Ir al contenido

Mínimos cuadrados parciales en modelos de ruta

De Wikipedia, la enciclopedia libre

Los mínimos cuadrados parciales en modelos de ruta (partial least squares path modeling o PLS-PM por sus siglas en inglés) es un método perteneciente a la familia de los mínimos cuadrados parciales en modelos de ecuaciones estructurales (partial least squares structural equation modeling o PLS-SEM por sus siglas en inglés). Ambos métodos a su vez forman parte de las ecuaciones estructurales, que permiten estimar complejas relaciones de causa y efecto entre variables latentes.[1][2][3]

Visión general

[editar]

PLS-PM es método de estimación basado en componentes que se diferencia del enfoque basado en covarianzas del modelado con ecuaciones estructurales. En este sentido el PLS-PM no ajusta un modelo de factor común a los datos, en lugar de ello ajusta un modelo compuesto.[4][5][6]​ De esta manera, PLS-PM maximiza la cantidad de varianza explicada, aunque no existe un acuerdo en cuanto a cómo se logra esta característica. Adicionalmente, a través del ajuste de mínimos cuadrados parciales, se hace posible estimar consistentemente modelos de factores comunes también. Este nuevo enfoque es llamado PLS Consistente o PLSc. Por otro lado, PLS-PM puede ser usado para realizar predicciones fuera de una muestra.[7]

El PLS-SEM está compuesto de dos sub-modelos: el modelo de medida y modelo estructural. El modelo de medida representa las relaciones entre el dato observado y las variables latentes. El modelo estructural representa las relaciones entre las variables latentes.

Un algoritmo iterativo soluciona la ecuación estructural del modelo estimando las variables latentes por medio de medidas y el modelo estructural en etapas alternas, por lo tanto el procedimiento obtiene el nombre de parcial. El modelo de medida estima las variables latentes como una suma ponderada de sus variables manifiestas. El modelo estructural estima las variables latentes mediante regresiones lineales simples o múltiples entre las variables latentes estimadas por el modelo de medida. Este algoritmo se repite hasta que la convergencia se consigue.

Con la disponibilidad de aplicaciones de software, PLS-SEM se ha vuelto particularmente popular en disciplinas de ciencias sociales como contabilidad, negocio familiar, marketing, sistemas de información de la administración, administración de operaciones, administración estratégica, y turismo.[8][9][10][11][12][13][14][15]​ Recientemente, áreas como ingeniería, ciencias medioambientales, medicina, y ciencias políticas utilizan PLS-SEM para estimar modelos con complejas relaciones de causa y efecto con variables latentes.[16][17]​ Así, se analizan, exploran y prueban modelos conceptuales y teóricos.

PLS es visto de forma crítica por diversos investigadores metodológicos.[18][19]​ Un punto importante de crítica se relaciona con el rechazo a la hipótesis de que el PLS siempre puede ser utilizado con muestras muy pequeñas. Un estudio reciente sugiere que esta crítica está generalmente injustificada y propone dos métodos para la valoración de la muestra mínima en PLS.[20]​ Otro punto de contienda es la manera ad hoc en qué PLS ha sido desarrollado y la carencia de pruebas analíticas para apoyar su característica principal: la distribución de  ponderaciones por muestreo. Aun así, PLS-SEM es todavía considerado preferible (sobre CB-SEM) cuándo es desconocido si la naturaleza de los datos es de factor común o compuesto.[21]

Referencias

[editar]
  1. Hair, J.F.; Hult, G.T.M.; Ringle, C.M.; Sarstedt, M. (2017). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (2 edición). Thousand Oaks, CA: Sage. ISBN 9781483377445. 
  2. Vinzi, V.E.; Trinchera, L.; Amato, S. (2010). Handbook of partial least squares. Springer Berlin Heidelberg. 
  3. Hair, J.F.; Sarstedt, M.; Ringle, C.M.; Gudergan, S.P. (2018). Advanced Issues in Partial Least Squares Structural Equation Modeling (PLS-SEM). Thousand Oaks, CA: Sage. ISBN 9781483377391. 
  4. «Common Beliefs and Reality About PLS». Organizational Research Methods (en inglés) 17 (2): 182-209. 10 de abril de 2014. doi:10.1177/1094428114526928. 
  5. «Composites as Factors, generalized canonical variables revisited (PDF Download Available)». ResearchGate (en inglés). doi:10.13140/rg.2.1.3426.5449. 
  6. «all-inclusive and single block composites (PDF Download Available)». ResearchGate (en inglés). doi:10.13140/rg.2.1.2917.8082. 
  7. «The elephant in the room: Predictive performance of PLS models». Journal of Business Research 69 (10): 4552-4564. 1 de octubre de 2016. doi:10.1016/j.jbusres.2016.03.049. 
  8. Lee, L.; Petter, S.; Fayard, D.; Robinson, S. (2011). «On the Use of Partial Least Squares Path Modeling in Accounting Research». International Journal of Accounting Information Systems 12 (4): 305-328. doi:10.1016/j.accinf.2011.05.002. 
  9. Sarstedt, M.; Ringle, C.M.; Smith, D.; Reams, R.; Hair, J.F. (2014). «Partial Least Squares Structural Equation Modeling (PLS-SEM): A Useful Tool for Family Business Researchers». Journal of Family Business Strategy 5 (1): 105-115. doi:10.1016/j.jfbs.2014.01.002. 
  10. Sarstedt, M.; Ringle, C.M.; Hair, J.F.; Mena, J.A. (2012). «An Assessment of the Use of Partial Least Squares Structural Equation Modeling in Marketing Research». Journal of the Academy of Marketing Science 40 (3): 414-433. doi:10.1007/s11747-011-0261-6. 
  11. Schmitz, K. W., Teng, J. T., & Webb, K. J. (2016). Capturing the complexity of malleable IT use: Adaptive structuration theory for individuals. Management Information Systems Quarterly, 40(3), 663-686.
  12. Ringle, C.M.; Sarstedt, M.; Straub, D.W. (2012). «A Critical Look at the Use of PLS-SEM in MIS Quarterly». MIS Quarterly 36 (1): iii-xiv. Archivado desde el original el 3 de abril de 2018. Consultado el 9 de julio de 2018. 
  13. Peng, D.X.; Lai, F. (2012). «Using Partial Least Squares in Operations Management Research: A Practical Guideline and Summary of Past Research». Journal of Operations Management 30 (6): 467-480. doi:10.1016/j.jom.2012.06.002. 
  14. Hair, J.F.; Sarstedt, M.; Pieper, T.; Ringle, C.M. (2012). «The Use of Partial Least Squares Structural Equation Modeling in Strategic Management Research: A Review of Past Practices and Recommendations for Future Applications». Long Range Planning 45 (5-6): 320-340. doi:10.1016/j.lrp.2012.09.008. 
  15. Rasoolimanesh, S.M., Jaafar, M., Kock, N. and Ahmad, A. G. (2017). The effects of community factors on residents’ perceptions toward World Heritage Site inscription and sustainable tourism development. Journal of Sustainable Tourism, 25(2), 198-216.
  16. Brewer, T.D., Cinner, J.E., Fisher, R., Green, A., & Wilson, S.K. (2012). Market access, population density, and socioeconomic development explain diversity and functional group biomass of coral reef fish assemblages. Global Environmental Change, 22(2), 399-406.
  17. Berglund, E., Lytsy, P., & Westerling, R. (2012). Adherence to and beliefs in lipid-lowering medical treatments: A structural equation modeling approach including the necessity-concern framework. Patient Education and Counseling, 91(1), 105-112.
  18. Rönkkö, M.; McIntosh, C.N.; Antonakis, J.; Edwards, J.R. (2016). «Partial least squares path modeling: Time for some serious second thoughts». Journal of Operations Management. 47–48: 9-27. doi:10.1016/j.jom.2016.05.002. 
  19. Goodhue, D. L., Lewis, W., & Thompson, R. (2012). Does PLS have advantages for small sample size or non-normal data? MIS Quarterly, 981-1001.
  20. Kock, N., & Hadaya, P. (2018). Minimum sample size estimation in PLS-SEM: The inverse square root and gamma-exponential methods. Information Systems Journal, 28(1), 227–261.
  21. Sarstedt, M.; Hair, J.F.; Ringle, C.M.; Thiele, K.O.; Gudergan, S.P. (2016). «Estimation issues with PLS and CBSEM: Where the bias lies!». Journal of Business Research 69 (10): 3998-4010. doi:10.1016/j.jbusres.2016.06.007.