SRMR
Kriteria tepat sesuai d_ULS dan d_G
NFI
Chi²
RMS_theta
Untuk indeks fit perkiraan seperti SRMR dan NFI, Anda dapat langsung melihat hasil
dari estimasi model PLS atau PLSc (yaitu, laporan hasil) dan nilai-nilai kriteria ini
dengan ambang tertentu (misalnya, SRMR <0,08 dan NFI> 0,90 ).
Untuk ukuran pas tepat d_ULS dan d_G Anda dapat mempertimbangkan statistik
inferensi untuk penilaian. Oleh karena itu, Anda perlu menjalankan prosedur
bootstrap dan menggunakan opsi "bootstrap lengkap" di SmartPLS 3. Saat
menjalankan prosedur bootstrap, Anda akan melihat bahwa prosedur menghitung
dua kali hingga jumlah sampel bootstrap yang ditentukan:
Nilai kurang dari 0,10 atau 0,08 (dalam versi yang lebih konservatif; lihat Hu dan
Bentler, 1999) dianggap cocok. Henseler dkk. (2014) memperkenalkan SRMR
sebagai goodness of fit measure untuk PLS-SEM yang dapat digunakan untuk
menghindari model mispesifikasi.
SmartPLS juga menyediakan statistik inferensi berbasis bootstrap dari kriteria
SRMR. Untuk interpretasi hasil konfirmasi interval bootstrap SRMR melihat model
yang tepat sesuai.
Catatan: Nilai d_LS dan d_G sendiri tidak berhubungan dengan nilai apa pun. Hanya
hasil bootstrap dari ukuran fit model yang tepat yang memungkinkan interpretasi
hasil. Lebih khusus lagi, karena interval kepercayaan d_ULS dan d_G (dan SRMR)
tidak diperoleh dengan menjalankan prosedur bootstrap "normal", tetapi prosedur
bootstrap Bollen-Stine yang diadaptasi, interpretasi hasil mereka agak berbeda dari
hasil bootstrap "normal".
Untuk kriteria yang tepat (yaitu, d_ULS dan d_G), Anda membandingkan nilai asli
mereka terhadap interval keyakinan yang dibuat dari distribusi sampling. Interval
keyakinan harus menyertakan nilai asli. Oleh karena itu, batas atas interval
kepercayaan harus lebih besar dari nilai asli dari kriteria pas d_ULS dan d_G yang
tepat untuk menunjukkan bahwa model memiliki "cocok". Pilih interval keyakinan
dengan cara bahwa batas atas berada pada 95% atau 99% poin.
Dengan kata lain, model sangat cocok jika perbedaan antara matriks korelasi yang
ditunjukkan oleh model Anda dan matriks korelasi empiris sangat kecil sehingga
dapat dikaitkan murni dengan kesalahan sampling. Oleh karena itu, perbedaan
antara matriks korelasi yang ditunjukkan oleh model Anda dan matriks korelasi
empiris harus tidak signifikan (p> 0,05). Jika tidak, jika perbedaan tersebut signifikan
(p <0,05), model yang cocok belum ditetapkan.
Catatan: SmartPLS 3.2.7 (dan versi yang lebih baru) mengembalikan hasil d_G1 dan
d_G2. Sejalan dengan publikasi oleh Dijkstra dan Henseler (2015), d_G1
menghitung nilai eigen berdasarkan $$$ S ^ {- 1} Σ $$$ , di
mana $$$ S $$$ mewakili sampel matriks kovariansi dan $$$ Σ $$$ matriks
kovarians tersirat model.Sebaliknya, d_G2 menggunakan perhitungan eigenvalue
yang dikoreksi berdasarkan $$$ S ^ {- 1/2} ΣS ^ {- 1/2} $$$ .
NFI kemudian didefinisikan sebagai 1 dikurangi nilai Chi² dari model yang diusulkan
dibagi dengan nilai-nilai Chi² dari model nol. Akibatnya, hasil NFI dalam nilai antara 0
dan 1. Semakin dekat NFI ke 1, semakin baik bugar. Nilai NFI di atas 0,9 biasanya
menunjukkan kecocokan yang dapat diterima. Lohmöller (1989) memberikan
informasi rinci tentang perhitungan model jalur PLS NFI.
NFI mewakili ukuran kesesuaian bertahap. Dengan demikian, kerugian besar adalah
bahwa ia tidak menghukum untuk kompleksitas model. Semakin banyak parameter
dalam model, semakin besar (yaitu, lebih baik) hasil NFI. Karena alasan inilah
ukuran ini tidak direkomendasikan, tetapi alternatif seperti indeks fit non-normed
(NNFI) atau Tucker-Lewis index, yang menghukum nilai-nilai Chi² dengan derajat
kebebasan (df). Lohmöller (1989) menyarankan untuk menghitung model jalur NNFI
dari PLS. Namun, NNFI belum diimplementasikan dalam SmartPLS, belum.
RMS_theta
RMS_theta adalah matriks residual kovarian residual kuadrat dari residu model luar
(Lohmöller, 1989). Ukuran pas ini hanya berguna untuk menilai model murni reflektif,
karena residu model luar untuk model pengukuran formatif tidak bermakna.
RMS_theta menilai sejauh mana residu model luar berkorelasi. Ukuran harus
mendekati nol untuk menunjukkan kecocokan model yang baik, karena akan
menyiratkan bahwa korelasi antara residu model luar sangat kecil (mendekati nol).
RMS_theta dibangun pada residual model luar, yang merupakan perbedaan antara
nilai indikator yang diprediksi dan nilai indikator yang diamati. Untuk memprediksi
nilai-nilai indikator itu perlu di PLS untuk memiliki skor variabel laten. Namun, PLSc
mengasumsikan faktor-faktor umum, yang tunduk pada ketidakpastian faktor dan,
dengan demikian, menentukan skor variabel laten tidak ada. Oleh karena itu,
meskipun perhitungan RMS_theta harus digunakan untuk menilai model faktor
umum yang dikomputasi oleh PLSc, ia hanya ada untuk model komposit yang
dihitung oleh PLS.
Nilai RMS_theta di bawah 0,12 menunjukkan model yang pas, sedangkan nilai yang
lebih tinggi menunjukkan kurangnya kesesuaian (Henseler et al., 2014).
Model jenuh adalah model yang kita asumsikan dalam versi sebelumnya. Ini menilai
korelasi antara semua konstruksi. Model yang diperkirakan adalah model yang
didasarkan pada skema efek total dan mempertimbangkan struktur model. Oleh
karena itu versi yang lebih terbatas dari ukuran fit. Composite Model Fit Measures
Catatan Perhatian
Meskipun SmartPLS memasukkan beberapa kriteria penilaian model fit, penting
untuk dicatat bahwa SmartPLS mungkin sering tidak berguna untuk PLS-SEM dan
harus digunakan dengan hati-hati (Hair et al. 2017). Selain itu, kriteria ini berada di
tahap awal penelitian mereka dan tidak sepenuhnya dipahami (misalnya, nilai
ambang kritis). Namun, beberapa peneliti mulai meminta indeks sesuai model baru
untuk PLS-SEM. Dengan demikian, SmartPLS memberi mereka meskipun kami
percaya bahwa ada lebih banyak penelitian yang diperlukan untuk menerapkannya
secara tepat.
Namun, ketika meniru model CB-SEM dengan pendekatan PLS (PLSc) yang
konsisten, seseorang juga meniru model faktor umum dengan pendekatan PLS-
SEM.Oleh karena itu, ketika menggunakan PLSc untuk model jalur yang hanya
mencakup konstruksi yang diukur secara reflektif (yaitu, model faktor umum), orang
mungkin tertarik pada model yang sesuai. Dengan demikian, secara lebih
komprehensif dimungkinkan untuk meniru CB-SEM melalui pendekatan PLSc atau
untuk membandingkan hasil dari dua pendekatan.
Selain itu, perhatikan catatan peringatan yang disajikan dalam Bab 6 buku tentang
PLS-SEM (Hair et al., 2017): “Sementara PLS-SEM awalnya dirancang untuk tujuan
prediksi, penelitian telah berusaha untuk memperluas kemampuannya untuk
pengujian teori. dengan mengembangkan model ukuran fit. Indeks fit model
memungkinkan menilai seberapa baik struktur model yang dihipotesiskan sesuai
dengan data empiris dan, dengan demikian, membantu mengidentifikasi model
mispesifikasi. […] Hasil simulasi awal menunjukkan bahwa tes SRMR, RMStheta,
dan tepat yang tepat mampu mengidentifikasi berbagai model mispesifikasi (Dijkstra
& Henseler, 2015a; Henseler et al., 2014). Pada saat ini, bagaimanapun, terlalu
sedikit yang diketahui tentang perilaku tindakan ini di berbagai data dan rasi bintang
model, sehingga penelitian lebih lanjut diperlukan. Selanjutnya, kriteria ini tidak
mudah diimplementasikan dalam perangkat lunak PLS-SEM standar.[…] Terlepas
dari perkembangan ini, itu adalah pertanyaan terbuka apakah fit diukur seperti yang
dijelaskan di atas menambahkan nilai apa pun untuk analisis PLS-SEM secara
umum. PLS-SEM berfokus pada prediksi daripada pemodelan penjelasan dan
karena itu memerlukan jenis validasi yang berbeda. Lebih tepatnya, validasi PLS-
SEM berkaitan dengan generalisasi, yang merupakan kemampuan untuk
memprediksi data sampel, atau, lebih disukai, data di luar sampel — lihat Shmueli
(2010) untuk detailnya. Terhadap latar belakang ini, para peneliti semakin
menyerukan pengembangan kriteria evaluasi yang lebih mendukung sifat yang
berorientasi pada prediksi PLS-SEM (misalnya, Rigdon, 2012, 2014a) dan untuk
emansipasi PLS-SEM dari saudara CB-SEM (Sarstedt, Ringle, Henseler, & Hair,
2014). Dalam konteks ini, cocok (sebagaimana diberlakukan oleh SRMS),
RMStheta, dan tes pas tepat menawarkan nilai yang kecil. Bahkan, penggunaannya
bahkan bisa berbahaya karena para peneliti mungkin tergoda untuk mengorbankan
kekuatan prediktif untuk mencapai “fit” yang lebih baik. […]. ”
Tautan
Referensi
Bentler, PM, & Bonett, DG (1980). Uji Signifikansi dan Goodness-of-Fit
dalam Analisis Struktur Kovarian , Buletin Psikologi , 88: 588-600.
Dijkstra, TK dan Henseler, J. (2015). Estimasi PLS konsisten dan asimtotik
untuk Persamaan Struktural Linear , Statistik Komputasi & Analisis Data ,
81 (1): 10-23.
Rambut, JF, Hollingsworth, CL, Randolph, AB, dan Chong, AY L
(2017). Penilaian yang Diperbarui dan Diperluas dari PLS-SEM dalam
Penelitian Sistem Informasi . Manajemen Industri & Sistem Data , 117 (3):
442-458.
Rambut, JF, Hult, GTM, Ringle, CM, dan Sarstedt, M. (2017). Sebuah Primer
pada Partial Least Squares Structural Equation Modeling (PLS-SEM) , 2 ^
nd ^ Ed., Sage: Thousand Oaks.
Henseler, J., Dijkstra, TK, Sarstedt, M., Ringle, CM, Diamantopoulos, A.,
Straub, DW, Ketchen, DJ, Rambut, JF, Hult, GTM, dan Calantone, RJ
2014. Keyakinan Umum dan Realitas tentang Partial Least Squares:
Komentar untuk Rönkkö & Evermann (2013) , Metode Penelitian
Organisasi , 17 (2): 182-209.
Hu, L.-t., dan Bentler, PM (1998). Indeks Fit dalam Pemodelan Struktur
Kovarian: Sensitivitas terhadap Mispesifikasi Model Miskin , Metode
Psikologis , 3 (4): 424-453.
Lohmöller, J.-B. (1989). Pemodelan Jalur Variabel Laten dengan Partial
Least Squares , Physica: Heidelberg.