no comments

Adakah PLS Memiliki Keperluan Minimal pada Saiz Sampel?

Himpunan yang paling menonjol untuk memilih PLS-SEM dalam banyak bidang seperti pemasaran (Hair, Sarstedt, Ringle, et al, 2012), sistem maklumat pengurusan (Ringle et al, 2012) dan pengurusan strategik (Hair, Sarstedt, Pieper, et al., 2012) adalah penggunaan saiz sampel yang kecil. Topik ini telah dibahaskan sejak beberapa tahun kebelakangan ini (contohnya, Marcoulides & Saunders, 2006) dan telah diperiksa secara empirik dalam pelbagai kajian simulasi (contohnya, Areskoug, 1982, Goodhue et al., 2012, Hulland et al. al., 2011; Reinartz et al., 2009; Vilares & Coelho, 2013). Seperti yang ditekankan dalam kajian terdahulu (contohnya, Hair et al., 2013; Rambut, Sarstedt, Pieper, et al., 2012; Rambut, Sarstedt, Ringle, et al, 2012), kami bersetuju dengan kritikan R & untuk mempercayai bahawa pertimbangan ukuran sampel tidak memainkan peranan dalam penggunaan PLS.

Di manakah idea ini datang dari masa itu? Kami percaya bahawa idea ini dipupuk oleh peraturan yang sering disebut “10 kali” (Barclay, Higgins, & Thompson, 1995), mengikut mana saiz sampel harus sama dengan yang lebih besar daripada (a) 10 kali indeks dengan yang terbesar bilangan penunjuk formatif atau (b) 10 kali bilangan terbesar jalur struktur yang diarahkan kepada pemboleh ubah terpendam dalam model struktur. Hujah menjadi lebih jelas jika seseorang menyatakan bahawa peranan saiz sampel untuk SEM adalah dua kali ganda. Di satu pihak, saiz sampel adalah penentu utama kuasa statistik dan dengan itu mempengaruhi kualiti statistik kesimpulan yang diperoleh daripada teknik statistik (Paxton et al., 2001). Sebaliknya, setiap teknik memerlukan saiz sampel tertentu untuk dapat memberikan anggaran (Hair, Anderson, Tatham, & Black, 1998). Kami memeriksa kedua-dua peranan saiz sampel untuk SEM.

Berkenaan dengan kuasa statistik, diharapkan SEM berasaskan kovarians, sebagai penganggar maklumat lengkap, akan kebanyakan kali menyampaikan kesilapan standard yang lebih kecil daripada penganggar maklumat terhad seperti PLS. Bukti empiris berdasarkan kajian simulasi mengesahkan tanggapan ini (Goodhue et al., 2012). Penemuan yang sebaliknya-seperti yang dilakukan oleh Lu et al. (2011) atau Reinartz et al. (2009) – dapat dikesan kembali kepada perbezaan yang kami perhatikan di atas antara model faktor umum dan model faktor komposit. Terdapat situasi (matriks kovarian populasi) di mana terdapat kesan antara faktor komposit tetapi tidak antara faktor yang sama dan sebaliknya. Bergantung pada model populasi, penyelidik boleh mendapat gambaran yang salah bahawa satu kaedah mempunyai kuasa statistik yang tinggi untuk mengesan kesan tertentu daripada yang lain, sedangkan sebenarnya kesannya perlu ditafsirkan secara berbeza (Rai, Goodhue, Henseler, & Thompson, 2013 ).

Walau bagaimanapun, saiz sampel bukan sahaja memainkan peranan yang berkaitan dengan kuasa statistik. Sebagai Reinartz et al. (2009), PLS menunjukkan tingkah laku konvergensi yang lebih baik dalam kes saiz sampel kecil daripada SEM berasaskan kovarians. Simulasi kami mengesahkan penemuan ini. Sebagai contoh, paket pakej (Fox, Nie, & Byrnes, 2013) menghasilkan penyelesaian yang tidak dapat diterima untuk semua 500 set data yang diperoleh daripada populasi 3 dalam Rajah 4 (tidak konvensional: 13.4%; Kes Heywood: 86.4%). Untuk mengesahkan bahawa kelakuan yang lemah ini disebabkan oleh kaedah itu sendiri dan bukannya perlaksanaan tertentu, kami menguji temuan ini dengan menggunakan versi lavaan versi 0.5-14 (Rosseel, 2012), yang menghasilkan penyelesaian yang tidak dapat diterima dalam 63.4% daripada semua kes (nonconvergence : 12.6%, kes Heywood: 50.8%) dan Mplus versi 4.21 (Muthén & Muthén, 2006), yang mengakibatkan penyelesaian yang tidak dapat diterima dalam 70.0% daripada kes-kes (nonconvergence: 8.0%; Berbeza dengan SEM berasaskan kovarians, PLS sentiasa berkumpul dan sentiasa menghasilkan penyelesaian yang boleh diterima. Keputusan ini selaras dengan penyelidikan yang masih ada, yang mendapati bahawa kes konvensyen dan Heywood sering berlaku dengan model faktor umum (Krijnen, Dijkstra, & Gill, 1998) dan bahawa PLS secara amnya hanya jarang mempunyai masalah penumpuan (Henseler, 2010).

Selain itu, berbeza dengan SEM berasaskan kovarians, PLS juga boleh digunakan jika bilangan pemerhatian lebih kecil daripada bilangan pembolehubah (sama ada nyata atau laten) atau bilangan parameter dalam model. Oleh itu, kami membuat kesimpulan bahawa PLS boleh digunakan dalam banyak contoh sampel kecil apabila kaedah lain gagal.

Sumber : Sage Journal

KOMEN ANDA

Komen

TENTANG KAMI | PENAFIAN | HUBUNGI | HANTAR ARTIKEL