Skip to main content
SpringerLink
Log in

Kausalanalyse mit PLS

  • Chapter
  • First Online:
Strukturgleichungsmodellierung

Part of the book series: Springer-Lehrbuch ((SLB))

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.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 29.99
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Notes

  1. 1.

    Vgl. zur Konstruktion reflektiver Messmodelle insb. die Kap. 3.3.2 bzw. 6.2 und zur Konstruktion formativer Messmodelle insb. Kap. 12.2.

  2. 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. 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. 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. 5.

    Die in Abb. 15.5 ausgewiesenen Informationen zur Abschätzung der Güte der Messmodelle finden sich unter „PLS → Quality Criteria“.

  6. 6.

    Dabei behalten wir die Standardeinstellung „No sign changes“ bei. Vgl. hierzu das SmartPLS Benutzerhandbuch von Ringle et al. 2005.

  7. 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.

    Google Scholar 

  • Chin, W. W. (1998a). Issues and opinion on structural equation modeling. Management Information Systems Quarterly, 22, 7–16.

    Google Scholar 

  • 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.

    Google Scholar 

  • Efron, B. (1979). Bootstrap methods: Another look at the jacknife. Annals of statistics, 7, 1–26.

    Article  Google Scholar 

  • Efron, B. (1982). The jackknife, the bootstrap and other resampling plans. Philadelphia: Society for Industrial and Applied Mathematics.

    Google Scholar 

  • 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.

    Article  Google Scholar 

  • Geisser, S. (1975). A predictive approach to the random effect model. Biometrika, 61, 101–107.

    Article  Google Scholar 

  • 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.

    Article  Google Scholar 

  • 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.

    Article  Google Scholar 

  • 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.

    Article  Google Scholar 

  • 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.

    Article  Google Scholar 

  • 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.

    Google Scholar 

  • 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).

    Google Scholar 

  • Herrmann, A., Huber, F., & Kressmann, F. (2006). Varianz- und Kovarianzbasierte Strukturgleichungsmodelle – Ein Leitfaden zu deren Spezifikation, Schätzung und Beurteilung. zfbf, 58(1), 34–66.

    Google Scholar 

  • 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.

    Article  Google Scholar 

  • Johansson, J. K., & Yip, G. S. (1994). Exploiting globalization potential: U.S. and Japanese strategies. Strategic Management Journal, 15(8), 579–601.

    Article  Google Scholar 

  • Jöreskog, K. G. (1967). Some contributions to maximum likelihood factor analysis. Psychometrika, 32, 443–482.

    Article  Google Scholar 

  • Lohmöller, J. B. (1989). Latent variable path modeling with partial least squares. Heidelberg: Physica.

    Google Scholar 

  • 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.

    Google Scholar 

  • 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.

    Google Scholar 

  • Sarstedt, M., & Ringle, C. M. (2008). Heterogenität in varianzbasierter Strukturgleichungsmodellierung: Eine Analyseprozedur zur systematischen Anwendung von FIMIX-PLS. Marketing ZFP, 30(4), 241–257.

    Google Scholar 

  • 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.

    Google Scholar 

  • Scholderer, J., & Balderjahn, I. (2006). Was unterscheidet harte und weiche Strukturgleichungsmodelle nun wirklich? Marketing ZFP, 28(1), 57–70.

    Google Scholar 

  • Stone, M. (1974). Cross-validatory choice and assessment of statistical predictions. Journal of the Royal Statistical Society, 36, 111–147.

    Google Scholar 

  • 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..

    Google Scholar 

  • Tenenhaus, M., Vinzi, V. E., Chatelin, Y.-M., & Lauro, C. (2005). PLS path modeling. Computational Statistics & Data Analysis, 48, 159–205.

    Article  Google Scholar 

  • Wold, H. (1966). Nonlinear estimation by partial least squares procedures. In F. N. David (Hrsg.), Research papers in statistics (S. 411–444). New York.

    Google Scholar 

Weiterführende Literatur

  • Bliemel, F. et al. (Hrsg.). (2005). Handbuch PLS-Pfadmodellierung: Methode, Anwendung, Praxisbeispiele. Stuttgart: Schäffer-Poeschel.

    Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Professur für Marketing Innovation und E-Business, Universität Trier, Trier, Deutschland

    Prof. Dr. Rolf Weiber & Dr. Daniel Mühlhaus

Authors
  1. Prof. Dr. Rolf Weiber
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Dr. Daniel Mühlhaus
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Rolf Weiber .

Rights and permissions

Reprints 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)

Publish with us

Policies and ethics

Search

Navigation