Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
La primera presentación del enfoque finalizado PLS a modelos de ruta con variables
latentes ha sido publicado por Wold en 1979 y, a continuación las principales
referencias en el algoritmo PLS Wold (1982 y 1985).
Herman Wold oposición LISREL (Jöreskog, 1970), "el modelado duro" (hipótesis de
distribución de pesado, varios cientos de casos es necesario) para PLS "modelado
suave" (hipótesis de distribución de muy pocos, algunos casos puede ser
suficiente). Estos dos métodos de modelado de ecuaciones estructurales han sido
comparados en Jöreskog y Wold (1982).
Además, PLS Path modelo puede ser utilizado para el análisis de varias tablas y que
está directamente relacionado con los métodos más clásicos de análisis de datos
utilizados en este campo. De hecho, PLS-PM puede también considerarse como un
enfoque muy flexible para múltiples categorías (o tabla de múltiple) por medio de
análisis, tanto del modelo jerárquico camino PLS y el modelo de confirmación PLS
path (Tenenhaus y Hanafi, 2007). Este planteamiento muestra claramente cómo el
"data-driven" tradición de análisis de múltiples tablas pueden ser de alguna manera
se fusionaron en la teoría de la "impulsada por la" tradición de modelado de
ecuaciones estructurales a fin de permitir realizar el análisis de multi-bloque de
datos a la luz de los conocimientos actuales sobre las relaciones conceptuales entre
las tablas.
En este tutorial le guiará paso a paso para mostrarle cómo crear un proyecto,
definir un modelo, la estimación de los parámetros y analizar los resultados. Este
tutorial está basado en el siguiente documento: [Tenenhaus M., Esposito Vinzi V.,
Chatelin Y.-M. y (2005 Lauro C.). PLS Path Modeling. Computational Statistics &
Data Analysis, 48 (1), 159-205].
La solicitud se basa en datos de la vida real, donde 250 clientes de los operadores
de telefonía móvil han sido varias preguntas para poder modelar su lealtad. El
modelo PLSPM se basa en el Índice de Satisfacción de los Consumidores europeos
(LIC). En el modelo de LIC, las variables latentes (conceptos que no se puede medir
directamente) están relacionados entre sí como se muestra a continuación.
Cada variable latente está relacionada con una o más variables de manifiesto que
se miden. En este caso, la solicitud, las preguntas se manifiestan las variables en
una escala de 0-100. Por ejemplo, para la variable de imagen latente de los cinco
variables manifiestas son las siguientes:
- Se puede confiar en lo que dice y hace
- Es estable y firmemente establecido
- Tiene una contribución social de la sociedad
- Tiene que ver con los clientes
- Es innovador y orientado hacia el futuro
Un XLSTAT-PLSPM descripción del proyecto que contiene los datos y los resultados
para su uso en este tutorial puede ser descargado haciendo clic en aquí. XLSTAT-
PLSPM proyectos son de libro de Excel plantillas especiales. Al crear un proyecto
nuevo, su nombre predeterminado se inicia con PLSPMBook. A continuación, puede
guardarlo en el nombre que desee, pero asegúrese de usar la opción "Guardar" o
"Guardar como" el mando de la barra de herramientas XLSTAT-PLSPM para
guardarlo en la carpeta dedicada a los proyectos PLSPM utilizando la extensión *.
ppm.
Una prima de XLSTAT-PLSPM proyecto contiene dos hojas que no se puede extraer:
- D1: Esta hoja está vacío y hay que añadir todos los datos de entrada que desea
utilizar en esa hoja de cálculo.
- PLSPMGraph: Esta hoja está en blanco y se utiliza para diseñar el modelo. Al
seleccionar esta hoja, el "Sendero de modelado" barra de herramientas se muestra.
Se hace invisible cuando salga de esa hoja.
Para crear el proyecto utilizados en este tutorial, se generó por primera vez un
nuevo proyecto usando la barra de herramientas XLSTAT-PLSPM:
Luego, copiar los datos que estaban disponibles en un archivo de Excel, y los pegó
en la hoja de D1 del proyecto. Una vez hecho esto, usted está listo para comenzar
a crear el modelo. Mover a la hoja de PLSPMGraph. La "Ruta de modelado" barra de
herramientas sólo se muestra en esa hoja. Usted puede encontrar más detalles
sobre la función de cada botón de la ayuda.
Para crear varias variables latentes en una fila, haga doble clic en el botón de
círculo para que se mantenga presionado mientras que agrega las variables:
A continuación, puede añadir las flechas que indican cómo se relacionan las
variables latentes. Para crear varias flechas en una fila, haga doble clic en el botón
de flecha para que se mantenga presionado mientras agrega las flechas.
Para agregar una flecha, haga clic en la variable latente de la que debería
comenzar, a continuación, mantenga pulsado el botón izquierdo del ratón y arrastre
hasta que el cursor del ratón está sobre la variable latente en la flecha debe
terminar. Una vez que la flecha se muestra todavía se puede invertir el sentido o se
establece en doble dirección mediante el menú contextual que se muestra el botón
derecho del ratón.
Una vez que todas las flechas se han añadido, se pueden definir las variables
manifiestas que se refieren a cada variable latente (esto también se puede hacer
después de añadir las variables latentes). Para añadir variables manifiestas a una
variable latente, la forma más rápida es hacer doble clic en la variable latente. Esto
activa la hoja de D1 y muestra un cuadro de diálogo en el que dar un nombre
propio para la variable latente, seleccionar las variables manifiestas en D1 y definir
algunas opciones de configuración.
El modo tiene que ser definido. En un modo (modo de reflexión) la variable latente
es responsable de lo que se mide por las variables manifiestas, y en el modo B
(modo de formación), las variables de manifiesto la construcción de la variable
latente.
Por ejemplo, esto es como el cuadro de diálogo le gustaba miró una vez ocupó el
lugar de la variable latente Expectativa:
Por último, para la salida, todos los recuadros de selección (con excepción de las
correlaciones) y vamos a estudiar cada salida en la parte siguiente.
En el caso de nuestro conjunto de datos, las cargas entre las variables manifiestas
y latentes de sus variables son las más altas.
Entonces, los pesos exterior y las correlaciones se recogen en dos grandes mesas.
Si estudiamos las correlaciones entre las variables manifiestas y variables latentes:
Podemos ver que, por ejemplo, las variables manifiestas CUSA3 y CUSA2 tener un
mayor efecto sobre la satisfacción de CUSA1. Estas tablas permiten ver el impacto
de cada variables manifiestas en su variable latente asociada.
Los resultados asociados con el modelo estructural de seguir. Para cada variable
latente, la información sobre el modelo estructural se recoge. En el caso de la
satisfacción, tenemos:
² AR 'de 0.672 puede ser considerado como un buen resultado. Podemos ver que la
calidad percibida tiene el mayor efecto sobre la satisfacción y que el impacto de la
expectativa no es significativo. La última tabla resume los resultados y muestra que
el valor percibido contribuye al 64% de la R '² de satisfacción.
La gráfica ilustra estos resultados:
La siguiente tabla muestra diferentes índices de calidad predictivos de riesgo, tanto
exterior e interior de los modelos para cada variable latente. Los valores medios de
estos índices dan un valor de calidad global. Vemos que la media de todas las R '²
es 0,378 y el R ² de satisfacción es el más alto. Comunalidades son siempre
mayores que los despidos porque PLSPM favorece el modelo de medición en su
procedimiento de estimación.