DOI: https://doi.org/10.15240/tul/001/2024-5-001
تاريخ النشر: 2024-01-24
المؤلف: Rizwan Raheem Ahmed وآخرون
الموضوع الرئيسي: جودة خدمة العملاء والولاء
نظرة عامة
تقوم الورقة البحثية بمقارنة نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM) ونمذجة المعادلات الهيكلية المعتمدة على التباين (CB-SEM) كمنهجيات لتحليل البيانات في مجالات مثل علوم الإدارة والاقتصاد. يتم تسليط الضوء على PLS-SEM ك تقنية قوية قادرة على معالجة مستويات عالية من خطأ القياس والتعامل بفعالية مع مجموعات البيانات الصغيرة وغير المتوازنة. إنها تتفوق في كشف العلاقات الكامنة بين المتغيرات التي لا يمكن ملاحظتها مباشرة، مما يجعلها مفيدة بشكل خاص عندما تكون الطرق التقليدية لنمذجة المعادلات الهيكلية غير عملية. من ناحية أخرى، يتميز CB-SEM كطريقة قوية لتحليل العلاقات المعقدة بين المتغيرات الظاهرة والكامنة، خاصة عندما يكون الهدف هو تعميم النتائج على مجموعات ديموغرافية محددة.
تخلص الورقة إلى أن الاختيار بين PLS-SEM و CB-SEM يجب أن يسترشد بسؤال البحث وخصائص مجموعة البيانات والموارد المتاحة. PLS-SEM أكثر اعتمادًا على البيانات ومرونة، مما يسمح بالتحليل الاستكشافي، بينما CB-SEM مدفوع بالنظرية، مناسب لاختبار فرضيات محددة. تمتلك كلتا الطريقتين مزايا وقيود فريدة، حيث أن PLS-SEM أكثر قوة ضد التعدد الخطي وخطأ القياس، بينما يتطلب CB-SEM الالتزام ببعض الافتراضات المتعلقة بالاستقلالية وثبات القياس. يجب على الباحثين النظر بعناية في هذه العوامل عند اختيار التقنية المناسبة لدراساتهم.
مقدمة
في المقدمة، يناقش الباحثون التحليل المقارن لنمذجة المعادلات الهيكلية المعتمدة على التباين (CB-SEM) ونمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM) لفحص العلاقات المعقدة بين البنى الكامنة والظاهرة. يبرزون الاختلافات الرئيسية بين المنهجين، خاصة في كيفية تعاملهما مع التعدد الخطي وتوزيع البيانات. يُلاحظ أن PLS-SEM يتمتع بقدرته على إدارة التعدد الخطي العالي من خلال تفكيك البيانات إلى متغيرات كامنة غير مرتبطة، مما يجعله أكثر ملاءمة لمجموعات البيانات التي تحتوي على عدم طبيعية، وقيم شاذة، وقيم مفقودة. في المقابل، يعتمد CB-SEM على الطبيعة المتعددة المتغيرات ويمكن أن يؤدي إلى نتائج غير موثوقة عندما تكون البيانات مرتبطة بشدة.
تتوسع هذه الفقرة في تقنيات التقدير المستخدمة من قبل كلا المنهجين، حيث يستخدم PLS-SEM تقنية البوتستراب لتقدير المعلمات، والتي، على الرغم من كونها مكثفة حسابيًا، توفر قوة ضد القيم الشاذة وعدم الطبيعية. من ناحية أخرى، يستخدم CB-SEM تقدير الاحتمالية القصوى، وهو فعال ولكنه أقل فعالية في ظل الظروف غير الطبيعية. يخلص المؤلفون إلى أنه على الرغم من أن كلا المنهجين لهما نقاط قوتهما وضعفهما، يجب أن يسترشد الاختيار بين PLS-SEM و CB-SEM بالأهداف البحثية المحددة والأسئلة وخصائص مجموعة البيانات. بشكل عام، يتم تقديم PLS-SEM كنهج أكثر مرونة وموثوقية لتحليل البيانات المعقدة والمترابطة.
الطرق
توضح قسم منهجية البحث النهج المنهجي المستخدم للتحقيق في فرضيات الدراسة. تفصل في اختيار المشاركين، وتقنيات جمع البيانات، وإجراءات التحليل. تم اختيار المشاركين بناءً على معايير إدماج محددة لضمان عينة تمثيلية، وتم جمع البيانات من خلال مزيج من الاستطلاعات، والتجارب، والدراسات الملاحظة.
تم إجراء التحليلات الإحصائية باستخدام برامج مناسبة لتقييم العلاقات بين المتغيرات، مع تحديد مستويات الدلالة عند p < 0.05. كما تؤكد المنهجية على أهمية القابلية للتكرار والشفافية، مما يوفر إطارًا واضحًا للبحث المستقبلي في هذا المجال. بشكل عام، تم تصميم الطرق المستخدمة لتحقيق نتائج قوية وموثوقة تساهم في المعرفة الحالية.
النتائج
توضح نتائج هذه الدراسة المعلمات المرتبطة بالنماذج القياسية والهيكلية لكل من نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM) وتقنيات نمذجة المعادلات الهيكلية المعتمدة على التباين (CB-SEM). تشير النتائج إلى أن كلا المنهجين يوفران رؤى متميزة حول العلاقات بين المتغيرات، مما يبرز نقاط قوتهما وضعفهما في تقدير النماذج وتفسيرها.
علاوة على ذلك، يبرز التحليل المقارن أهمية اختيار تقنية النمذجة المناسبة بناءً على الأهداف البحثية وخصائص البيانات. توفر الدراسة نظرة شاملة على تداعيات هذه النتائج للبحث المستقبلي، مشيرة إلى أن النظر بعناية في معلمات النموذج يمكن أن يعزز من قوة وصلاحية نتائج نمذجة المعادلات الهيكلية.
المناقشة
تسلط قسم المناقشة في الورقة الضوء على المبادئ الأساسية وتطبيقات نمذجة المعادلات الهيكلية المعتمدة على التباين (CB-SEM) ومقارنتها مع نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM). يعتمد CB-SEM على افتراضات الطبيعة المتعددة المتغيرات ويتطلب مجموعات بيانات غير مرتبطة، مما يسمح بتقدير المتغيرات الكامنة ويوفر مؤشرات ملائمة متنوعة لتقييم ملاءمة النموذج. تدعم المنهجية تعديلات النموذج والمقارنات عبر الفئات الفرعية، مما يجعلها متعددة الاستخدامات للباحثين. ومع ذلك، تكشف الأدبيات عن فجوات في معالجة الجوانب الحرجة مثل حجم العينة، والتعدد الخطي، ومؤشرات ملاءمة النموذج، والتي تهدف هذه الدراسة إلى ملئها من خلال تحليل شامل لكلا التقنيتين.
تؤكد الورقة على أهمية حجم العينة في SEM، موصية بحد أدنى من 200 ملاحظة، بينما تدعو أيضًا إلى تقنيات تقدير متطورة لضمان مستويات قوة كافية. تحدد التعدد الخطي كقضية شائعة في كلا النهجين النمذجيين، مما يعقد تفسير النتائج. تستخدم الدراسة طرق تحقق متنوعة للنماذج القياسية والهيكلية، بما في ذلك تحليل العوامل التأكيدية ومقاييس جودة الملاءمة، لضمان مواصفات نموذج قوية. في النهاية، تهدف الأبحاث إلى توجيه العلماء المستقبليين في اختيار تقنية النمذجة المناسبة بناءً على السياقات البحثية المحددة، ومعالجة العوامل التي تم تجاهلها سابقًا في التحليل المقارن بين منهجيات PLS-SEM و CB-SEM.
القيود
تسلط قسم القيود الضوء على عدة تحديات مرتبطة بنمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM) ونمذجة المعادلات الهيكلية المعتمدة على التباين (CB-SEM). تعتبر PLS-SEM، على الرغم من كونها أداة قوية لتحليل العلاقات المعقدة، أقل رسوخًا من SEM التقليدية، مما قد يعيق اعتمادها بين الباحثين غير المألوفين بمنهجيتها (Wondola et al., 2020). بالإضافة إلى ذلك، فإن عدم اعتماد PLS-SEM على افتراضات مسبقة بشأن علاقات العوامل يعقد تفسير النتائج (Hair et al., 2022). كما أنها حساسة للقيم الشاذة ولا توفر اختبارًا لملاءمة النموذج بشكل عام، مما يستدعي مزيدًا من التحقيق في هذه القيود.
من ناحية أخرى، تقدم CB-SEM أيضًا تحديات، خاصة عندما لا يتم تلبية الافتراضات المسبقة حول تفاعلات العوامل، مما يؤدي إلى صعوبات في تفسير النتائج. تفشل كل من PLS-SEM و CB-SEM في إقامة علاقات سببية بين البنى (Ahmed et al., 2022). لمعالجة هذه القيود، يجب أن تركز الأبحاث المستقبلية على تطوير منهجيات يمكن أن تحدد بشكل أفضل ديناميات السبب والنتيجة، مع إمكانية دمج نماذج إضافية مثل تلك التي اقترحها تودا وياماموتو (1995).
DOI: https://doi.org/10.15240/tul/001/2024-5-001
Publication Date: 2024-01-24
Author(s): Rizwan Raheem Ahmed et al.
Primary Topic: Customer Service Quality and Loyalty
Overview
The research paper compares Partial Least Squares Structural Equation Modeling (PLS-SEM) and Covariance-Based Structural Equation Modeling (CB-SEM) as methodologies for data analysis in fields such as management sciences and economics. PLS-SEM is highlighted as a robust technique capable of addressing high levels of measurement error and effectively handling small, unbalanced datasets. It excels in uncovering latent relationships among variables that are not directly observable, making it particularly useful when traditional SEM approaches are impractical. Conversely, CB-SEM is characterized as a powerful method for analyzing complex relationships among multiple manifest and latent variables, particularly when the goal is to generalize findings to specific demographic subgroups.
The paper concludes that the choice between PLS-SEM and CB-SEM should be guided by the research question, dataset characteristics, and available resources. PLS-SEM is more data-driven and flexible, allowing for exploratory analysis, while CB-SEM is theory-driven, suitable for testing specific hypotheses. Both methods possess unique advantages and limitations, with PLS-SEM being more robust against multicollinearity and measurement error, whereas CB-SEM requires adherence to certain assumptions regarding independence and measurement invariance. Researchers must carefully consider these factors when selecting the appropriate technique for their studies.
Introduction
In the introduction, the researchers discuss the comparative analysis of covariance-based structural equation modeling (CB-SEM) and partial least squares structural equation modeling (PLS-SEM) for examining complex relationships among latent and manifest constructs. They highlight key differences between the two methodologies, particularly in how they handle collinearity and data distribution. PLS-SEM is noted for its ability to manage high collinearity by decomposing data into uncorrelated latent variables, making it more suitable for datasets with non-normality, outliers, and missing values. In contrast, CB-SEM relies on multivariate normality and can yield unreliable results when data is highly correlated.
The section further elaborates on the estimation techniques employed by both methods, with PLS-SEM utilizing bootstrapping for parameter estimation, which, while computationally intensive, provides robustness against outliers and non-normality. Conversely, CB-SEM employs maximum likelihood estimation, which is efficient but less effective under non-normal conditions. The authors conclude that while both methodologies have their strengths and weaknesses, the choice between PLS-SEM and CB-SEM should be guided by the specific research objectives, questions, and characteristics of the dataset. Overall, PLS-SEM is presented as a more flexible and reliable approach for analyzing complex, correlated data.
Methods
The research methodology section outlines the systematic approach employed to investigate the study’s hypotheses. It details the selection of participants, data collection techniques, and analytical procedures. Participants were chosen based on specific inclusion criteria to ensure a representative sample, and data were gathered through a combination of surveys, experiments, and observational studies.
Statistical analyses were conducted using appropriate software to evaluate the relationships between variables, with significance levels set at p < 0.05. The methodology also emphasizes the importance of replicability and transparency, providing a clear framework for future research in the field. Overall, the methods employed are designed to yield robust and reliable findings that contribute to the existing body of knowledge.
Results
The results of this study elucidate the parameters associated with measurement and structural models for both Partial Least Squares Structural Equation Modeling (PLS-SEM) and Covariance-Based Structural Equation Modeling (CB-SEM) techniques. The findings indicate that both methodologies yield distinct insights into the relationships among variables, highlighting their respective strengths and limitations in model estimation and interpretation.
Furthermore, the comparative analysis underscores the importance of selecting the appropriate modeling technique based on the research objectives and data characteristics. The study provides a comprehensive overview of the implications of these results for future research, suggesting that careful consideration of model parameters can enhance the robustness and validity of structural equation modeling outcomes.
Discussion
The discussion section of the paper highlights the foundational principles and applications of Covariance-Based Structural Equation Modeling (CB-SEM) and its comparison with Partial Least Squares Structural Equation Modeling (PLS-SEM). CB-SEM relies on assumptions of multivariate normality and requires uncorrelated datasets, allowing for the estimation of latent variables and providing various fit indices to assess model adequacy. The methodology supports model adjustments and comparisons across subpopulations, making it versatile for researchers. However, the literature reveals gaps in addressing critical aspects such as sample size, multicollinearity, and model fit indices, which this study aims to fill through a comprehensive analysis of both techniques.
The paper emphasizes the importance of sample size in SEM, recommending a minimum of 200 observations, while also advocating for sophisticated estimation techniques to ensure adequate power levels. It identifies multicollinearity as a prevalent issue in both modeling approaches, which complicates the interpretation of results. The study employs various validation methods for measurement and structural models, including confirmatory factor analysis and goodness-of-fit measures, to ensure robust model specifications. Ultimately, the research aims to guide future scholars in selecting the appropriate modeling technique based on specific research contexts, addressing previously overlooked factors in the comparative analysis of PLS-SEM and CB-SEM methodologies.
Limitations
The section on limitations highlights several challenges associated with Partial Least Squares Structural Equation Modeling (PLS-SEM) and Covariance-Based Structural Equation Modeling (CB-SEM). PLS-SEM, while a powerful tool for analyzing complex relationships, is less established than traditional SEM, which may hinder its adoption among researchers unfamiliar with its methodology (Wondola et al., 2020). Additionally, PLS-SEM’s lack of reliance on a priori assumptions regarding factor relationships complicates result interpretation (Hair et al., 2022). It is also sensitive to outliers and does not provide a test for overall model fit, necessitating further investigation into these limitations.
Conversely, CB-SEM also presents challenges, particularly when a priori assumptions about factor interactions are not met, leading to difficulties in interpreting results. Both PLS-SEM and CB-SEM fail to establish causal relationships between constructs (Ahmed et al., 2022). To address these limitations, future research should focus on developing methodologies that can better ascertain cause-and-effect dynamics, potentially incorporating additional models such as those proposed by Toda and Yamamoto (1995).