận hiệp phương sai mẫu  càng tốt. Đối với
điều này, người ta cần xác định một hàm sai lệch F
(, Σ), hàm này “chỉ nhận giá trị bằng 0 khi S = Σ và
ngược lại là dương, tăng khi sự khác biệt giữa S và Σ
tăng lên” (MacCallum, Browne, & Sugawara, 1996,
trang 132). Cho rằng ma trận hiệp phương sai mẫu
dựa trên p chỉ số đo được, hàm thường được sử dụng
nhất là hàm khả năng xảy ra tối đa theo lý thuyết
thông thường, được định nghĩa là
Về số lượng biến sperlatent của chỉ báo p, nhà nghiên
cứu nên cố gắng xác định bao nhiêu biến trong số
chúng là không thể chấp nhận được, vì “không có
công việc nghiêm túc nào về mô hình đường dẫn… có
thể được thực hiện mà không sử dụng một số lượng
rất lớn các chỉ số cho mỗi thuộc tính” (McDonald,
1996, trang 267). Ví dụ, công trình của Marsh, Hau,
Balla và Grayson (1998) đã chỉ ra rằng nhiều chỉ số
hơn trên mỗi biến tiềm ẩn dẫn đến ít giải pháp không
phù hợp hơn và kết quả ổn định hơn, và những phát
hiện tương tự cũng được tạo ra bởi Nasser và
Wisenbaker (2003). Mặc dù trong một số lĩnh vực,
chẳng hạn như nghiên cứu quản lý, các nhà nghiên
cứu hiếm khi có nhiều hơn một số ít các chỉ số cho
mỗi biến không thể quan sát được đối với định vị của
họ (Baumgartner & Homburg, 1996), cũng có những
lĩnh vực mà con số này có thể rất lớn, tới 500 các chỉ
số cho mỗi biến tiềm ẩn trở lên. Ví dụ, Bookstein,
Sampson, Streissguth và Barr (1996) đã phân tích ảnh
hưởng của việc tiếp xúc với rượu trước khi sinh đối
với chức năng vi khuẩn thần kinh bằng cách sử dụng
474 chỉ số để đo lường cấu trúc sau này. Một lĩnh vực
khác mà điều này có thể được áp dụng là nghiên cứu
hình ảnh cộng hưởng từ chức năng trong đó các chức
năng của não (ví dụ, ghi nhớ, nghiện) được phân tích
bằng cách sử dụng phản ứng huyết động “thay thế”
như một chỉ báo cho phản ứng tế bào thần kinh (để
giới thiệu về từ chức năng chụp cộng hưởng, xem
However, in these cases, the sample covariance
matrix can easily reach a size that is difficult to handle
with conventional computer systems because based on
p measured indicators the sample covariance matrix
has p(p + 1)/2 distinct elements (i.e., p2 elements in
total, excluding [p2 – p]/2 in the upper or lower
triangular matrix).
Using the example of a simple SEM with q = 5 latent
variables (similar to the one in Figure 1), each
measured by 200 indicators, this results in
200q (200q + 1)/2,
or 500,500 distinct elements of the sample covariance matrix.
Additionally, and probably more seriously, the
statistical power of such a model would be so large
that it would in fact be impossible to apply any kind
of fit test to judge overall model quality.
Using the preceding example, the minimum sample
size Nmin to estimate such a model would be
Nmin = 200q,
or 1,000, as it is a necessary condition that the number
of cases at least exceeds the number of indicators,
because otherwise the input matrix is not definite
(Marsh et al., 1998). Additionally, the number of
degrees of freedom can be determined as
df = [200q (200q + 1)/2] – 2 × 200q – k,
where k is the number of parameters in the structural
model to be estimated because in the measurement
model each indicator is associated with two
parameters: (a) measurement error (either δ or ε) and
(b) a loading on the associated latent variable (either
λx or λy). In the case of a model similar to the one
shown in Figure 1, the structural model has k = 13
parameters to be estimated, resulting in df = 498,487.
Hence, the statistical power for the test of model fit
based on root-mean-square error of approximation
using α = .05, ε0 = 0.05, and εa = 0.08 (see
MacCallum et al., 1996, for details), would be 1.0000.
Therefore, one would probably be able to detect
rounding errors to the 10th place and the model would
be likely to fail even with simulated data.
On the other hand, the problem of consistency at large
would no longer be an issue in PLS because “with a
sufficiently large number of indicators, the choice of
weights ceases to have any influence on the
Parry & Matthews, 2000).
Tuy nhiên, trong những trường hợp này, ma trận hiệp
phương sai mẫu có thể dễ dàng đạt đến kích thước
khó xử lý với các hệ thống máy tính thông thường vì
dựa trên p chỉ số đo được, ma trận hiệp phương sai
của mẫu có p (p + 1) / 2 phần tử riêng biệt (tức là p2
phần tử tổng cộng, không bao gồm [p2 - p] / 2 trong
ma trận tam giác trên hoặc dưới).
Sử dụng ví dụ về SEM đơn giản với q = 5 biến tiềm
ẩn (tương tự như trong Hình 1), mỗi biến được đo
bằng 200 chỉ số, kết quả là
hoặc 500.500 phần tử riêng biệt của ma trận hiệp phương sai
mẫu.
Ngoài ra, và có lẽ nghiêm trọng hơn, sức mạnh thống
kê của một mô hình như vậy sẽ lớn đến mức thực tế
không thể áp dụng bất kỳ loại kiểm tra phù hợp nào
để đánh giá chất lượng tổng thể của mô hình.
Sử dụng ví dụ trước, kích thước mẫu tối thiểu Nmin
để ước tính một mô hình như vậy sẽ là
Nmin = 200q
hoặc 1.000, vì đây là điều kiện cần để số lượng trường
hợp ít nhất vượt quá số lượng chỉ số, vì nếu không thì
ma trận đầu vào không xác định (Marsh và cộng sự,
1998). Ngoài ra, số bậc tự do có thể được xác định là
trong đó k là số lượng tham số trong mô hình cấu trúc
được ước tính vì trong mô hình đo lường, mỗi chỉ số
được liên kết với hai tham số: (a) sai số đo (hoặc δ
hoặc ε) và (b) tải trên biến tiềm ẩn liên quan ( hoặc λx
hoặc λy). Trong trường hợp mô hình tương tự như mô
hình trong Hình 1, mô hình kết cấu có k = 13 tham số
được ước lượng, dẫn đến df = 498,487. Do đó, sức
mạnh thống kê để kiểm tra sự phù hợp của mô hình
dựa trên sai số trung bình-bình phương của phép xấp
xỉ bằng cách sử dụng α = 0,05, ε0 = 0,05 và εa = 0,08
(xem MacCallum và cộng sự, 1996, để biết thêm chi
tiết), sẽ là 1,0000. Do đó, người ta có thể có thể phát
hiện lỗi làm tròn đến vị trí thứ 10 và mô hình sẽ có
khả năng bị lỗi ngay cả với dữ liệu mô phỏng.
parameters of the path model” (McDonald, 1996).
The PLS composite model would be very close to the
underlying factor model, and the distinction between
linear composites and underlying factors would
become vanishingly small. Therefore, the researcher
would be well advised to use PLS instead of
covariance-based SEM in such situations.
Recapitulating these arguments by using the words of
S. Wold (1993), H. Wold’s son, one can say that “the
natural domain for LV [latent variable] models such
as PLS … is where the number of ‘significant’ LV’s
is small, much smaller than the number of measured
variables … and than the number of observations.” (p.
137).
Mặt khác, vấn đề về tính nhất quán nói chung sẽ
không còn là vấn đề trong PLS vì “với một số lượng
đủ lớn các chỉ số, việc lựa chọn trọng số không còn có
SUMMARY AND OUTLOOK
There are many additional points regarding PLS that
deserve mention, we discuss briefly two of them in the
following paragraphs. For example, another situation
in which PLS might be preferable to LISREL are
cases in which constructs are measure dprimarily by
formativein dicators. This may be acommon
occurrencein managerial research, as the work of
Jarvis, MacKenzie, and Podsakoff (2003) gave an
indication that managerial constructs might be
reflected better by formative than by reflective
indicators.
As MacCallum and Browne (1993) showed, the
predominance of formative indicators may lead to
severe (identification) problems, implied covariances
of zero among some indicators, and/or the existence
of equivalent models in covariance-based SEM. PLS,
in contrast, does not create problems with re- spect to
analyzing formative indicators and can therefore be
used for models with either reflective, formative ,or
both types of indicators (Fornell&Bookstein,1982).
One more area in which PLS is typically
recommended is that of situations in which the sample
size is small. For covariance-based SEM, it is
generally advisable that the “sample size should
exceed 100 observations regardless of other data
characteristics to avoid problematic solutions and
obtain acceptable fit concurrently”
(Nasser&Wisenbaker,2003,p.754), and many
researcher seven recommend aminimum sample size
of 200 cases (e.g., Marsh et al., 1998) to avoid results
that cannot be interpreted, such as negative variance
estimates (i.e., Heywood cases) or correlations
greater than one (i.e., improper solutions; Dillon,
Kumar, & Mulani, 1987). PLS, on the other hand, is
applicable even under conditions of very small sample
bất kỳ ảnh hưởng nào đến các tham số của mô hình
đường dẫn” (McDonald, 1996 ). Mô hình tổng hợp
PLS sẽ rất gần với mô hình nhân tố cơ bản và sự khác
biệt giữa vật liệu tổng hợp tuyến tính và các nhân tố
cơ bản sẽ trở nên rất nhỏ. Do đó, nhà nghiên cứu nên
sử dụng PLS thay vì SEM dựa trên hiệp phương sai
trong các tình huống như vậy. Tóm tắt lại những lập
luận này bằng cách sử dụng các từ của S. Wold
(1993), con trai của H. Wold, người ta có thể nói rằng
“miền tự nhiên cho các mô hình LV [biến tiềm ẩn]
như PLS… là nơi số lượng LV 'đáng kể' là nhỏ , nhỏ
hơn nhiều so với số lượng biến được đo lường… và
so với số lượng quan sát. ” (tr. 137).
Có nhiều điểm bổ sung liên quan đến PLS đáng được
đề cập, chúng ta sẽ thảo luận ngắn gọn về hai điểm
trong số đó trong các đoạn sau. Ví dụ, một tình huống
khác trong đó PLS có thể được ưu tiên hơn LISREL là
các trường hợp trong đó các cấu trúc được đo lường
chủ yếu bằng chất làm mờ formativein. Đây có thể là
sự xuất hiện phổ biến trong nghiên cứu quản lý, vì
công trình của Jarvis, MacKenzie, và Podsakoff
(2003) đã đưa ra một chỉ dẫn rằng cấu trúc quản lý có
thể được phản ánh tốt hơn bằng hình thức hơn là bằng
các chỉ số phản ánh.
Như MacCallum và Browne (1993) đã chỉ ra, sự
chiếm ưu thế của các chỉ báo hình thành có thể dẫn
đến các vấn đề nghiêm trọng (nhận dạng), các hiệp
phương sai ngụ ý bằng 0 giữa một số chỉ số và / hoặc
sự tồn tại của các mô hình tương đương trong SEM
dựa trên hiệp phương sai. Ngược lại, PLS không tạo
ra các vấn đề về phổ phân tích các chỉ số hình thành
và do đó có thể được sử dụng cho các mô hình có
phản xạ, định dạng hoặc cả hai loại chỉ thị (Fornell &
Bookstein, 1982).
sizes. Although a detailed discussion of this point can
only be made for each individual model based on
statistical power analysis, a Monte Carlo simulation
performed by Chin and Newsted (1999) indicated that
PLS can be performed with a sample size as low as
50, and H. Wold even “analysed 27 variables using
two latent constructs with a data set consisting of ten
cases” (Chin, Marcolin, & Newsted, 2003a, Appendix
A, p. 5). However, given the problem of consistency
at large, the question of whether such results are
actually of any usability is very difficult to answer.
Một lĩnh vực nữa mà PLS thường được khuyến nghị
là các tình huống trong đó cỡ mẫu nhỏ. Đối với SEM
dựa trên hiệp phương sai, thông thường khuyến nghị
rằng “kích thước mẫu nên vượt quá 100 quan sát bất
kể các đặc điểm dữ liệu khác để tránh các giải pháp có
vấn đề và đồng thời có được sự phù hợp có thể chấp
nhận được” (Nasser & Wisenbaker, 2003, p.754), và
nhiều nhà nghiên cứu bảy khuyến nghị aminimum cỡ
mẫu 200 trường hợp (ví dụ, Marsh và cộng sự, 1998)
để tránh các kết quả không thể giải thích được, chẳng
hạn như ước tính phương sai âm (ví dụ, trường hợp
Heywood) hoặc các tương quan lớn hơn một (tức là
các giải pháp không phù hợp; Dillon, Kumar, &
Mulani, 1987). Mặt khác, PLS có thể áp dụng ngay cả
trong điều kiện cỡ mẫu rất nhỏ. Mặc dù chỉ có thể
In summary, we hope that this article helps give
readers a first impression about PLS analysis, the
assumptions underlying this approach, and the
advantages it has compared to traditional covariance-
based SEM in certain situations. For additional
information, readers are referred to H. Wold’s (1975)
first presentation of PLS, Lohmöller’s (1989)
extensive discussion of this approach, and
MacDonald’s (1996) article regarding path analysis
with composite variables. Readers who plan to use
PLS for their own research are referred to PLS Graph
(Chin, 2001), a freely available software tool with an
intuitive graphical user interface.
thảo luận chi tiết về điểm này cho từng mô hình riêng
lẻ dựa trên phân tích công suất thống kê, nhưng một
mô phỏng Monte Carlo được thực hiện bởi Chin và
Newsted (1999) chỉ ra rằng PLS có thể được thực hiện
với cỡ mẫu thấp tới 50 và H Wold thậm chí còn “đã
phân tích 27 biến bằng cách sử dụng hai cấu trúc tiềm
ẩn với một tập dữ liệu bao gồm mười trường hợp”
(Chin, Marcolin, & Newsted, 2003a, Phụ lục A, trang
5). Tuy nhiên, với vấn đề về tính nhất quán nói chung,
câu hỏi liệu các kết quả như vậy có thực sự có thể sử
dụng được hay không là rất khó trả lời.
Tóm lại, chúng tôi hy vọng rằng bài viết này sẽ giúp
người đọc có ấn tượng đầu tiên về phân tích PLS, các
giả định cơ bản của phương pháp này và những ưu
điểm của nó so với SEM dựa trên hiệp phương sai
truyền thống trong một số tình huống nhất định. Để
biết thêm thông tin, độc giả được tham khảo bài trình
bày đầu tiên của H. Wold’s (1975) về PLS, cuộc thảo
luận sâu rộng của Lohmöller’s (1989) về cách tiếp
cận này và bài báo của MacDonald’s (1996) về phân
tích đường dẫn với các biến tổng hợp. Độc giả có kế
hoạch sử dụng PLS cho nghiên cứu của riêng họ
được tham khảo PLS Graph (Chin, 2001), một công
cụ phần mềm miễn phí có sẵn với giao diện người
dùng đồ họa trực quan.