路径模型和pls学习.pptx

基于回归的传统方法的假定(e.g., multiple regression analysis, discriminant analysis, logistic regression, analysis of variance);为克服第一代基于回归的模型的弱点 Structural equation modeling (SEM);两种模型;内生和外生隐变量的关系;名词;内生和外生隐变量的关系: theoretical equations: representing nonobservational hypotheses and theoretical definitions (structural model);三种不同类型的不可观测变量;两类指标变量: a) reflective indicators that depend on the construct; b) formative ones (also known as cause measures) that cause the formation of or changes in an unobservable variable ;二者的区别;基于协方差(SEM-ML)和基于方差(SEM-PLS)的两种建模;PLS估计步骤:; PLS 优点: 没有总体假定或度量标度的假定, 因此也没有分布假定. 然而需要某些假定, 如线性回归的系统部分等于因变量的条件期望. 根据Monte Carlo模拟, PLS非常稳健, 而且隐变量的得分总是和真值吻合. 由于隐变量的个体值为显变量的整合, 由于后者的度量误差, 该值为不相合的(但渐近相合). 由于样本及每个隐变量的指标的有限性, PLS有低估隐变量之间的相关及高估载荷(测量变量的系数)的倾向.;在基于协方差和基于方差的SEM之间的选择;其它PLS占优势的情况;Sohn Park(2001)[3]的蒙特卡罗模拟比较表明：（1）以均方误差和对因子载荷的方差为标准，在数据量小，而且表现出稍微非正态时，ML性能最差；当数据是正态或近似正态时，在ML和PLS之间没有显著差别，（2）以因子载荷的偏差为标准，无论数据量大小，ML随着非正态增加而性能变差，（3）以回归系数的均方误差为标准，PLS比ML要好。 ;顾客满意度模型;瑞典顾客满意度指数模型;;;;;;;;这里，包含有b的B矩阵、h及z是未知的。而B矩阵的形式完全被图模型所确定。;这里，包含有l的L矩阵、h是未知的，而x是可观测的。而L矩阵的形式完全被图模型所确定。;偏最小二乘(PLS)法解路径模型(Path Model);例子（先不看数字）;其中：reflective indicators“loadings”;其中：reflective indicators“weights”; library(plspm) ## typical example of PLS-PM in customer satisfaction analysis ## model with six LVs and reflective indicators data(satisfaction) IMAG - c(0,0,0,0,0,0) EXPE - c(1,0,0,0,0,0) QUAL - c(0,1,0,0,0,0) VAL - c(0,1,1,0,0,0) SAT - c(1,1,1,1,0,0) LOY - c(1,0,0,0,1,0) sat.mat - rbind(IMAG, EXPE, QUAL, VAL, SAT, LOY) sat.sets - list(1:5,6:10,11:15,16:19,20:23,24:27) sat.mod - rep(A,6) ## reflective indicators res2 - plspm(satisfaction, sat.mat, sat.sets, sat.mod, scheme=centroid, scaled=FALSE) ## plot diagram of the inner model plot(res2) ## plot diagrams of both the inner model and outer model (loadings and weights) plot(res2, what=weights) plot(res2, what=loadings) plot(res2, what=all) ## End(Not run);程序;输出;输出; ## typical example