DOI: https://doi.org/10.1080/0960085x.2024.2357123
تاريخ النشر: 2024-05-23
المؤلف: Jörg Henseler وآخرون
الموضوع الرئيسي: تخطيط النقل وتحسينه
نظرة عامة
تقدم هذه الورقة تحليلًا نقديًا لمقال حديث في المجلة الأوروبية لنظم المعلومات (EJIS) الذي يجادل بضرورة تحويل طريقة المربعات الصغرى الجزئية (PLS) إلى نهج قائم على العوامل للتعامل بفعالية مع النماذج المركبة. يوضح المؤلفون أن نمذجة المعادلات الهيكلية القائمة على التباين (CB-SEM) قادرة بالفعل على استيعاب النماذج المركبة، خاصة من خلال مواصفة هينسلر-أوغاساوارا. يعترفون بحدود طريقة PLS التقليدية في تقدير معلمات نماذج القياس الانعكاسية، لكنهم يؤكدون أن PLS المتسقة تقدم حلاً لهذه المشكلة. من خلال تحليلات السيناريو، يظهر المؤلفون أن طريقة PLSF-SEM عمومًا أقل كفاءة من كل من CB-SEM وPLS المتسقة، مما يدفعهم إلى الامتناع عن التوصية بـ PLSF-SEM حتى يمكن للأبحاث المستقبلية إثبات مزاياها.
في الختام، يؤكد المؤلفون على الحاجة إلى تقنيات نمذجة المعادلات الهيكلية (SEM) التي يمكن أن تعالج بفعالية كل من العوامل المشتركة والنماذج المركبة في أبحاث نظم المعلومات. يسلطون الضوء على التقدم المنهجي الأخير الذي يسمح لـ PLS بتصحيح انحياز التخفيف في العوامل المشتركة ويقترحون مواصفات لـ CB-SEM لإدارة المركبات. كما تنتقد التعليقات استخدام النماذج المركبة غير المحددة في الورقة الأصلية لـ EJIS، مجادلة بأن مثل هذه النماذج لا توفر أساسًا صالحًا لاستنتاجات عامة حول النمذجة المركبة أو CB-SEM. يعبر المؤلفون عن امتنانهم للمساهمات التي تعزز الوصول العلمي ويعترفون باستخدام أدوات تحسين اللغة في إعداد مخطوطتهم.
مقدمة
تناقش مقدمة الورقة أهمية نمذجة المعادلات الهيكلية (SEM) كأداة تحليلية قوية لاختبار النظريات في نظم المعلومات (IS) وغيرها من العلوم الاجتماعية. تبرز التقنيتين الرئيسيتين لـ SEM: SEM القائم على التباين (CB-SEM) وSEM القائم على التباين، حيث تعتبر المربعات الصغرى الجزئية (PLS) والاحتمالية القصوى من أبرز الطرق. تثير قطعة رأي حديثة من كوك (2024) مخاوف بشأن حدود هذه التقنيات، خاصة عدم قدرة CB-SEM على التعامل مع النماذج المركبة والتقدير غير المتسق لنماذج القياس الانعكاسية بواسطة PLS. يدعو كوك إلى نهج جديد، وهو PLS القائم على العوامل (PLSF-SEM)، كحل لهذه القضايا.
ردًا على ذلك، يجادل مؤلفو هذه التعليقات بأن المشكلات التي حددها كوك قد تم التعامل معها بالفعل من خلال المنهجيات الحالية. يشيرون إلى دراسات تظهر أن CB-SEM يمكن أن يستوعب النماذج المركبة وأن PLS المتسقة (PLSc) يمكن أن توفر تقديرات موثوقة لنماذج العوامل المشتركة عند تطبيق تصحيحات للتخفيف. علاوة على ذلك، يقدمون تحليلات سيناريو تشير إلى أن PLSF-SEM قد يكون أقل فعالية من التقنيات المعتمدة مثل CB-SEM وPLSc. يحذر المؤلفون من اعتماد منهجيات مبكرة، مؤكدين على أهمية استخدام تقنيات مثبتة يمكن أن تدير بفعالية النماذج التي تحتوي على مركبات وعوامل مشتركة في أبحاث نظم المعلومات.
نقاش
تسلط قسم النقاش في الورقة البحثية الضوء على المشهد المتطور لنمذجة المعادلات الهيكلية (SEM) في أبحاث نظم المعلومات (IS)، خاصة الحاجة إلى منهجيات يمكن أن تستوعب كل من العوامل المشتركة والبنى المركبة. تقليديًا، كانت SEM القائمة على التباين (CB-SEM) والمربعات الصغرى الجزئية (PLS) محدودة في قدراتها النمذجة—ركزت CB-SEM على العوامل المشتركة بينما تعاملت PLS مع المركبات. استلزم هذا القيد اختيارًا دقيقًا لتقنيات SEM لتجنب التقديرات المنحازة والاستنتاجات الخاطئة. لقد خففت التقدمات الحديثة، مثل مواصفة هينسلر-أوغاساوارا (H-O) لـ CB-SEM وPLS المتسقة (PLSc)، من هذه القيود، مما يمكّن الباحثين من نمذجة المركبات بالمرونة التي كانت محفوظة سابقًا للعوامل المشتركة.
تقوم الورقة بتقييم نقدي لتقنية PLSF-SEM، التي تهدف إلى تكرار نتائج PLSc ولكن تعتبر أدنى بسبب اعتمادها على بيانات عشوائية لتوليد درجات العوامل، مما يؤدي إلى نتائج غير قابلة للتكرار. تظهر تحليلات السيناريو أن PLSF-SEM تكافح لتقدير كل من العوامل المشتركة والمركبات بدقة، مما ينتج عنه نتائج تنحرف بشكل كبير عن القيم الحقيقية. بالمقابل، توفر CB-SEM وPLSc تقديرات صحيحة باستمرار لكلا النوعين من البنى. يستنتج المؤلفون أنه بينما لدى الباحثين في نظم المعلومات خيارات متعددة لـ SEM، تظل CB-SEM وPLSc هما الطريقتان المفضلتان لنمذجة نماذج المعادلات الهيكلية بدقة والتي تشمل العوامل المشتركة والمركبات، حيث توفر تقديرات موثوقة ومتسقة دون القيود الملحوظة في PLSF-SEM.
DOI: https://doi.org/10.1080/0960085x.2024.2357123
Publication Date: 2024-05-23
Author(s): Jörg Henseler et al.
Primary Topic: Transportation Planning and Optimization
Overview
This paper provides a critical analysis of a recent article in the European Journal of Information Systems (EJIS) that argues for the necessity of transforming Partial Least Squares (PLS) into a factor-based approach to effectively handle composite models. The authors clarify that covariance-based structural equation modeling (CB-SEM) is indeed capable of accommodating composite models, particularly through the Henseler-Ogasawara specification. They acknowledge the limitations of traditional PLS in estimating parameters of reflective measurement models but assert that consistent PLS offers a solution to this issue. Through scenario analyses, the authors demonstrate that the PLSF-SEM method is generally inferior to both CB-SEM and consistent PLS, leading them to refrain from recommending PLSF-SEM until further research can substantiate its advantages.
In conclusion, the authors emphasize the need for structural equation modeling (SEM) techniques that can effectively address both common factors and composite models in Information Systems research. They highlight recent methodological advancements that allow PLS to correct for attenuation bias in common factors and propose specifications for CB-SEM to manage composites. The commentary also critiques the use of unidentified composite models in the original EJIS paper, arguing that such models do not provide a valid basis for general conclusions about composite modeling or CB-SEM. The authors express gratitude for contributions that enhance scientific accessibility and acknowledge the use of language improvement tools in preparing their manuscript.
Introduction
The introduction of the paper discusses the significance of structural equation modeling (SEM) as a robust analytical tool for theory testing in information systems (IS) and other social sciences. It highlights the two primary SEM techniques: covariance-based SEM (CB-SEM) and variance-based SEM, with partial least squares (PLS) and maximum likelihood being the most notable methods. A recent opinion piece by Kock (2024) raises concerns regarding the limitations of these techniques, particularly the inability of CB-SEM to handle composite models and the inconsistent estimation of reflective measurement models by PLS. Kock advocates for a new approach, factor-based PLS (PLSF-SEM), as a solution to these issues.
In response, the authors of this commentary argue that the problems identified by Kock have already been addressed through existing methodologies. They reference studies demonstrating that CB-SEM can accommodate composite models and that consistent PLS (PLSc) can yield reliable estimates for common factor models when corrections for attenuation are applied. Furthermore, they present scenario analyses indicating that PLSF-SEM may be less effective than established techniques like CB-SEM and PLSc. The authors caution against adopting premature methodologies, emphasizing the importance of utilizing proven techniques that can effectively manage models with composites and common factors in IS research.
Discussion
The discussion section of the research paper highlights the evolving landscape of Structural Equation Modeling (SEM) in Information Systems (IS) research, particularly the need for methodologies that can accommodate both common factors and composite constructs. Traditionally, Covariance-Based SEM (CB-SEM) and Partial Least Squares (PLS) were limited in their modeling capabilities—CB-SEM focused on common factors while PLS dealt with composites. This restriction necessitated careful selection of SEM techniques to avoid biased estimates and erroneous conclusions. Recent advancements, such as the Henseler-Ogasawara (H-O) specification for CB-SEM and consistent PLS (PLSc), have relaxed these constraints, enabling researchers to model composites with the flexibility previously reserved for common factors.
The paper critically evaluates the PLSF-SEM technique, which aims to replicate the results of PLSc but is deemed inferior due to its reliance on random data for factor score generation, leading to unreproducible results. Scenario analyses demonstrate that PLSF-SEM struggles to accurately estimate both common factors and composites, producing results that deviate significantly from true values. In contrast, CB-SEM and PLSc consistently yield valid estimates for both types of constructs. The authors conclude that while IS researchers have multiple SEM options, CB-SEM and PLSc remain the preferred methods for accurately modeling structural equation models that include common factors and composites, as they provide reliable and consistent estimates without the limitations observed in PLSF-SEM.