¿Cómo puedo crear y ejecutar un proyecto

de base XLSTAT PLSPM?

PLSPathModeling_ECSI.ppm

Principios de modelado de ruta PLS

Partial Least Squares Path Modeling (PLS-PM) es un método estadístico para el

modelado de las complejas relaciones multivariable (modelos de ecuaciones
estructurales) entre observado y las variables latentes. Desde hace algunos años,
este enfoque ha estado disfrutando de cada vez mayor popularidad en varias
ciencias (Esposito Vinzi et al., 2007). Modelos de ecuaciones estructurales incluyen
una serie de metodologías estadísticas que permitan estimar de una red teórica de
las relaciones de causalidad que une latente conceptos complejos, cada uno mide
por medio de una serie de indicadores observables.

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).

Desde el punto de vista de modelos de ecuaciones estructurales, PLS-PM es un

enfoque basado en componentes, donde el concepto de causalidad está formulada
en términos de esperanza condicional lineal. PLS-PM busca óptimas relaciones
lineales de predicción en lugar de los mecanismos causales tanto, privilegiar una
predicción relevancia proceso de descubrimiento orientado a la prueba estadística
de hipótesis causales. Dos documentos de revisión muy importante en la
aproximación PLS a Structural Equation Modeling son Chin (1998, más orientada a
la aplicación) y Tenenhaus et al. (2005, más orientada a la teoría).

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].

Modelización ruta PLS con XLSTAT-PLSPM

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.

Nota: al abrir el archivo PLSPathModeling_ECSI.ppm, la representación gráfica

puede quedar mal. Esto se debe al hecho de que la representación depende de la
configuración de la pantalla. Para mejorar la pantalla, haga clic en "Optimizar la
pantalla" botón de modelado de la "Ruta" barra de herramientas (ver más abajo).

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:

PLS Path Modeling es un método complejo y el módulo de PLSPM XLSTAT tiene

muchas opciones y características específicas. Con el fin de simplificar la aplicación
de un modelo simple, dos pantallas están disponibles. El valor por omisión, llamada
"clásica", muestra las funciones principales necesarias para poder aplicar PLS Path
Modelado y otro más sofisticado, llamado "experto", muestra un montón de nuevas
opciones como la prueba multigrupo, moderando la estimación de efecto, el
procedimiento Superbloc ... Para modificar esta opción , haga clic en la XLSTAT
"opciones de PLPM" situado en la XLSTAT la "PLSPM" barra de herramientas.

A continuación, guardó como PLSPathModeling_ECSI.ppm utilizando la opción

"Guardar como" el mando de la misma barra de herramientas.

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:

El modelo obtenido tiene la siguiente forma:

Una vez que las variables manifiestas se han definido para cada variable latente y
las variables latentes están vinculadas, puede iniciar el cálculo de la modelo. Para
ejecutar el modelo, haga clic en el botón Ejecutar de la modelización de la "Ruta"
barra de herramientas.

Esto muestra el "Ejecutar" cuadro de diálogo, donde hay muchas opciones

disponibles. Para este tutorial las opciones que han utilizado los siguientes:
Modelado de ruta PLS se basa en un algoritmo iterativo y por lo tanto debe ser
inicializado. Para esta aplicación, las variables de manifiesto (variables observadas)
se tratan con ninguna transformación previa (4 configuraciones diferentes están
disponibles), ya que todas las variables están en la misma escala. Los valores
iniciales para los pesos exterior son los valores del vector propio primero cuando se
realiza un análisis de componentes principales sobre las variables manifiestas
asociados a una variable latente (2 diferentes configuraciones disponibles).

Usamos el sistema de centroide para la estimación de interior pesos. Los intervalos

de confianza se obtienen utilizando resample arranque.
En nuestro ejemplo simple, no hay datos que faltan en el conjunto de datos.
Nosotros, por lo tanto, no acepta los datos que faltan.

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.

Resultados e interpretación de un proyecto de PLS-PM

En los resultados, la información relacionada con las variables manifiestas, el

modelo de medición y el modelo estructural son los primeros resumida.

Los primeros elementos importantes son los índices de fiabilidad compuestos:

En esta aplicación, variable latente son reflectantes. Los bloques tienen que ser
unidimensional. Podemos ver que Dillon-ro de Goldstein es superior a 0,7 y que el
primer valor propio es siempre mucho mayor que el de un segundo. Expectativa y
tienen valores de lealtad mal para el alfa de Cronbach y una segunda dimensión
podría ser significativo. En este tutorial, nos centraremos en el caso de una
dimensión.
Si usted está interesado en otras dimensiones, se puede estudiar las correlaciones
entre las variables y los factores de manifiesto en un análisis de componentes
principales aplicado en cada bloque de variables manifiestas. No se centrará en este
punto y considerar una sola dimensión.

La aplicación de modelos PLS camino da la tabla con los índices de GoF:

Podemos ver el GoF absoluta es 0,465, muy cerca de la estimación de arranque.
Este valor es difícil de interpretar, sino que podría ser útil para comparar la calidad
global de los dos grupos de observaciones o de dos modelos diferentes. El GoF
relativa es muy alta. También lo son los modelos de interior y exterior GoF.

Entonces, usted debe comprobar la adhesión a la carga:

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.

Una de las mayores ventajas de PLSPM es el latente resultados variables. Se les da

y se puede utilizar para otros tratamientos estadísticos con XLSTAT.
Este estudio ha demostrado cómo utilizar el módulo XLSTAT-PLSPM en el caso de
los datos reales. Una vez que el modelo ha sido elaborado, el procedimiento es
sencillo. Una vez que el modelo ha sido validado, la interpretación del resultado que
se puede hacer mediante la lectura de las tablas con los coeficientes de sendero y
correlaciones.

Las salidas gráficas:

Puede mostrar muchos tipos de resultados en el modelo de trayectoria con XLSTAT-
PLSPM. Elija entre los índices al posible obtener al hacer clic en el botón
"Seleccionar los resultados para mostrar" en la "Ruta de modelización" barra de
herramientas. Los "resultados" cuadro de diálogo. Dispone de tres páginas:
- El primero se refiere a la visualización de los índices de las variables latentes:

- La segunda se refiere a la visualización de los coeficientes y los índices en las

flechas entre las variables latentes

- El tercero se refiere a la visualización de los coeficientes y los índices en las

flechas entre las variables manifiestas y variables latentes:
Los resultados aparecen en el modelo trazado en la hoja de cálculo PLSPMgraph al
presionar el botón de "mostrar resultados" en el camino de la "modelización" barra
de herramientas. Usted puede seleccionar todo el diagrama, con copia a cualquier
otro documento.