no comments

Pemodelan Paling Rendah Separa: 10 Kesalahan Terburuk

  1. Tidak menguji model pengukuran.
    Tidak ada gunanya menguji model struktur (batin) sehingga pengukuran (luar) dipertahankan.
  2. Menguji hanya satu model
    Untuk mana-mana set data yang diberikan adalah mungkin lebih daripada satu model akan mempunyai “baik”. Adalah lebih baik untuk membandingkan model untuk menentukan yang lebih sesuai. Seperti hampir semua prosedur multivariate, keputusan PLS mungkin berbeza dengan ketara jika sebelum ini ditinggalkan pembolehubah kausal penting yang penting ditambah kepada model, walaupun PLS kurang sensitif terhadap pemasukan pembolehubah kausal palsu yang berkaitan dengan pembolehubah penunjuk.
  3. Memilih model formatif apabila penunjuknya mencerminkan, atau sebaliknya.
    Keputusan yang dikira adalah keliru adalah petunjuk yang tidak sesuai dengan model. Dalam model reflektif, indikator adalah pantulan komponen mereka dan kerana mereka semua mencerminkan perkara yang sama, mereka harus campurtangan sangat. Dalam model formatif, indikator menambahkan komponen secara komprehensif dan mungkin tidak mencampurkan dengan tinggi.
  4. Menggunakan ukuran patut (kualiti) yang salah untuk jenis model.
    Ukuran patut model berbeza antara model reflektif dan formatif seperti tafsiran langkah yang sama. Alfa Cronbach, sebagai contoh, mematuhi andaian model reflektif tetapi bukan model formatif.
  5. Tidak menguji data untuk heterogeniti yang tidak dapat dilihat.
    Penyelesaian PLS global adalah mengelirukan jika data dibahagikan. Penyelidik mesti memilih kaedah yang sesuai untuk menguji dan menangani kerumitan biasa ini.
    Mengubati kepentingan bootstrapped yang sama dengan ujian signifikansi parametrik konvensional berdasarkan pensampelan rawak
  6. Koefisien PLS tidak mempunyai pengedaran yang diketahui, menjadikan pengujian penting parametrik biasa tidak mungkin. Oleh itu, kepentingan yang digunakan adalah sebagai alternatif. Walau bagaimanapun, makna pekali kepentingan tidak sama untuk kedua-dua kaedah tersebut. Kepentingan yang telah diperkuatkan menjamin penyebaran kepada dataset di tangan, tidak semestinya kepada penduduk sasaran yang mana data itu diambil sampel.
  7. Mengandaikan saiz sampel tidak penting. .
    PLS, tidak seperti SEM, boleh dikira untuk sampel kecil, walaupun sampel lebih kecil daripada bilangan pembolehubah. Walau bagaimanapun, ia tetap benar bahawa sampel kecil mungkin tidak mewakili dan sampel besar meningkatkan kestabilan dan kebolehpercayaan pekali model.
  8. Mentafsirkan model PLS dan koefisien sama seperti model dan koefisien SEM.
    PLS adalah pendekatan berasaskan variasi menggunakan komponen prinsip. SEM adalah pendekatan berasaskan kovarians menggunakan faktor yang sama. Pekali dan interpretasi mereka akan berbeza untuk model kausal yang sama.
  9. Tidak memeriksa residu. .
    Dalam model yang sesuai, tesiduals harus tidak dikelirukan dengan pembolehubah bebas dan harus secara rawak normal, seperti dalam prosedur ramalan lain
  10. Tidak memenuhi andaian pemodelan sekurang-kurangnya kuadrat separa. .
    Buku kami, yang disenaraikan di bawah ini, menghitung banyak andaian PLS, dengan jelas disenaraikan dalam bahagian “Asumsi”.

Sumber : stasticalassociates.

KOMEN ANDA

Komen

TENTANG KAMI | PENAFIAN | HUBUNGI | HANTAR ARTIKEL