Zusammenfassung
Neben der Prüfung von kausalen Strukturen mit Hilfe der Kovarianzstrukturanalyse existiert mit dem varianzanalytischen Ansatz (Partial Least Squares, PLS-Ansatz) eine weitere Verfahrensgruppe für diese Analysezwecke (vgl. auch Kap. 3.3.3). Während der kovarianzanalytische Ansatz zur „echten“ Theorieprüfung die wesentlich höhere Eignung aufweist, ist dem PLS-Ansatz vor allem in einem frühen Stadium der Modellbildung eine hohe Eignung beizumessen, wenn die zu erforschenden Phänomene noch relativ neuartig sind und keine fundierten Mess- und Konstrukttheorien vorliegen. Vor dem Hintergrund der sehr unterschiedlichen Vorgehensweise bei der Modellschätzung ist der PLS-Ansatz vor allem für Prognosezwecke geeignet, da er eine möglichst genaue Schätzung der Ausgangsdaten anstrebt.
In Kap. 15 werden zur Verdeutlichung dieses Sachverhaltes – aufbauend auf dem allgemeinen Vergleich zwischen AMOS und SmartPLS in Kap. 3.3.4 – die zentralen Unterschiede des PLS-Ansatzes im allgemeinen Prozess der Strukturgleichungsmodellierung herausgearbeitet. Anschließend werden die Gütekriterien zur Beurteilung von PLS-Modellen getrennt nach den Messmodellen (bzw. dem äußeren Modell) und dem Stukturmodell (bzw. dem inneren Modell) aufgezeigt und damit Hinweise zur Evaluation von PLS-Modellschätzungen gegeben. Dabei wird auch auf die sog. Bootstrapping-Methode eingegangen, mit deren Hilfe t-Tests für die Pfadkoeffizienten durchgeführt werden können. Diese allgemeinen Ausführungen werden dann in Kap. 15.3 auf das Kausalmodell des in Kap. 4.2 dargestellten Fallbeispiels übertragen und eine Modellschätzung mit Hilfe des Softwarepakets SmartPLS (www.smartPLS.de) durchgeführt. Abschließend werden ein Vergleich der Schätzergebnisse für das Fallbeispiel mit AMOS (Kap. 10) und mit SmartPLS sowie eine Würdigung der beiden Verfahren vor dem Hintergrund des Fallbeispiels vorgenommen.
Mit Kap. 15.4 werden Hinweise zur Pfadmodellierung mit SmartPLS gegeben. Dabei wird schrittweise die Vorgehensweise des Einsatzes von SmartPLS für das verwendete Fallbeispiel aufgezeigt.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
- 2.
Die Zahl B wiederholt zu ziehender Stichproben sollte dabei hinreichend groß sein (z. B. B = 100): Für die Bootstrap-Stichprobe (n*) sollte ein Wert im Bereich der Größe des Urdatensatzes gewählt werden. Zu einer allgemeinen Diskussion des Bootstrapping vgl. Efron (1979), Efron (1982, S. 28ff.) Zur Anwendung des Bootstrapping im Rahmen von Strukturgleichungsmodellen vgl. Byrne (2001, S. 269 ff.).
- 3.
SmartPLS weist die Indikatorvariablen von oben nach unten in alphabetischer Folge den Konstrukten zu. Dies muss beim Vergleich der Ergebnisse von AMOS und PLS beachtet werden. Zur Darstellung der Schätzergebnisse können im Menü unter „Report“ verschiedene Formate gewählt werden. Nachfolgende Ergebnisse wurden über den HTML-Report ausgegeben, der zusätzlich zu den Schätzergebnissen auch einige Gütekriterien zur Evaluation des Modells übersichtlich bereitgestellt.
- 4.
SmartPLS weist unter „Total Effects“ im „Report“-Output unter „PLS“ die totalen Wirkbeziehungen zwischen den Konstrukten aus. Darüber hinaus werden analog zu den anhand des AMOS-Outputs berechenbaren Faktorwerten die Faktorwerte unter „Latent Variable Scores“ ausgegeben.
- 5.
Die in Abb. 15.5 ausgewiesenen Informationen zur Abschätzung der Güte der Messmodelle finden sich unter „PLS → Quality Criteria“.
- 6.
Dabei behalten wir die Standardeinstellung „No sign changes“ bei. Vgl. hierzu das SmartPLS Benutzerhandbuch von Ringle et al. 2005.
- 7.
Zur Verbesserung der Übersichtlichkeit können die Indikatoren automatisch um die Konstrukte gedreht werden. Hierzu müssen über einen Klick der rechten Maustaste auf die Konstrukte die Indikatoren entweder oberhalb („Allign top“), unterhalb („Allign bottom“) usw. positioniert werden.
Literatur
Byrne, B. M. (2001). Structural equation modeling with amos. Mahwah: Lawrence Erlbaum Associates.
Chin, W. W. (1998a). Issues and opinion on structural equation modeling. Management Information Systems Quarterly, 22, 7–16.
Chin, W. W. (1998b). The partial least squares approach for structural equation modeling. In G. A. Marcoulides (Hrsg.), Modern methods for business research (S. 295–336). London: Lawrence Erlbaum Associates.
Efron, B. (1979). Bootstrap methods: Another look at the jacknife. Annals of statistics, 7, 1–26.
Efron, B. (1982). The jackknife, the bootstrap and other resampling plans. Philadelphia: Society for Industrial and Applied Mathematics.
Fornell, C., & Bookstein, F. L. (1982). Two structural equation models. LISREL and PLS applied to consumer exit-voice-theory. Journal of Marketing Research, 19, 440–452.
Geisser, S. (1975). A predictive approach to the random effect model. Biometrika, 61, 101–107.
Hair, J. F., Ringle, C. M., & Sarstedt, M. (2011). The use of partial least squares (PLS) to address marketing management topics: From the special issue guest editors. Journal of Marketing Theory and Practice, 19(2), 135–138.
Hair, J. F., Ringle, C. M., & Sarstedt, M. (2012a). Editorial: Partial least squares: The better approach to structural equation modeling? Long Range Planning, 45(5/6), 312–319.
Hair, J. F., Sarstedt, M., Pieper, T. M., & Ringle, C. M. (2012b). Applications of partial least squares path modeling in management journals: A review of past practices and recommendations for future applications. Long Range Planning, 45(5–6), 320–340.
Hair, J. F., Sarstedt, M., Ringle, C. M., & Mena, J. A. (2012c). 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.
Hair, J. F., Hult, T. M., Ringle, C. M., & Sarstedt, M. (2013a). A primer on partial least squares structural equation modeling (PLS-SEM). Thousand Oaks: Sage.
Hair, J. F., Ringle, C. M., & Sarstedt, M. (2013b, forthcoming). Editorial: Partial least squares structural equation modeling: Rigorous applications, better results and higher acceptance. Long Range Planning, 46(1/2).
Herrmann, A., Huber, F., & Kressmann, F. (2006). Varianz- und Kovarianzbasierte Strukturgleichungsmodelle – Ein Leitfaden zu deren Spezifikation, Schätzung und Beurteilung. zfbf, 58(1), 34–66.
Herrmann, A., Gassmann, O., & Eisert, U. (2007). An empirical study of the antecedents for radical product innovations and capabilities for transformation. Journal of Engeneering Technology Management, 24, 92–120.
Johansson, J. K., & Yip, G. S. (1994). Exploiting globalization potential: U.S. and Japanese strategies. Strategic Management Journal, 15(8), 579–601.
Jöreskog, K. G. (1967). Some contributions to maximum likelihood factor analysis. Psychometrika, 32, 443–482.
Lohmöller, J. B. (1989). Latent variable path modeling with partial least squares. Heidelberg: Physica.
Ringle, C. M. (2004). Gütemaße für den Partial Least Squares Ansatz zur Bestimmung von Kausalmodellen, Arbeitspapier Nr. 16 des Instituts für Industriebetriebslehre und Organisation, (K.-W. Hansmann (Hrsg.)). Hamburg.
Ringle, C. M., Wende, S., & Will, A. (2005). SmartPLS 2.0 (beta). Hamburg. www.smartpls.de.
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.
Sarstedt, M., & Ringle, C. M. (2008). Heterogenität in varianzbasierter Strukturgleichungsmodellierung: Eine Analyseprozedur zur systematischen Anwendung von FIMIX-PLS. Marketing ZFP, 30(4), 241–257.
Sarstedt, M., Becker, J-M., Ringle, C. M., & Schwaiger, M. (2011). Uncovering and treating unobserved heterogeneity with FIMIX-PLS: Which model selection criterion provides an appropriate number of segments? Schmalenbach Business Review, 63(1), 34–62.
Scholderer, J., & Balderjahn, I. (2006). Was unterscheidet harte und weiche Strukturgleichungsmodelle nun wirklich? Marketing ZFP, 28(1), 57–70.
Stone, M. (1974). Cross-validatory choice and assessment of statistical predictions. Journal of the Royal Statistical Society, 36, 111–147.
Temme, D., & Kreis, H. (2005). Der PLS-Ansatz zur Schätzung von Strukturgleichungsmodellen mit latenten Variablen: Ein Softwareüberblick. In F. Bliemel et al. (Hrsg.), Handbuch PLS-Pfadmodellierung: Methode, Anwendung, Praxisbeispiele (S. 193–208). Stuttgart: Schäffer-Poeschel..
Tenenhaus, M., Vinzi, V. E., Chatelin, Y.-M., & Lauro, C. (2005). PLS path modeling. Computational Statistics & Data Analysis, 48, 159–205.
Wold, H. (1966). Nonlinear estimation by partial least squares procedures. In F. N. David (Hrsg.), Research papers in statistics (S. 411–444). New York.
Weiterführende Literatur
Bliemel, F. et al. (Hrsg.). (2005). Handbuch PLS-Pfadmodellierung: Methode, Anwendung, Praxisbeispiele. Stuttgart: Schäffer-Poeschel.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2014 Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
Weiber, R., Mühlhaus, D. (2014). Kausalanalyse mit PLS. In: Strukturgleichungsmodellierung. Springer-Lehrbuch. Springer Gabler, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-35012-2_15
Download citation
DOI: https://doi.org/10.1007/978-3-642-35012-2_15
Published:
Publisher Name: Springer Gabler, Berlin, Heidelberg
Print ISBN: 978-3-642-35011-5
Online ISBN: 978-3-642-35012-2
eBook Packages: Business and Economics (German Language)