Đánh giá mô hình dự đoán trong PLS-SEM: hướng dẫn sử dụng PLSpredict
Tóm tắt
Phương pháp tối thiểu bậc (PLS) đã được giới thiệu như một phương pháp "nguyên nhân-dự đoán" trong mô hình phương trình cấu trúc (SEM), nhằm vượt qua sự phân chia rõ rệt giữa giải thích và dự đoán. Tuy nhiên, trong khi các nhà nghiên cứu sử dụng PLS-SEM thường nhấn mạnh tính chất dự đoán của phân tích, việc đánh giá mô hình lại phụ thuộc hoàn toàn vào các chỉ số được thiết kế để đánh giá sức mạnh giải thích của mô hình đường dẫn. Nghiên cứu gần đây đã đề xuất PLSpredict, một quy trình dựa trên mẫu giữu lại tạo ra các dự đoán ở mức trường hợp về một yếu tố hoặc một khái niệm. Bài báo này cung cấp hướng dẫn để áp dụng PLSpredict và giải thích các lựa chọn chính mà các nhà nghiên cứu cần thực hiện khi sử dụng quy trình này.
Các tác giả thảo luận về sự cần thiết của các đánh giá mô hình hướng đến dự đoán trong PLS-SEM và giải thích khái niệm cũng như tiến bộ thêm phương pháp PLSpredict. Ngoài ra, họ minh họa việc sử dụng quy trình PLSpredict với một mô hình tiếp thị du lịch và đưa ra những khuyến nghị về cách kết quả nên được diễn giải. Trong khi trọng tâm của bài báo là quy trình PLSpredict, mục tiêu chung là khuyến khích đánh giá thường xuyên theo định hướng dự đoán trong các phân tích PLS-SEM.
Bài báo thúc đẩy PLSpredict và cung cấp hướng dẫn về cách sử dụng phương pháp đánh giá mô hình theo định hướng dự đoán này. Các nhà nghiên cứu nên thường xuyên xem xét việc đánh giá sức mạnh dự đoán của các mô hình đường dẫn PLS của họ. PLSpredict là một cách tiếp cận hữu ích và đơn giản để đánh giá khả năng dự đoán ngoài mẫu của các mô hình đường dẫn PLS mà các nhà nghiên cứu có thể áp dụng trong các nghiên cứu của họ.
Nghiên cứu trong tương lai cần tìm cách mở rộng khả năng của PLSpredict, ví dụ như phát triển thêm các tiêu chuẩn so sánh kết quả PLS-SEM và so sánh thực nghiệm giữa các phương pháp nguyên nhân sớm nhất và phương pháp nguyên nhân trực tiếp trong việc đánh giá sức mạnh dự đoán.
Bài báo này cung cấp hướng dẫn rõ ràng cho việc sử dụng PLSpredict, mà các nhà nghiên cứu và thực hành nên thường xuyên áp dụng như một phần của các phân tích PLS-SEM của họ.
Nghiên cứu này củng cố việc sử dụng PLSpredict. Nó cung cấp cho các nhà nghiên cứu tiếp thị và thực hành kiến thức cần thiết để đánh giá, báo cáo và giải thích chính xác các kết quả PLS-SEM. Nhờ đó, nghiên cứu này góp phần bảo vệ tính nghiêm ngặt của các nghiên cứu tiếp thị sử dụng PLS-SEM.
Từ khóa
Tài liệu tham khảo
1980, Understanding Attitudes and Predicting Social Behavior
2018, An assessment of the use of partial least squares structural equation modeling (PLS-SEM) in hospitality research, International Journal of Contemporary Hospitality Management, 30, 514, 10.1108/IJCHM-10-2016-0568
2015, An integrative model of consumers’ intentions to purchase travel online, Tourism Management, 46, 64, 10.1016/j.tourman.2014.06.006
1989, Choice of structural model via parsimony: a rationale based on precision, Psychological Bulletin, 106, 315, 10.1037/0033-2909.106.2.315
2010, Why some internet users don’t buy air tickets online, Information and Communication Technologies in Tourism, 209
2002, Model Selection and Multimodel Inference: A Practical Information-Theoretic Approach
2005, Microeconometrics: Methods and Applications
2016, Prediction-oriented modeling in business research by means of PLS path modeling, Journal of Business Research, 69, 4545, 10.1016/j.jbusres.2016.03.048
2017, Building agent-based decision support systems for word-of-mouth programs: a freemium application, Journal of Marketing Research, 54, 752, 10.1509/jmr.15.0443
1998, The partial least squares approach to structural equation modeling, Modern Methods for Business Research, 295
2010, How to write up and report PLS analyses, Handbook of Partial Least Squares: Concepts, Methods and Applications, 655, 10.1007/978-3-540-32827-8_29
2018, Predictions from partial least squares models, Applying Partial Least Squares in Tourism and Hospitality Research, 35, 10.1108/978-1-78756-699-620181003
Danks, N., Ray, S. and Shmueli, G. (2017), “Evaluating the predictive performance of composites in PLS path modeling”, Working Paper, available at: SSRN: https://ssrn.com/abstract=3055222
2000, Introducing LISREL
2006, Formative vs reflective indicators in measure development: does the choice of indicators matter?, British Journal of Management, 13, 263
2012, Guidelines for choosing between multi-item and single-item scales for construct measurement: a predictive validity perspective, Journal of the Academy of Marketing Science, 40, 434, 10.1007/s11747-011-0300-3
2016, Assessing the predictive performance of structural equation model estimators, Journal of Business Research, 69, 4565, 10.1016/j.jbusres.2016.03.050
2017, Impact of organizational culture values on organizational agility, Sustainability, 9, 2354, 10.3390/su9122354
2019, Heuristics versus statistics in discriminant validity testing: a comparison of four procedures, Internet Research
2009, Using single-item measures for construct measurement in management research. Conceptual issues and application guidelines, Die Betriebswirtschaft, 69, 197
1974, A predictive approach to the random effects model, Biometrika, 61, 101, 10.1093/biomet/61.1.101
1981, Estimating regression models of finite but unknown order, Journal of Econometrics, 16, 162, 10.1016/0304-4076(81)90091-9
1981, Estimating regression models of finite but unknown order, International Economic Review, 22, 55, 10.2307/2526135
2018, Multivariate Data Analysis
2017, An updated and expanded assessment of PLS-SEM in information systems research, Industrial Management and Data Systems, 117, 442, 10.1108/IMDS-04-2016-0130
2017, A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM), 2nd ed.
2012, The use of partial least squares structural equation modeling in strategic management research: a review of past practices and recommendations for future applications, Long Range Planning, 45, 320
2012, An assessment of the use of partial least squares structural equation modeling in marketing research, Journal of the Academy of Marketing Science, 40, 414, 10.1007/s11747-011-0261-6
2015, A new criterion for assessing discriminant validity in variance-based structural equation modeling, Journal of the Academy of Marketing Science, 43, 115, 10.1007/s11747-014-0403-8
2015, The loss of the marketing department’s influence: is it happening? And why worry?, Journal of the Academy of Marketing Science, 45, 1
1978, Structural analysis of covariance and correlation matrices, Psychometrika, 43, 443, 10.1007/BF02293808
1982, The ML and PLS techniques for modeling with latent variables: historical and comparative aspects, Systems under Indirect Observation, Part I, 263
2011, The effect of perceived trust on electronic commerce: shopping online for tourism products and services in South Korea, Tourism Management, 32, 256, 10.1016/j.tourman.2010.01.011
2018, Minimum sample size estimation in PLS-SEM: the inverse square root and gamma-exponential methods, Information Systems Journal, 28, 227, 10.1111/isj.12131
1989, Latent Variable Path Modeling with Partial Least Squares
1998, Regression and Time Series Model Selection
1993, Accuracy measures: theoretical and practical concerns, International Journal of Forecasting, 9, 527, 10.1016/0169-2070(93)90079-3
2018, Market Research: The Process, Data, and Methods Using Stata
2018, Enhancing subjective well-being through strategic urban planning: development and application of community happiness index, Sustainable Cities and Society, 38, 184, 10.1016/j.scs.2017.12.030
2000, The importance of complexity in model selection, Journal of Mathematical Psychology, 44, 190, 10.1006/jmps.1999.1283
Nau, R. (2016), “Statistical forecasting: notes on regression and time series analysis”, available at: https://people.duke.edu/∼rnau/compare.htm (accessed 18 February 2019).
2018, World class manufacturing operations management: scale development and LHEMI model proposition, International Journal of Innovation and Technology Management, 15, 5, 1850042
2008, Components of information for multiple resolution comparison between maps that share a real variable, Environmental and Ecological Statistics, 15, 111, 10.1007/s10651-007-0043-y
2018, Editorial: partial least squares (PLS) in hospitality and tourism research, Journal of Hospitality and Tourism Technology, 9, 238
2009, Guest editorial: is marketing academia losing its way?, Journal of Marketing, 73, 1, 10.1509/jmkg.73.4.001
1998, Structural equation modeling, Modern Methods for Business Research, 251
2012, Rethinking partial least squares path modeling: in praise of simple methods, Long Range Planning, 45, 341
2015, SmartPLS 3
2019, Partial least squares structural equation modeling in HRM research, The International Journal of Human Resource Management
2018, Tourist satisfaction and subjective well-being: an index approach, International Journal of Tourism Research, 20, 388, 10.1002/jtr.2190
2016, Measurement in the social sciences: where C-OAR-SE delivers and where it does not, European Journal of Marketing, 50, 1942, 10.1108/EJM-10-2016-0547
2019, A Concise Guide to Market Research: The Process, Data, and Methods Using IBM SPSS Statistics
2017, Partial least squares structural equation modeling, Handbook of Market Research
2016, Selecting single items to measure doubly-concrete constructs: a cautionary tale, Journal of Business Research, 69, 3159, 10.1016/j.jbusres.2015.12.004
2014, On the emancipation of PLS-SEM: a commentary on Rigdon (2012), Long Range Planning, 47, 154, 10.1016/j.lrp.2014.02.007
2016, Estimation issues with PLS and CBSEM: where the bias lies!, Journal of Business Research, 69, 3998, 10.1016/j.jbusres.2016.06.007
2019, Structural model robustness checks in PLS-SEM, Tourism Economics
1978, Estimating the dimensions of a model, The Annals of Statistics, 6, 461, 10.1214/aos/1176344136
1991, Construct measurement in information systems research: an illustration in strategic systems, Decision Sciences, 22, 455, 10.1111/j.1540-5915.1991.tb01274.x
2019, Prediction-oriented model selection in partial least squares path modeling, Decision Sciences
2019, PLS-based model selection: the role of alternative explanations in MIS research, Journal of the Association for Information Systems, 20, 346
2011, Predictive analytics in information systems research, MIS Quarterly, 35, 553, 10.2307/23042796
2016, The elephant in the room: evaluating the predictive performance of PLS models, Journal of Business Research, 69, 4552, 10.1016/j.jbusres.2016.03.049
2000, On the use of structural equation models for marketing modeling, International Journal of Research in Marketing, 17, 195
1974, Cross-validatory choice and assessment of statistical predictions, Journal of the Royal Statistical Society, 36, 111, 10.1111/j.2517-6161.1974.tb00994.x
2016, Bootstrapping and PLS-SEM: a step-by-step guide to get more out of your bootstrap results, European Management Journal, 34, 618, 10.1016/j.emj.2016.06.003
2018, Framing the triple bottom line approach: direct and mediation effects between economic, social and environmental elements, Journal of Cleaner Production, 197, 972
2003, Assessing the consumer decision process in the digital marketplace, Omega, 31, 349, 10.1016/S0305-0483(03)00055-0
2015, A better measure of relative prediction accuracy for model selection and model estimation, Journal of the Operational Research Society, 66, 1352, 10.1057/jors.2014.103
2012, On estimating model accuracy with repeated cross-validation, 21st Belgian-Dutch Conference on Machine Learning, 39
2005, Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance, Climate Research, 30, 79
2016, Data Mining: Practical Machine Learning Tools and Technique
1985, Partial least squares, Encyclopedia of Statistical Sciences, 581