Diese Frage wurde hier gestellt, aber niemand gab eine gute Antwort. Ich denke, es ist eine gute Idee, es noch einmal aufzurufen, und ich möchte auch einige weitere Kommentare / Fragen hinzufügen.
Die erste Frage ist, was ist der Unterschied zwischen "PLS-Pfadmodellierung" und "PLS-Regression"? Was sind Strukturgleichungsmodellierung (SEM), Pfadmodellierung und Regression? Nach meinem Verständnis konzentriert sich die Regression mehr auf die Vorhersage, während der SEM-Fokus auf der Beziehung zwischen Antwort und Prädiktoren liegt und die Pfadmodellierung ein Sonderfall des SEM ist.
Meine zweite Frage ist, wie vertrauenswürdig PLS ist. In letzter Zeit wurde es vielfach kritisiert, wie in Rönkkö et al. 2016 und Rönkkö et al. 2015, was zur Ablehnung von auf PLS basierenden Beiträgen in hochrangigen Fachzeitschriften wie dem Journal of Operations Management führt ( hier der Hinweis des Zeitschrifteneditors):
Wir lehnen praktisch alle PLS-basierten Manuskripte ab, da wir zu dem Schluss gekommen sind, dass PLS bei den von OM-Forschern verwendeten Modellen ausnahmslos der falsche Modellierungsansatz war .
Ich sollte beachten, dass mein Fachgebiet Spektroskopie ist, weder Management / Psychologie noch Statistik. In den oben verlinkten Artikeln sprechen die Autoren mehr über PLS als SEM-Methode, aber für mich scheint ihre Kritik auch auf die PLS-Regression anwendbar zu sein.
Antworten:
Keine, sie sind Synonyme.
SEM ist eine Form der Regression. Regression ist eine Methode, die unabhängige und abhängige Variablen korreliert und Methoden umfasst, die mehrere Variablen verwenden, die als separate Entitäten behandelt werden. SEM verwendet speziell mathematische Beziehungen zwischen den Variablen, um das endgültige Modell zu beschränken. Im Fall von PLS ist dies die Kovarianz. Mein Verständnis ist, dass die Pfadmodellierung ein domänenspezifischer Begriff ist (nicht meiner, ich bin ein Spektroskopiker wie Sie).
Eine ausgezeichnete Gegenargumentation findet sich bei Henseler et al. 2013 Gemeinsame Überzeugungen und Realität über PLS . Ein Hauptanliegen von Rönkkö et al. ist, dass PLS in einigen Situationen, in denen ein gemeinsamer latenter Faktor angenommen wird, keine gute Leistung erbracht hat. PLS wurde entwickelt, um mit mehreren latenten Faktoren umzugehen, eine Situation, die in der realen Welt weitaus häufiger vorkommt.
Wie vertrauenswürdig? Für die Spektroskopie ist es ein ausgezeichnetes Werkzeug, hat aber seine Grenzen. Es besteht die Gefahr einer Überanpassung, da komplexe Modelle erstellt werden können, die Beiträge mehrerer zugrunde liegender Faktoren erfassen. Aus diesem Grund muss es mit Vorsicht verwendet werden, und eine angemessene externe Validierung ist unerlässlich. Diese Einschränkungen gelten jedoch für alle Modellbauwerkzeuge. Ich arbeite seit 2 Jahrzehnten hauptsächlich an realen Datensätzen und habe keinen experimentellen Datensatz gefunden, der nur einen gemeinsamen Faktor für die abhängige Variable hatte (weder basierend auf Daten noch auf wissenschaftlicher Theorie).
quelle