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)
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
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.
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,
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,
sedang berkembang pesat. Metrik yang dilaporkan dalam makalah ini berguna untuk aplikasi saat ini, tetapi
diperbarui. Makalah ini adalah ringkasan terbaru dan komprehensif dari metode PLS-SEM
Kata kunci – analisis komposit konfirmatori, perbandingan model, kuadrat terkecil parsial,
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
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.
PERTIMBANGAN AWAL
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.,
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.
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
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
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
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
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
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
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
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
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
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
Langkah ketiga adalah menilai validitas konvergen dari setiap ukuran konstruk. Konvergen
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
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
relatif terhadap rata-rata (geometris) dari korelasi rata-rata untuk item yang berukuran sama
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.
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,
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,
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
Setelah menilai signifikansi statistik dari bobot indikator, peneliti perlu melakukannya
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.
Ketika penilaian model pengukuran memuaskan, langkah selanjutnya adalah mengevaluasi PLS-SEM
dipertimbangkan, termasuk koefisien determinasi (R2 ), validasi silang berbasis penutup mata
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.
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, 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
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
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,
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
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
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,
• 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.
kesalahan prediksi yang lebih tinggi dibandingkan dengan tolok ukur LM naif, hal ini menunjukkan bahwa model tersebut
• 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
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
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
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.
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
Dalam hal model pengukuran, Gudergan et al. (2008) telah mengusulkan konfirmasi
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
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
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
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
(Henseler et al., 2016b) jika sesuai, dapat mengidentifikasi analisis dengan lebih spesifik
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.
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
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
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
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
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
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
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
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
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
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.
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.
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
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
Pertimbangan awal
Ukuran sampel
Asumsi
Data sekunder
distribusi
Statistik
kekuasaan
Kebaikan-cocok
Menggunakan
konfirmatori
komposit
analisis
(CCA)
untuk
PLS-
SEM
• 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)
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
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03
Machine Translated by Google
• 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
Universitas
Swinburne
Teknologi
Februari
Diunduh
13:42
2019
Pada
(PT)
oleh
03