Kısmi En Küçük Kareler Yapısal Eşitlik Modellemesi
Partial Least Squares Structural Equation Modeling · Ayrıca şöyle bilinir: PLS-SEM, PLS path modeling
PLS-SEM, Herman Wold (1985) tarafından geliştirilen, bağımlı değişkenlerde açıklanan varyansı maksimize ederek gizil değişken modellerini tahmin eden, varyans tabanlı bir yapısal eşitlik modellemesi yaklaşımıdır. Kovaryans tabanlı SEM'in aksine, PLS-SEM özellikle keşifsel araştırmalar, küçük ila orta ölçekli örneklemler, çok sayıda yapıya sahip karmaşık modeller ve normal olmayan veriler için kullanışlıdır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+3 tane daha
Ne zaman kullanılır
Karmaşık modellerde çok sayıda yapı ile ilişkileri araştırırken, örneklem büyüklükleri küçük ila orta düzeyde (30-200) olduğunda, mükemmel uyum yerine tahmin önceliklendirildiğinde veya veriler normallik varsayımlarını ihlal ettiğinde PLS-SEM'i uygulayın. İşletme, sosyal bilimler ve keşifsel araştırmalar için idealdir. Model uyumunun titiz testinin amaçlandığı durumlarda (bunun yerine kovaryans tabanlı SEM kullanın) veya odak noktanız tamamen doğrulayıcı ise PLS-SEM'den kaçının.
Güçlü yönler & sınırlılıklar
- Küçük örneklem verimliliği: 30-50 kadar küçük örneklemlerle çalışır, oysa kovaryans tabanlı SEM yüzlerce örneklem gerektirir
- Tahmin odaklılık: varyans açıklamasını optimize eder, bu da onu tahmin modelleri için ideal kılar
- Karmaşıklığı yönetme: çok sayıda gizil değişken, aracılık zincirleri ve ters olmayan yolları olan modelleri yönetir
- Normal olmayan veriler: çok değişkenli normallik gerektirmez, ihlallere karşı dayanıklıdır
- Pratik yazılımlar: yaygın olarak erişilebilir araçlarda (SmartPLS, ADANCO, R paketleri) uygulanmıştır
- Model uyumu belirsizliği: geleneksel iyi uyum indeksleri (ki-kare, CFI) sağlamaz, bu da mutlak model uyumunu değerlendirmeyi zorlaştırır
- Yansıtıcı göstergeler varsayımı: standart PLS, gözlemlenen değişkenlerin gizil yapıların yansımaları olduğunu varsayar (her zaman doğru değildir)
- Bileşiklerde kasıtlı yanlılık: PLS bileşikleri, sonuçları tahmin etmek için kasıtlı olarak yanlıdır, bu da yapı geçerliliğini gizleyebilir
- Sınırlı teori doğrulama: kesin uyumın önemli olduğu doğrulayıcı hipotez testi için ideal değildir
SSS
PLS-SEM mi yoksa kovaryans tabanlı SEM (CBSEM) mi kullanmalıyım?
Tahmin, keşifsel araştırma, küçük örneklemler veya normal olmayan veriler için PLS-SEM'i kullanın. Titiz doğrulayıcı testler, karmaşık eksik veriler veya model uyum indekslerinin önemli olduğu durumlar için CBSEM'i kullanın. Araştırmacılar giderek artan bir şekilde her ikisini de kullanmaktadır: ilişkileri keşfetmek için PLS, bulguları doğrulamak için CBSEM.
PLS-SEM'de R-kare ne anlama gelir?
R-kare, bir içsel değişkenin açıklanan varyans oranını göstergeleri tarafından açıklanan oranını ifade eder. OLS regresyonundaki ile aynıdır. PLS-SEM'de amaç, CBSEM'deki gibi önceden belirlenmiş bir seviyeye ulaşmak değil, R-kareyi (tahmin) maksimize etmektir.
PLS-SEM'de ölçüm modeli geçerliliğini nasıl değerlendiririm?
Kontrol edin: (1) gösterge yüklemeleri (>0.70), (2) bileşik güvenilirliği (>0.70), (3) ortalama varyans çıkarımı (AVE >0.50) ve (4) ayrım geçerliliği (AVE'nin karekökü diğer yapılarla olan korelasyonları aşar).
Biçimlendirici ve yansıtıcı göstergeler nelerdir?
Yansıtıcı göstergeler gizil yapı tarafından oluşturulur (bir göstergeyi kaldırmak yapıyı değiştirmez). Biçimlendirici göstergeler yapıyı oluşturur (bir göstergeyi kaldırmak yapıyı değiştirir). PLS-SEM varsayılan olarak yansıtıcıdır; biçimlendirici göstergeler özel tahmin gerektirir.
Kategorik sonuç değişkenleriyle PLS-SEM kullanabilir miyim?
Standart PLS-SEM sürekli sonuçları varsayar. Kategorik sonuçlar için, PLS-PM (ayrık yanıtlı yol modellemesi için PLS) kullanın veya gizil sınıf analizi veya karışım modelleri kullanarak yaklaşımı uyarlayın.
Kaynaklar
- Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2017). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (2nd ed.). Sage Publications. ISBN: 9781483377445
- Wold, H. (1985). Partial least squares. In S. Kotz & N. L. Johnson (Eds.), Encyclopedia of Statistical Sciences (Vol. 6, pp. 581-591). Wiley. ISBN: 9780471822622
- Chin, W. W. (2010). How to write up and report PLS analyses. In V. E. Vinzi, W. W. Chin, J. Henseler, & H. Wang (Eds.), Handbook of Partial Least Squares: Concepts, Methods and Applications (pp. 655-690). Springer. DOI: 10.1007/978-3-540-32827-8_29 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Partial Least Squares Structural Equation Modeling. ScholarGate. https://scholargate.app/tr/psychometrics/pls-sem
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Keşifsel Yapısal Eşitlik ModellemesiPsikometri↔ karşılaştır
- Bulanık ANOVAPsikometri↔ karşılaştır
- Gerekli Koşul AnaliziPsikometri↔ karşılaştır
- WordfishPsikometri↔ karşılaştır
- WordscoresPsikometri↔ karşılaştır