Machine Translated by Google

Tinjauan Bisnis Eropa

Kapan menggunakan dan bagaimana melaporkan hasil PLS-SEM
Joe F Hair, Jeffrey Joe Risher, Marko Sarstedt, Christian M Ringle,

Informasi artikel:
Mengutip dokumen ini: Joe
F Hair, Jeffrey Joe Risher, Marko Sarstedt, Christian M Ringle, "Kapan menggunakan dan cara melaporkan hasil PLS-SEM", European Business Review,
https://doi.org/10.1108/ EBR-11-2018-0203 Tautan permanen ke dokumen ini: https://doi.org/10.1108/EBR-11-2018-0203 Diunduh pada: 03 Februari 2019,
Pukul: 13:42 (PT)

Referensi: dokumen ini berisi referensi ke 0 dokumen lain.

Untuk menyalin dokumen ini: permissions@emeraldinsight.com Teks
lengkap dokumen ini telah diunduh 536 kali sejak 2018*

Pengguna yang mengunduh artikel ini juga mengunduh:

(2018), "Penilaian penggunaan pemodelan persamaan struktural kuadrat terkecil parsial (PLS-SEM) dalam penelitian perhotelan", Jurnal Internasional
Manajemen Perhotelan Kontemporer, Vol. 30 Edisi 1 hlm. 514-538 <a href="https://doi.org/10.1108/ IJCHM-10-2016-0568">https://doi.org/10.1108/
IJCHM-10-2016-0568< /a> (2018), "Penilaian validitas konvergen dari konstruk yang diukur secara formatif dalam PLS-SEM: Tentang penggunaan

ukuran item tunggal versus multi item dalam analisis redundansi", Jurnal Internasional Manajemen Perhotelan Kontemporer, Vol. 30 Edisi 11 hlm.
3192-3210 <a href="https://doi.org/10.1108/IJCHM-10-2017-0649">https://doi.org/10.1108/IJCHM-10-2017-0649< /a>

Akses ke dokumen ini diberikan melalui langganan Emerald yang disediakan oleh emerald-srm:215423 []

Untuk Penulis
Jika Anda ingin menulis untuk ini, atau publikasi Emerald lainnya, silakan gunakan informasi layanan Emerald untuk Penulis kami tentang cara
memilih publikasi mana yang akan ditulis dan pedoman pengiriman tersedia untuk semua. Silakan kunjungi www.emeraldinsight.com/authors untuk
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

informasi lebih lanjut.

Tentang Emerald www.emeraldinsight.com Emerald adalah

penerbit global yang menghubungkan penelitian dan praktik untuk kepentingan masyarakat. Perusahaan mengelola portofolio lebih dari 290 jurnal dan
lebih dari 2.350 buku dan volume seri buku, serta menyediakan beragam produk online dan sumber daya serta layanan pelanggan tambahan.

Emerald sesuai dengan COUNTER 4 dan TRANSFER. Organisasi ini merupakan mitra dari Komite Etika Publikasi (COPE) dan juga bekerja sama
dengan Portico dan inisiatif LOCKSS untuk pelestarian arsip digital.

*Konten terkait dan informasi unduhan benar pada saat diunduh.

 Machine Translated by Google

Kapan menggunakan dan bagaimana melaporkan hasil PLS-SEM

Abstrak

Tujuan – Makalah ini memberikan ikhtisar yang komprehensif, namun ringkas, tentang pertimbangan dan

metrik yang diperlukan untuk analisis PLS-SEM dan pelaporan hasil. Pertimbangan awal adalah

diringkas terlebih dahulu, termasuk alasan memilih PLS-SEM, ukuran sampel yang direkomendasikan di

konteks yang dipilih, asumsi distribusi, penggunaan data sekunder, kekuatan statistik, dan

kebutuhan untuk pengujian kesesuaian. Selanjutnya, metrik, serta aturan praktis, yang seharusnya

diterapkan untuk menilai hasil PLS-SEM yang dicakup. Selain mencakup PLS-SEM yang sudah mapan

kriteria evaluasi, ikhtisar mencakup pedoman baru untuk menerapkan (1) PLSpredict, sebuah novel

pendekatan untuk menilai prediksi out-of-sample model, (2) metrik untuk perbandingan model,

dan (3) beberapa metode pelengkap untuk memeriksa ketahanan hasil.

Desain/metodologi/pendekatan – Makalah ini memberikan ikhtisar sebelumnya dan baru-baru ini

Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

metrik yang diusulkan, serta aturan praktis, untuk mengevaluasi hasil penelitian, berdasarkan

penerapan PLS-SEM.

Temuan – Sebagian besar metrik yang diterapkan sebelumnya untuk mengevaluasi hasil PLS-SEM masih

relevan, tetapi sarjana harus memiliki pengetahuan tentang metrik yang baru-baru ini diusulkan (misalnya, model

kriteria perbandingan) dan metode (misalnya, penilaian endogenitas, analisis kelas laten,

PLSpredict) dan kapan serta bagaimana menerapkannya.

Keterbatasan/implikasi penelitian – Perkembangan metodologi terkait dengan PLS-SEM

sedang berkembang pesat. Metrik yang dilaporkan dalam makalah ini berguna untuk aplikasi saat ini, tetapi

sarjana perlu terus mencari perkembangan terbaru dalam metode PLS-SEM.

Orisinalitas/nilai – Mengingat penelitian yang lebih baru dan perkembangan metodologi di

PLS-SEM, pedoman penggunaan metode perlu terus diperpanjang dan

diperbarui. Makalah ini adalah ringkasan terbaru dan komprehensif dari metode PLS-SEM

dan metrik yang diterapkan untuk menilai solusinya.

 Machine Translated by Google

Kata kunci – analisis komposit konfirmatori, perbandingan model, kuadrat terkecil parsial,

PLSpredict, PLS-SEM, pemodelan persamaan struktural

Jenis kertas – Tinjauan umum

PENGANTAR

Selama bertahun-tahun, pemodelan persamaan struktural berbasis kovarians (CB-SEM) adalah yang dominan

metode untuk menganalisis keterkaitan yang kompleks antara variabel yang diamati dan laten. Faktanya,

Hingga sekitar tahun 2010, artikel yang diterbitkan di jurnal ilmu sosial yang menggunakan CB jauh lebih banyak

SEM, bukan SEM kuadrat terkecil parsial (PLS-SEM). Namun pada tahun 2015, jumlah

artikel yang diterbitkan menggunakan PLS-SEM meningkat secara signifikan relatif terhadap CB-SEM (Hair et al.,

2012b). Bahkan, PLS-SEM saat ini sudah banyak diterapkan di berbagai disiplin ilmu sosial, termasuk
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

manajemen organisasi (Sosik et al., 2009), manajemen internasional (Richter et al., 2015),

manajemen sumber daya manusia (Ringle et al., 2019), sistem informasi manajemen (Hair et al.,

2016a; Ringle et al., 2012), manajemen operasi (Peng dan Lai, 2012), pemasaran (Hair et al.,

2012b), akuntansi manajemen (Nitzl, 2016), manajemen strategis (Hair et al., 2012a),

perhotelan (Ali et al., 2018b), dan manajemen rantai pasokan (Kaufmann dan Gaeckler, 2015).

Beberapa buku teks (misalnya, Garson, 2016; Ramayah et al., 2016), volume yang diedit (misalnya, Avkiran dan

Cincin, 2018; Ali et al., 2018a), dan edisi khusus jurnal ilmiah (mis., Rasoolimanesh dan

Ali, 2018; Shiau et al., 2019) juga mengilustrasikan PLS-SEM atau mengusulkan perluasan metodologi.

Daya tarik utama PLS-SEM adalah bahwa metode ini memungkinkan peneliti memperkirakan kompleks

model dengan banyak konstruk, variabel indikator, dan jalur struktural tanpa memaksakan

asumsi distribusi pada data. Lebih penting lagi, bagaimanapun, PLS-SEM adalah kausal

pendekatan prediktif SEM yang menekankan prediksi dalam mengestimasi model statistik, yang

struktur dirancang untuk memberikan penjelasan kausal (Wold, 1982; Sarstedt et al., 2017a). Itu
 Machine Translated by Google

teknik dengan demikian mengatasi dikotomi yang tampak antara penjelasan — seperti biasanya

ditekankan dalam penelitian akademis — dan prediksi, yang merupakan dasar untuk mengembangkan manajerial

implikasi (Hair et al., 2019). Terakhir, tersedia paket perangkat lunak yang ramah pengguna

umumnya memerlukan sedikit pengetahuan teknis tentang metode tersebut, seperti PLS-Graph (Chin, 2003)

dan SmartPLS (Ringle et al., 2015; Ringle et al., 2005), sedangkan paket yang lebih kompleks untuk

lingkungan perangkat lunak komputasi statistik, seperti R, juga dapat mengeksekusi PLS-SEM (misalnya,

semPLS; Monecke dan Leisch, 2012). Penulis seperti Richter et al. (2016), Rigdon (2016), dan

Sarstedt dkk. (2017a) memberikan argumen dan diskusi yang lebih rinci tentang kapan harus menggunakan dan tidak

menggunakan PLS-SEM.

Tujuan dari makalah ini adalah untuk menjelaskan prosedur dan metrik yang diterapkan oleh editor

dan dewan peninjau jurnal dalam menilai kualitas pelaporan temuan PLS-SEM. Kami pertama
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

merangkum beberapa pertimbangan awal ketika memilih untuk menggunakan PLS-SEM dan mencakup aspek-aspek tersebut

sebagai ukuran sampel, asumsi distribusi, dan pengujian kesesuaian. Kemudian, kita membahas model

evaluasi, termasuk aturan praktis, dan perkenalkan opsi lanjutan penting yang dapat digunakan.

Diskusi kami juga mencakup PLSpredict, metode baru untuk menilai out-of-sample model

daya prediksi (Shmueli et al., 2016). Peneliti harus secara rutin menerapkan PLSpredict di

Studi PLS-SEM untuk menilai daya prediksi (Shmueli et al., 2019), terutama saat menggambar

kesimpulan yang mempengaruhi praktik bisnis dan memiliki implikasi manajerial. Selanjutnya kami perkenalkan

beberapa metode pelengkap untuk menilai kekokohan hasil ketika datang ke

spesifikasi model pengukuran, efek model struktural nonlinier, endogenitas, dan

heterogenitas yang tidak teramati (Hair et al., 2018; Latan, 2018). Terakhir, kami menguraikan penggunaan PLS

SEM untuk analisis komposit konfirmasi (CCA), yang memungkinkan pengembangan atau revisi keduanya

langkah-langkah konstruk yang diukur secara reflektif dan formatif dalam jaringan konstruksi nomologis.

Gambar 1 mengilustrasikan berbagai aspek yang kita bahas di bagian berikut.

 Machine Translated by Google

MASUKKAN GAMBAR 1 DI SINI

PERTIMBANGAN AWAL

Ekonometrika Swedia Herman OA Wold (1975; 1982; 1985) mengembangkan

dasar statistik dari metode PLS-SEM, yang awalnya dikenal dan kadang-kadang

masih disebut sebagai pemodelan jalur PLS (Hair et al., 2011). PLS-SEM mengestimasi model parsial

struktur, yang didefinisikan dalam model jalur, dengan menggabungkan analisis komponen utama dengan

regresi kuadrat terkecil biasa (Mateos-Apricio, 2011). Metode ini biasanya dipandang sebagai

alternatif untuk CB-SEM Jöreskog (1973), yang memiliki banyak—biasanya sangat terbatas—

Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03
asumsi (Hair et al., 2011).

CB-SEM Jöreskog (1973), yang sering dijalankan oleh paket perangkat lunak seperti LISREL

atau AMOS, menggunakan matriks kovarians data dan memperkirakan parameter model hanya dengan

mempertimbangkan varian umum. Sebaliknya, PLS-SEM disebut sebagai berbasis varians, karena itu

memperhitungkan varians total dan menggunakan varians total untuk memperkirakan parameter (Rigdon et al.,

2017a; Hair et al., 2017c).

Dalam dekade terakhir, telah terjadi banyak perdebatan tentang situasi mana yang lebih atau kurang

sesuai untuk menggunakan PLS-SEM (misalnya, Goodhue et al., 2012; Marcoulides et al., 2012;

Marcoulides dan Saunders, 2006; Rigdon, 2014a; Henseler et al., 2014; Khan et al., 2018). Dalam

bagian berikut, kami meringkas beberapa pertimbangan awal ketika memilih untuk menggunakan PLS-SEM

(misalnya, Rambut et al., 2013). Jika bermanfaat, kami membandingkan perbedaan antara CB-SEM dan PLS

SEM (misalnya, Marcoulides dan Chin, 2013; Rigdon, 2016). Dengan demikian, kami mencatat bahwa penelitian terbaru

telah bergerak melampaui debat CB-SEM vs. PLS-SEM (misalnya, Rigdon et al., 2017b; Rigdon, 2012),

dengan demikian menetapkan PLS-SEM sebagai metode yang berbeda untuk menganalisis model jalur berbasis komposit.
 Machine Translated by Google

Namun demikian, penelitian terapan masih sering dihadapkan pada pilihan di antara keduanya

metode SEM. Dengan latar belakang ini, Tabel 1 memberikan ikhtisar tentang hal-hal yang perlu dipertimbangkan

ketika memutuskan apakah PLS merupakan metode SEM yang tepat untuk penelitian.

MASUKKAN TABEL 1 DI SINI

Ukuran sampel

PLS-SEM memperoleh solusi dengan ukuran sampel kecil ketika model terdiri dari banyak konstruksi

dan sejumlah besar item (Fornell dan Bookstein, 1982; Willaby et al., 2015; Hair et al.,

2017c). Secara teknis, algoritma PLS-SEM memungkinkan hal ini dengan menghitung pengukuran
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

dan hubungan model struktural secara terpisah, bukan secara bersamaan. Singkatnya, seperti namanya

menyiratkan, algoritma menghitung hubungan regresi parsial dalam pengukuran dan

model struktural dengan menggunakan regresi kuadrat terkecil biasa yang terpisah. Reinartz et al. (2009),

Henseler et al. (2014), dan Sarstedt et al. (2016b) meringkas bagaimana PLS-SEM memperoleh solusi

ketika metode seperti CB-SEM mengembangkan solusi yang tidak dapat diterima atau tidak menyatu sama sekali

model yang kompleks dan ukuran sampel yang kecil, terlepas dari apakah data berasal dari kesamaan

atau populasi model gabungan. Rambut dkk. (2013) menunjukkan, bagaimanapun, bahwa sarjana tertentu memilikinya

salah dan menyesatkan memanfaatkan karakteristik ini untuk mendapatkan solusi menggunakan

ukuran sampel yang sangat kecil, bahkan ketika populasinya besar dan dapat diakses tanpa banyak

upaya. Sayangnya, praktik ini telah menodai reputasi PLS-SEM sampai batas tertentu (juga

lihat Marcoulides et al., 2009). Seperti metode multivariat lainnya, PLS-SEM tidak mampu melakukannya

mengubah sampel yang buruk (misalnya, tidak representatif) menjadi sampel yang tepat untuk mendapatkan model yang valid

estimasi.
 Machine Translated by Google

Namun, PLS-SEM dapat digunakan dengan sampel yang lebih kecil. Tapi sifat populasinya

menentukan situasi di mana ukuran sampel kecil dapat diterima (Rigdon, 2016). Asumsi

bahwa karakteristik situasional lainnya adalah sama, semakin heterogen populasinya, semakin besar

ukuran sampel yang diperlukan untuk mencapai kesalahan pengambilan sampel yang dapat diterima (Cochran, 1977). Jika dasar

pedoman teori pengambilan sampel tidak dipertimbangkan (Sarstedt et al., 2018), hasilnya dipertanyakan

diproduksi. Untuk menentukan ukuran sampel yang dibutuhkan, peneliti harus mengandalkan kekuatan

analisis yang mempertimbangkan struktur model, tingkat signifikansi yang diantisipasi, dan yang diharapkan

ukuran efek (misalnya Marcoulides dan Chin, 2013). Atau, Hair et al. (2017a) memiliki

tabel daya terdokumentasi yang menunjukkan ukuran sampel yang diperlukan untuk berbagai pengukuran dan

karakteristik model struktural. Akhirnya, Kock dan Hadaya (2018) menyarankan akar kuadrat terbalik

metode dan metode gamma-eksponensial sebagai dua pendekatan baru untuk ukuran sampel minimum
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

perhitungan.

Akter et al. (2017) mencatat bahwa sebagian besar penelitian sebelumnya tentang persyaratan ukuran sampel dalam PLS-SEM

mengabaikan fakta bahwa metode ini juga terbukti berharga untuk menganalisis jumlah data yang besar. Di dalam

Faktanya, PLS-SEM menawarkan potensi besar untuk menganalisis kumpulan data besar, termasuk data sekunder

yang seringkali tidak mencakup pembenaran komprehensif atas dasar pengukuran

teori (Rigdon, 2013).

Asumsi distribusi

Banyak sarjana menunjukkan bahwa tidak adanya asumsi distribusi adalah alasan utama

memilih PLS-SEM (misalnya, Hair et al., 2012b; Nitzl, 2016; do Valle and Assaker, 2015). Sementara ini

jelas merupakan keuntungan menggunakan PLS-SEM dalam studi ilmu sosial, yang hampir selalu diandalkan

data tidak normal, dengan sendirinya, itu bukan pembenaran yang memadai.

Para sarjana telah mencatat bahwa estimasi kemungkinan maksimum dengan CB-SEM sangat kuat
 Machine Translated by Google

pelanggaran normalitas (misalnya, Chou et al., 1991; Olsson et al., 2000), meskipun mungkin memerlukan

ukuran sampel yang jauh lebih besar (Boomsma dan Hoogland, 2001). Jika ukuran dataset terbatas,

CB-SEM dapat menghasilkan hasil yang tidak normal ketika data tidak normal (Reinartz et al., 2009), sedangkan

PLS-SEM menunjukkan ketahanan yang lebih tinggi dalam situasi ini (Sarstedt et al., 2016b).

Patut dicatat bahwa, dalam sejumlah situasi tertentu, data tidak normal juga dapat memengaruhi PLS

Hasil SEM (Sarstedt et al., 2017a). Misalnya, bootstrap dengan data tidak normal bisa

menghasilkan distribusi bootstrap yang memuncak dan miring. Penggunaan bias dikoreksi dan dipercepat

(BCa) rutinitas bootstrap meminimalkan masalah ini sampai batas tertentu, karena menyesuaikan kepercayaan diri

interval untuk kemiringan (Efron, 1987). Memilih untuk hanya menggunakan PLS-SEM pada distribusi data adalah,

oleh karena itu, dalam banyak kasus tidak cukup, tetapi ini jelas merupakan keuntungan yang dikombinasikan dengan

alasan lain untuk menggunakan PLS-SEM.

Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

Data sekunder

Data sekunder (atau arsip) semakin tersedia untuk mengeksplorasi fenomena dunia nyata

(Avkiran dan Ringle, 2018). Penelitian yang didasarkan pada data sekunder biasanya berfokus pada a

tujuan yang berbeda dari analisis CB-SEM yang bersifat konfirmasi secara ketat. Lagi

tepatnya, data sekunder terutama digunakan dalam penelitian eksplorasi untuk mengusulkan kausal

hubungan dalam situasi yang memiliki sedikit teori yang jelas (Hair, Hollingsworth, et al.,

2017). Pengaturan seperti itu mengharuskan peneliti untuk lebih menekankan pada pemeriksaan semua kemungkinan

hubungan daripada mencapai kecocokan model (Nitzl, 2016). Sesuai sifatnya, proses ini menciptakan besar

model kompleks yang tidak dapat dianalisis dengan metode CB-SEM informasi lengkap. Sebaliknya,

pendekatan iteratif PLS-SEM menggunakan informasi yang terbatas, menjadikan metode ini lebih kuat dan

tidak dibatasi oleh persyaratan parameter CB-SEM (Hair et al., 2014). Jadi, PLS-SEM adalah

lebih disukai untuk penelitian eksplorasi dengan data sekunder, karena menawarkan fleksibilitas yang dibutuhkan untuk
 Machine Translated by Google

interaksi antara teori dan data (Nitzl, 2016). Atau, seperti dicatat oleh Wold (1982: 29), “pemodelan lunak

terutama dirancang untuk konteks penelitian yang secara bersamaan kaya data dan kerangka teori.”

Selanjutnya, semakin populernya analisis data sekunder (misalnya dengan menggunakan data yang berpangkal

dari database perusahaan, media sosial, pelacakan pelanggan, biro statistik nasional, atau publik

data survei yang tersedia) menggeser fokus penelitian dari konfirmasi ketat ke prediktif dan

pemodelan kausal-prediktif. Pengaturan penelitian seperti itu sesuai dengan pendekatan PLS-SEM yang berorientasi pada prediksi

seperti bergandengan tangan.

PLS-SEM juga terbukti bermanfaat untuk menganalisis data sekunder dari teori pengukuran

perspektif. Tidak seperti ukuran survei, yang biasanya dibuat untuk mengkonfirmasi teori yang dikembangkan dengan baik,

langkah-langkah yang digunakan dalam sumber data sekunder biasanya tidak dibuat dan disempurnakan dari waktu ke waktu

analisis konfirmasi (Sarstedt dan Mooi, 2019). Dengan demikian, mencapai kesesuaian model dengan data sekunder
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

tindakan tidak mungkin dilakukan di sebagian besar situasi penelitian saat menggunakan CB-SEM Selain itu, saat menggunakan

peneliti data sekunder tidak memiliki kesempatan untuk merevisi atau menyempurnakan model pengukuran

untuk mencapai fit. Keuntungan utama lain dari PLS-SEM dalam konteks ini adalah memungkinkan penggunaan

langkah-langkah formatif (Hair et al., 2017d). Karena algoritma PLS-SEM didasarkan pada yang paling tidak biasa

regresi kuadrat, metode ini memungkinkan penggunaan item tunggal, reflektif, atau formatif yang tidak terbatas

tindakan (Hair et al., 2014). Ini sangat berharga untuk penelitian arsip, karena banyak

ukuran sebenarnya artefak yang ditemukan dalam database perusahaan, seperti rasio keuangan dan perusahaan lain

faktor tetap (Richter et al., 2016). Seringkali, beberapa jenis data keuangan dapat digunakan untuk membuat

indeks sebagai ukuran kinerja (Sarstedt et al., 2017). Misalnya, Ittner et al. (1997)

strategi operasional dengan empat indikator: (1) rasio penelitian dan pengembangan terhadap penjualan,

(2) rasio pasar terhadap buku, (3) rasio karyawan terhadap penjualan, dan (4) jumlah perusahaan baru

pengenalan produk atau jasa. Demikian pula, data sekunder dapat digunakan untuk membentuk indeks a

kegiatan komunikasi perusahaan, meliputi aspek-aspek seperti iklan online, mensponsori, atau
 Machine Translated by Google

penempatan produk (Sarstedt dan Mooi, 2019). PLS-SEM harus selalu menjadi model pilihan

ketika menggunakan langkah-langkah formatif, karena menggunakan pendekatan MIMIC di CB-SEM memberlakukan kendala

pada model yang seringkali bertentangan dengan asumsi teoritis (Sarstedt et al., 2016b).

Kekuatan Statistik

Saat menggunakan PLS-SEM, peneliti mendapat manfaat dari kekuatan statistik tingkat tinggi dari metode ini

dibandingkan dengan CB-SEM (Reinartz et al., 2009; Hair et al., 2017c). Karakteristik ini berlaku genap

saat memperkirakan data model faktor umum seperti yang diasumsikan oleh CB-SEM (Sarstedt et al., 2016b).

Kekuatan statistik yang lebih besar berarti PLS-SEM lebih mungkin untuk mengidentifikasi hubungan sebagai

signifikan ketika mereka memang ada dalam populasi (Sarstedt dan Mooi, 2019).

Karakteristik PLS-SEM dari kekuatan statistik yang lebih tinggi cukup berguna untuk eksplorasi
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

penelitian yang mengkaji teori yang kurang berkembang atau berkembang. Wold (1985, p. 590) menjelaskan

penggunaan PLS-SEM sebagai “dialog antara penyidik dan komputer. Bisa berubah

perbaikan model—seperti pengenalan variabel laten baru, indikator, atau

hubungan batin, atau penghilangan elemen semacam itu—diuji untuk relevansi prediktif (...) dan

berbagai studi percontohan adalah masalah yang cepat dan berbiaya rendah.” Namun, yang sangat penting adalah

bahwa PLS-SEM tidak hanya sangat cocok untuk penelitian eksplorasi, tetapi metodenya juga berguna

untuk penelitian konfirmasi (Hair et al., 2017a).

Kebaikan-cocok

Berbeda dengan CB-SEM yang sangat bergantung pada konsep model fit, hal ini jauh lebih sedikit

dengan PLS-SEM (Hair et al., 2019). Hal ini menyebabkan beberapa peneliti salah menyimpulkannya

PLS-SEM tidak berguna untuk pengujian dan konfirmasi teori (misalnya, Westland, 2015). Sepasang

ahli metodologi telah mencoba untuk mengembangkan langkah-langkah kecocokan model untuk PLS-SEM (Henseler et al.,
 Machine Translated by Google

2016a), tetapi peneliti harus sangat berhati-hati saat mempertimbangkan penerapannya

langkah-langkah untuk PLS-SEM (Henseler dan Sarstedt, 2013; Hair et al., 2019). Pertama, komprehensif

penilaian terhadap langkah-langkah ini belum dilakukan sejauh ini. Oleh karena itu, setiap ambang batas

(pedoman) yang dianjurkan dalam literatur harus dianggap sangat tentatif. Kedua, sejak

Algoritma untuk mendapatkan solusi PLS-SEM tidak didasarkan pada meminimalkan divergensi antara

mengamati dan memperkirakan matriks kovarians, konsep ukuran kecocokan model berbasis Chi-kuadrat,

dan perluasannyaÿseperti yang digunakan dalam CB-SEMÿtidak berlaku. Karenanya, bahkan model berbasis bootstrap

penilaian kecocokan atas dasar, misalnya, beberapa ukuran jarak atau SRMR (Henseler et

al., 2016a; Henseler et al., 2017), yang mengukur perbedaan antara yang diamati dan

estimasi matriks kovarians, harus dipertimbangkan dengan sangat hati-hati. Ketiga, ulama memiliki

mempertanyakan apakah konsep kecocokan model, seperti yang diterapkan dalam konteks penelitian CB-SEM, adalah dari
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

nilai untuk aplikasi PLS-SEM secara umum (Hair et al., 2017a; Rigdon, 2012; Lohmöller, 1989).

PLS-SEM terutama berfokus pada interaksi antara prediksi dan pengujian teori, dan

hasilnya harus divalidasi sesuai (misalnya, Shmueli, 2010). Dalam konteks ini, para sarjana memiliki

baru-baru ini mengusulkan prosedur evaluasi baru yang dirancang khusus untuk PLS-SEM

sifat berorientasi prediksi (Shmueli et al., 2016).

EVALUASI HASIL PLS-SEM

Langkah pertama dalam mengevaluasi hasil PLS-SEM melibatkan pemeriksaan model pengukuran,

yang berbeda untuk konstruk reflektif dan formatif. Jika model pengukuran memenuhi persyaratan

kriteria, peneliti kemudian perlu menilai model struktural (Hair et al., 2017a). Seperti kebanyakan

metode statistik, PLS-SEM memiliki aturan praktis yang berfungsi sebagai pedoman untuk mengevaluasi model

hasil (Chin, 2010; Götz et al., 2010; Henseler et al., 2009; Chin, 1998; Tenenhaus et al., 2005;

Roldán dan Sánchez-Franco, 2012; Hair et al., 2017a). Aturan praktis—pada dasarnya—
 Machine Translated by Google

adalah pedoman luas yang menyarankan cara menginterpretasikan hasil, dan biasanya bervariasi tergantung

pada konteks. Sebagai contoh, keandalan untuk penelitian eksplorasi harus minimal 0,60,

sedangkan reliabilitas untuk penelitian yang bergantung pada ukuran yang ditetapkan harus 0,70 atau lebih tinggi. Itu

Oleh karena itu, langkah terakhir dalam menginterpretasikan hasil PLS-SEM melibatkan menjalankan satu atau lebih ketahanan

pemeriksaan untuk mendukung stabilitas hasil. Tetapi relevansi pemeriksaan ketahanan ini bergantung pada

konteks penelitian, seperti tujuan analisis dan ketersediaan data.

Menilai model pengukuran reflektif

Langkah pertama dalam penilaian model pengukuran reflektif melibatkan pemeriksaan indikator

memuat. Memuat di atas 0,708 direkomendasikan, karena menunjukkan bahwa konstruk menjelaskan

lebih dari 50 persen varians indikator, sehingga memberikan reliabilitas item yang dapat diterima.
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

Langkah kedua adalah menilai reliabilitas konsistensi internal, paling sering menggunakan Jöreskog's

(1971) reliabilitas komposit. Nilai yang lebih tinggi umumnya menunjukkan tingkat keandalan yang lebih tinggi. Untuk

Misalnya, nilai reliabilitas antara 0,60 dan 0,70 dianggap “dapat diterima dalam eksplorasi

penelitian”, nilai 0,70 dan 0,90 berkisar dari “memuaskan hingga baik”. Tapi nilai 0,95 dan lebih tinggi

bermasalah, karena mereka menunjukkan bahwa item tersebut berlebihan, sehingga mengurangi konstruk

validitas (Diamantopoulos et al., 2012; Drolet dan Morrison, 2001). Nilai reliabilitas 0,95 dan

di atas juga menyarankan kemungkinan pola respon yang tidak diinginkan (misalnya, lapisan lurus), dengan demikian

memicu korelasi yang meningkat di antara istilah kesalahan indikator. Alfa Cronbach adalah hal lain

ukuran reliabilitas konsistensi internal yang mengasumsikan ambang batas yang sama, tetapi menghasilkan lebih rendah

nilai dari reliabilitas komposit. Secara khusus, alfa Cronbach adalah ukuran yang kurang tepat

keandalan karena item tidak tertimbang. Sebaliknya, dengan reliabilitas komposit, itemnya adalah

tertimbang berdasarkan muatan individual dan keandalan indikator konstruk lebih tinggi dari

Alfa Cronbach. Sementara alpha Cronbach mungkin terlalu konservatif, reliabilitas komposit
 Machine Translated by Google

mungkin terlalu liberal, dan keandalan konstruk yang sebenarnya biasanya dilihat dalam dua hal ini

nilai ekstrim. Sebagai alternatif, Dijkstra dan Henseler (2015) mengusulkan ÿA sebagai kira-kira

ukuran yang tepat dari keandalan konstruk, yang biasanya terletak di antara alfa Cronbach dan

keandalan komposit. Oleh karena itu, ÿA dapat mewakili kompromi yang baik jika diasumsikan bahwa faktor tersebut

modelnya benar.

Selain itu, peneliti dapat menggunakan interval kepercayaan bootstrap untuk menguji apakah konstruk tersebut

reliabilitas secara signifikan lebih tinggi dari ambang batas minimum yang direkomendasikan (misalnya, semakin rendah

terikat selang kepercayaan 95% dari reliabilitas konstruk lebih besar dari 0,70). Demikian pula,

mereka dapat menguji apakah keandalan konstruk secara signifikan lebih rendah dari maksimum yang disarankan

ambang batas (misalnya, batas atas interval kepercayaan 95% dari keandalan konstruk adalah

lebih rendah dari 0,95). Untuk mendapatkan interval kepercayaan bootstrap, sejalan dengan Aguirre-Urreta
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

dan Rönkkö (2018), peneliti umumnya harus menggunakan metode persentil. Namun, ketika

distribusi bootstrap koefisien reliabilitas miring, metode BCa harus lebih disukai

mendapatkan interval kepercayaan bootstrap.

Langkah ketiga adalah menilai validitas konvergen dari setiap ukuran konstruk. Konvergen

validitas adalah sejauh mana konstruk bertemu untuk menjelaskan variannya

item. Metrik yang digunakan untuk mengevaluasi validitas konvergen konstruk adalah varians rata-rata

diekstraksi (AVE) untuk semua item pada setiap konstruk. Untuk menghitung AVE, kita harus mengkuadratkan

pemuatan setiap indikator pada konstruk dan menghitung nilai rata-rata. Minimal

AVE yang dapat diterima adalah 0,50 atau lebih tinggiÿan AVE 0,50 atau lebih tinggi menunjukkan bahwa konstruk menjelaskan

50 persen atau lebih dari varian item yang menyusun konstruk.

Langkah keempat adalah menilai validitas diskriminan, yaitu sejauh mana suatu konstruk

secara empiris berbeda dari konstruksi lain dalam model struktural. Fornell dan Larcker (1981)

mengusulkan metrik tradisional dan menyarankan agar AVE setiap konstruk harus dibandingkan
 Machine Translated by Google

korelasi antar-konstruk kuadrat (sebagai ukuran varian bersama) dari konstruk yang sama

dan semua konstruk lain yang diukur secara reflektif dalam model struktural—variasi bersama untuk semua

konstruksi model tidak boleh lebih besar dari AVE mereka. Penelitian terbaru menunjukkan, bagaimanapun, bahwa

metrik ini tidak cocok untuk penilaian validitas diskriminan. Sebagai contoh, Henseler et al.

(2015) menunjukkan bahwa kriteria Fornell-Larcker tidak berjalan dengan baik, terutama ketika

pemuatan indikator pada konstruk hanya sedikit berbeda (misalnya, semua pemuatan indikator berada di antara

0,65 dan 0,85). Sebagai gantinya, Henseler et al. (2015) mengusulkan rasio heterotrait-monotrait

(HTMT) dari korelasi (lihat juga Voorhees et al., 2016). HTMT didefinisikan sebagai rata-rata

nilai korelasi item lintas konstruksi (yaitu, korelasi heterotrait-heteromethod)

relatif terhadap rata-rata (geometris) dari korelasi rata-rata untuk item yang berukuran sama

membangun (yaitu, korelasi monotrait-heteromethod). Masalah validitas diskriminan adalah

Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

hadir ketika nilai HTMT tinggi.

Henseler et al. (2015) mengusulkan nilai threshold 0,90 untuk model struktur dengan konstruksi

yang secara konseptual sangat mirip, seperti kepuasan kognitif, kepuasan afektif, dan

loyalitas. Dalam pengaturan seperti itu, nilai HTMT di atas 0,90 akan menunjukkan validitas diskriminan

tidak hadir. Tapi ketika konstruksi secara konseptual lebih berbeda, lebih rendah, lebih konservatif,

nilai ambang disarankan, seperti 0,85 (Henseler et al., 2015). Selain pedoman tersebut,

bootstrap dapat diterapkan untuk menguji apakah nilai HTMT berbeda secara signifikan dari 1,00

(Henseler et al., 2015) atau nilai ambang yang lebih rendah seperti 0,85 atau 0,90, yang harus ditentukan

berdasarkan konteks penelitian (Franke dan Sarstedt, 2019). Lebih khusus lagi, peneliti bisa

periksa apakah batas atas interval kepercayaan 95% dari HTMT lebih rendah dari 0,9 atau 0,85.

Menilai model pengukuran formatif

PLS-SEM adalah pendekatan yang lebih disukai ketika konstruksi formatif dimasukkan dalam struktural
 Machine Translated by Google

model (Hair et al., 2019). Model pengukuran formatif dievaluasi berdasarkan (1) konvergen

validitas, (2) kolinearitas indikator, dan (3) signifikansi statistik dan relevansi indikator

bobot (Hair et al., 2017a). Untuk konstruk yang diukur secara formatif, validitas konvergen dinilai

oleh korelasi konstruk dengan ukuran alternatif dari konsep yang sama. Semula

diusulkan oleh Chin (1998), prosedur ini disebut sebagai analisis redundansi. Untuk mengeksekusi

prosedur untuk menentukan validitas konvergen ini, peneliti harus merencanakan ke depan dalam penelitian

tahap desain dengan memasukkan indikator formatif alternatif yang diukur secara reflektif

konstruk yang diukur dalam kuesioner mereka. Cheah dkk. (2019) menunjukkan bahwa satu item, yang mana

menangkap esensi dari konstruk yang sedang dipertimbangkan, umumnya cukup sebagai alternatif

ukuran — meskipun ada keterbatasan sehubungan dengan validitas kriteria (Sarstedt et al., 2016a). Tapi multi

ukuran item dapat diterima dan mungkin lebih baik. Ketika model didasarkan pada data sekunder, a
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

variabel yang mengukur konsep serupa akan digunakan (Houston, 2004), tetapi jarang

diukur secara reflektif. Rambut dkk. (2017a) menyatakan bahwa korelasi yang diukur secara formatif

konstruk dengan konstruk item tunggal, mengukur konsep yang sama, harus 0,70 atau lebih tinggi.

Faktor inflasi varians (VIF) sering digunakan untuk mengevaluasi kolinearitas formatif

indikator. Semakin tinggi nilai VIF maka tingkat kolinearitas semakin besar. Nilai VIF 5 atau

di atas menunjukkan masalah kolinearitas di antara konstruksi prediktor. Namun, masalah kolinearitas

juga dapat terjadi pada nilai VIF yang lebih rendah dari 3 (Mason dan Perreault 1991; Becker et al. 2015). Idealnya,

nilai VIF harus mendekati 3 dan lebih rendah.

Pada langkah ketiga dan terakhir, peneliti perlu menilai statistik bobot indikator

signifikansi dan relevansi (yaitu, ukuran). PLS-SEM adalah metode nonparametrik dan karenanya

bootstrapping digunakan untuk menentukan signifikansi statistik (Chin, 1998). Rambut dkk. (2017a)

sarankan menggunakan interval kepercayaan bootstrap BCa untuk pengujian signifikansi jika bootstrap

distribusi bobot indikator miring. Jika tidak, peneliti harus menggunakan persentil
 Machine Translated by Google

metode untuk membuat interval kepercayaan berbasis bootstrap (lihat juga Aguirre-Urreta dan Rönkkö,

2018). Jika selang kepercayaan suatu bobot indikator termasuk nol, ini menunjukkan bahwa

berat tidak signifikan secara statistik, dan indikator harus dipertimbangkan untuk dihapus dari

model pengukuran. Namun jika suatu bobot indikator tidak signifikan, belum tentu diinterpretasikan

sebagai bukti kualitas model pengukuran yang buruk. Sebaliknya, kontribusi mutlak indikator untuk

konstruk dianggap (Cenfetelli dan Bassellier, 2009), seperti yang didefinisikan oleh muatan luarnya (yaitu,

korelasi antara indikator dan konstruknya). Menurut Hair et al. (2017a),

indikator dengan bobot yang tidak signifikan pasti harus dihilangkan jika pembebanannya juga tidak

penting. Pemuatan yang rendah namun signifikan sebesar 0,50 dan di bawahnya menunjukkan bahwa seseorang harus mempertimbangkan

menghapus indikator kecuali ada dukungan kuat untuk pencantumannya dengan alasan

teori pengukuran.
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

Saat memutuskan apakah akan menghapus indikator formatif berdasarkan hasil statistik,

peneliti perlu berhati-hati untuk alasan berikut. Pertama, bobot indikator formatif adalah a

fungsi dari banyaknya indikator yang digunakan untuk mengukur suatu konstruk. Semakin besar jumlahnya

indikator, semakin rendah berat rata-rata mereka. Oleh karena itu, model pengukuran formatif

secara inheren terbatas pada jumlah bobot indikator yang dapat signifikan secara statistik (misalnya,

Cenfetelli dan Bassellier, 2009). Kedua, indikator harus jarang dihilangkan dari formatif

model pengukuran, karena teori pengukuran formatif membutuhkan indikator untuk sepenuhnya menangkap

seluruh domain dari sebuah konstruk, seperti yang didefinisikan oleh peneliti pada tahap konseptualisasi. Di dalam

Berbeda dengan model pengukuran reflektif, indikator formatif tidak dapat dipertukarkan dan

menghapus bahkan satu indikator pun dapat mengurangi validitas isi model pengukuran

(misalnya, Diamantopoulos dan Winklhofer, 2001).

Setelah menilai signifikansi statistik dari bobot indikator, peneliti perlu melakukannya

memeriksa relevansi setiap indikator. Bobot indikator dibakukan ke nilai antara -1

 Machine Translated by Google

dan +1, tetapi, dalam kasus yang jarang terjadi, juga dapat mengambil nilai lebih rendah atau lebih tinggi dari ini, yang menunjukkan an

hasil abnormal (misalnya, karena kolinearitas dan/atau ukuran sampel yang kecil). Bobot mendekati 0 menunjukkan

hubungan yang lemah, sedangkan bobot mendekati +1 (atau -1) menunjukkan positif (atau negatif) yang kuat

hubungan.

Menilai model struktural

Ketika penilaian model pengukuran memuaskan, langkah selanjutnya adalah mengevaluasi PLS-SEM

hasilnya menilai model struktural. Standar kriteria penilaian yang seharusnya

dipertimbangkan, termasuk koefisien determinasi (R2 ), validasi silang berbasis penutup mata

ukuran redundansi Q2 , serta signifikansi statistik dan relevansi jalur

koefisien. Selain itu, peneliti harus menilai kekuatan prediktif out-of-sample model mereka
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

dengan menggunakan prosedur PLSpredict (Shmueli et al. 2016), dengan asumsi ukuran sampel besar

cukup.

Koefisien model struktural untuk hubungan antar konstruk diturunkan dari

memperkirakan serangkaian persamaan regresi. Sebelum menilai hubungan struktural,

collinearity harus diperiksa untuk memastikan tidak membiaskan hasil regresi. Proses ini

mirip dengan menilai model pengukuran formatif, tetapi skor variabel laten dari

konstruksi eksogen digunakan untuk menghitung nilai VIF. Nilai VIF di atas 5 merupakan indikasi dari

kemungkinan masalah kolinearitas di antara konstruk prediktor, tetapi masalah kolinearitas juga bisa

terjadi pada nilai VIF yang lebih rendah dari 3 sampai 5 (Mason dan Perreault 1991; Becker et al. 2015). Idealnya,

Nilai VIF harus mendekati 3 dan lebih rendah. Jika kolinearitas merupakan masalah, opsi yang sering digunakan adalah

untuk membuat model tatanan yang lebih tinggi yang dapat didukung oleh teori (Hair et al., 2017b).

Jika kolinearitas tidak menjadi masalah, langkah selanjutnya adalah memeriksa nilai R2 dari endogen

konstruksi. R2 mengukur varians yang dijelaskan di masing-masing endogen

 Machine Translated by Google

konstruksi, dan karena itu ukuran kekuatan penjelas model (Shmueli dan Koppius,

2011). R2 juga disebut sebagai kekuatan prediktif dalam sampel (Rigdon, 2012) . Rentang R2 _

dari 0 hingga 1, dengan nilai yang lebih tinggi menunjukkan kekuatan penjelas yang lebih besar. Sebagai pedoman, R2

nilai 0,75, 0,50, dan 0,25 dapat dianggap substansial, sedang, dan lemah (Henseler et al.,

2009; Rambut et al., 2011). Namun, nilai R2 yang dapat diterima didasarkan pada konteks dan beberapa

disiplin nilai R2 serendah 0,10 dianggap memuaskan, seperti, misalnya, dalam memprediksi

return saham (misalnya, Raithel et al., 2012). Selain itu, R2 adalah fungsi dari jumlah

konstruksi prediktor — semakin besar jumlah konstruk prediktor, semakin tinggi R2 . Karena itu,

R2 harus selalu ditafsirkan dalam kaitannya dengan konteks penelitian, berdasarkan nilai R2

dari studi terkait dan model kompleksitas serupa. Nilai R2 juga bisa terlalu tinggi

menunjukkan bahwa model overfits data. Artinya, modelnya terlalu rumit, sehingga pas
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

kebisingan acak yang melekat dalam sampel daripada mencerminkan keseluruhan populasi. Sama

model kemungkinan tidak cocok jika digunakan pada sampel lain yang diambil dari populasi (Sharma et al.

2019a). Saat mengukur konsep yang dapat diprediksi secara inheren, seperti proses fisik, R2

nilai 0,9 mungkin tidak mengejutkan. Tetapi nilai R2 yang sama dalam model yang memprediksi manusia

sikap, persepsi, dan niat mungkin bisa menunjukkan overfit.

Peneliti juga dapat menilai bagaimana penghapusan konstruk prediktor tertentu memengaruhi suatu

nilai R2 konstruk endogen . Metrik ini adalah ukuran efek f 2 dan agak berlebihan

besarnya koefisien jalur. Lebih tepatnya, urutan peringkat dari prediktor membangun '

relevansi dalam menjelaskan konstruk dependen dalam model struktural, seringkali sama ketika

membandingkan ukuran koefisien jalur dan f 2 ukuran efek. Dalam situasi seperti itu, efek f 2

ukuran hanya boleh dilaporkan jika diminta oleh editor atau pengulas. Jika tidak (yaitu, jika urutan peringkat

relevansi konstruksi, ketika menjelaskan konstruksi dependen dalam model struktural,

ketika membandingkan ukuran koefisien jalur dan f 2 ukuran efek), peneliti berbeda
 Machine Translated by Google

dapat melaporkan ukuran efek f 2 untuk menjelaskan keberadaan, misalnya, mediasi sebagian atau penuh

(Nitzl et al., 2016). Sebagai patokan, nilai yang lebih tinggi dari 0,02, 0,15, dan 0,35 menggambarkan kecil,

ukuran efek f2 sedang,

dan besar (Cohen, 1988).

Cara lain untuk menilai akurasi prediksi model jalur PLS adalah dengan menghitung Q2

nilai (Geisser, 1974; Stone, 1974). Metrik ini didasarkan pada prosedur penutup mata yang

menghapus titik tunggal dalam matriks data, menghubungkan titik yang dihapus dengan rata-rata, dan

memperkirakan parameter model (Rigdon, 2014b; Sarstedt et al., 2014). Dengan demikian, Q2 tidak

oleh karena itu ukuran prediksi out-of-sample, melainkan menggabungkan aspek-aspek out-of-sample

prediksi dan kekuatan penjelas dalam sampel (Shmueli et al., 2016; Sarstedt et al., 2017a). Menggunakan

perkiraan ini sebagai input, prosedur penutup mata memprediksi titik data yang telah dihapus

semua variabel. Perbedaan kecil antara nilai prediksi dan nilai asli diterjemahkan ke dalam a
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

nilai Q2 yang lebih tinggi , sehingga menunjukkan akurasi prediksi yang lebih tinggi. Sebagai pedoman, nilai Q2 seharusnya

lebih besar dari nol untuk konstruk endogen tertentu untuk menunjukkan akurasi prediksi dari

model struktural untuk konstruk tersebut. Sebagai patokan, nilai Q² lebih tinggi dari 0, 0,25, dan 0,5

menggambarkan relevansi prediktif kecil, sedang, dan besar dari model jalur PLS. Mirip dengan f 2

ukuran efek, dimungkinkan untuk menghitung dan menginterpretasikan ukuran efek q².

Banyak peneliti menafsirkan statistik R2 sebagai ukuran kekuatan prediksi model mereka.

Penafsiran ini tidak sepenuhnya benar, karena R2 hanya menunjukkan model masuk

sample explanatory power—tidak mengatakan apa pun tentang kekuatan prediktif model di luar sampel

(Shmueli, 2010; Shmueli dan Koppius, 2011; Dolce et al., 2017). Menyikapi keprihatinan tersebut,

Shmueli et al. (2016) mengusulkan seperangkat prosedur untuk prediksi out-of-sample yang melibatkan

memperkirakan model pada sampel analisis (yaitu, pelatihan) dan mengevaluasi prediktifnya

kinerja pada data selain sampel analisis, disebut sebagai sampel holdout. Itu

Prosedur PLSpredict menghasilkan prediksi berbasis sampel holdout di PLS-SEM dan merupakan
 Machine Translated by Google

opsi dalam perangkat lunak PLS-SEM standar, seperti SmartPLS (Ringle et al., 2015) dan open source

lingkungan seperti R (https://github.com/ISS-Analytics/pls-predict), sehingga peneliti dapat

menerapkan prosedur dengan mudah.

PLSpredict mengeksekusi k-fold cross-validation. Lipatan adalah subgrup dari total sampel, dan k adalah

jumlah subgrup. Artinya, total dataset dibagi secara acak menjadi k subset berukuran sama

data. Misalnya, validasi silang berdasarkan k=5 kali lipat membagi sampel menjadi lima ukuran yang sama

subset data (yaitu, kelompok data). PLSpredict kemudian menggabungkan subset k-1 menjadi satu analisis

sampel yang digunakan untuk memprediksi subset data kelima yang tersisa. Subset data kelima adalah holdout

sampel untuk proses validasi silang pertama. Proses validasi silang ini kemudian diulang sebanyak k kali (in

contoh ini, lima kali), dengan masing-masing dari lima himpunan bagian digunakan satu kali sebagai sampel penahan. Jadi,

setiap kasus di setiap sampel ketidakhadiran memiliki nilai prediksi yang diestimasi dengan sampel di mana itu
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

case tidak digunakan untuk memperkirakan parameter model. Shmueli et al. (2019) merekomendasikan pengaturan

k=10, tetapi peneliti perlu memastikan sampel analisis untuk setiap subset (lipatan) terpenuhi

pedoman ukuran sampel minimum. Ketika sampel terlalu kecil untuk menggunakan k=10, nilai k lebih kecil

dapat digunakan. Juga, dua kriteria lain untuk menilai prediksi out-of-sample tanpa menggunakan holdout

sampel tersedia - BIC dan GM (dibahas nanti dalam makalah ini).

Pembangkitan k subgrup merupakan proses acak dan kadang-kadang dapat menghasilkan hasil yang ekstrim

partisi yang berpotensi menyebabkan solusi abnormal. Untuk menghindari solusi abnormal tersebut,

peneliti harus menjalankan PLSpredict beberapa kali. Shmueli et al. (2019) merekomendasikan secara umum

menjalankan prosedur sepuluh kali. Namun, ketika tujuannya adalah untuk menduplikasi bagaimana model PLS

pada akhirnya akan digunakan untuk memprediksi pengamatan baru dengan menggunakan model tunggal (diperkirakan dari

seluruh dataset), PLSpredict harus dijalankan hanya sekali (yaitu, tanpa pengulangan).

Untuk penilaian daya prediksi model saat menggunakan PLSpredict, peneliti bisa

menarik beberapa statistik prediksi yang mengukur jumlah kesalahan prediksi. Sebagai contoh,
 Machine Translated by Google

mean absolute error (MAE) mengukur besarnya rata-rata kesalahan dalam satu set

prediksi tanpa mempertimbangkan arah mereka (atas atau bawah). MAE dengan demikian adalah rata-rata

perbedaan mutlak antara prediksi dan pengamatan aktual, dengan semua individu

perbedaan yang memiliki bobot yang sama. Metrik prediksi populer lainnya adalah rata-rata akar kuadrat

error (RMSE), yang didefinisikan sebagai akar kuadrat dari rata-rata selisih kuadrat

antara prediksi dan pengamatan aktual. Karena RMSE mengkuadratkan kesalahan sebelumnya

rata-rata, statistik memberikan bobot yang lebih besar untuk kesalahan yang lebih besar, yang membuatnya sangat berguna

ketika kesalahan besar tidak diinginkan—seperti yang biasanya terjadi dalam aplikasi riset bisnis.

Saat menginterpretasikan hasil prediksi PLS, fokusnya harus pada kunci model endogen

membangun, sebagai lawan dari memeriksa kesalahan prediksi untuk semua konstruksi endogen '

2
indikator. Ketika konstruk target kunci telah dipilih, statistik Q harus diprediksi
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

dievaluasi terlebih dahulu untuk memverifikasi bahwa prediksi mengungguli tolok ukur paling naif, yang didefinisikan sebagai

sarana indikator dari sampel analisis (Shmueli et al., 2019). Kemudian, peneliti perlu

memeriksa statistik prediksi. Dalam kebanyakan kasus, peneliti harus menggunakan RMSE. Tapi jika

distribusi kesalahan prediksi sangat tidak simetris, MAE adalah prediksi yang lebih tepat

statistik (Shmueli et al., 2019). Statistik prediksi bergantung pada pengukuran indikator

timbangan dan oleh karena itu nilai mentahnya tidak memiliki banyak arti. Oleh karena itu, peneliti perlu

bandingkan nilai RMSE (atau MAE) dengan tolok ukur naif. Naif yang direkomendasikan

benchmark (diproduksi dengan metode PLSpredict) menggunakan model regresi linier (LM) untuk menghasilkan

prediksi untuk variabel manifes, dengan menjalankan regresi linier dari masing-masing dependen

indikator konstruk pada indikator variabel laten eksogen dalam model jalur PLS

(Danks dan Ray, 2018). Dalam membandingkan nilai RMSE (atau MAE) dengan nilai LM,

pedoman berikut berlaku (Shmueli et al., 2019):

 Machine Translated by Google

• Jika analisis PLS-SEM, dibandingkan dengan tolok ukur LM naif, menghasilkan prediksi yang lebih tinggi

kesalahan dalam hal RMSE (atau MAE) untuk semua indikator, ini menunjukkan bahwa model tersebut kurang

kekuatan prediksi.

• Jika mayoritas indikator konstruk dependen dalam analisis PLS-SEM menghasilkan

kesalahan prediksi yang lebih tinggi dibandingkan dengan tolok ukur LM naif, hal ini menunjukkan bahwa model tersebut

memiliki daya prediksi yang rendah.

• Jika minoritas (atau jumlah yang sama) indikator dalam analisis PLS-SEM menghasilkan lebih besar

kesalahan prediksi dibandingkan dengan tolok ukur LM naif, ini menunjukkan prediksi sedang

kekuasaan.

• Jika tidak ada indikator dalam analisis PLS-SEM yang memiliki nilai RMSE (atau MAE) yang lebih tinggi

dibandingkan dengan tolok ukur LM naif, model ini memiliki daya prediksi yang tinggi.
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

Setelah memperkuat kekuatan penjelas dan kekuatan prediksi model, langkah terakhir adalah

menilai signifikansi statistik dan relevansi koefisien jalur. Interpretasi dari

koefisien jalur sejajar dengan bobot indikator formatif. Artinya, peneliti perlu berlari

bootstrap untuk menilai signifikansi koefisien jalur dan mengevaluasi nilainya, yang mana

biasanya jatuh di kisaran -1 dan +1. Peneliti juga dapat menginterpretasikan efek tidak langsung dari sebuah konstruk

pada konstruksi target tertentu melalui satu atau lebih konstruksi intervensi. Jenis efek ini adalah

sangat relevan dalam penilaian efek mediasi (Nitzl, 2016).

Demikian pula, peneliti dapat menginterpretasikan efek total konstruk, yang didefinisikan sebagai jumlah dari yang langsung

dan semua efek tidak langsung. Efek total model juga berfungsi sebagai masukan untuk kepentingan-kinerja

analisis peta (IPMA), dan memperluas pelaporan hasil PLS-SEM standar dari koefisien jalur

estimasi dengan menambahkan dimensi pada analisis yang mempertimbangkan nilai rata-rata laten

skor variabel. Lebih tepatnya, IPMA membandingkan efek total model struktural pada a

konstruk target spesifik dengan skor variabel laten rata-rata pendahulu konstruk ini
 Machine Translated by Google

(Ringle dan Sarstedt, 2016).

Akhirnya, peneliti mungkin tertarik untuk membandingkan hasil konfigurasi model yang berbeda

dari berbagai teori atau konteks penelitian. Sharma dkk. (2019b; 2019a) baru-baru ini membandingkan

kemanjuran berbagai metrik untuk tugas perbandingan model dan menemukan bahwa Schwarz (1978)

Kriteria informasi Bayesian (BIC) dan kriteria (GM) Geweke dan Meese (1981) mencapai

tradeoff suara antara kecocokan model dan kekuatan prediktif dalam estimasi model jalur PLS.

Penelitian mereka memfasilitasi penilaian prediksi out-of-sample tanpa menggunakan sampel holdout dan

sangat berguna dengan aplikasi PLS-SEM berdasarkan sampel yang terlalu kecil untuk diizinkan

membagi menjadi analisis dan menahan sampel. Secara khusus, peneliti harus memperkirakan setiap model

secara terpisah dan pilih model yang meminimalkan nilai dalam BIC atau GM untuk target tertentu

membangun.
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

Tabel 2 merangkum metrik yang perlu diterapkan saat menafsirkan dan melaporkan PLS

hasil SEM.

MASUKKAN TABEL 2 DI SINI

Pemeriksaan ketahanan

Penelitian terbaru telah mengusulkan metode pelengkap untuk menilai ketahanan PLS

Hasil SEM (Hair et al., 2018; Latan, 2018). Metode ini membahas baik pengukuran

model atau model struktural.

Dalam hal model pengukuran, Gudergan et al. (2008) telah mengusulkan konfirmasi

analisis tetrad (CTA-PLS), yang memungkinkan pembuktian secara empiris spesifikasi

model pengukuran (yaitu, reflektif vs formatif). CTA-PLS bergantung pada konsep

 Machine Translated by Google

tetrad, yang menggambarkan perbedaan produk sepasang kovarians dan produk dari

sepasang kovarian lainnya (Bollen dan Ting, 2000). Dalam model pengukuran reflektif, ini

tetrad harus menghilang (yakni menjadi nol) karena indikator diasumsikan berasal dari

domain yang sama. Jika salah satu tetrad konstruk berbeda secara signifikan dari nol, satu menolak nol

hipotesis dan mengasumsikan formatif bukan spesifikasi model pengukuran reflektif. Dia

harus dicatat, bagaimanapun, bahwa CTA-PLS adalah tes empiris dari model pengukuran dan

metode utama untuk menentukan spesifikasi model reflektif atau formatif adalah penalaran teoritis

(Hair et al., 2017a).

Dalam hal model struktural, Sarstedt et al. (2019) menyarankan agar peneliti mempertimbangkan

potensi (1) efek nonlinier, (2) endogenitas, dan (3) heterogenitas yang tidak teramati. Pertama, untuk menguji

apakah hubungan nonlinier atau tidak, peneliti dapat menjalankan tes RESET Ramsey (1969).
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

skor variabel laten dalam regresi parsial model jalur. Statistik uji yang signifikan dalam hal apa pun

dari regresi parsial menunjukkan potensi efek nonlinier. Selain itu peneliti juga bisa

buat istilah interaksi untuk memetakan efek nonlinier dalam model dan menguji statistiknya

signifikansi menggunakan bootstrapping (Svensson et al., 2018).

Kedua, ketika perspektif penelitian terutama menjelaskan dalam analisis PLS-SEM,

peneliti harus menguji endogenitas. Endogenitas biasanya terjadi ketika peneliti memiliki

menghilangkan konstruk yang berkorelasi dengan satu atau lebih konstruk prediktor dan dependen

membangun dalam regresi parsial model jalur PLS. Untuk menilai dan mengobati endogenitas,

peneliti harus mengikuti prosedur sistematis Hult et al. (2018), dimulai dengan aplikasi

pendekatan kopula Gaussian Park dan Gupta (2012). Jika pendekatan menunjukkan endogenitas

masalah, peneliti harus menerapkan variabel instrumental yang sangat berkorelasi dengan

konstruk independen, tetapi tidak berkorelasi dengan istilah kesalahan konstruk dependen, untuk dijelaskan

sumber endogenitas (Bascle, 2008). Yang penting, bagaimanapun, penilaian endogenitas hanya
 Machine Translated by Google

relevan ketika fokus peneliti hanya pada penjelasan, bukan ketika fokus pada

Karakter kausal-prediktif PLS-SEM.

Ketiga, heterogenitas yang tidak teramati terjadi ketika ada subkelompok data yang menghasilkan secara substansial

perkiraan model yang berbeda. Jika demikian, estimasi model berdasarkan seluruh kumpulan data adalah

sangat mungkin menghasilkan hasil yang menyesatkan (Becker et al., 2013). Oleh karena itu, setiap analisis PLS-SEM

harus mencakup pemeriksaan rutin untuk heterogenitas yang tidak teramati untuk memastikan apakah

analisis seluruh dataset masuk akal atau tidak. Sarstedt dkk. (2017b) mengusulkan sistematika

prosedur untuk mengidentifikasi dan mengobati heterogenitas yang tidak teramati. Menggunakan kriteria informasi

berasal dari PLS campuran hingga (Hahn et al., 2002; Sarstedt et al., 2011), peneliti dapat

mengidentifikasi jumlah segmen yang akan diekstraksi dari data (jika ada) (Hair et al., 2016b;

Matthews et al., 2016). Jika heterogenitas hadir pada tingkat kritis, langkah selanjutnya melibatkan
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

menjalankan prosedur segmentasi berorientasi prediksi PLS (Becker et al., 2013) pada data ke

mengungkapkan struktur segmen. Akhirnya, peneliti berusaha untuk mengidentifikasi penjelasan yang sesuai

variabel yang mencirikan segmen yang tidak terungkap (misalnya, dengan menggunakan tabel kontingensi atau lengkap

analisis CHAID; Ringle et al., 2010). Jika tersedia variabel penjelas yang sesuai, PLS-SEM

moderator (Henseler dan Fassott, 2010; Becker et al., 2018) atau analisis multigrup (Chin dan

Dibbern, 2010; Matthews, 2017), dikombinasikan dengan penilaian invarian pengukuran

(Henseler et al., 2016b) jika sesuai, dapat mengidentifikasi analisis dengan lebih spesifik

temuan, kesimpulan, dan implikasi.

PLS-SEM dan konfirmasi skala pengukuran

Analisis faktor konfirmasi (CFA) secara historis telah digunakan untuk mengembangkan dan meningkatkan

konstruksi yang diukur secara reflektif berdasarkan model pengambilan sampel domain (Hair et al., 2019).

Dibandingkan dengan CFA, CCA adalah pendekatan alternatif yang baru-baru ini diusulkan yang menawarkan beberapa

keuntungan. CCA adalah serangkaian langkah yang dijalankan dengan PLS-SEM untuk mengonfirmasi baik reflektif maupun
 Machine Translated by Google

model pengukuran formatif dari langkah-langkah yang ditetapkan yang sedang diperbarui atau disesuaikan dengan a

konteks yang berbeda. Perhatikan bahwa CCA juga berguna untuk mengembangkan tindakan baru.

Sebelum mengeksekusi CCA, definisi operasional dari konstruksi multi-item harus

dikonfirmasi, termasuk apakah model pengukuran yang sesuai bersifat reflektif atau formatif, karena

proses untuk kedua jenis pengukuran ini sangat berbeda. Langkah awal ini adalah

dilanjutkan dengan tinjauan pustaka dan penelitian kualitatif dengan panel ahli untuk menilai validitas muka

dan kurangi daftar item awal. Uji coba untuk penyempurnaan dan pemurnian item

mempersiapkan peneliti untuk melaksanakan CCA.

CCA berbeda dari CFA karena tujuan statistiknya adalah untuk memaksimalkan varians yang diekstraksi

variabel eksogen, tetapi dalam melakukannya untuk memfasilitasi prediksi konstruksi endogen, dan

konfirmasi model pengukuran. Artinya, CCA memungkinkan peneliti untuk mengembangkan dan
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

memvalidasi langkah-langkah dalam jaringan nomologis. Metode tersebut merupakan perluasan dari prinsipal

analisis komponen karena berbasis komposit dan, oleh karena itu, menghasilkan skor komposit yang

adalah jumlah bobot indikator dan dapat digunakan dalam analisis tindak lanjut. Komposit yang dihasilkan

berkorelasi, bagaimanapun, karena mereka akan berada dalam rotasi miring dengan faktor eksplorasi

analisis, dan termasuk varians yang memaksimalkan prediksi konstruksi endogen. Perhatikan bahwa

korelasi komposit dari rotasi miring jarang menimbulkan masalah

multikolinearitas, tetapi masalah ini harus selalu diperiksa (Hair et al., 2017a).

Untuk meringkas proses eksekusi CCA, pertama-tama nilai model pengukuran PLS standar

kriteria reliabilitas item, pemuatan item, reliabilitas konsistensi internal, validitas konvergen, dan

validitas diskriminan. Jika metrik ini memenuhi pedoman yang direkomendasikan, langkah selanjutnya adalah menilai

validitas nomologis dengan membandingkan konstruk yang termasuk dalam CCA dengan konstruk lainnya

dalam jaringan nomologis. Langkah CCA ketiga dan terakhir adalah menilai kriteria atau lebih disukai

validitas prediktif konstruksi CCA berdasarkan hasil model struktural.

 Machine Translated by Google

Untuk mencapai tujuan konfirmasi pengukuran dalam mengembangkan atau mengadaptasi multi-item

langkah-langkah, peneliti bisa menggunakan baik CFA atau CCA. Namun hasilnya berbeda, dan

peneliti perlu memahami implikasi dari hasil yang berbeda untuk mendapatkan informasi

keputusan. CCA dan CFA keduanya dapat digunakan untuk meningkatkan reliabilitas item dan skala, mengidentifikasi dan

memberikan indikasi item yang perlu direvisi atau dalam beberapa hal dihilangkan untuk konten

validitas, memfasilitasi pencapaian validitas konvergen dan validitas diskriminan, dan menghilangkan kesalahan

perbedaan. Dibandingkan dengan CFA, CCA memiliki beberapa kelebihan, yaitu sebagai berikut: (1) jumlah

item dipertahankan untuk mengukur konstruk lebih tinggi dengan CCA, sehingga meningkatkan validitas konstruk,

(2) tersedia skor konstruk penentu (Rigdon et al., 2019), dan (3) CCA dapat diterapkan

untuk model pengukuran formatif.

Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

PENUTUP PENGAMATAN

PLS-SEM semakin banyak diterapkan untuk memperkirakan model persamaan struktural (Hair et al.,

2014). Cendekiawan membutuhkan ikhtisar pertimbangan dan metrik yang komprehensif namun ringkas

diperlukan untuk memastikan analisis dan pelaporan hasil PLS-SEM mereka selesai—sebelum mengirimkan

artikel mereka untuk ditinjau. Penelitian sebelumnya telah memberikan pedoman pelaporan tersebut (misalnya, Hair et al.,

2011; Rambut et al., 2013; Rambut et al., 2012b; dagu, 2010; Tenenhaus et al., 2005; Henseler et al.,

2009), yang, mengingat penelitian dan perkembangan metodologi terbaru dalam PLS-SEM

domain, perlu terus diperpanjang dan diperbarui. Kami berharap makalah ini dapat mencapai tujuan tersebut.

Bagi peneliti yang belum pernah menggunakan PLS-SEM sebelumnya, artikel ini adalah sumber yang bagus untuk diandalkan

pada saat mempersiapkan dan menyelesaikan naskah mereka. Apalagi bagi peneliti yang berpengalaman di

menerapkan PLS-SEM, ini adalah gambaran dan pengingat yang baik tentang bagaimana mempersiapkan PLS-SEM

naskah. Pengetahuan ini juga penting bagi reviewer dan editor jurnal untuk memastikan

ketelitian studi PLS-SEM yang diterbitkan. Kami memberikan ikhtisar dari beberapa yang baru-baru ini diusulkan
 Machine Translated by Google

perbaikan (PLSpredict dan model perbandingan metrik), serta metode pelengkap

untuk pemeriksaan ketahanan (misalnya, penilaian endogenitas dan prosedur kelas laten), yang kami

merekomendasikan harus diterapkan jika sesuai saat menggunakan PLS-SEM. Kami juga meringkas sebuah

peran yang muncul untuk analisis komposit konfirmasi (CCA), yang merupakan alternatif untuk penggunaan

analisis faktor konfirmasi (CFA) dalam pengembangan, adaptasi dan konfirmasi

skala pengukuran. Terakhir, sementara beberapa peneliti menerbitkan artikel yang negatif

tentang penggunaan PLS-SEM, baru-baru ini beberapa peneliti terkemuka telah mengakuinya

nilai PLS sebagai teknik SEM (Petter, 2018). Kami percaya bahwa sarjana ilmu sosial akan melakukannya

lalai jika mereka tidak menerapkan semua metode statistik yang mereka miliki untuk mengeksplorasi dan lebih baik

memahami fenomena yang mereka selidiki.

Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

Referensi

Aguirre-Urreta MI dan Rönkkö M. (2018) Inferensi Statistik dengan PLSc Menggunakan Interval Keyakinan
Bootstrap. MIS Triwulanan 42(3): 1001-1020.
Akter S, Fosso Wamba S and Dewan S. (2017) Mengapa PLS-SEM Cocok untuk Pemodelan Kompleks? Ilustrasi
Empiris dalam Kualitas Big Data Analytics. Perencanaan & Pengendalian Produksi 28(11-12): 1011-1021.

Ali F, Rasoolimanesh SM dan Cobanoglu C. (2018a) Menerapkan Kuadrat Terkecil Parsial dalam Pariwisata
dan Penelitian Perhotelan. Bingley: Zamrud.
Ali F, Rasoolimanesh SM, Sarstedt M, dkk. (2018b) Kajian Penggunaan Partial Least Squares Structural Equation
Modeling (PLS-SEM) dalam Penelitian Perhotelan. Jurnal Internasional Manajemen Perhotelan
Kontemporer 30(1): 514-538.
Avkiran NK dan Ringle CM. (2018) Pemodelan Persamaan Struktural Kuadrat Terkecil Parsial: Terbaru
Kemajuan di bidang Perbankan dan Keuangan. Cham: Penerbitan Internasional Springer.
Bascle G. (2008) Mengontrol Endogenitas dengan Variabel Instrumental dalam Penelitian Manajemen Strategis.
Organisasi Strategis 6(3): 285-327.
Becker JM, Rai A, Ringle CM, dkk. (2013) Menemukan Heterogenitas yang Tidak Diamati dalam Model Persamaan
Struktural untuk Menghindari Ancaman Validitas. MIS Kuartalan 37(3): 665-694.
Becker JM, Ringle CM dan Sarstedt M. (2018) Memperkirakan Efek Moderasi dalam PLS-SEM dan PLSc-SEM:
Pembangkitan Istilah Interaksi*Perlakuan Data. Journal of Applied Structural Equation Modelling 2(2): 1-21.

Bollen KA dan Ting Kf. (2000) Tes Tetrad untuk Indikator Penyebab. Metode Psikologis
5(1): 3-22.
Boomsma A dan Hoogland JJ. (2001) Tinjauan Kembali Kekokohan Pemodelan LISREL. Dalam: Cudeck R, du
Toit S dan Sörbom D (eds) Pemodelan Persamaan Struktural: Sekarang dan Masa Depan. Chicago:
Perangkat Lunak Ilmiah Internasional, 139-168.
 Machine Translated by Google

Cenfetelli RT dan Bassellier G. (2009) Interpretasi Pengukuran Formatif dalam Informasi

Penelitian Sistem. MIS Kuartalan 33(4): 689-708.
Cheah JH, Sarstedt M, Ringle CM, dkk. (2019) Penilaian Validitas Konvergen dari Konstruk yang Diukur
Secara Formatif dalam PLS-SEM: Tentang Menggunakan Pengukuran Satu Item versus Multi Item
dalam Analisis Redundansi. Jurnal Internasional Manajemen Perhotelan Kontemporer yang akan
datang.
Dagu WW. (1998) Pendekatan Partial Least Squares untuk Pemodelan Persamaan Struktural. Dalam:
Marcoulides GA (ed) Metode Modern untuk Riset Bisnis. Mahwah: Erlbaum, 295-358.

Dagu WW. (2003) PLS-Grafik 3.0. Houston: Soft Modeling Inc.

Dagu WW. (2010) Cara Menulis dan Melaporkan Analisis PLS. Di dalam: Esposito Vinzi V, Chin WW,
Henseler J, dkk. (eds) Handbook of Partial Least Squares: Konsep, Metode dan Aplikasi (Springer
Handbooks of Computational Statistics Series, vol. II).
Heidelberg, Dordrecht, London, New York: Springer, 655-690.
Chin WW dan Dibbern J. (2010) Prosedur Berbasis Permutasi untuk Analisis PLS Multi-Grup: Hasil Uji
Perbedaan pada Data Simulasi dan Analisis Lintas Budaya Sumber Layanan Sistem Informasi
antara Jerman dan Amerika Serikat. Di dalam: Esposito Vinzi V, Chin WW, Henseler J, dkk. (eds)
Handbook of Partial Least Squares: Konsep, Metode dan Aplikasi (Springer Handbooks of
Computational Statistics Series, vol.
II). Heidelberg, Dordrecht, London, New York: Springer, 171-193.
Chou CP, Bentler PM dan Satorra A. (1991) Statistik Uji Berskala dan Kesalahan Standar Kuat untuk Data
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

Non-Normal dalam Analisis Struktur Kovarian: Studi Monte Carlo. Jurnal Psikologi Matematika dan
Statistik Inggris 44(2): 347-357.
Cochran WG. (1977) Teknik Sampling, New York, NY: Wiley.
Cohen J. (1988) Analisis Kekuatan Statistik untuk Ilmu Perilaku: Lawrence Erlbaum
Rekanan.
Danks N dan Ray S. (2018) Prediksi dari Model Partial Least Squares. Dalam: Ali F, Rasoolimanesh SM
dan Cobanoglu C (eds) Menerapkan Kuadrat Terkecil Parsial dalam Penelitian Pariwisata dan
Perhotelan. Bingley: Zamrud, 35-52.
Diamantopoulos A, Sarstedt M, Fuchs C, dkk. (2012) Pedoman untuk memilih antara skala multi-item dan
single-item untuk pengukuran konstruk: perspektif validitas prediktif.
Jurnal Akademi Ilmu Pemasaran 40(3): 434-449.
Diamantopoulos A dan Winklhofer HM. (2001) Konstruksi Indeks dengan Indikator Formatif: Sebuah
Alternatif Pengembangan Skala Jurnal Riset Pemasaran 38(2): 269-277.
Dijkstra TK dan Henseler J. (2015) Consistent Partial Least Squares Path Modeling. SALAH
Triwulanan 39(2): 297-316.
do Valle PO and Assaker G. (2015) Menggunakan Pemodelan Persamaan Struktural Partial Least Squares
dalam Penelitian Pariwisata: Tinjauan Penelitian Sebelumnya dan Rekomendasi untuk Aplikasi
Masa Depan. Journal of Travel Research in press.
Dolce P, Esposito Vinzi V dan Lauro C. (2017) Pemodelan Jalur Prediktif Melalui PLS dan Pendekatan
Berbasis Komponen Lainnya: Masalah Metodologis dan Evaluasi Kinerja. Dalam: Latan H and
Noonan R (eds) Partial Least Squares Path Modelling: Konsep Dasar, Isu Metodologis dan Aplikasi.
Cham: Penerbitan Internasional Springer, 153-172.

Drolet AL dan Morrison DG. (2001) Apakah Kita Benar-benar Membutuhkan Pengukuran Berbagai Item
dalam Riset Layanan? Jurnal Penelitian Layanan 3(3): 196-204.
Efron B. (1987) Interval Keyakinan Bootstrap yang Lebih Baik. Jurnal Statistik Amerika
Asosiasi 82(397): 171-185.
 Machine Translated by Google

Fornell CG dan Bookstein FL. (1982) Dua Model Persamaan Struktural: LISREL dan PLS Diterapkan pada
Teori Suara-Keluar Konsumen. Jurnal Riset Pemasaran 19(4): 440-452.
Fornell CG dan Larcker DF. (1981) Mengevaluasi Model Persamaan Struktural dengan Variabel yang Tidak
Dapat Diobservasi dan Kesalahan Pengukuran. Jurnal Riset Pemasaran 18(1): 39-50.
Franke GR dan Sarstedt M. (2019) Heuristik Versus Statistik dalam Pengujian Validitas Diskriminan:
Perbandingan Empat Prosedur. Penelitian Internet yang akan datang.
Garson GD. (2016) Model Regresi Kuadrat Terkecil Parsial dan Persamaan Struktural, Asheboro: Statistical
Associates.
Geisser S. (1974) Pendekatan Prediktif terhadap Model Efek Acak. Biometrika 61(1): 101-
107.
Geweke J dan Meese R. (1981) Memperkirakan Model Regresi dari Urutan Hingga tetapi Tidak Diketahui.
Jurnal Ekonometrika 16(1): 162.
Goodhue DL, Lewis W and Thompson R. (2012) Apakah PLS Memiliki Keunggulan untuk Sampel Kecil
Ukuran atau Data Non-Normal? MIS Kuartalan 36 (3): 981-1001.
Götz O, Liehr-Gobbers K dan Krafft M. (2010) Evaluasi Model Persamaan Struktural Menggunakan Pendekatan
Partial Least Squares (PLS). Di dalam: Esposito Vinzi V, Chin WW, Henseler J, dkk. (eds) Handbook
of Partial Least Squares: Konsep, Metode dan Aplikasi (Springer Handbooks of Computational
Statistics Series, vol. II). Heidelberg, Dordrecht, London, New York: Springer, 691-711.

Gudergan SP, Ringle CM, Wende S, dkk. (2008) Confirmatory Tetrad Analysis in PLS Path
Pemodelan. Jurnal Riset Bisnis 61(12): 1238-1249.
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

Hahn C, Johnson MD, Herrmann A, dkk. (2002) Menangkap Heterogenitas Pelanggan Menggunakan a
Pendekatan PLS Campuran Hingga. Ulasan Bisnis Schmalenbach 54(3): 243-269.
Rambut JF, Hollingsworth CL, Randolph AB, dkk. (2016a) Penilaian PLS-SEM yang Diperbarui dan Diperluas
dalam Penelitian Sistem Informasi. Manajemen Industri & Sistem Data di press.

Hair JF, Hult GTM, Ringle CM, dkk. (2017a) Sebuah Primer pada Struktur Kuadrat Terkecil Parsial
Pemodelan Persamaan (PLS-SEM), Thousand Oaks, CA: Sage.
Hair JF, Hult GTM, Ringle CM, dkk. (2017b) A Primer on Partial Least Squares Structural Equations Modeling
(PLS-SEM), Thousand Oaks: SAGE.
Hair JF, Hult GTM, Ringle CM, dkk. (2017c) Cermin, Cermin di Dinding: Evaluasi Komparatif Metode
Pemodelan Persamaan Struktural Berbasis Komposit Jurnal Akademi Ilmu Pemasaran 45(5): 616-632.

Hair JF, Ringle CM dan Sarstedt M. (2011) PLS-SEM: Memang Peluru Perak. Jurnal dari
Teori dan Praktek Pemasaran 19(2): 139-151.
Hair JF, Ringle CM dan Sarstedt M. (2013) Pemodelan Persamaan Struktural Kuadrat Terkecil Parsial:
Aplikasi yang Ketat, Hasil yang Lebih Baik, dan Penerimaan yang Lebih Tinggi. Perencanaan Jangka
Panjang 46(1-2): 1-12.
Rambut JF, Sarstedt M, Hopkins L, dkk. (2014) Partial Least Squares Structural Equation Modeling (PLS-
SEM): Alat yang Muncul dalam Riset Bisnis. Tinjauan Bisnis Eropa 26(2): 106-121.

Rambut JF, Sarstedt M, Matthews L, dkk. (2016b) Mengidentifikasi dan Mengobati Heterogenitas Tak Teramati
dengan FIMIX-PLS: Bagian I - Metode. Tinjauan Bisnis Eropa 28(1): 63- 76.

Rambut JF, Sarstedt M, Pieper TM, dkk. (2012a) Penggunaan Pemodelan Persamaan Struktural Partial Least
Squares dalam Penelitian Manajemen Strategis: Tinjauan Praktek Masa Lalu dan Rekomendasi untuk
Aplikasi Masa Depan. Perencanaan Jangka Panjang 45(5-6): 320-340.
Hair JF, Sarstedt M dan Ringle CM. (2019) Memikirkan Kembali Beberapa Memikirkan Kembali Partial Least
 Machine Translated by Google

Kotak. Jurnal Pemasaran Eropa yang akan datang.

Rambut JF, Sarstedt M, Ringle CM, dkk. (2018) Advanced Issues in Partial Least Squares Structural Equation
Modeling (PLS-SEM), Thousand Oaks, CA: Sage.
Rambut JF, Sarstedt M, Ringle CM, dkk. (2012b) Kajian Penggunaan Pemodelan Persamaan Struktural Partial
Least Squares dalam Riset Pemasaran. Jurnal Akademi Ilmu Pemasaran 40(3): 414-433.

Henseler J, Dijkstra TK, Sarstedt M, dkk. (2014) Common Beliefs and Reality about Partial Least Squares:
Comments on Rönkkö & Evermann (2013). Metode Penelitian Organisasi 17(2): 182-209.

Henseler J dan Fassott G. (2010) Menguji Efek Pemoderasi pada Model Jalur PLS: Ilustrasi Prosedur yang
Tersedia. Di dalam: Esposito Vinzi V, Chin WW, Henseler J, dkk. (ed)
Handbook of Partial Least Squares: Konsep, Metode dan Aplikasi (Springer Handbooks of Computational
Statistics Series, vol. II). Heidelberg, Dordrecht, London, New York: Springer, 713-735.

Henseler J, Hubona GS dan Ray PA. (2016a) Menggunakan Pemodelan Jalur PLS dalam Riset Teknologi Baru:
Pedoman yang Diperbarui. Manajemen Industri & Sistem Data 116(1): 1-19.
Henseler J, Hubona GS dan Ray PA. (2017) Pemodelan Jalur Kuadrat Terkecil Parsial: Pedoman yang Diperbarui.
Dalam: Latan H and Noonan R (eds) Partial Least Squares Structural Equation Modeling: Konsep Dasar,
Isu Metodologis dan Aplikasinya. Heidelberg: Peloncat, 19-39.

Henseler J, Ringle CM dan Sarstedt M. (2015) Kriteria Baru untuk Menilai Validitas Diskriminan dalam Pemodelan
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

Persamaan Struktural Berbasis Varians. Jurnal Akademi Ilmu Pemasaran 43(1): 115-135.

Henseler J, Ringle CM dan Sarstedt M. (2016b) Menguji Invarian Pengukuran Komposit

Menggunakan Parsial Kuadrat Terkecil. Tinjauan Pemasaran Internasional 33(3): 405-431.
Henseler J, Ringle CM dan Sinkovic RR. (2009) Penggunaan Partial Least Squares Path Modeling dalam
Pemasaran Internasional. Dalam: Sinkovics RR dan Ghauri PN (eds) Kemajuan dalam Pemasaran
Internasional. Bingley: Zamrud 277-320.
Henseler J dan Sarstedt M. (2013) Goodness-of-Fit Indices untuk Partial Least Squares Path
Pemodelan. Statistik Komputasi 28(2): 565-580.
Houston MB. (2004) Menilai Keabsahan Proksi Data Sekunder untuk Konstruksi Pemasaran.
Jurnal Riset Bisnis 57(2): 154-161.
Hult GTM, Hair JF, Proksch D, dkk. (2018) Addressing Endogeneity in International Marketing Applications of
Partial Least Squares Structural Equation Modeling. Jurnal Pemasaran Internasional 26(3): 1-21.

Jöreskog KG. (1971) Analisis faktor secara simultan pada beberapa populasi. Psikometrika 36(4):
409-426.
Jöreskog KG. (1973) Metode Umum untuk Memperkirakan Sistem Persamaan Struktur Linier. Dalam: Model
Persamaan Struktural Goldberger AS dan Duncan OD (eds) dalam Ilmu Sosial.
New York: Seminar Press, 255-284.
Kaufmann L dan Gaeckler J. (2015) Tinjauan Terstruktur dari Partial Least Squares dalam Penelitian Manajemen
Rantai Pasokan. Jurnal Manajemen Pembelian dan Pasokan 21(4): 259–272.

Khan GF, Sarstedt M, Shiau WL, dkk. (2018) Metodologi Penelitian Partial Least Squares Structural Equation
Modeling (PLS-SEM): Suatu Analisis Berdasarkan Pendekatan Jaringan Sosial. Penelitian Internet Akan
Datang.
Kock N dan Hadaya P. (2018) Estimasi Ukuran Sampel Minimum dalam PLS-SEM: Metode Invers Square Root
dan Gamma-Exponential. Jurnal Sistem Informasi 28(1): 227-
 Machine Translated by Google

261.
Latan H. (2018) Pemodelan Jalur PLS dalam Penelitian Perhotelan dan Pariwisata: Zaman Keemasan
dan Masa Depan Masa Lalu. Dalam: Ali F, Rasoolimanesh SM dan Cobanoglu C (eds) Menerapkan
Kuadrat Terkecil Parsial dalam Penelitian Pariwisata dan Perhotelan. Bingley: Zamrud, 53-84.
Lohmöller JB. (1989) Pemodelan Jalur Variabel Laten dengan Partial Least Squares, Heidelberg:
Fisika.
Marcoulides GA dan Chin WW. (2013) Anda Menulis, tetapi Orang Lain Membaca: Kesalahpahaman
Metodologis Umum dalam PLS dan Metode Terkait. Dalam: Abdi H, Chin WW, Esposito Vinzi V,
dkk. (eds) Perspektif Baru dalam Kuadrat Terkecil Parsial dan Metode Terkait. Springer New York,
31-64.
Marcoulides GA, Chin WW dan Saunders C. (2009) Kata Pengantar: Tinjauan Kritis pada Partial Least
Pemodelan Kotak. MIS Triwulanan 33(1): 171-175.
Marcoulides GA, Chin WW dan Saunders C. (2012) Ketika Pernyataan Statistik yang Tidak Tepat Menjadi
Bermasalah: Tanggapan terhadap Goodhue, Lewis, dan Thompson. MIS Triwulanan 36(3):
717-728.
Marcoulides GA dan Saunders C. (2006) PLS: Peluru Perak? MIS Triwulanan 30(2): III-IX.
Mateos-Aparicio G. (2011) Metode Partial Least Squares (PLS): Origins, Evolution, and Application to
Social Sciences. Komunikasi dalam Statistik - Teori dan Metode 40(13): 2305-2317.

Matthews L. (2017) Menerapkan Analisis Multi-Grup di PLS-SEM: Proses Langkah-demi-Langkah. Dalam:

Latan H and Noonan R (eds) Partial Least Squares Structural Equation Modeling: Konsep Dasar,
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

Isu Metodologis dan Aplikasinya. Heidelberg: Springer, 219-243.

Matthews L, Sarstedt M, Rambut JF, dkk. (2016) Mengidentifikasi dan Mengobati Heterogenitas yang
Tidak Diamati dengan FIMIX-PLS: Bagian II – Studi Kasus. Tinjauan Bisnis Eropa 28(2): 208-224.

Monecke A dan Leisch F. (2012) semPLS: Pemodelan Persamaan Struktural Menggunakan Partial Least
Kotak. Jurnal Perangkat Lunak Statistik 48(3): 1-32.
Nitzl C. (2016) Penggunaan Partial Least Squares Structural Equation Modeling (PLS-SEM) dalam
Penelitian Akuntansi Manajemen: Arah Pengembangan Teori Masa Depan. Jurnal Sastra
Akuntansi 37(Desember): 19-35.
Nitzl C, Roldán JL and Cepeda Carrión G. (2016) Analisis Mediasi dalam Pemodelan Jalur Partial Least
Squares: Membantu Peneliti Membahas Model yang Lebih Canggih. Manajemen Industri & Sistem
Data 119(9): 1849-1864.
Olsson UH, Foss T, Troye SV, dkk. (2000) Kinerja Estimasi ML, GLS, dan WLS dalam Pemodelan
Persamaan Struktural Dalam Kondisi Mispesifik dan Nonnormalitas.
Pemodelan Persamaan Struktural: Jurnal Multidisiplin 7(4): 557-595.
Park S dan Gupta S. (2012) Penanganan Regressor Endogen dengan Estimasi Bersama Menggunakan
Kopula. Ilmu Pemasaran 31(4): 567-586.
Peng DX dan Lai F. (2012) Menggunakan Partial Least Squares dalam Riset Manajemen Operasi:
Panduan Praktis dan Ringkasan Penelitian Sebelumnya. Jurnal Manajemen Operasi 30(6): 467–
480.
Petter S. (2018) "Haters Gonna Hate": Penelitian PLS dan Sistem Informasi. SIGMI ACM
Database: DATABASE untuk Kemajuan Sistem Informasi 49(2): 10-13
Raithel S, Sarstedt M, Scharf S, dkk. (2012) Tentang relevansi nilai kepuasan pelanggan.
Beberapa driver dan beberapa pasar. Jurnal Akademi Ilmu Pemasaran 40(4): 509-525.

Ramayah T, Cheah JH, Chuah F, dkk. (2016) Pemodelan Persamaan Struktural Kuadrat Terkecil Parsial
(PLS-SEM) Menggunakan SmartPLS 3.0: Panduan yang Diperbarui dan Praktis untuk
 Machine Translated by Google

Analisis Statistik, Singapura et al. : Pearson.

Ramsey JB. (1969) Tests for Specification Errors in Classical Linear Least-Squares Regression Analysis. Jurnal
Masyarakat Statistik Kerajaan. Seri B (Metodologis) 31(2): 350- 371.

Rasoolimanesh SM dan Ali F. (2018) Editorial: Partial Least Squares (PLS) dalam Penelitian Perhotelan dan
Pariwisata. Jurnal Perhotelan dan Teknologi Pariwisata yang akan datang.
Reinartz WJ, Haenlein M dan Henseler J. (2009) Perbandingan Empiris Kemanjuran SEM Berbasis Kovarian
dan Berbasis Varians. Jurnal Riset Internasional dalam Pemasaran 26(4): 332-344.

Richter NF, Cepeda Carrión G, Roldán JL, dkk. (2016) Penelitian Manajemen Eropa Menggunakan Model
Persamaan Struktural Partial Least Squares (PLS-SEM): Editorial. Jurnal Manajemen Eropa 34(6):
589-597.
Richter NF, Sinkovics RR, Ringle CM, dkk. (2015) Tinjauan Kritis Penggunaan SEM dalam Riset Bisnis
Internasional Tinjauan Pemasaran Internasional 33(3): 376-404.
Rigdon EE. (2012) Memikirkan Kembali Pemodelan Jalur Kuadrat Terkecil Parsial: Memuji Sederhana
Metode. Perencanaan Jangka Panjang 45(5-6): 341-358.
Rigdon EE. (2013) Pemodelan Jalur Kuadrat Terkecil Parsial. Di dalam: Hancock GR dan Mueller RO (eds)
Pemodelan Persamaan Struktural. Kursus Kedua. 2 ed. Charlotte NC: Penerbitan Era Informasi,
81-116.
Rigdon EE. (2014a) Mengomentari “Penggunaan Variabel Formatif Endogen yang Tidak Tepat”. Jurnal Riset
Bisnis 67(1): 2800-2802.
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03
Rigdon EE. (2014b) Memikirkan Kembali Pemodelan Jalur Partial Least Squares: Memutus Rantai dan Terus
Maju. Perencanaan Jangka Panjang 47(3): 161-167.
Rigdon EE. (2016) Memilih Pemodelan Jalur PLS sebagai Metode Analisis dalam Penelitian Manajemen Eropa:
Perspektif Realis. Jurnal Manajemen Eropa 34(6): 598-605.

Rigdon EE, Becker JM dan Sarstedt M. (2017a) Menyamakan Variabel Konseptual yang Tidak Diamati dan
Faktor Umum dalam Model Persamaan Struktural. Kertas Kerja.
Rigdon EE, Becker JM dan Sarstedt M. (2019) Ketidakpastian Faktor sebagai Ketidakpastian Metrologi:
Implikasi untuk Memajukan Pengukuran Psikologis,. Penelitian Perilaku Multivariat akan datang.

Rigdon EE, Sarstedt M dan Ringle CM. (2017b) Tentang Membandingkan Hasil dari CB-SEM dan PLS SEM.
Lima Perspektif dan Lima Rekomendasi. Pemasaran ZFP 39(3): 4-16.
Ringle CM dan Sarstedt M. (2016) Dapatkan Lebih Banyak Wawasan dari Hasil PLS-SEM Anda: Analisis Peta
Penting-Kinerja. Manajemen Industri & Sistem Data 116(9): 1865-1886.

Ringle CM, Sarstedt M, Mitchell R, dkk. (2019) Pemodelan Persamaan Struktural Partial Least Squares dalam
Penelitian HRM. Jurnal Internasional Manajemen Sumber Daya Manusia yang akan datang.

Ringle CM, Sarstedt M dan Mooi EA. (2010) Segmentasi Berbasis Respon Menggunakan Campuran Hingga
Kuadrat Terkecil Parsial: Fondasi Teoritis dan Aplikasi untuk Data Indeks Kepuasan Pelanggan
Amerika. Sejarah Sistem Informasi 8: 19-49.
Ringle CM, Sarstedt M dan Straub DW. (2012) Tinjauan Kritis Penggunaan PLS-SEM di MIS
Triwulanan. MIS Kuartalan 36(1): iii-xiv.
Ringle CM, Wende S dan Becker JM. (2015) SmartPLS 3. Selamat: SmartPLS.
Ringle CM, Wende S dan Will A. (2005) SmartPLS 2. Hamburg: SmartPLS.
Roldán JL dan Sánchez-Franco MJ. (2012) Pemodelan Persamaan Struktural Berbasis Varians: Pedoman
Penggunaan Partial Least Squares dalam Penelitian Sistem Informasi. Di dalam: Mora M,
 Machine Translated by Google

Gelman O, Steenkamp AL, dkk. (eds) Metodologi Penelitian, Inovasi dan Filosofi dalam Rekayasa
Sistem Perangkat Lunak dan Sistem Informasi. Hershey, PA: IGI Global, 193-221.

Sarstedt M, Becker JM, Ringle CM, dkk. (2011) Mengungkap dan Mengobati Heterogenitas yang Tidak
Diamati dengan FIMIX-PLS: Kriteria Pemilihan Model Mana yang Memberikan Jumlah Segmen
yang Sesuai? Tinjauan Bisnis Schmalenbach 63(1): 34-62.
Sarstedt M, Bengart P, Shaltoni AM, dkk. (2018) Penggunaan Metode Pengambilan Sampel dalam
Penelitian Periklanan: Kesenjangan Antara Teori dan Praktek. Jurnal Periklanan Internasional
37(4): 650-663.
Sarstedt M, Diamantopoulos A, Salzberger T, dkk. (2016a) Memilih Item Tunggal untuk Mengukur Konstruksi
Beton Ganda: Kisah Peringatan. Jurnal Riset Bisnis 69(8): 3159-3167.

Sarstedt M, Rambut JF, Ringle CM, dkk. (2016b) Masalah Estimasi dengan PLS dan CBSEM: Dimana
letak Biasnya! Jurnal Riset Bisnis 69(10): 3998-4010.
Sarstedt M dan Mooi EA. (2019) Panduan Ringkas Riset Pasar: Proses, Data, dan Metode Menggunakan
Statistik SPSS IBM, Heidelberg et al.: Springer.
Sarstedt M, Ringle CM, Cheah JH, dkk. (2019) Pengecekan Robustness Model Struktural pada PLS SEM.
Ekonomi Pariwisata yang akan datang.
Sarstedt M, Ringle CM dan Hair JF. (2017a) Pemodelan Persamaan Struktural Kuadrat Terkecil Parsial.
Dalam: Homburg C, Klarmann M dan Vomberg A (eds) Handbook of Market Research.
Heidelberg: Peloncat.
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

Sarstedt M, Ringle CM dan Hair JF. (2017b) Mengobati Heterogenitas yang Tidak Diamati dalam PLS-SEM:
Pendekatan Multi-Metode. Dalam: Noonan R and Latan H (eds) Partial Least Squares Pemodelan
Persamaan Struktural: Konsep Dasar, Isu Metodologis dan Aplikasi.
Heidelberg: Springer, 197-217.
Sarstedt M, Ringle CM, Henseler J, dkk. (2014) Tentang Emansipasi PLS-SEM: Komentar tentang Rigdon
(2012). Perencanaan Jangka Panjang 47(3): 154-160.
Schwarz G. (1978) Memperkirakan Dimensi Model. Sejarah Statistik 6(2): 461-464.
Sharma PN, Sarstedt M, Shmueli G, dkk. (2019a) Pemilihan Model Berbasis PLS: Peran Penjelasan
Alternatif dalam Penelitian Sistem Informasi. Jurnal Asosiasi Sistem Informasi di tekan.

Sharma PN, Shmueli G, Sarstedt M, dkk. (2019b) Pemilihan Model Berorientasi Prediksi dalam Pemodelan
Jalur Partial Least Squares. Ilmu Keputusan di tekan.
Shiau WL, Sarstedt M dan Hair JF. (2019) Editorial: Internet Research Menggunakan Partial Least Squares
Structural Equation Modeling (PLS-SEM). Penelitian Internet yang akan datang.
Shmueli G. (2010) Untuk Menjelaskan atau Memprediksi? Ilmu Statistik 25(3): 289-310.
Shmueli G dan Koppius OR. (2011) Predictive Analytics dalam Penelitian Sistem Informasi. SALAH
Triwulanan 35(3): 553-572.
Shmueli G, Ray S, Velasquez Estrada JM, dkk. (2016) Gajah di Kamar: Mengevaluasi Kinerja Prediktif
Model PLS. Jurnal Riset Bisnis 69(10): 4552-4564.
Shmueli G, Sarstedt M, Cheah J, dkk. (2019) Penilaian Model Prediktif dalam PLS-SEM: Pedoman
Penggunaan PLSpredict. Jurnal Pemasaran Eropa yang akan datang.
Sosik JJ, Kahai SS dan Piovoso MJ. (2009) Peluru perak atau statistik voodoo? Sebuah primer untuk
menggunakan teknik analitik data kuadrat terkecil parsial dalam penelitian kelompok dan organisasi.
Manajemen Kelompok & Organisasi 34(1): 5-36.
Stone M. (1974) Pilihan Silang dan Penilaian Prediksi Statistik. Jurnal dari
Masyarakat Statistik Kerajaan 36(2): 111-147.
Svensson G, Ferro C, Høgevold N, dkk. (2018) Membingkai Pendekatan Triple Bottom Line:
 Machine Translated by Google

Pengaruh Langsung dan Mediasi Antara Unsur Ekonomi, Sosial dan Lingkungan.
Jurnal Produksi Bersih 197(Bagian 1): 972-991.
Tenenhaus M, Esposito Vinzi V, Chatelin YM, dkk. (2005) Pemodelan Jalur PLS. Statistik
Komputasi & Analisis Data 48(1): 159-205.
Voorhees CM, Brady MK, Calantone R, dkk. (2016) Pengujian Validitas Diskriminan dalam
Pemasaran: Sebuah Analisis, Penyebab Kekhawatiran, dan Usulan Perbaikan. Jurnal
Akademi Ilmu Pemasaran 44(1): 119-134.
Westland JC. (2015) Analisis Jalur Kuadrat Terkecil Parsial. Model Persamaan Struktural: Dari
Jalur ke Jaringan. Cham: Penerbitan Internasional Springer, 23-46.
Willaby HW, Costa DSJ, Burns BD, dkk. (2015) Menguji Model Kompleks Dengan Ukuran Sampel
Kecil: Tinjauan Sejarah dan Demonstrasi Empiris tentang Apa yang Dapat Ditawarkan
Partial Least Squares (PLS) Psikologi Diferensial. Kepribadian dan Perbedaan Individu 84:
73- 78.
HOA liar. (1975) Model Jalur dengan Variabel Laten: Pendekatan NIPALS. Di dalam: Blalock HM,
Aganbegian A, Borodkin FM, dkk. (eds) Sosiologi Kuantitatif: Perspektif Internasional
tentang Pemodelan Matematika dan Statistik. New York dkk.: Academic Press, 307-357.

HOA liar. (1982) Pemodelan Lembut: Desain Dasar dan Beberapa Ekstensi. Dalam: Jöreskog KG
dan Wold HOA (eds) Systems Under Indirect Observations: Part II. Amsterdam: Belanda
Utara, 1-54.
HOA liar. (1985) Kuadrat Terkecil Parsial. Dalam: Ensiklopedia Kotz S dan Johnson NL (eds) .
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

Ilmu Statistik. New York: Wiley, 581-591.

 Machine Translated by Google

Pertimbangan awal

Ukuran sampel

Asumsi
Data sekunder
distribusi
Statistik
kekuasaan

Kebaikan-cocok

Menggunakan
konfirmatori
komposit
analisis
(CCA)
untuk
PLS-
SEM

Penilaian model pengukuran •

Reflektif (loading, Cronbach's alpha / composite reliability / ÿA , AVE, Kekokohan
HTMT) • Formatif (analisis redundansi, VIF, signifikansi dan cek
relevansi bobot indikator) (CTA-PLS)

Penilaian model struktural

Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

• VIF Pemeriksaan
• Daya penjelas dan daya prediksi di luar sampel (R 2
, ketahanan
Q2 , PLSpredict) (nonlinier,
• Signifikansi dan relevansi koefisien jalur • Model endogenitas,
perbandingan heterogenitas)

Gambar 1. Aspek dan statistik untuk dipertimbangkan dalam analisis PLS-SEM

 Machine Translated by Google

Pemilihan PLS-SEM

• Ketika analisis berkaitan dengan pengujian kerangka teoritis dari perspektif prediksi. • Model struktural kompleks
dan mencakup banyak konstruk, indikator, dan/atau hubungan model. • Tujuan penelitian adalah pemahaman yang lebih
baik tentang kompleksitas yang semakin meningkat dengan mengeksplorasi perluasan teoretis dari
teori mapan (penelitian eksplorasi untuk pengembangan teori). • Ketika
model jalur mencakup satu atau lebih konstruk yang diukur secara formatif. • Penelitian
terdiri dari rasio keuangan atau jenis artefak data serupa. • Penelitian didasarkan pada data
sekunder/arsip, yang mungkin tidak memiliki pembuktian yang komprehensif atas dasar teori pengukuran. • Ketika
populasi kecil membatasi ukuran sampel (misalnya, penelitian bisnis-ke-bisnis); tapi PLS-SEM juga

bekerja sangat baik dengan ukuran sampel

yang besar. • Ketika masalah distribusi menjadi perhatian, seperti kurangnya
normalitas. • Ketika penelitian membutuhkan skor variabel laten untuk analisis tindak lanjut.

Tabel 1. Kondisi yang mendukung penggunaan PLS-SEM

Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03
 Machine Translated by Google

Model pengukuran reflektif

Beban indikator reflektif • ÿ 0,708 • Cronbach's
alpha adalah batas bawah, reliabilitas komposit adalah batas atas untuk reliabilitas
konsistensi internal. ÿA biasanya terletak di antara batas-batas ini dan dapat berfungsi
sebagai representasi yang baik dari reliabilitas konsistensi internal konstruk, dengan
asumsi bahwa model faktor benar. • Minimum 0,70 (atau 0,60 dalam penelitian
eksplorasi) • Maksimum 0,95 untuk menghindari redundansi indikator, yang akan
Reliabilitas Konsistensi membahayakan
Internal validitas isi •
Direkomendasikan 0,80 hingga
0,90 • Uji apakah reliabilitas konsistensi internal secara signifikan lebih tinggi (lebih rendah)
daripada ambang minimum (maksimum) yang disarankan. Gunakan metode persentil
untuk membuat interval kepercayaan berbasis bootstrap; dalam kasus distribusi bootstrap
yang miring, gunakan metode BCa.
Validitas konvergen • AVE ÿ 0.50 •
Untuk konstruk yang mirip secara konseptual: HTMT < 0.90 •
Validitas diskriminan Untuk konstruk yang berbeda secara konseptual: HTMT < 0.85
• Uji apakah HTMT secara signifikan lebih rendah dari nilai ambang batas
Model pengukuran formatif
Validitas konvergen
• ÿ 0,70 korelasi
(analisis redundansi)
Kemungkinan masalah kolinearitas (yaitu kritis) ketika VIF ÿ 5
Kolinearitas (VIF) Kemungkinan masalah kolinearitas ketika VIF ÿ 3 – 5 Idealnya
tunjukkan bahwa VIF < 3 Nilai p < 0,05 atau interval kepercayaan
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03

95% (berdasarkan persentil

Signifikansi statistik bobot
metode atau, dalam kasus distribusi bootstrap miring, metode BCa) tidak termasuk nol.

Relevansi indikator dengan bobot

• Bobot signifikan yang lebih besar lebih relevan (berkontribusi lebih banyak).
yang signifikan
Relevansi indikator dengan bobot
• Pembebanan ÿ 0,50 yang signifikan secara statistik dianggap relevan.
yang tidak signifikan
Model struktural
Kemungkinan (yaitu, kritis) masalah kolinearitas ketika VIF ÿ 5
Kolinearitas (VIF) Kemungkinan masalah kolinearitas ketika VIF ÿ 3 – 5 Idealnya
menunjukkan bahwa VIF < 3 Nilai R2 0,75, 0,50, dan 0,25 dianggap
substansial, sedang, dan lemah. Nilai R2 0,90 dan lebih tinggi merupakan indikasi tipikal
Nilai R2
pakaian dalam.
• Nilai yang lebih besar dari nol bermakna. • Nilai
nilai Q2 lebih tinggi dari 0, 0,25, dan 0,50 menggambarkan relevansi prediktif kecil, sedang,
dan besar dari model jalur PLS
• Tetapkan k=10, dengan asumsi setiap subkelompok memenuhi ukuran sampel minimum
yang diperlukan. • Gunakan sepuluh pengulangan, dengan asumsi ukuran sampel cukup
2
besar. • Nilai Q ÿ 0 menunjukkan bahwa model tidak mengungguli tolok ukur yang paling naif
memprediksi

(yaitu, rata-rata indikator dari sampel analisis).

PLSpredict • Bandingkan nilai MAE (atau RMSE) dengan nilai LM masing-masing

indikator. Periksa apakah analisis PLS-SEM (dibandingkan dengan LM) menghasilkan
kesalahan prediksi yang lebih tinggi dalam hal RMSE (atau MAE) untuk semua (tidak
ada daya prediksi), mayoritas (daya prediksi rendah), minoritas atau jumlah yang sama
(prediktif sedang). daya), atau tidak ada indikator (daya prediksi tinggi).

• Pilih model yang meminimalkan nilai di BIC atau GM dibandingkan dengan model lain
Perbandingan model
di set.
Pemeriksaan ketahanan
Model pengukuran • CTA-PLS
 Machine Translated by Google

• Efek nonlinier •
Model struktural Endogenitas •
Heterogenitas yang tidak teramati

Tabel 2. Pedoman Penggunaan PLS-SEM

Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03