Partial Least Squares SEM
In diesem Beitrag
Was versteht man unter Partial Least Squares SEM?
Partial Least Squares Strukturgleichungsmodellierung (PLS-SEM) ist ein varianzbasiertes Verfahren zur Schätzung komplexer Kausalmodelle mit latenten Variablen. Es kombiniert zwei Analyseebenen in einem einzigen Modell:
- Messmodell (outer model): Beschreibt die Beziehung zwischen beobachtbaren Indikatoren (z. B. Fragebogenitems) und den zugehörigen latenten Konstrukten.
- Strukturmodell (inner model): Spezifiziert die hypothetischen Kausalbeziehungen zwischen den latenten Konstrukten selbst.
Anders als die kovarianzbasierte SEM (CB-SEM, z. B. mit LISREL oder Amos) schätzt PLS-SEM die latenten Variablen direkt als gewichtete Linearkombinationen ihrer Indikatoren. Das Ziel des Algorithmus ist die Maximierung der erklärten Varianz in den abhängigen Konstrukten – nicht die Reproduktion einer beobachteten Kovarianzmatrix.
Formal werden die latenten Variablen als exakte lineare Kombinationen ihrer Indikatoren gebildet:
Gewichtete Linearkombination eines Konstrukts
Dabei ist das latente Konstrukt, die Gewichte und die beobachteten Indikatoren. Die Gewichte werden iterativ so bestimmt, dass die Vorhersagekraft maximiert wird.
Warum ist PLS-SEM für statistische Analysen wichtig?
PLS-SEM hat sich besonders in der Managementforschung, Psychologie und den Sozialwissenschaften als weit verbreitetes Verfahren etabliert. Es bietet gegenüber der kovarianzbasierten SEM einige entscheidende Vorteile in bestimmten Anwendungssituationen:
- Kleine bis mittlere Stichproben: PLS-SEM arbeitet auch mit vergleichsweise kleinen Stichproben zuverlässig, während CB-SEM in der Regel größere Fallzahlen voraussetzt.
- Keine Normalverteilungsannahme: Der PLS-Algorithmus macht keine restriktiven Verteilungsannahmen. Signifikanztests erfolgen über Bootstrapping.
- Komplexe Modelle: Viele Konstrukte und Indikatoren sind kein Problem – PLS-SEM ist algorithmisch sehr robust gegenüber Modellkomplexität.
- Explorative Forschungsziele: Das Verfahren eignet sich besonders, wenn das Ziel die Prognose und Erklärung von Varianz ist, nicht die Überprüfung eines konfirmatorischen Theoriemodells.
Praxisbeispiel zu Partial Least Squares SEM
Eine Forscherin untersucht in ihrer Masterarbeit, ob wahrgenommene Servicequalität und Vertrauen die Kundenbindung in einem Online-Shop vorhersagen. Sie erhebt Daten von 120 Probanden mittels Fragebogen (7-Punkte-Likert-Skala) und modelliert drei latente Konstrukte.
| Konstrukt (latent) | Typ | Beispiel-Indikatoren | Rolle im Modell |
|---|---|---|---|
| Servicequalität | Reflektiv | SQ1, SQ2, SQ3 | Exogenes Konstrukt (unabhängig) |
| Vertrauen | Reflektiv | V1, V2, V3 | Exogenes Konstrukt (unabhängig) |
| Kundenbindung | Reflektiv | KB1, KB2, KB3 | Endogenes Konstrukt (abhängig) |
Die Analyse mit SmartPLS ergibt folgende Ergebnisse:
- Der Pfadkoeffizient von Servicequalität → Kundenbindung beträgt β = 0,42 (p < 0,01): Ein positiver und signifikanter Effekt.
- Der Pfadkoeffizient von Vertrauen → Kundenbindung beträgt β = 0,31 (p < 0,05): Ebenfalls signifikant.
- Das Modell erklärt insgesamt 38 % der Varianz in der Kundenbindung ( = 0,38).
Die Signifikanz der Pfade wird über Bootstrapping mit 5.000 Stichproben ermittelt, da PLS-SEM keine parametrischen Signifikanztests nutzt. Bevor die Strukturmodellpfade interpretiert werden, prüft die Forscherin zunächst die Güte des Messmodells – etwa anhand von Indikatorreliabilität, Average Variance Extracted (AVE) und dem HTMT-Kriterium für diskriminante Validität.
