Pertanyaan ini ditanyakan di sini tetapi tidak ada yang memberikan jawaban yang baik. Jadi saya pikir ini ide yang bagus untuk membahasnya lagi dan saya juga ingin menambahkan lebih banyak komentar / pertanyaan.
Pertanyaan pertama adalah apa perbedaan antara "pemodelan jalur PLS" dan "regresi PLS"? Untuk membuatnya lebih umum, apakah pemodelan persamaan struktural (SEM), pemodelan jalur dan regresi? Untuk pemahaman saya, regresi lebih berfokus pada prediksi sedangkan fokus SEM adalah pada hubungan antara respons dan prediktor dan pemodelan jalur adalah kasus khusus SEM?
Pertanyaan kedua saya adalah seberapa tepercaya PLS? Baru-baru ini telah banyak dikritik seperti yang disorot dalam Rönkkö et al. 2016 dan Rönkkö et al. 2015 yang mengarah pada penolakan makalah berdasarkan PLS di jurnal tingkat tinggi seperti Journal of Operations Management ( berikut adalah catatan dari editor jurnal):
Secara praktis kami menolak semua naskah berbasis PLS, karena kami telah menyimpulkan bahwa PLS telah tanpa kecuali pendekatan pemodelan yang salah dalam jenis model yang digunakan peneliti OM .
Saya harus mencatat bidang saya adalah spektroskopi, bukan manajemen / psikologi atau statistik. Dalam makalah yang dihubungkan di atas penulis berbicara lebih banyak tentang PLS sebagai metode SEM, tetapi bagi saya, kritik mereka terlihat berlaku untuk regresi PLS juga.
Jawaban:
Tidak ada, itu sinonim.
SEM adalah bentuk regresi. Regresi adalah setiap metode yang menghubungkan variabel independen dan dependen dan mencakup metode yang menggunakan banyak variabel yang ditangani sebagai entitas terpisah. SEM secara khusus menggunakan hubungan matematika antara variabel untuk membatasi model akhir, dalam kasus PLS ini adalah kovarians. Pemahaman saya adalah bahwa pemodelan jalur adalah istilah khusus domain- (bukan milik saya, saya seorang spektroskopi seperti Anda).
Bantahan yang sangat baik ditemukan di Henseler et al. Keyakinan dan Realita Bersama 2013 Tentang PLS . Perhatian utama bagi Rönkkö et al. adalah bahwa PLS tidak berkinerja baik dalam beberapa situasi yang menganggap faktor laten yang umum. PLS sebenarnya dirancang untuk menangani banyak faktor laten, sebuah situasi yang jauh lebih umum di dunia nyata.
Bagaimana bisa dipercaya? Untuk spektroskopi, alat ini sangat bagus tetapi memiliki keterbatasan. Itu menjalankan risiko overfitting karena dapat membangun model kompleks yang menangkap kontribusi dari berbagai faktor mendasar. Untuk alasan ini perlu digunakan dengan hati-hati dan validasi eksternal yang tepat sangat penting, tetapi kemudian peringatan ini berlaku untuk semua alat bangunan model. Saya bekerja terutama pada dataset dunia nyata selama 2 dekade dan saya belum menemukan dataset eksperimental yang hanya memiliki satu faktor umum yang menopang variabel dependen (baik berdasarkan data maupun teori ilmiah).
sumber