Lihat diskusi, statistik, dan profil penulis untuk publikasi ini di: https://www.researchgate.

net/publication/258046807

Partial Least Squares Structural Equation Modeling (PLS-SEM): Sebuah Muncul Alat untuk
Bisnis Penelitian

Artikel    di    Eropa Ulasan Bisnis · Februari 2014

DOI: 10,1108 / EBR-10-2013-0128

CITATIONS Dibaca

1.042 14.220

4 penulis . termasuk:

Volker Kuppelwieser

Otto-von-Guericke-Universität Magdeburg NEOMA Business School

164 PUBLIKASI     23.750 CITATIONS     47 PUBLIKASI     1.282 CITATIONS    

SEE PROFIL SEE PROFIL

Beberapa penulis publikasi ini juga bekerja pada proyek-proyek terkait:

Penelitian pasar dengan Stata Lihat proyek

Internasionalisasi: tren dan mode Lihat proyek Marko Sarstedt

Semua konten berikut halaman ini diunggah oleh Marko Sarstedt pada tanggal 10 September tahun 2014.

Pengguna telah meminta tambahan dari file yang didownload.

 Isu dan teks penuh saat arsip jurnal ini tersedia di
www.emeraldinsight.com/0955-534X.htm

EBR
26,2
Kuadrat terkecil parsial persamaan
struktural modeling (PLS-SEM)
Sebuah alat yang muncul dalam penelitian bisnis
106
Joe F. Jr Rambut
Departemen Sales Marketing & profesional, Kennesaw State University,
Kennesaw, Georgia, Amerika Serikat

Marko Sarstedt
Otto-von-Guericke-Universitas Magdeburg, Magdeburg, Jerman dan
University of Newcastle, Newcastle, Australia

Lucas Hopkins
Tengah Georgia State College, Macon, Georgia, Amerika Serikat, dan

Volker G. Kuppelwieser
NEOMA Business School, Mont-Saint-Aignan, Prancis

Tujuan Abstrak - Para penulis bertujuan untuk hadir kuadrat terkecil parsial (PLS) sebagai pendekatan berkembang untuk pemodelan
persamaan struktural (SEM), menyoroti kelebihan dan keterbatasan dan memberikan gambaran tentang penelitian terbaru pada metode
di berbagai medan.

Desain / metodologi / pendekatan - Dalam review artikel ini, penulis menggabungkan literatur dari pemasaran, ladang sistem
manajemen, dan informasi manajemen fi untuk menyajikan state-of-the art penelitian PLS-SEM. Selanjutnya penulis
meta-analisis studi tinjauan baru-baru untuk menjelaskan alasan populer untuk penggunaan PLS-SEM.

temuan - PLS-SEMhas mengalami peningkatan penyebaran ina berbagai medan dalam data yearswith tidak normal baru-baru ini, ukuran
sampel yang kecil dan penggunaan indikator formatif menjadi alasan yang paling menonjol untuk penerapannya. Penelitian metodologis
baru-baru ini telah memperpanjang toolbox metodologis PLS-SEM untuk mengakomodasi struktur Model atau kekurangan menangani data yang
lebih kompleks seperti heterogenitas.

keterbatasan penelitian / implikasi - Sementara penelitian tentang metode PLS-SEM telah mendapatkan momentum selama
dekade terakhir, ada peluang penelitian yang cukup pada mata pelajaran seperti mediasi atau analisis Multigroup, yang menjamin
perhatian lebih lanjut.
Orisinalitas / nilai - Artikel ini memberikan pengenalan PLS-SEM bagi para peneliti yang belum terkena metode. Artikel ini
adalah yang pertama untuk meta-analisis alasan untuk penggunaan PLS-SEM di pemasaran, manajemen, dan informasi
manajemen medan sistem fi. Review lintas disiplin penelitian terbaru pada metode PLS-SEM juga membuat artikel ini
bermanfaat bagi para peneliti yang tertarik pada konsep maju.

Kata kunci pemodelan persamaan struktural, kuadrat Partial, PLS-SEM

Jenis kertas Tinjauan umum

Eropa Business Review Vol. 26 No 2,
2014 pp. 106-121
q Emerald Grup Penerbitan Terbatas 0955-534X
DOI 10,1108 / EBR-10-2013-0128
pengantar
Popularitas pemodelan persamaan struktural (SEM) telah berkembang dari kebutuhan untuk menguji teori dan
konsep (Rigdon, 1998) lengkap. Banyak keberhasilan SEM ini dapat dikaitkan dengan kemampuan metode
untuk mengevaluasi pengukuran variabel laten, sementara juga menguji hubungan antara variabel laten (Babin et
al., 2008). Meskipun awal
penerapan metode ini menganut pendekatan berbasis kovarians (CB-SEM), peneliti juga memiliki pilihan PLS-SEM: alat
untuk memilih berbasis varians kuadrat terkecil parsial teknik (PLS-SEM).
muncul
Awalnya dikembangkan oleh Wold (1974, 1980, 1982), PLS adalah teknik SEM berdasarkan pendekatan
iteratif yang memaksimalkan menjelaskan varians dari konstruk endogen (Fornell dan Bookstein, 1982). Tidak
seperti CB-SEM, yang bertujuan untuk teori rm con fi dengan menentukan seberapa baik model dapat
memperkirakan matriks kovarians untuk data sampel, PLS-SEM beroperasi seperti analisis regresi berganda 107
(Rambut et al., 2011). Karakteristik ini membuat PLS-SEM sangat berharga untuk tujuan penelitian eksplorasi:

PLS terutama ditujukan untuk konteks penelitian yang bersamaan data yang kaya dan teori-skeletal. Bangunan model
maka proses evolusi, dialog antara penyidik ​dan komputer. Dalam proses ini, model ekstrak pengetahuan segar dari
data, sehingga menempatkan fl esh pada tulang teoritis. Pada konten setiap langkah PLS sisanya dengan konsistensi
yang tidak diketahui (Lohmo¨ller dan Wold, 1980, p. 1).

Sementara CB-SEM adalah metode yang lebih populer, PLS-SEMhas baru-baru ini menerima banyak perhatian dalam
berbagai disiplin ilmu termasuk pemasaran (Rambut et al., 2012b), manajemen strategis (Rambut et al., 2012a), sistem
informasi manajemen (Ringle et al., 2012), manajemen operasi (Peng dan Lai, 2012), dan akuntansi (Lee et al., 2011).
Sebagian besar peningkatan penggunaan PLS-SEM dapat dikreditkan dengan kemampuan metode untuk menangani
masalah pemodelan bermasalah yang secara rutin terjadi dalam ilmu-ilmu sosial seperti karakteristik yang tidak biasa data
(misalnya data yang tidak normal) dan model yang sangat kompleks.

Mengingat popularitas dan diharapkan terus pertumbuhan PLS-SEM, makalah ini bertujuan untuk membahas keadaan saat
PLS-SEM oleh pertama memberikan gambaran umum tentang penelitian masa lalu yang telah dirangkum penggunaan PLS-SEM.
Berikutnya, kami akan menjelaskan proses dan langkah-langkah yang digunakan untuk menguji model menggunakan PLS-SEM.
Akhirnya, kertas kami menyimpulkan dengan mengeksplorasi banyak topik-topik lanjutan terkait dengan metode ini.

tinjauan penelitian sebelumnya PLS-SEM

Argumen untuk PLS-SEM sebagai metodologi yang layak adalah mendapatkan penerimaan di seluruh
banyak disiplin ilmu bisnis. Beberapa sarjana telah menerbitkan studi meringkas penggunaan PLS-SEM
dalam medan masing-masing. Studi meringkas penerapan PLS-SEM, termasuk tahun publikasi, berbagai
tahun tertutup oleh review, jumlah artikel dianalisis, dan kation fi membenarkan diberikan untuk
menggunakan PLS-SEM. Artikel juga melaporkan atas tiga alasan yang diberikan untuk menerapkan
PLS-SEM, yang termasuk distribusi data, ukuran sampel, dan penggunaan indikator formatif. Tabel I
merangkum informasi yang dilaporkan dalam artikel ini.

Secara keseluruhan temuan menunjukkan peningkatan yang substansial dalam penggunaan PLS-SEM dalam beberapa
tahun terakhir. Tiga dari penelitian dieksplorasi tren pertumbuhan dengan melakukan analisis time-series menggunakan
sejumlah studi PLS-SEM. Rambut et al. ( 2012b) dan Ringle et al. ( 2012) menemukan bahwa penggunaan PLS-SEM dalam
pemasaran dan manajemen sistem informasi fi medan telah dipercepat dari waktu ke waktu. Dalam strategis manajemen
lapangan, penggunaan PLS-SEM telah berkembang secara linear sebagai fungsi waktu (Hair et al., 2012a).

Ketika menggunakan PLS-SEM

PLS-SEM menyediakan banyak keuntungan untuk para peneliti yang bekerja dengan model persamaan struktural.
Mengingat popularitas CB-SEM, penggunaan PLS-SEM sering membutuhkan
EBR
Sejumlah Top tiga alasan untuk penggunaan PLS-SEM Sebuah
26,2 Jangka waktu penelitian

Pemasaran Rambut et al. 1981-2010 204 Data tidak normal: 50 persen ukuran
(2012b) sampel kecil: indikator formatif 46
persen: 33 persen
108 manajemen Rambut et al. 1981-2010 37 Data tidak normal: 59 persen ukuran
strategis (2012a) sampel kecil: indikator formatif 46
persen: 27 persen
Sistem Ringle et al. 1992-2011 65 ukuran sampel yang kecil: 37 persen data
Informasi (2012) yang tidak normal: indikator formatif 34
Manajemen persen: 31 persen
Produksi dan Peng dan Lai 2000-2011 42 ukuran sampel yang kecil: 33 persen
manajemen operasi (2012) indikator formatif: Data tidak normal 19
persen: 14 persen
Akuntansi Lee et al. ( 2011) 2005-2011 20 tidak dianalisis
Tabel I.
tinjauan studi PLS-SEM dari Catatan: Sebuah Persen dari penelitian memberikan alasan yang sesuai; tidak semua artikel yang disediakan kation fi membenarkan dan beberapa artikel
disiplin bisnis ukuran
disediakansampel
beberapayang
alasanlebih kecil, bahkan ketika model Bisnis disiplin Penulis

diskusi tambahan untuk menjelaskan alasan di balik keputusan (Chin, 2010). Sebagai meta-analisis kami dari tinjauan
studi PLS-SEM telah menunjukkan, kation fi membenarkan paling menonjol untuk menggunakan PLS-SEM dikaitkan
dengan:
.
Data tidak normal;
.
ukuran sampel yang kecil; dan

.
konstruk formatif diukur (Tabel I).

Konsep-konsep ini dibahas di bawah ini.

(1) Data tidak normal

Data yang dikumpulkan untuk penelitian ilmu sosial sering gagal mengikuti distribusi normal multivariat. Ketika
kekuatan
mencoba statistik (Shah dan Goldstein,
untuk mengevaluasi 2006).
model jalan Namun, berbeda
menggunakan dari CB-SEM,
CB-SEM, data yangPLS-SEM dapat
tidak normal dimanfaatkan
dapat menyebabkandengan
diremehkan kesalahan standar dan di fl diciptakan kebaikan-of-tindakan fi t (Lei dan Lomax, 2005). Untungnya,
PLS-SEM kurang ketat ketika bekerja dengan data tidak normal karena PLS algoritma transformasi tidak normal
data sesuai dengan teorema limit pusat (Beebe et al., 1998; Cassel et al., 1999). Namun, peringatan untuk PLS-SEM
menyediakan akhir-semua solusi untuk model menggunakan data tidak normal ada dua. Pertama, peneliti harus
menyadari bahwa data yang sangat miring dapat mengurangi kekuatan statistik analisis. Lebih tepatnya, evaluasi
cances fi signifikan parameter model bergantung pada kesalahan standar frombootstrapping, whichmight berada di
fl ated ketika data yang sangat miring (Rambut et al., 2014). Kedua, karena CB-SEM memiliki berbagai prosedur
estimasi alternatif, mungkin bermasalah untuk menganggap bahwa PLS-SEM adalah pilihan otomatis ketika
mempertimbangkan distribusi data (Hair et al., 2012b).

ukuran sampel (2) Kecil

ukuran sampel dapat mempengaruhi beberapa aspek dari SEM termasuk estimasi parameter, model yang fi t, dan
sangat kompleks. Dalam situasi ini, PLS-SEM umumnya mencapai tingkat yang lebih tinggi dari kekuatan statistik dan PLS-SEM: alat
menunjukkan perilaku konvergensi jauh lebih baik daripada CB-SEM (Henseler, 2010; Reinartz et al., 2009). Sebuah
muncul
negara heuristik populer bahwa ukuran sampel minimum untuk model PLS harus sama dengan yang lebih besar dari
yang berikut:
.
sepuluh kali jumlah terbesar dari indikator formatif digunakan untuk mengukur satu konstruk; atau

.
sepuluh kali jumlah terbesar model dalam jalur diarahkan pada suatu konstruksi tertentu dalam model
109
dalam (Barclay et al., 1995).

Namun, peneliti harus mendekati pedoman ini dengan hati-hati, karena

kesalahpahaman telah menyebabkan sikap skeptis tentang penggunaan umum PLS-SEM (Rambut et al., 2014). Seperti
halnya teknik analisis data model berbasis lainnya, para peneliti harus mempertimbangkan ukuran sampel yang
berkaitan dengan kompleksitas Model dan data karakteristik (Rambut et al., 2011). Sebagai contoh, sementara aturan
praktis diajukan oleh Barclay et al. ( 1995) memberikan perkiraan kasar dari ukuran sampel minimum, gagal untuk
memperhitungkan efek ukuran, kehandalan, sejumlah indikator, atau faktor lain yang diketahui mempengaruhi daya
(Henseler et al., 2009).

(3) indikator formatif

Perbedaan pusat antara reflektif dan konstruksi formatif adalah bahwa langkah-langkah formatif merupakan
contoh di mana indikator penyebab construct (yaitu panah menunjuk dari indikator untuk konstruk), sedangkan
re fl indikator efektif disebabkan oleh construct (yaitu panah menunjuk dari konstruk dengan indikator).
Sementara kedua, PLS-SEM dan CB-SEM dapat memperkirakan model menggunakan indikator formatif,
PLS-SEM telah menerima dukungan yang besar sebagai metode yang direkomendasikan (Rambut et al., 2014).
Karena menganalisis indikator formatif dengan CB-SEM sering menyebabkan masalah pengidentifikasian
(Jarvis et al., 2003), tidak jarang bagi para peneliti percaya bahwa PLS-SEM adalah pilihan unggul. Namun,
indikator formatif harus didekati dengan hati-hati ketika menggunakan PLS-SEM. Peneliti harus menyadari
bahwa evaluasi konstruksi formatif diukur bergantung pada satu set yang sama sekali berbeda dari kriteria
dibandingkan dengan ulang mereka fl rekan-rekan efektif. Rambut Sebelum PLS-SEM studi review ( et al., 2012a,
b) telah mengkritik ceroboh penanganan indikator formatif dan peneliti harus menerapkan set terbaru dari
kriteria evaluasi ketika memeriksa validitas konstruk formatif diukur (Rambut et al., 2014).

Cara menggunakan PLS-SEM

Ketika menerapkan PLS-SEM, peneliti harus mengikuti proses multi-tahap yang melibatkan fi kasi spesifik
dari model dalam dan luar, pengumpulan data dan pemeriksaan, model estimasi yang sebenarnya, dan
evaluasi hasil. Berikut ini, ini tinjauan pusat sekitar tiga yang paling menonjol langkah:

(1) Model tertentu fi kasi; (2) outer model

evaluasi; dan (3) dalam model evaluasi.

Rambut et al. ( 2014) memberikan pengenalan mendalam ke dalam setiap tahapan penggunaan PLS-SEM.
EBR (1) Model tertentu fi kasi
Model spesifik kasi penawaran panggung dengan set-up model dalam dan luar. Model batin, atau model
26,2
struktural, menampilkan hubungan antara konstruk sedang dievaluasi. Model luar, juga dikenal sebagai
model pengukuran, yang digunakan untuk mengevaluasi hubungan antara variabel indikator dan sesuai
membangun mereka.

110 The fi Langkah pertama dalam menggunakan PLS-SEM melibatkan menciptakan model jalan yang
menghubungkan variabel dan konstruk berdasarkan teori dan logika (Rambut et al., 2014). Dalam menciptakan
model jalan seperti yang ditunjukkan pada Gambar 1, adalah penting untuk membedakan lokasi konstruksi serta
hubungan antara mereka. Konstruksi dianggap baik eksogen atau endogen. Sedangkan konstruksi eksogen
bertindak sebagai variabel independen dan tidak memiliki panah yang menunjuk pada mereka (Y 1, Y 2, dan Y 3 pada
Gambar 1), konstruksi endogen yang dijelaskan oleh konstruksi lainnya (Y 4 dan Y 5 pada Gambar 1). Sementara
sering dianggap sebagai variablewithin tergantung hubungan, konstruksi endogen juga dapat bertindak sebagai
variabel independen ketika mereka ditempatkan di antara dua konstruk (Y 4 pada Gambar 1) .Ketika menyiapkan
themodel, peneliti perlu menyadari bahwa dalam bentuk dasarnya, PLS-SEMalgorithm hanya dapat menangani
model yang tidak memiliki hubungan melingkar antara konstruksi. Persyaratan ini akan dilanggar jika kita
membalikkan relationshipY 2! Y 5 inFigure 1. Dalam situasi ini, Y 2 akan memprediksi Y 4, Y 4 akan memprediksi Y 5, dan Y 5 akan
memprediksi Y 2 lagi, menghasilkan loop melingkar (yaitu Y 2! Y 4! Y 5! Y 2).

Setelah model dalam dirancang, peneliti harus menentukan model luar. Langkah ini membutuhkan peneliti
untuk membuat beberapa keputusan seperti apakah akan menggunakan multi-item atau single-item skala
(Diamantopoulos et al., 2012; Sarstedt dan Wilczynski,
2009) atau apakah untuk menentukan model luar dalam reflektif atau cara formatif (Diamantopoulos
andWinklhofer, 2001; Gudergan et al., 2008). Suara tertentu fi kasi

model luar dari konstruksi model luar

eksogen dari konstruksi endogen
dalam
Model

Item 1 (formatif)

Y1
Item 2 (formatif)
(Eksogen) Item 1 (reflektif)

Butir 3 (formatif) Y4
Item 2 (reflektif)
(Endogen)

Butir 3 (reflektif)
Item 1 (formatif)

Y2
Item 2 (formatif)
(Eksogen)
Item 1 (reflektif)
Butir 3 (formatif)
Y5
Item 2 (reflektif)
(Endogen)

Butir 3 (reflektif)
Item 1 (reflektif)

Y3
Item 2 (reflektif)
(Eksogen)
Gambar 1.
Sebuah model path sederhana Butir 3 (reflektif)
model luar sangat penting karena hubungan hipotesis dalam model batin hanya sebagai valid dan reliabel PLS-SEM: alat
sebagai model luar. Dalam Gambar 1, Y 1 dan Y 2 diukur secara formatif, sementara semua konstruksi lainnya
muncul
memiliki reflektif pengukuran tertentu fi kasi. Dalam ilustrasi sederhana ini, semua konstruksi memiliki jumlah
yang sama item. Namun, dalam penelitian terapan, jumlah item per konstruk dapat jauh lebih tinggi, terutama
ketika langkah-langkah formatif yang terlibat, karena ini - dengan definisi - kebutuhan untuk menangkap
seluruh domain konstruk (Diamantopoulos dan Winklhofer, 2001; Diamantopoulos et al., 2008).
111

(2) Outer model evaluasi

Setelah model dalam dan luar telah dispesifikasikan, langkah selanjutnya adalah menjalankan algoritma
(untuk keterangan SEM PLS-, lihat Henseler et al., 2012) dan, berdasarkan hasil, mengevaluasi keandalan
dan validitas dari langkah-langkah membangun dalam model luar. Dengan memulai dengan penilaian dari
model luar, peneliti dapat percaya bahwa konstruksi, yang membentuk dasar untuk penilaian hubungan
model yang dalam, secara akurat diukur dan mewakili. Ketika mengevaluasi model luar, peneliti harus
membedakan antara re fl ectively dan formativelymeasured konstruksi (Ringle et al.,

2011; Sarstedt dan Schloderer, 2010). Dua pendekatan pengukuran didasarkan pada konsep yang berbeda dan
karenanya memerlukan pertimbangan langkah-langkah evaluatif yang berbeda.

Indikator (3) Re reflektif

indikator reflektif merupakan satu set mewakili semua item mungkin dalam domain konseptual dari konstruk
(Diamantopoulos dan Winklhofer, 2001). Akibatnya, kembali item reflektif yang dipertukarkan, sangat
berkorelasi dan mampu menjadi dihilangkan tanpa mengubah arti dari konstruk. indikator reflektif terkait
dengan membangun melalui pembebanan, yang merupakan korelasi bivariat antara indikator dan konstruk.

Ketika menilai reflektif model luar, peneliti harus memverifikasi kedua reliabilitas dan validitas. Langkah
pertama adalah menggunakan reliabilitas komposit untuk mengevaluasi reliabilitas konsistensi internal
langkah-langkah membangun. Sementara tradisional dinilai menggunakan Cronbach Sebuah ( Cronbach dan
Meehl, 1955), reliabilitas komposit memberikan ukuran yang lebih tepat reliabilitas konsistensi internal untuk
setidaknya dua alasan. Pertama, tidak seperti Cronbach Sebuah, reliabilitas komposit tidak berasumsi bahwa
semua beban indikator adalah sama dalam populasi, yang sejalan dengan prinsip kerja dari algoritma PLS-SEM
yang mengutamakan indikator berdasarkan reliabilitas masing-masing selama estimasi model. Kedua, Cronbach Sebuah
juga sensitif terhadap jumlah item dalam skala dan umumnya cenderung meremehkan reliabilitas konsistensi
internal. Dengan menggunakan reliabilitas komposit, PLS-SEM mampu menampung reliabilitas indikator yang
berbeda (perbedaan yaitu dalam beban indikator), sementara juga menghindari meremehkan terkait dengan
Cronbach Sebuah.

Langkah kedua dalam mengevaluasi ulang indikator reflektif adalah penilaian validitas. Validitas diperiksa
dengan mencatat validitas konvergen konstruk dan validitas diskriminan. Dukungan diberikan untuk validitas
konvergen ketika masing-masing item memiliki beban luar di atas 0,70 dan ketika varians rata-rata setiap
konstruk ini diekstraksi (AVE) adalah
0,50 atau lebih tinggi. AVE adalah nilai rata-rata grand beban kuadrat seperangkat indikator (Hair et al., 2014) dan
setara dengan komunalitas suatu konstruksi. Menempatkan ringkas, sebuah AVE 0,50 menunjukkan bahwa
konstruk menjelaskan lebih dari setengah dari
EBR varians dari indikator-nya. validitas diskriminan merupakan sejauh mana konstruk secara empiris berbeda
dari konstruksi lain atau, dengan kata lain, langkah-langkah membangun apa yang dimaksudkan untuk
26,2
mengukur. Salah satu metode untuk menilai keberadaan validitas diskriminan adalah Fornell dan Larcker
(1981) kriteria. Metode ini menyatakan bahwa saham konstruk lebih berbeda dengan indikator dibandingkan
dengan membangun lainnya. Untuk menguji persyaratan ini, AVE setiap konstruk harus lebih tinggi dari
korelasi kuadrat tertinggi dengan membangun lainnya. Pilihan kedua untuk memverifikasi validitas
112 diskriminan memeriksa beban salib indikator. Metode ini, sering dianggap lebih liberal (Henseler et al., 2009),
mensyaratkan bahwa beban masing-masing indikator pada konstruk yang lebih tinggi dari beban salib di
konstruksi lainnya.

indikator formatif. Sebagaimana ditunjukkan sebelumnya, prinsip-prinsip yang mendasari pengukuran formatif
secara fundamental berbeda dari reflektif jenis. Meskipun kemampuan PLS-SEM untuk model uji menggunakan
indikator formatif telah menarik perhatian di seluruh disiplin ilmu, banyak peneliti menerapkan metode pengabaian
yang spesifik langkah-langkah yang perlu diikuti ketika mengevaluasi model luar formatif (Rambut et al., 2012a, b).

Pertama dan terpenting, kebutuhan peneliti untuk menilai validitas isi dari langkah-langkah membangun
menggunakan penilaian ahli. Konten validitas mengevaluasi sejauh mana indikator menangkap aspek utama
dari konstruk. Sederhananya, jika item penting dihilangkan, sifat dari konstruk dapat diubah
(Diamantopoulos et al., 2008). Evaluasi empiris model luar formatif membutuhkan menilai validitas konvergen,
atau sejauh mana suatu ukuran berkaitan dengan langkah-langkah lain dari fenomena yang sama (Rambut et
al., 2014). Penilaian ini dilakukan dengan cara analisis redundansi di mana setiap konstruk formatif diukur
berkorelasi dengan re alternatif reflektif atau pengukuran single-item dari konstruk yang sama. Penting untuk
dicatat bahwa analisis redundansi memerlukan pengumpulan data tentang langkah-langkah alternatif pada
saat yang sama dengan langkah-langkah membangun asli.

Selanjutnya, luar indikator model yang pada masing-masing konstruk harus diuji untuk collinearity. Seperti
regresi berganda (Mooi dan Sarstedt, 2011), collinearity tinggi antara dua atau lebih formatif indikator serius
dapat bias hasil. Lebih tepatnya, bobot yang menghubungkan indikator formatif dengan konstruksi (yang
mewakili kontribusi masing-masing indikator untuk membangun, mengendalikan untuk di memengaruhi semua
indikator lain dari konstruk yang sama) bisa dibalik dan mereka signifikansi diremehkan sebagai akibat dari
peningkatan standar error .

Akhirnya, para peneliti harus mengevaluasi signifikansi dan relevansi dari masing-masing indikator
formatif. Sejak PLS-SEM tidak menganggap distribusi normal, peneliti harus menerapkan rutin bootstrap
untuk menentukan tingkat signifikansi dari masing-masing berat indikator. Bootstrap adalah teknik resampling
yang menarik sejumlah besar Subsamples dari data asli (dengan penggantian) dan model perkiraan untuk
masing-masing sub sampel. Dengan cara ini, peneliti memperoleh sejumlah besar (biasanya 5.000 atau
lebih) dari perkiraan model, yang dapat digunakan untuk menghitung kesalahan standar masing-masing
parameter model yang. Menggambar pada kesalahan standar, fi signifikansi dari masing-masing parameter
dapat ditentukan, menggunakan t nilai-nilai. Penilaian relevansi indikator melibatkan membandingkan bobot
indikator untuk menentukan kontribusi relatif mereka untuk membentuk konstruk (Rambut et al., 2014). Dalam
spesifik contoh (yaitu ketika berat indikator tidak signifikan), peneliti juga perlu mengevaluasi bivariat korelasi
(loading) antara (nonsigni fi kan) indikator dan konstruk untuk memutuskan apakah untuk mengecualikan
indikator dari model luar (Rambut et al., 2014).
Namun, menghilangkan indikator formatif dari model umumnya harus pengecualian, seperti teori pengukuran PLS-SEM: alat
formatif mensyaratkan bahwa tindakan sepenuhnya menangkap seluruh domain suatu konstruksi. Singkatnya,
muncul
menghilangkan indikator setara dengan menghilangkan bagian dari konstruk.

model evaluasi batin. Setelah keandalan dan validitas model luar didirikan, beberapa langkah perlu
diambil untuk mengevaluasi hubungan hipotesis dalam model batin. Aspek PLS-SEM berbeda dari CB-SEM
dalam model menggunakan data sampel untuk mendapatkan parameter yang terbaik memprediksi 113
konstruksi endogen, sebagai lawan memperkirakan parameter yang meminimalkan perbedaan antara
diamati matriks sampel kovarians dan matriks kovarians diperkirakan oleh model. Akibatnya, PLS-SEM tidak
memiliki kebaikan-of-standar fi t statistik dan upaya sebelum membangun statistik yang sesuai telah terbukti
sangat bermasalah (Henseler dan Sarstedt, 2013). Sebaliknya, penilaian kualitas model didasarkan pada
kemampuannya untuk memprediksi konstruksi endogen. Kriteria berikut memfasilitasi penilaian ini: R 2), lintas-divalidasi
redundansi ( Q 2), path koefisien koefisien fi, dan ukuran efek ( f 2). Sebelum penilaian ini, peneliti perlu untuk
menguji model batin untuk masalah collinearity potensial. Sebagai perkiraan Model dalam hasil dari set
analisis regresi, nilai-nilai mereka dan cances fi signifikan dapat dikenakan bias jika konstruksi sangat
berkorelasi (untuk diskusi dan demonstrasi, lihat rambut et al., 2014). Sedangkan kriteria Fornell-Larcker
biasanya mengungkapkan masalah collinearity dalam model inner sebelumnya dalam proses evaluasi model
ini tidak terjadi ketika konstruk formatif diukur terlibat. Alasannya adalah bahwa AVE - yang merupakan
dasar untuk penilaian Fornell-Larcker - bukan merupakan ukuran yang berarti bagi indikator formatif. Oleh
karena itu, penilaian collinearity dalam model batin adalah dari penting penting ketika model meliputi
konstruksi formatif diukur.

Koefisien determinasi (R 2). Itu R 2 adalah ukuran dari akurasi prediksi model. Anotherway ke tampilan R 2 adalah
bahwa hal itu merupakan efek gabungan variabel eksogen pada variabel endogen (s). Efek ini berkisar dari 0
sampai 1 dengan 1 mewakili akurasi prediksi lengkap. Karena R 2 dianut oleh berbagai disiplin ilmu, sarjana
harus bergantung pada aturan “kasar” dari ibu jari mengenai sebuah diterima R 2, dengan 0,75, 0,50,

0,25, masing-masing, menggambarkan substansial, sedang, atau tingkat lemah akurasi prediksi (Rambut et al., 2011;
Henseler et al., 2009). Meskipun R 2 adalah alat yang berharga dalam menilai kualitas model PLS, terlalu banyak
ketergantungan pada R 2 dapat membuktikan bermasalah. Secara khusus, jika peneliti mencoba membandingkan model
dengan kation spesifik yang berbeda dari konstruk endogen yang sama, ketergantungan hanya pada R 2 dapat
mengakibatkan peneliti memilih model fi sien kurang ef. Sebagai contoh, R 2 akan meningkat bahkan jika fi kan nonsigni
namun sedikit berkorelasi membangun ditambahkan ke model. Akibatnya, jika hanya tujuan peneliti adalah untuk
meningkatkan R 2, peneliti akan manfaat dari menambahkan konstruk eksogen tambahan bahkan jika hubungan tidak
bermakna. Sebaliknya, keputusan untuk model harus didasarkan pada disesuaikan R 2, yang menghukum meningkatnya
kompleksitas Model dengan mengurangi (disesuaikan) R 2 ketika konstruksi tambahan ditambahkan ke model.

Cross-divalidasi redundansi (Q 2). Itu Q 2 merupakan sarana untuk menilai relevansi prediksi model dalam ini.
mengukur dibangun pada teknik penggunaan ulang sampel, yang menghilangkan bagian dari matriks data,
memperkirakan parameter model dan memprediksi bagian dihilangkan dengan menggunakan perkiraan. Semakin
kecil perbedaan antara nilai prediksi dan asli besar yang Q 2 dan dengan demikian model akurasi prediksi. Secara
khusus, sebuah Q 2 nilai yang lebih besar dari nol untuk membangun endogen tertentu menunjukkan model jalan ini
EBR relevansi prediktif untuk membangun tertentu. Ini harus, bagaimanapun, perlu dicatat bahwa sementara
membandingkan Q 2 nilai nol merupakan indikasi dari apakah konstruk endogen dapat diprediksi, tidak
26,2
mengatakan apa-apa tentang kualitas prediksi (Rigdon 2014; Sarstedt et al., 2014).

Jalan koefisien koefisien. Setelah menjalankan model PLS, perkiraan disediakan untuk koefisien fi jalan koe, yang
mewakili hubungan hipotesis yang menghubungkan konstruksi. Jalur nilai koefisien dibakukan pada rentang dari 2 1
114 untuk þ 1, dengan fi koefisien koefisien lebih dekat dengan þ 1 mewakili hubungan positif yang kuat dan koefisien
koefisien lebih dekat dengan 2 1 menunjukkan hubungan negatif yang kuat. Meskipun nilai-nilai dekat dengan þ 1 atau 2
1 hampir selalu statistik signifikan, kesalahan standar harus diperoleh dengan menggunakan bootstrap untuk tes
untuk signifikansi (Helm et al., 2009). Setelah memverifikasi apakah hubungan yang signifikan, peneliti harus
mempertimbangkan relevansi hubungan yang signifikan. Singkatnya, adalah ukuran dari koefisien koefisien struktural
bermakna? Seperti yang dinyatakan oleh rambut et al. ( 2014), banyak penelitian mengabaikan langkah ini dan hanya
bergantung pada fi signifikansi efek. Jika langkah penting ini dihilangkan, peneliti dapat fokus pada hubungan itu,
meskipun signifikan, mungkin terlalu kecil untuk mendapat perhatian manajerial.

efek ukuran (f 2). Efek ukuran untuk setiap model path dapat ditentukan dengan menghitung Cohen f 2. Itu f 2 dihitung
dengan mencatat perubahan R 2 ketika spesifik konstruk dieliminasi dari model. Untuk menghitung f 2, peneliti
harus memperkirakan dua model jalan PLS. Model fi jalan pertama harus menjadi model penuh sebagai spesifik
ed oleh hipotesis, yang menghasilkan R 2 dari model penuh (yaitu R 2

termasuk). Model kedua harus

identik kecuali bahwa konstruk eksogen yang dipilih dieliminasi dari model, yang menghasilkan R 2 dari model
berkurang (yaitu R 2
dikecualikan). Berdasarkan f 2 nilai, ukuran efek
dari konstruk dihilangkan untuk membangun endogen tertentu dapat ditentukan sehingga 0,02, 0,15, dan 0,35
mewakili kecil, menengah, dan efek yang besar, masing-masing, (Cohen, 1988). Artinya, jika suatu konstruk
eksogen sangat memberikan kontribusi untuk menjelaskan konstruk endogen, perbedaan antara R 2

termasuk dan R 2 dikecualikan akan tinggi, yang mengarah

ke tinggi a f 2 nilai. Ukuran efek dapat dihitung dengan menggunakan rumus di bawah ini:

termasuk 2 R2 dikecualikan
f 2¼ R2
1 2 R2 termasuk

topik lanjutan
Aplikasi berkembang PLS-SEM disertai dengan berbagai penelitian metodologis yang memanjang toolbox
metode ini. Beberapa ekstensi ini berurusan dengan pendekatan untuk memungkinkan peneliti menentukan
lebih kompleks Model set-up. Dalam bentuk yang paling sederhana, model jalur PLS menganggap hubungan
langsung antara (set) konstruksi. Namun, yang lebih kompleks Model set-up yang mudah dibayangkan
seperti estimasi moderat efek, efek, atau model komponen hirarkis mediasi.

Selain itu, kemajuan metodologis menangani masalah struktur data yang heterogen, yang mengancam
keabsahan hasil. Satu aliran dari penelitian di fi ini berkaitan dengan teknik analisis Multigroup lapangan untuk
menilai apakah parameter (biasanya jalur koefisien koefisien) berbeda secara signifikan di dua atau lebih
kelompok data. Sebuah penawaran aliran kedua dengan pengobatan heterogenitas yang tidak teramati (yaitu
heterogenitas yang tidak dapat dikaitkan dengan variabel diamati tunggal seperti variabel demografis) dengan
teknik kelas laten. Berikut ini, kami memberikan penjelasan singkat tentang topik baru-baru dibahas.
moderasi PLS-SEM: alat
Moderasi terjadi ketika efek dari konstruk eksogen pada konstruk endogen tergantung pada nilai-nilai variabel
muncul
lain, yang pengaruh-pengaruh (yaitu moderat) hubungan. Misalnya, dalam analisis mereka tentang hubungan
antara kemampuan dinamis dan kinerja organisasi, Wilden et al. ( 2013) menunjukkan bahwa efek kinerja
bergantung pada intensitas kompetitif yang dihadapi oleh perusahaan-perusahaan serta struktur organisasi
perusahaan. Penelitian telah dibawa ke depan beberapa pendekatan untuk memperkirakan efek moderasi
dalam PLS-SEM, yang Henseler dan Fassott (2010) dan Rigdon et al. ( 2010) ulasan. Henseler dan Chin 115
(2010) mengevaluasi pendekatan yang berbeda untuk moderasi di PLS-SEM dalam hal penerapan mereka
untuk merefleksikan dan langkah-langkah formatif, kekuatan statistik atau daya prediksi.

Mediasi
Mediasi merupakan situasi di mana variabel mediator sampai batas tertentu menyerap efek dari eksogen pada
konstruk endogen dalam model jalur PLS. Sebagai contoh, dalam penelitian mereka pada kinerja tim
konsultasi, Klarner et al. ( 2013) menunjukkan bahwa hubungan antara kompetensi tim konsultasi dan kinerja
mereka secara berurutan dimediasi oleh komunikasi klien dan tim adaptasi. Dengan demikian, analisis mereka
- lawan evaluasi sederhana efek langsung - memberikan gambaran yang lebih tepat kinerja tim manajemen
konsultasi. Beberapa penulis telah mengkritik mengabaikan jauh jangkauannya secara eksplisit meneliti efek
mediasi dalam model jalur PLS, yang dapat dengan mudah menyebabkan kesimpulan yang salah ketika
menafsirkan perkiraan Model (rambut et al.,

2013, 2012a, b). Alasan potensial untuk mengabaikan ini mungkin bahwa masih ada beberapa ambiguitas tentang
bagaimana untuk mengevaluasi efek mediasi di PLS-SEM. Rambut et al. ( 2014) memberikan ilustrasi awal tentang
bagaimana menganalisis efek mediasi tetapi penelitian lebih lanjut diperlukan untuk memberikan bimbingan mengenai
evaluasi efek yang lebih kompleks seperti moderasi dimediasi atau mediasi dimoderasi.

komponen model hirarkis

Dalam beberapa kasus, konstruksi peneliti ingin meneliti yang cukup kompleks dan juga dapat dioperasionalkan pada
tingkat abstraksi yang lebih tinggi. Sebagai contoh, dalam penelitian mereka pada manajemen konsultasi kinerja tim,
Klarner et al. ( 2013) konsep tugas kompetensi sebagai konstruksi dua dimensi dengan dimensi yang berkaitan dengan
tim generik dan spesifik kompetensi. Artinya, bukan pemodelan dua jenis kompetensi tersebut pada lapisan konstruk
tunggal, penulis meringkas mereka sebagai dua komponen-order lebih rendah terkait dengan multidimensi tingkat tinggi
konstruk tunggal. Pendekatan pemodelan ini mengarah ke penghematan lebih teoritis, mengurangi kompleksitas model
yang dan dapat mencegah efek pengganggu dalam struktur model multidimensi, seperti multikolinearitas (Kuppelwieser
dan Sarstedt, 2014; Ringle et al., 2012). Secara teoritis, proses canbe ini diperluas ke anynumber dari beberapa lapisan,
namun para peneliti biasanya membatasi pendekatan pemodelan mereka untuk dua lapisan. Wilson dan Henseler
(2007) serta Becker et al. ( 2012) memberikan review dan evaluasi pendekatan yang berbeda untuk pemodelan
konstruksi tingkat tinggi menggunakan PLS-SEM. Rambut et al.

(2014) menawarkan tutorial tentang cara set-up dan mengevaluasi komponen model hirarkis.

analisis Multigroup
Analisis Multigroup adalah jenis analisis moderator dimana variabel moderator adalah kategoris (biasanya
dengan dua kategori) dan diasumsikan berpotensi mempengaruhi semua
EBR hubungan dalam model batin. Misalnya, menggunakan analisis Multigroup, Elbanna et al.
(2013) menunjukkan bahwa peran intuisi dalam strategis pengambilan keputusan berbeda secara signifikan dalam
26,2
situasi penerbangan vs permusuhan lingkungan yang tinggi. Penelitian telah dibawa ke depan beberapa analisis
Multigroup pendekatan yang membangun pada sampel independen standar t test (Keil et al., 2000), prosedur permutasi
(Chin, 2003; Chin dan Dibbern,
2010), atau bootstrap con interval kepercayaan diri (Sarstedt et al., 2011a, b). Sarstedt et al. ( 2011a,
116 b) meninjau pendekatan yang berbeda dan mengusulkan tes omnibus perbedaan antara lebih dari dua kelompok data,
yang diterjemahkan standar F- Tes untuk digunakan dengan PLS-SEM. Karena tidak ada pedoman beton di saat
menggunakan pendekatan masing-masing, penelitian masa depan harus secara empiris membandingkan mereka
dengan cara studi simulasi skala besar.

teknik kelas laten

Ketika memperkirakan model jalur PLS, situasi muncul di mana perbedaan terkait dengan heterogenitas yang tidak
teramati mencegah model dari yang akurat diperkirakan. Sejak peneliti tidak pernah tahu apakah heterogenitas yang
tidak teramati menyebabkan masalah estimasi, mereka perlu menerapkan teknik pelengkap untuk segmentasi (teknik
kelas laten) berbasis respon yang memungkinkan untuk mengidentifikasi dan mengobati heterogenitas tidak teramati.
Penelitian terbaru telah membawa ke depan berbagai teknik laten kelas yang menggeneralisasi, misalnya, campuran fi
nite (Hahn et al., 2002; Sarstedt et al., 2011a, b), algoritma genetika (Ringle et al., 2013a, b), atau
bukit-climbingapproaches (Becker et al., 2013; Esposito et al., 2008) untuk PLS-SEM. Sarstedt (2008) memberikan teknik
kelas laten awal reviewof. Mengingat bias yang cukup besar yang mengakibatkan fromneglecting heterogenitas yang
tidak teramati (Ringle et al.,

2010; Rigdon et al., 2011; Sarstedt dan Ringle, 2010), penelitian terbaru telah menyerukan penerapan rutin
teknik kelas laten untuk mengevaluasi model jalur PLS (Becker et al., 2013; Rambut et al., 2012b; Rigdon et al., 2010).

Diskusi
SEM telah menjadi alat analisis yang dominan untuk menguji sebab-akibat-hubungan model dengan variabel
laten. Ketika tujuan analisis ini adalah untuk mendapatkan pengetahuan substansial tentang driver, misalnya,
kepuasan pelanggan, citra merek atau reputasi perusahaan, SEM adalah teknik pilihan. Bagi banyak peneliti,
SEM setara dengan melaksanakan CB-SEM. Sementara para peneliti memiliki pemahaman dasar dari
CB-SEM, kebanyakan dari mereka memiliki keakraban terbatas dengan pendekatan lain yang berguna -
PLS-SEM.

Apakah kurang dari keakraban dengan PLS-SEM menyiratkan hilangnya peluang? Ini tentu tidak! Secara
garis besar, penggunaan metode empiris dalam aplikasi bisnis memiliki dua tujuan: prediksi dan penjelasan
(Sarstedt et al., 2014). Penerapan CB-SEM biasanya menghadap tujuan utama dari studi empiris, yang
merupakan prediksi. Solusi kelemahan yang melekat ini adalah penggunaan PLS-SEM, yang memiliki tujuan
utama memprediksi variabel laten dependen.

Dibandingkan dengan CB-SEM, PLS-SEM menawarkan keuntungan signifikan fi lainnya. Banyak analis
empiris membayar layanan bibir untuk asumsi distribusi dari variabel yang digunakan dalam analisis. Bahkan,
sebagian besar bisnis empiris dan ilmu sosial Data ditandai dengan data yang tidak normal. Akibatnya, aplikasi
CB-SEM yang menggunakan algoritma maksimum kemungkinan - yang kebanyakan lakukan - mengabaikan
pelanggaran yang melekat persyaratan teknik ini. Sejak PLS-SEM tidak memerlukan asumsi distribusi
membatasi, seringkali pendekatan yang lebih layak daripada CB-SEM.
 Keuntungan lain utama dari PLS-SEM adalah bahwa hal itu memungkinkan penggunaan langkah-langkah PLS-SEM: alat
formatif, yang sangat berbeda dari re fl langkah-langkah efektif. konstruksi Formativelymeasured sangat berguna
muncul
untuk studi yang bertujuan menjelaskan dan memprediksi konstruksi utama seperti sumber keunggulan kompetitif
atau keberhasilan perusahaan (Albers,
2010). Sementara CB-SEMcan terutama menangani tindakan formatif, masuknya mereka membutuhkan memaksakan kendala
yang cukup besar pada model (Diamantopoulos dan Rie fl er, 2011) atau menggunakan pendekatan MIMIC, yang sering
dipertanyakan oleh para sarjana SEM. 117
PLS-SEM tunduk pada beberapa kendala, namun, terkait dengan penilaian model fi t (seperti yang biasa
dilakukan di CB-SEM) dan konsistensi dari estimasi parameter. Penelitian terbaru kemajuan algoritma
PLS-SEM dasar untuk meningkatkan sifat statistik, misalnya dalam hal memberikan estimasi parameter yang
konsisten. Dijkstra dan (2014) ekstensi Hensler tentang PLS-SEM memberikan estimasi parameter yang
konsisten dan memperkenalkan pilihan pengujian model jalur ini kebaikan-of-fi t sambil mempertahankan
kekuatan dari metode ini. Dijkstra dan Schermelleh-Engel (2014) memperluas pendekatan ini untuk non-linear
model persamaan struktural. upaya lebih lanjut untuk memperluas non-linear model persamaan struktural yang
telah dibuat oleh Bentler dan Huang (2014).

Untuk meringkas, tergantung pada spesifik empiris konteks dan tujuan studi, fitur metodologis khas
PLS-SEM ini membuat alternatif yang sangat berharga dan berpotensi lebih cocok untuk yang lebih populer
CB-SEM pendekatan dalam aplikasi praktis. Umumnya, bagaimanapun, metode tidak lebih unggul secara
keseluruhan lainnya. Sebaliknya, pemilihan metode yang tepat tergantung pada tujuan dari studi (Rigdon,
2012; Sarstedt et al., 2014).

Referensi

Albers, S. (2010), “PLS dan studi faktor keberhasilan dalam pemasaran”, di Esposito, VV, Chin, WW,
Henseler, J. dan Wang, H. (Eds), Handbook of Partial Least Squares: Konsep, Metode dan Aplikasi dalam
Pemasaran dan bidang terkait, Springer, Berlin, pp. 409-425. Babin, BJ, rambut, JF dan Boles, JS (2008), “Penelitian
Penerbitan di jurnal pemasaran menggunakan
persamaan struktural pemodelan”, Jurnal Teori Pemasaran dan Praktek, Vol. 16 No 4, pp. 279-285.

Barclay, DW, Higgins, CA dan Thompson, R. (1995), “The kuadrat terkecil parsial pendekatan untuk
pemodelan kausal: adopsi komputer pribadi dan digunakan sebagai ilustrasi”, Studi teknologi,
Vol. 2 No. 2, pp. 285-309.

Becker, J.-M., Klein, K. dan Wetzels, M. (2012), “hirarkis laten variabel model dalam PLS-SEM:
pedoman untuk menggunakan model re fl jenis efektif-formatif”, Long Range Perencanaan, Vol. 45 Nos 5/6, pp. 359-394.

Becker, JM, Rai, A., Ringle, CM dan Vo¨lckner, F. (2013), “Menemukan teramati
heterogenitas dalam model persamaan struktural untuk mencegah ancaman validitas”, MIS Quarterly,
Vol. 37 No 3, pp. 665-694.

Beebe, KR, Pell, RJ dan Seasholtz, MB (1998), Kemometrika: Sebuah Panduan Praktis, Wiley,
New York, NY.

Bentler, PM dan Huang, W. (2014), “Pada komponen, variabel laten, PLS dan metode sederhana:
reaksi terhadap pemikiran ulang Ridgon tentang PLS”, Long Range Perencanaan ( di press). Cassel, C., Hackl, P. dan

Westlund, AH (1999), “Kekokohan metode kuadrat-parsial untuk

memperkirakan struktur kualitas variabel laten”, Journal of Applied Statistics, Vol. 26 No 4, pp. 435-446.
EBR Cohen, J. (1988), Analisis Daya statistik untuk Ilmu Perilaku, Lawrence Erlbaum,
Mahwah, NJ.
26,2
Chin, WW (2003), “Sebuah prosedur permutasi untuk multi-kelompok pembanding model PLS”,
di Vilares, M., Tenenhaus, M., Coelho, P., Esposito, VV dan MORINEAU, A. (Eds), PLS dan Metode Terkait:
Prosiding Simposium Internasional PLS'03, Decisia, Lisbon, pp. 33-43.

118 Chin, WW (2010), “Bagaimana menulis dan PLS laporan analisis”, di Esposito, VV, Chin, WW,
Henseler, J. dan Wang, H. (Eds), Handbook of Partial Least Squares: Konsep, Metode dan Aplikasi dalam
Pemasaran dan bidang terkait, Springer, Berlin, pp. 655-690. Dagu, WW dan Dibbern, J. (2010), “Pengantar prosedur
berdasarkan permutasi untuk
Multigroup PLS analisis: hasil tes dari perbedaan data simulasi dan analisis lintas budaya dari sumber layanan
sistem informasi antara Jerman dan Amerika Serikat”, di Esposito, VV, Chin, WW, Henseler, J. dan Wang, H. ( Eds),
Handbook of Partial Least Squares: Konsep, Metode dan Aplikasi, Springer, Berlin, pp. 171-193. Cronbach, LJ dan
Meehl, PE (1955), “validitas Membangun dalam tes psikologis”, Psikologis

Buletin, Vol. 52 No 4, pp. 281-302.

Diamantopoulos, A. dan Rie fl er, P. (2011), “Menggunakan langkah-langkah formatif dalam pemasaran internasional
model: a peringatan kisah menggunakan permusuhan konsumen sebagai contoh”, di Sarstedt, M., Schwaiger, M. dan
Taylor, CR (Eds), Kemajuan dalam Pemasaran Internasional, Emerald, Bradford, pp. 11-30.

Diamantopoulos, A. dan Winklhofer, HM (2001), “Indeks konstruksi dengan indikator formatif:

alternatif untuk pengembangan skala”, Jurnal Riset Pemasaran, Vol. 38 No 2, hlm. 269-277.

Diamantopoulos, A., Rie fl er, P. dan Roth, KP (2008), “Memajukan pengukuran formatif
model”, Jurnal Penelitian Bisnis, Vol. 61 Nomor 12, pp. 1203-1218. Diamantopoulos, A., Sarstedt, M., Fuchs, C.,

Wilczynski, P. dan Kaiser, S. (2012), “Pedoman

untuk memilih antara multi-item dan single-item skala untuk pengukuran konstruk: perspektif validitas prediktif”, Jurnal
dari Academy of Science Pemasaran, Vol. 40 No 3, pp. 434-449.

Dijkstra, TK dan Hensler, J. (2014), “PLS Konsisten dan asimtotik yang normal estimator untuk
persamaan linear struktural”, kertas kerja, Ekonomi dan Bisnis, Universitas Groningen, Groningen, tanggal 17
Juni.

Dijkstra, TK dan Schermelleh-Engel, K. (2014), “Konsisten kuadrat terkecil parsial untuk nonlinear
model persamaan struktural”, Psychometrika ( di press).

Elbanna, S., Anak, J. dan Dayan, M. (2013), “Sebuah model anteseden dan konsekuensi dari
intuisi dalam strategis pengambilan keputusan: bukti fromEgypt”, Long Range Perencanaan, Vol. 46 Nos 1/2, pp. 149-176.

Esposito, VV, Trinchera, L., Squillacciotti, S. dan Tenenhaus, M. (2008), “Rebus-PLS:

prosedur berbasis respon untuk mendeteksi segmen unit pemodelan jalur PLS”, Terapan Stochastic Model dalam
Bisnis dan Industri, Vol. 24 No 5, pp. 439-458. Fornell, CG dan Bookstein, FL (1982), “Dua model persamaan
struktural: LISREL dan PLS
diterapkan untuk konsumen teori keluar-suara”, Jurnal Riset Pemasaran, Vol. 19 No 4, pp. 440-452.

Fornell, CG dan Larcker, DF (1981), “Mengevaluasi model persamaan struktural dengan tidak teramati
variabel dan kesalahan pengukuran”, Jurnal Riset Pemasaran, Vol. 18 No 1, pp. 39-50. Gudergan, SP, Ringle, CM,

Wende, S. dan Will, A. (2008), “Con fi rmatory tetrad analisis di PLS

modeling jalan”, Jurnal Penelitian Bisnis, Vol. 61 Nomor 12, pp. 1238-1249.
Hahn, C., Johnson, MD, Herrmann, A. dan Huber, F. (2002), “Menangkap pelanggan heterogenitas PLS-SEM: alat
menggunakan fi campuran nite pendekatan PLS”, Schmalenbach Business Review, Vol. 54 No 3, pp. 243-269.
muncul
Rambut, JF, Ringle, CM dan Sarstedt, M. (2011), “PLS-SEM: memang peluru perak”, Jurnal dari
Teori pemasaran dan Praktek, Vol. 19 No 2, hlm. 139-151.

Rambut, JF, Ringle, CM dan Sarstedt, M. (2013), “Partial kuadrat persamaan struktural
pemodelan: aplikasi ketat, hasil yang lebih baik dan penerimaan yang lebih tinggi”, Long Range Perencanaan, Vol. 46 Nos 119
1/2, pp. 1-12.

Rambut, JF, Hult, GTM, Ringle, CM dan Sarstedt, M. (2014), Sebuah Primer pada Partial Least Squares
Structural Equation Modeling, Sage, Thousand Oaks, CA.

Rambut, JF, Sarstedt, M., Pieper, TM dan Ringle, CM (2012a), “Penggunaan kuadrat terkecil parsial
pemodelan persamaan struktural dalam penelitian manajemen strategis: review dari praktek-praktek masa lalu dan
rekomendasi untuk aplikasi masa depan”, Long Range Perencanaan, Vol. 5 Nos 5/6, pp. 320-340.

Rambut, JF, Sarstedt, M., Ringle, CM dan Mena, JA (2012b), “Penilaian terhadap penggunaan parsial
kuadrat pemodelan persamaan struktural dalam penelitian pemasaran”, Jurnal dari Academy of Science Pemasaran, Vol.
40 No 3, pp. 414-433.

Helm, S., Eggert, A. dan Garnefeld, I. (2009), “Pemodelan dampak reputasi perusahaan pada
kepuasan dan loyalitas pelanggan menggunakan PLS”, di Esposito, VV, Chin, WW, Henseler, J. dan Wang, H.
(Eds), Handbook of Partial Least Squares: Konsep, Metode, dan Aplikasi, Springer, Berlin.

Henseler, J. (2010), “Pada konvergensi parsial setidaknya algoritma pemodelan kotak path”,
Komputasi Statistik, Vol. 25 No 1, pp. 107-120.

Henseler, J. dan Chin, WW (2010), “Perbandingan pendekatan untuk analisis interaksi

efek antara variabel laten menggunakan kuadrat terkecil modeling jalan parsial”, Structural Equation Modeling, Vol.
17 No 1, pp. 82-109.

Henseler, J. dan Fassott, G. (2010), “Pengujian efek dalam model jalur PLS moderat: sebuah
ilustrasi prosedur yang tersedia”, di Esposito, VV, Chin, WW, Henseler, J. dan Wang, H. (Eds), Handbook of
Partial Least Squares: Konsep, Metode dan Aplikasi,
Springer, Berlin, pp. 713-735.

Henseler, J. dan Sarstedt, M. (2013), “fi t indeks Goodness-of-untuk parsial jalan kuadrat terkecil
pemodelan”, Komputasi Statistik, Vol. 28 No 2, hlm. 565-580.

Henseler, J., Ringle, CM dan Sarstedt, M. (2012), “Menggunakan parsial setidaknya modeling kotak path
dalam iklan penelitian: konsep dasar dan isu terbaru”, Handbook of Research on Advertising International, Edward
Elgar Publishing, Cheltenham.

Henseler, J., Ringle, CM dan Sinkovics, RR (2009), “Penggunaan parsial jalan kuadrat terkecil
pemodelan dalam pemasaran internasional”, Kemajuan dalam Pemasaran Internasional, Vol. 20, hlm. 277-320.

Jarvis, CB, Mackenzie, SB, Podsakoff, PM, Mick, DG dan Bearden, WO (2003), “A kritis
meninjau indikator konstruk dan pengukuran Model misspeci fi kasi dalam pemasaran dan penelitian konsumen”, Journal
of Consumer Research, Vol. 30 No 2, hlm. 199-218. Keil, M., Saarinen, T., Tan, BCY, Tuunainen, V., Wassenaar, A.
dan Wei, KK (2000),
“Sebuah studi lintas budaya pada eskalasi perilaku komitmen dalam proyek perangkat lunak”,
Sistem Informasi Manajemen Triwulanan, Vol. 24 No 2, hlm. 299-325. Klarner, P., Sarstedt, M., Hoeck, M. dan

Ringle, CM (2013), “Menguraikan dampak-dampak tim

kompetensi, tim adaptasi, dan komunikasi klien pada kinerja tim konsultasi manajemen”, Long Range
Perencanaan, Vol. 46 No 3, pp. 258-286.
EBR Kuppelwieser, V. dan Sarstedt, M. (2014), “Menerapkan skala waktu perspektif masa depan untuk
iklan penelitian”, International Journal of Advertising ( di press). Lee, L., Petter, S., Fayard, D. dan Robinson, S.
26,2
(2011), “Pada penggunaan parsial jalan kuadrat terkecil
pemodelan akuntansi penelitian”, International Journal of Sistem Informasi Akuntansi, Vol. 12 No. 4, pp. 305-328.

Lei, M. dan Lomax, RG (2005), “Pengaruh berbagai tingkat nonnormality di struktural

120 persamaan pemodelan”, Structural Equation Modeling, Vol. 12 No 1, pp. 1-27. Lohmo¨ller, JB dan Wold, H. (1980),

“Tiga-mode model jalur dengan variabel laten dan parsial

kuadrat terkecil (PLS) parameter estimasi”, makalah yang dipresentasikan pada European Rapat Psikometri
Masyarakat, Groningen, Belanda. Mooi, EA dan Sarstedt, M. (2011), Sebuah Panduan Ringkas untuk Riset Pasar:
Proses, Data, dan
Metode Menggunakan IBM SPSS Statistics, Springer, Berlin.

Peng, DX dan Lai, F. (2012), “Menggunakan kuadrat terkecil parsial dalam penelitian manajemen operasi:
pedoman praktis dan ringkasan dari penelitian masa lalu”, Jurnal Manajemen Operasi,
Vol. 30 No 6, pp. 467-480.

Reinartz, W., Haenlein, M. dan Henseler, J. (2009), “Sebuah perbandingan empiris dari efficacy dari
kovarians berbasis dan varians berbasis SEM”, International Journal of Research in Marketing, Vol. 26 No 4, pp.
332-344.

Rigdon, EE (1998), “persamaan Struktural pemodelan”, di Marcoulides, GA (Ed.), Modern

Metode untuk Bisnis Penelitian, Lawrence-Erlbaum Associates, Mahwah, NJ, pp. 251-294. Rigdon, EE (2012),

“Rethinking parsial setidaknya modeling kotak path: dalam pujian sederhana

metode”, Long Range Perencanaan, Vol. 45 Nos 5/6, pp. 341-358.

Rigdon, EE (2014), “Rethinking parsial setidaknya modeling kotak path: melanggar rantai dan
terus maju”, Long Range Perencanaan ( di press).

Rigdon, EE, Ringle, CM dan Sarstedt, M. (2010), “pemodelan Struktur data heterogen
dengan kuadrat terkecil parsial”, di Malhotra, NK (Ed.), Ulasan Riset Pemasaran, Emerald Grup Penerbitan
Limited, Bradford, pp. 255-296.

Rigdon, EE, Ringle, CM, Sarstedt, M. dan Gudergan, SP (2011), “Menilai heterogenitas
dalam studi kepuasan pelanggan: di kesamaan industri dan dalam perbedaan industri”, di Sarstedt, M., Schwaiger,
M. dan Taylor, CR (Eds), Pengukuran dan Metode Penelitian Pemasaran Internasional, Emerald Grup Penerbitan
Limited, Bradford, pp. 169-194 ( Kemajuan dalam Pemasaran Internasional, Vol. 22). Ringle, CM, Sarstedt, M. dan
Mooi, EA (2010), “segmentasi berbasis Response menggunakan fi nite

Campuran kuadrat terkecil parsial”, Data Mining, Springer, New York, NY, pp. 19-49. Ringle, CM, Sarstedt, M. dan

Schlittgen, R. (2013a), “segmentasi algoritma genetik dalam parsial

kuadrat model persamaan struktural”, OR Spectrum, pp. 1-26. Ringle, CM, Sarstedt, M. dan Straub, DW (2012), “A

kritis melihat penggunaan PLS-SEM di MIS

Triwulanan", MIS Quarterly, Vol. 36 No 1, pp. 3-14.

Ringle, CM, Sarstedt, M. dan Zimmermann, L. (2011), “Kepuasan pelanggan dengan komersial
Maskapai penerbangan: peran keamanan yang dirasakan dan tujuan perjalanan”, Journal of Teori Pemasaran dan Praktek, Vol.
19 No 4, pp. 459-472.

Ringle, CM, Sarstedt, M., Schlittgen, R. dan Taylor, CR (2013b), “PLS pemodelan jalan dan
evolusi segmentasi”, Jurnal Penelitian Bisnis, Vol. 66 Nomor 9, pp. 1318-1324. Sarstedt, M. (2008), “Sebuah

tinjauan dari pendekatan baru untuk menangkap heterogenitas di parsial

kuadrat modeling jalan”, Jurnal Pemodelan Manajemen, Vol. 3 No. 2, pp. 140-161.
Sarstedt, M. dan Ringle, CM (2010), “Mengobati heterogenitas yang tidak teramati dalam pemodelan jalur PLS: PLS-SEM: alat
perbandingan FIMIX-PLS dengan strategi analisis data yang berbeda”, Journal of Applied Statistics, Vol. 37 No. 8,
pp. 1299-1318.
muncul
Sarstedt, M. dan Schloderer, MP (2010), “Mengembangkan pendekatan pengukuran reputasi
non-pro organisasi fi t”, International Journal nirlaba Sukarela Sektor Pemasaran,
Vol. 15 No 3, pp. 276-299.

Sarstedt, M. dan Wilczynski, P. (2009), “Lebih kurang? Sebuah perbandingan single-item dan 121
langkah-langkah multi-item”, Die Betriebswirtschaft, Vol. 69 No 2, hlm. 211-227. Sarstedt, M., Henseler, J. dan Ringle,

CM (2011a), “analisis Multigroup di kuadrat terkecil parsial

(PLS) pemodelan jalur: metode alternatif dan hasil empiris”, Kemajuan dalam Pemasaran Internasional, Vol. 22,
hlm. 195-218.

Sarstedt, M., Becker, JM, Ringle, C dan Schwaiger, M. (2011b), “Mengungkap dan mengobati
heterogenitas yang tidak teramati dengan FIMIX-PLS:? yang kriteria pemilihan model menyediakan jumlah yang
sesuai segmen”, Schmalenbach Business Review, Vol. 63 No 1, pp. 34-62. Sarstedt, M., Ringle, CM, Henseler, J. dan
rambut, JF (2014), “Pada emansipasi PLS-SEM”,
Long Range Perencanaan ( di press).

Shah, R. dan Goldstein, SM (2006), “Penggunaan model persamaan struktural dalam operasi
penelitian manajemen: melihat ke belakang dan ke depan”, Jurnal Manajemen Operasi,
Vol. 24 No 2, hlm. 148-169.

Wilden, R., Gudergan, SP, Nielsen, BB dan Lings, I. (2013), “Dynamic kemampuan dan
kinerja: strategi, struktur dan lingkungan”, Long Range Perencanaan, Vol. 46 Nos 1/2, pp. 72-96.

Wilson, B. dan Henseler, J. (2007), “Modeling reflektif tingkat tinggi konstruksi menggunakan tiga
pendekatan dengan pemodelan jalur PLS: a Monte Carlo perbandingan”, Australia dan Selandia Baru Pemasaran
Academy Conference, Otago, Australia, pp. 791-800. Wold, H. (1974), “kausal mengalir dengan laten variabel: parting
cara dalam terang NIPALS
pemodelan”, Eropa Economic Review, Vol. 5 No 1, pp. 67-86.

Wold, H. (1980), “Model konstruksi dan evaluasi ketika pengetahuan teoritis langka:
teori dan aplikasi dari PLS”, di Kmenta, J. dan Ramsey, JB (Eds), Evaluasi Model Ekonometrik, Academic Press,
New York, NY.

Wold, H. (1982), “Soft pemodelan: desain dasar dan beberapa ekstensi”, di Joreskog, KG dan
Wold, H. (Eds), Sistem Under Pengamatan langsung: Part II, North-Holland, Amsterdam.

Penulis yang sesuai

Marko Sarstedt dapat dihubungi di: marko.sarstedt@ovgu.de

Untuk cetak ulang pembelian artikel ini silakan e-mail: reprints@emeraldinsight.com

Atau kunjungi situs web kami untuk informasi lebih lanjut: www.emeraldinsight.com/reprints

Lihat publikasi
statistik publikasi
statistik Lihat