İstatistik Sözlüğü → PLS-SEM
PLS-SEManaliz
Göstergelerle ölçülen gizil yapılar arasındaki yol ilişkilerini, yapı skorlarını iteratif biçimde oluşturup bunlar üzerinde regresyonlar kurarak kestiren ve içsel yapılardaki açıklanan varyansı en çoğa çıkarmayı hedefleyen varyansa dayalı yapısal eşitlik yöntemi.
Kavram
Kovaryansa dayalı yapısal eşitlik modeli (CB-SEM) bütün modelin gözlenen kovaryans matrisini ne kadar iyi yeniden ürettiğine odaklanır ve bu nedenle kuram sınamaya uygundur. Kısmi en küçük kareler yol modellemesi (PLS-SEM) ise farklı bir soruya yanıt arar: öncül yapılar, içsel (bağımlı) yapılardaki değişkenliği ne kadar açıklayıp kestirebilir? Kestirim odaklı amaçlarda, çok sayıda yapı içeren karmaşık modellerde, görece küçük örneklemlerde ve göstergelerin yapıyı birlikte oluşturduğu (biçimlendirici) ölçümlerde sık kullanılır.
Algoritma her yapı için göstergelerin ağırlıklı toplamı olan bir skor oluşturur. Ağırlıklar iteratif olarak güncellenir: dış aşamada yapı skorları göstergelerden, iç aşamada komşu yapılardan elde edilen vekil skorlarla yeniden hesaplanır ve ağırlıklar değişmeyi bırakınca durulur. Ardından yol katsayıları, yapı skorları üzerinde sıradan en küçük kareler regresyonlarıyla kestirilir. Yansıtıcı (Mod A) ölçümde göstergeler yapının sonucudur ve birbirleriyle ilişkili olmaları beklenir; biçimlendirici (Mod B) ölçümde göstergeler yapıyı birlikte oluşturur ve birbirinin yerine geçmez.
Değerlendirme iki adımlıdır. Önce ölçme modeli incelenir: yansıtıcı yapılarda yükler, güvenirlik (alfa, rho_A, rho_C), yakınsak geçerlik (AVE ≥ .50) ve ayırt edici geçerlik (HTMT); biçimlendirici yapılarda ağırlıkların anlamlılığı ve göstergeler arası eşdoğrusallık. Sonra yapısal model değerlendirilir: yol katsayıları, R², etki büyüklüğü f² ve kestirim gücü (Q²). Yöntem dağılım varsaymadığından anlamlılık bootstrap ile sınanır. Bileşen temelli olduğu için yansıtıcı modellerde yükleri biraz şişirip yolları biraz küçültebilir; bu nedenle kuram doğrulamada CB-SEM ile birlikte düşünülmelidir.
Ne zaman kullanılır?
- Amaç belirli içsel yapıları (ör. müşteri sadakati) kestirmek ve açıklanan varyansı görmekse, model çok sayıda yapı ve yol içeriyorsa ya da bazı yapılar biçimlendirici göstergelerle tanımlanıyorsa.
- Amaç iyi tanımlanmış bir kuramı bütüncül uyum ölçütleriyle sınamaksa ve yapılar yansıtıcıysa kovaryansa dayalı yapısal eşitlik modeli (CB-SEM) daha uygundur.
- Yalnız gözlenen değişkenler arasındaki yönlü ilişkiler incelenecekse çoklu regresyon ya da yol analizi yeterlidir; tek bir ölçeğin yapısı sınanacaksa doğrulayıcı faktör analizi kullanılır.
Gündelik bir örnek
Bir kahve zinciri, 250 müşteriye hizmet kalitesi, fiyat adaleti, memnuniyet ve sadakat (yeniden gelme ve tavsiye etme niyeti) üzerine sorular soruyor. Model şöyle kuruluyor: hizmet kalitesi ve fiyat adaleti memnuniyeti, memnuniyet de sadakati etkiler. PLS-SEM örneğin memnuniyetin sadakatteki değişkenliğin yaklaşık yarısını (R² = 0,50) açıkladığını, hizmet kalitesinin memnuniyet üzerindeki yolunun fiyat adaletininkinden güçlü olduğunu gösterebilir. Zincir bu sonuçla sınırlı bütçesini önce hizmet kalitesine ayırmayı düşünebilir.
MerQur'da parametreler
Model sözdizimi ([Parametreler] metin alanı)
Kavram: Model sözdizimi hem ölçme modelini (her yapının hangi göstergelerle ve yansıtıcı mı biçimlendirici mi ölçüldüğü) hem de yapısal modeli (hangi yapının hangisini etkilediği) tanımlar. Yansıtıcı yapıda göstergeler yapının yansımasıdır ve birbirinin yerine geçebilir; biçimlendirici yapıda her gösterge yapının ayrı bir bileşenidir ve birini çıkarmak yapının anlamını değiştirir.
Gündelik örnek: Kahve zincirinde 'memnuniyet' yansıtıcıdır: 'memnunum', 'beklentimi karşıladı', 'iyi bir tercihti' maddeleri aynı duygunun farklı ifadeleridir. 'Hizmet kalitesi' ise hız, güler yüz ve temizlik maddelerinden oluşan biçimlendirici bir yapı olarak tanımlanabilir; temizliği çıkarmak kavramın bir parçasını yok eder.
Ne işe yarar: Ölçme ve yapısal modeli metin sözdizimiyle tanımlar: "F =~ x1 + x2" (yansıtıcı, Mod A), "F <~ x1 + x2" (biçimlendirici, Mod B), "Y ~ X1 + X2" (yapısal yol). Tanımsız bir sütun adı tek göstergeli yapı olur; döngü, paylaşılan gösterge ve bilinmeyen ad açık hata iletisi verir.
Sonuca etkisi: Tüm çıktıları belirler. Mod B yapıların alfa, rho_C ve AVE değerleri "uygulanmaz" olarak gösterilir (Hair ve ark. 2022).
Doğrulama verisinde: Genişletilmiş modelde R2: COMP 0.6309, CUSL 0.562, LIKE 0.5576, CUSA 0.2919; yollar QUAL->COMP 0.4297, LIKE->CUSA 0.4357. Basit modelde COMP alfa 0.776, rho_A 0.8319, rho_C 0.8646, AVE 0.6806; yorumdaki ρ_C = .869 ve AVE = .688 tam modelden gelir.
İç ağırlıklandırma (Yol (path, varsayılan), Centroid, Faktör (factorial))
Kavram: İç ağırlıklandırma şeması, algoritmanın iç aşamasında her yapı için komşu yapılardan vekil skor üretilirken bu komşulara hangi ağırlıkların verileceğini belirler. Yol şeması modeldeki okların yönünü dikkate alır; centroid ve faktör şemaları yalnız yapılar arası korelasyonlara bakar. Sonuçlar genellikle yalnızca küçük ölçüde değişir.
Gündelik örnek: Memnuniyetin vekil skoru hesaplanırken yol şeması, hizmet kalitesi ve fiyat adaletini memnuniyetin öncülleri olarak birlikte (regresyonla), sadakati de bir ardıl olarak ele alır. Centroid şeması ise yalnız bu yapıların memnuniyetle ilişkisinin işaretine bakar.
Ne işe yarar: İç vekil değişkenlerin ağırlık şemasını seçer. Yol şeması (varsayılan) öncüller için çoklu regresyon, ardıllar için korelasyon kullanır; centroid korelasyonun işaretini, faktör şeması korelasyonun kendisini kullanır.
Sonuca etkisi: Yapı skorlarını, dolayısıyla yük, ağırlık ve yol katsayılarını küçük ölçüde değiştirir.
Doğrulama verisinde: Dört modelin (corp_simple, corp_ext, mobi, sat) her biri üç şemayla da kestirilir.
Eksik veri (Ortalama ile doldurma (varsayılan), Liste boyu silme) ve Eksik değer kodu
Kavram: Ortalama ile doldurma, bir göstergedeki eksik değeri o göstergenin ortalamasıyla tamamlar; basittir ama eksiklik fazlaysa değişkenliği yapay olarak azaltır. Liste boyu silme, eksik yanıtı olan kişiyi çıkarır. Eksik değer kodu, veride eksikliği simgeleyen sayının (ör. -99) gerçek bir yanıt sanılmasını önler.
Gündelik örnek: Bazı müşteriler fiyat sorusunu boş bırakmış ve bu hücreler -99 ile kodlanmışsa, kod tanıtılmazsa -99 gerçek bir puan gibi hesaba girer ve fiyat adaleti ortalamasını çarpıtır. Eksik oranı düşükse ortalama ile doldurma zararsızdır.
Ne işe yarar: Ortalama ile doldurma varsayılandır (her bootstrap örneğinde yeniden uygulanır); bir göstergede eksik oranı %5'i aşarsa uyarı verilir. Eksik değer kodu göstergelerde eksik sayılacak sayıyı belirler (ör. -99).
Sonuca etkisi: Tahmin edilen örneklemi ve değerleri değiştirir.
Doğrulama verisinde: corp_rep_data'da -99 kodu ve 11 eksik hücre; ortalama ile doldurma uygulanır.
En çok iterasyon (300) ve Durma ölçütü (10^-k, k = 7)
Kavram: PLS algoritması ağırlıkları adım adım günceller ve ardışık iki adımdaki ağırlıklar neredeyse aynı kalınca durur. Durma ölçütü bu 'neredeyse aynı'nın eşiğini, en çok iterasyon da algoritmanın en fazla kaç adım deneyeceğini belirler.
Gündelik örnek: Algoritma, hizmet kalitesi maddelerinin ağırlıklarını her turda biraz düzeltir; düzeltmeler gözle görülmeyecek kadar küçülünce durur. Olağan modellerde bu birkaç düzine turda gerçekleşir, üst sınıra ulaşılması bir yakınsama sorununa işaret eder.
Ne işe yarar: PLS yol algoritmasının en çok iterasyon sayısını ve ardışık dış ağırlıkların mutlak farklarının toplamının altında duracağı eşiği belirler.
Sonuca etkisi: Yakınsama doğruluğunu belirler; yakınsama sonrası sonuç değişmez.
Doğrulama verisinde: Varsayılanlar: en çok 300 iterasyon, durma ölçütü 10^-7.
Güven Düzeyi (%90, %95, %99, Diğer (özel))
Kavram: Bootstrap ile kurulan güven aralıklarının ne kadar güvenceli olacağını belirler. Düzey yükseldikçe aralık genişler.
Gündelik örnek: Memnuniyetin sadakate yolu 0,55 bulunduysa %95 güvenle gerçek yolun örneğin 0,45 ile 0,64 arasında olduğu söylenir; %99 istenirse aralık genişler.
Ne işe yarar: Bootstrap yüzdelik ve BCa güven aralıklarının düzeyini belirler.
Sonuca etkisi: Yalnız aralık sınırlarını değiştirir.
Doğrulama verisinde: HTMT için %90 aralık: COMP-CUSA MerQur 0.371 ile 0.5573; Hair ve ark. 0.366 ile 0.554 (Monte Carlo toleransı içinde).
Bootstrap örnek sayısı (varsayılan 5000) ve Tohum (varsayılan 123)
Kavram: PLS-SEM dağılım varsaymadığı için katsayıların belirsizliği bootstrap ile ölçülür: veriden yerine koyarak çok sayıda yeni örneklem çekilir, model her birinde yeniden kestirilir ve katsayının bu örneklemlerdeki dağılımı standart hatayı verir. Örnek sayısı arttıkça sonuç daha kararlı olur; tohum, aynı rastgele örneklemlerin yeniden üretilmesini sağlar.
Gündelik örnek: 250 müşterinin yanıtlarından 5000 kez yeniden 250'lik örneklem çekilir ve her seferinde hizmet kalitesinin yolu hesaplanır. Bu yol örneklemlerin çok azında sıfıra yaklaşıyorsa etki güvenilirdir. Aynı tohum kullanılırsa başka bir araştırmacı aynı sonucu birebir elde eder.
Ne işe yarar: Anlamlılık için yeniden örnekleme sayısını (nihai rapor için 10 000 önerilir; 0 = bootstrap yok) ve tohumu belirler. p değeri t = tahmin / SD üzerinden t dağılımıyla (df = B - 1) hesaplanır (Hair ve ark. 2021).
Sonuca etkisi: SD, t, p ve güven sınırlarını belirler; nokta kestirimlerini değiştirmez.
Doğrulama verisinde: B = 500 yeniden örnekle tahmin, SD, yüzdelik ve BCa aralıkları verilir; farklı üreteçle (B = 2000) SD oranı farkı en çok %4.6. QUAL->COMP bootstrap t = 6.5618.
BCa güven aralığı (onay kutusu)
Kavram: Yüzdelik bootstrap aralığı bootstrap dağılımının uç yüzdeliklerini doğrudan kullanır. Düzeltilmiş ve hızlandırılmış (BCa) aralık ise bu dağılımın kaymasını (yanlılık) ve çarpıklığını hesaba katarak sınırları ayarlar; dağılım simetrik değilse daha doğru kapsama sağlar.
Gündelik örnek: Fiyat adaletinin sadakate dolaylı etkisinin bootstrap dağılımı sağa çarpıksa, yüzdelik aralık ile BCa aralığı farklılaşır. BCa bu çarpıklığı düzelttiği için dolaylı etkinin anlamlılığına karar verirken daha güvenilir bir dayanak sunar.
Ne işe yarar: Yüzdelik aralığa ek olarak düzeltilmiş ve hızlandırılmış (BCa) aralık verir; ivme jackknife ile hesaplanır. Açıkken anlamlılık işareti BCa'ya göredir.
Sonuca etkisi: Yalnız güven aralığını etkiler.
Doğrulama verisinde: Aynı yeniden örneklerde 1e-14 düzeyinde aynı.
Q2 (blindfolding) (onay kutusu) ve Atlama uzaklığı (D, varsayılan 7)
Kavram: Q², modelin kestirim gücünün bir ölçüsüdür: veri noktaları sırayla atlanır, model bunları geri kalan veriden tahmin eder ve tahmin hatası, yalnız ortalamayla tahmin etmenin hatasıyla karşılaştırılır. Sıfırın üstündeki Q², modelin içsel yapı için ortalamadan daha iyi tahmin yaptığını gösterir; atlama uzaklığı her turda kaçıncı veri noktasının gizleneceğini belirler.
Gündelik örnek: Bazı müşterilerin sadakat yanıtları gizlenir ve model bunları hizmet kalitesi, fiyat ve memnuniyet yanıtlarından tahmin eder. Tahminler 'herkes ortalama sadakattedir' demekten belirgin biçimde iyiyse Q² pozitif çıkar.
Ne işe yarar: Stone-Geisser Q2'yi çapraz geçerli artıklık yaklaşımıyla (yansıtıcı içsel yapılar için) verir. Her D'nci veri noktası atlanır; D 5-10 arasında ve n/D tam sayı olmayacak biçimde seçilmelidir.
Sonuca etkisi: Yalnız Q2 çıktısını etkiler.
Doğrulama verisinde: Q2 değerleri 13 satırda raporlanır.
Ek çıktı (çapraz yükler) ve Ek çıktı (yapı skorlarını veri setine kaydet)
Kavram: Çapraz yükler, her göstergenin yalnız kendi yapısıyla değil diğer yapılarla da korelasyonunu gösterir; bir gösterge kendi yapısıyla en güçlü ilişkiye sahip olmalıdır (ayırt edici geçerlik). Yapı skorlarını kaydetmek, kestirilen yapı değerlerinin sonraki analizlerde kullanılmasını sağlar.
Gündelik örnek: 'Tekrar gelirim' maddesi sadakatle değil memnuniyetle daha güçlü ilişkiliyse çapraz yük tablosu bunu gösterir ve iki yapının yeterince ayrışmadığı düşünülür. Her müşterinin sadakat skoru kaydedilirse şubeler arası karşılaştırmada kullanılabilir.
Ne işe yarar: İlki çapraz yük tablosunu, ikincisi yapı skorlarını yeni sütunlar olarak veri setine ekler.
Sonuca etkisi: Kestirimi değiştirmez.
Doğrulama verisinde: corp_ext modelinde 248 çapraz yük verilir.
SRMR (otomatik çıktı)
Kavram: SRMR, gözlenen korelasyonlar ile modelin öngördüğü korelasyonlar arasındaki farkların ortalama büyüklüğünü özetleyen bir uyum ölçüsüdür. Küçük değerler (yaygın bir ölçüte göre .08'in altı) modelin verideki ilişkileri iyi yeniden ürettiğini gösterir.
Gündelik örnek: Model, müşteri yanıtları arasındaki korelasyonların çoğunu yakın biçimde yeniden üretiyorsa SRMR .05 gibi küçük bir değer alır. Değer .12 gibi büyük çıkarsa model bazı ilişkileri, örneğin fiyat ile sadakat arasındaki doğrudan bağı, kaçırıyor olabilir.
Ne işe yarar: Kestirilen ve doymuş model için standartlaştırılmış kök ortalama kare artığı verir (model örtük korelasyon matrisi: Mod A ortak faktör, Mod B bileşik).
Sonuca etkisi: Model uyumunu özetler; kestirimleri değiştirmez.
Doğrulama verisinde: Varsayılan modelde SRMR .057.
Gerçek veride örnek
Veri: corp_rep_data, Hair ve ark. 2021, R seminr
Değişkenler: kurumsal itibar modeli: QUAL, PERF, CSOR, ATTR (Mod B) -> COMP, LIKE -> CUSA -> CUSL; eksik değer kodu -99
- Soru: Kurumsal itibarın öncülleri (kalite, performans, sosyal sorumluluk, çekicilik) yetkinlik ve beğeni üzerinden müşteri memnuniyeti ve sadakatini nasıl etkiler? (Hair ve ark. 2021, n = 344)
- Ölçme modeli: Yansıtıcı yapılarda güvenirlik yeterli: COMP α = .776, ρ_C = .869, AVE = .688 (tam model); LIKE α = .831, AVE = .747; CUSL α = .831, AVE = .748. HTMT en yüksek 0.780 (COMP-LIKE) < 0.85.
- Yapısal model: QUAL -> COMP β = .43 (t = 6.56, p < .001), QUAL -> LIKE β = .38 (p < .001), LIKE -> CUSA β = .44 (p < .001), CUSA -> CUSL β = .51 (t = 11.97, p < .001); COMP -> CUSL β = .01 (p = .916) anlamsız.
- Açıklanan varyans: R²: COMP .631, LIKE .558, CUSA .292, CUSL .562.
- Dolaylı etki: LIKE -> CUSA -> CUSL = .220 (p < .001); beğeninin sadakate etkisinin bir bölümü memnuniyet üzerinden geçer.
- Model uyumu: SRMR = .057 (< .08).
- APA: CUSA -> CUSL: β = .51, t = 11.97, p < .001, %95 GA [.42, .59]; R²(CUSL) = .562; SRMR = .057 (5000 bootstrap).
İlgili kavramlar
Q² öngörü geçerliliği (Stone-Geisser, PRESS)İç ağırlıklandırma şeması (PLS-SEM)BCa bootstrap güven aralığıÖlçüm modeli ve yapısal modelÇapraz yüklerModel uyum indeksleri (χ², CFI, TLI, RMSEA, SRMR)Basit atama (ortalama, medyan, kNN ile doldurma)Faktör (bileşen) yükleri
Örneklerdeki sayılar MerQur'un bağımsız, kamuya açık doğrulama verileri üzerindeki çıktılarıdır; ayrıntılar için MerQur Teknik Not'a bakınız.