Escolar Documentos
Profissional Documentos
Cultura Documentos
Minicurso Modelagem Equacoes Estruturais
Minicurso Modelagem Equacoes Estruturais
PLS
PLS
PLS
PLS
Boa tarde !
Como não está rodando com Java mais novo (7), devemos usar o SmartPLS que
contém a versão correta do Java “embedded” e está disponível para download no
link:
http://www.smartpls.de/forum/downloads/smartpls/smartpls_2.0.M3_win32.win32.x8
6_including_jre.zip
• Este trabalho teve apoio financeiro do
CNPq.
– Edital Universal CNPq
– Número do processo: 484262/2010-6
– Edital/Chamada: Edital MCT/CNPq 14/2010 -
Universal
PLS
PLS-PM Calibrar
com os
PLS
presentes
• Objetivos
– Identificar as situações em que o PLS-PM é o método
mais recomendado;
– Reconhecer as diferenças entre PLS-PM e LISREL;
– Iniciar a capacitação dos participantes a utilizarem o
PLS-PM em suas pesquisas;
– Sensibilizar quanto à necessidade de rigor nas
análises, bem como nas pesquisas publicadas que
tenham utilizado este método.
PLS
PLS
PLS-PM
PLS
• Conteúdos
– O que é modelo? PLS-PM é MEE?
– Modelo de mensuração e estrutural
– Variável latente e indicadores formativos e reflexivos
– Um pouco da história
– Diferenças entre LISREL e PLS-PM e PLS-R
– Análises exploratórias e confirmatórias
– Exemplos de pesquisas em Aprendizagem
organizacional
– Estimação de modelo com software SmartPLS:
• análise fatorial confirmatória e
• modelo estrutural.
EXEMPLOS
PLS
PLS
Exemplo 1 no SmartPLS
PLS
Modelo ECSI
Tem sido usado como
exemplo didático na Europa
e no fórum do SmartPLS
Modelo ECSI
Tem sido usado como
exemplo didático na Europa
e no fórum do SmartPLS
PLS
PLS
Exemplo 2 no SmartPLS
PLS
Modelo AI-AG-AO
Exemplo mais sofisticado, porque envolve VL de 2ª ordem.
AI, AG, AO são VL de 2ª ordem.
Seus indicadores são as VL de 1ª
ordem. Para “rodar” no PLS-PM todos
os indicadores de suas VL de 1ª ordem
são repetidos nelas, aqui eles estão
escondidos (Hide)
PLS
PLS
Basic principles of model building
PLS
Frame of
reference
Wold (1969) e Lohmöller (1989, p.13-
15)
Conhecimento
T ↔E
científico =
Aspectos
teóricos
Wold (1969) e Lohmöller (1989, p.13-
15)
Conhecimento
T ↔E
científico =
Aspectos Aspectos
teóricos empíricos
Wold (1969) e Lohmöller (1989, p.13-
15)
Conhecimento
T ↔E
científico =
match
Wold (1969) e Lohmöller (1989, p.13-
15)
Conhecimento
T ↔E
científico =
Dedução T �E
Wold (1969) e Lohmöller (1989, p.13-
15)
Conhecimento
T ↔E
científico =
Dedução T �E
Indução T �E
Wold (1969) e Lohmöller (1989, p.13-
15)
Dedução T �E
Indução T �E
𝑇𝑇 = 𝑇𝑇(𝐸𝐸 ) + 𝛿𝛿
ISBN 3-7908-0437-1
PLS
PLS
PLS
MODELO DE MENSURAÇÃO
E
MODELO ESTRUTURAL
Introdução
Será aprofundado com
exemplos na seção 5,
agora é apenas uma introdução
• Definição
– Constitutiva ou conceitual
– Operacional ou empírica
KIRKWOOD, C. W. System Dynamics Methods: A Quick Introduction. 1998. [p.13 – Cap.1]
Disponível em http://www.public.asu.edu/~kirkwood/sysdyn/SDIntro/SDIntro.htm
Símbolos para as variáveis
Variável Latente
MEE - definição
• Por exemplo:
ζ1
Y1 = b1X1 + b2X2 + ζ1
X1 b1 ζ2
Y2 = b3X2 + b4Y1 + ζ2
Y1 b4
b2
X2 b3 Y2
MEE- definição
Variáveis observáveis Conceitos não-observáveis
Variáveis manifestas Constructos ou construtos
Variáveis mensuráveis Construtos não observáveis
Itens do questionário Variáveis latentes
Indicadores Fator comum (neste exemplo)
e1 i1
e2 i2
X1
e3 i3
Erros de mensuração
MEE - definição
• Possui a habilidade de representar conceitos
não-observáveis em modelos complexos, o que
o torna uma ferramenta de análise multivariada
“de segunda geração” (CHIN, 1998)
e7 e8 e9
e1 i7 i8 i9
i1
e2 i2 ζ1
X1 b1 ζ2
e3 i3
Y1 b4
i10
b2 e10
e4 i4 x11
X2 b3 Y2 e11
e5 i5 x12 e12
e6 i6
Modelo de mensuração e estrutural
Variáveis Observadas
D1
E4 Iates Sorrisos E1
0,75
0,67
0,67 0,98
E6 Automóveis Contentamento E3
Ajuste do Modelo:
c2 = 10,3 df= 7 p=0.172
Conceitos não-observáveis
(variáveis latentes)
Modelo de mensuração e estrutural
Modelo de
mensuração
D1
E4 Iates Sorrisos E1
0,75
0,67
0,67 0,98
E6 Automóveis Contentamento E3
Ajuste do Modelo:
c2 = 10,3 df= 7 p=0.172
Modelo estrutural
Outer model
=
modelo de mensuração
D1
E4 Iates Sorrisos E1
0,75
0,67
0,67 0,98
E6 Automóveis Contentamento E3
Ajuste do Modelo:
c2 = 10,3 df= 7 p=0.172
Inner model
=
modelo estrutural
Modelo de mensuração e estrutural
Construto Exógeno
D1
E4 Iates Sorrisos E1
0,75
0,67
0,67 0,98
E6 Automóveis Contentamento E3
Ajuste do Modelo:
c2 = 10,3 df= 7 p=0.172
Construto Endógeno
Under a new Constitution, government programs
must be judged by the happiness they produce,
not by the economic benefits.
PLS
PLS
Perspectiva Individual
demográfica Organizacional e societal
Aquisição conhecimento
Memória organizacional
Mudança estrutural
Aprender a aprender (dêutero)
Perspectiva Inteligência
Validade do conteúdo da informação
resultados
Controle
Conseqüências organizacionais
Teoria
Análise Fatorial AFE
Exploratória
Communication
Information
Performance Assessment
Distribution
Intellectual cultivation
Environmental
adaptability
Information
Social Learning
Interpretation
Intellectual Capital
Management
Communication
Information
Performance Assessment
Distribution
Intellectual cultivation
Environmental
adaptability
Information
Social Learning
Interpretation
Intellectual Capital
Management
seriam
correlacionados, Intellectual cultivation
como é esperado.
Environmental
adaptability
Information
Social Learning
Interpretation
Intellectual Capital
Management
– LÓPEZ, S. P.; PEÓN, J. M. M.; ORDÁS, C. J. V. Managing knowledge: the link between culture
and organizational learning. Journal of Knowledge Management, v.8, n.6, p.93-105, 2004.
[Proquest].
– LÓPEZ, S. P.; PEÓN, J. M. M.; ORDÁS, C. J. V. Organizational learning as a determining
factor in business performance. The Learning Organization, v.12, n.3, p.227-245, 2005a.
[Proquest].
– LÓPEZ, S. P.; PEÓN, J. M. M.; ORDÁS, C. J. V. Human Resource Practices, Organizational
Learning and Business Performance. Human Resource Development International, v.8, n.2,
p.147-164, Jun./2005b. [EBSCO].
– LÓPEZ, S. P.; PEÓN, J. M. M.; ORDÁS, C. J. V. Human Resource Management as a
Determining Factor in Organizational Learning. Management Learning, v.37, n.2, p.215-239,
Jun,/2006. [Proquest].
AO como uma
VL de 2a ordem
Silva Filho (2007, 2009)
Aquisição 1. Aquisição
Distribuição 2. Compartilhamento
3. Codificação e
Interpretação
controle
Memória
Isidro Filho (2007)
LPO(2004)
Aquisição ext. 3
Aquisição ext. 1
Aquisição ext. 2
Aquisição int. 3
Memória 2
Aquisição ext. 4
Isidro Filho (2007)
LPO(2004)
Interpretação 1
Interpretação 2
Distribuição 5
Interpretação 3
Aquisição int. 2
Distribuição 1
Distribuição 2
Interpretação 4
Distribuição 3
Distribuição 4
Isidro Filho (2007)
LPO(2004)
Memória 5
Memória 4
Memória 3
Memória 1
Mais alguém usou a escala de LPO ?
JIMÉNEZ-JIMENEZ, D.; VALLE, R. S.; HERNANDEZ-ESPALLARDO, M. Fostering
innovation: the role of market orientation and organizational learning. European Journal
of Innovation Management, v.11, n.3, p.389-412, 2008.
Desempenho
Q19-Q20
Disciplina
Q21-Q34
Características do Como
professor foram
interpre
-tados
Carga de trabalho
do curso
Características
supérfluas do
professor
Características do
curso
Essas foram as denominações
que eles deram para os fatores,
mas na AFE, os itens agrupam
pelas correlações, e não pela
estrutura definida a priori...
Se voltarmos no questionário,
veja o que ocorre...
Professor
Q7-Q18
Desempenho
Disciplina
Q21-Q34
Raciocínio estrutural na AFE
Mesmo instrumento
Diferentes análises...
O importante era manter as
AFE separadas.
PLS
PLS
CONFUSÃO
PLS
Não confunda PLS-R com PLS-PM
PLS
http://nnsconsulting.com/About_Us.html
PLS
PLS
Não confunda PLS-R com PLS-PM
PLS
Foco
desse
curso.
PLS
PLS
Não confunda PLS-R com PLS-PM
PLS
• Alguns usos:
• Quimiometria (chemometrics)
• Regressão múltipla com mais Foco
variáveis independentes do que desse
observações (casos). curso.
• Regressão múltipla quando há
problemas de multicolinearidade.
http://www.ctc.puc-rio.br/emq2008/EMQ-ultimo/modulo06.pdf
PLS
PLS
Não confunda PLS-R com PLS-PM
PLS
PLS
Não confunda PLS-R com PLS-PM
PLS
ROUSE, A .C. CORBITT, B. There’s SEM and “SEM”: a Critique of the use
of PLS Regression in Information Systems Research. 19th Australasian
Conference on Information Systems, Christchurch, 3-5 Dec 2008.
Disponível em: <http://www.bsec.canterbury.ac.nz/acis2008/Papers/acis-
0120-2008.pdf>. Acesso em 16.02.2010.
• p.845 Citam Marcoulides e Saunders (2006) ao falarem de PLS regression,
mas M&S usaram a expressão PLS modeling.
• P.847 A descrição “não matemática” é sobre PLS Regression mesmo. Está
comparando PLS-R com SEM?
• P.850 a tabela 2 compara SEM com PLS-R, mas o conteúdo de PLS-R está
mais para PLS-PM.
• P.851 Citam PLS-Graph com um dos pacotes para PLS-R (mas é PLS-PM).
PLS
PLS
Não confunda PLS-R com PLS-PM
PLS
PLS
Não confunda PLS-R com PLS-PM
PLS
PLS
PLS
PLS-PM x LISREL ou
PLS-PM + LISREL ?
PLS-PM x LISREL ou PLS-PM + LISREL ?
PLS
PLS-PM x LISREL ou
PLS PLS-PM + LISREL ?
• No LISREL é assim…
Qual estrutura causal gerou esse padrão de correlações?
é1 ù φ21
êr 1 ú δ1 X1 X3 δ3
ê 21 ú VL1 VL2
êr31 r32 1 ú δ2 X2 X4 δ4
?
ê ú γ31 γ32
êr41 r42 r43 1 ú
êr51 r52 r53 r54 1 ú
ê ú VL3
ër61
ê r62 r63 r64 r65 1ú
û
X5 X6
?
δ5 δ6
φ21
γ21
FC1 FC2 VL1 VL2 VL1 VL2
X1 X2 X3 X4 X5 X6 X1 X2 X3 X4 X5 X6 X1 X2 X3 X4 X5 X6
δ1 δ2 δ3 δ4 δ5 δ6 δ1 δ2 δ3 δ4 δ5 δ6 δ1 δ2 δ3 δ4 δ5 δ6
PLS
PLS-PM x LISREL ou
PLS PLS-PM + LISREL ?
Fonte: HENSELER, J.; RINGLE, C. M.; SINKOVICS, R. R. The Use of Partial Least Squares Path Modeling in International
Marketing. In: Sinkovics, R. R./ Ghauri, P. N. (eds.). Advances in International Marketing,
Vol. 20, Emerald: Bingley, pp. 277-320, 2009. [figura na p.296].
Legenda: ANN = Artificial Neural Networks
Mais alguns critérios para
ajudar na escolha...
PLS-PM x LISREL ou PLS-PM + LISREL ?
PLS-PM x LISREL ou PLS-PM + LISREL ?
CRITÉRIO PLS-PM (soft modeling) LISREL (hard modeling)
Explicação: modelos causais,
Objetivo Predição
teste de teoria
Abordagem Baseado na variância Baseado na covariância
Consistente conforme o tam. da
amostra (consistency) e a qtde
Precisão Ótimo para amostras grandes.
de indicadores aumentam
(consistency at large).
As VL são combinações Indeterminância fatorial:
lineares dos indicadores, os diversos modelos podem
Variáveis latentes (VL)
escores fatoriais são estimados reproduzir a matriz de
explicitamente covariâncias.
Apenas indicadores reflexivos.
Para modelar VL com
Pode haver indicadores
Modelo de mensuração indicadores formativos usa-se a
formativos ou reflexivos.
abordagem MIMIC (múltiplos
indicadores e múltiplas causas).
CRITÉRIO PLS-PM (soft modeling) LISREL (hard modeling)
Mais flexível, contexto mais
Requisitos quanto à teoria Fortemente dependente da teoria.
exploratório.
Dependendo do método de
Não há suposições, por isso, se estimação, as variáveis deveriam
Distribuição dos dados
diz que é soft. apresentar distribuição normal
multivariada.
Análise do poder estatístico com a
porção do modelo que possui o
maior número de preditores ou 10
Idealmente baseado na análise do
vezes o maior número de
poder estatístico, sendo o mínimo
Tamanho da amostra preditores (indicadores formativos
recomendado da ordem de 200
ou setas estruturais chegando na
casos.
VL, o que for maior). Sendo o
Cuidado mínimo recomendado de 100
Não é bala de prata. casos.
Depende do modelo e deve ter pelo
menos de 4 indicadores por VL.
Necessário impor restrições aos
Identificação (estimação única Para modelo recursivos é sempre
parâmetros. Três problemas: às
dos parâmetros) identificado.
vezes o modelo não converge,
soluções impróprias e
indeterminância fatorial.
CRITÉRIO PLS-PM (soft modeling) LISREL (hard modeling)
Estimada por métodos não- Geralmente, estimada por métodos
Significância dos Parâmetros paramétricos, por exemplo, paramétricos, mas bootstrap é uma
bootstrap. opção.
Capaz de lidar com alta Complexidade de média a
Complexidade complexidade (100 construtos e moderada (menos de 100
1000 indicadores) indicadores).
Se não houver setas entre as VL
(uni ou bidirecionais), é suposto
Mesmo que não haja seta entre as que a correlação entre elas seja
VL, é suposto que elas tenham zero (restrição implícita).
correlação entre si (não se usa setas É possível impor restrições em
bidirecionais na MEEPLS). qualquer parâmetro do modelo, por
Inclusão de restrições nos Não é possível impor restrições aos exemplo: parâmetro = valor fixo;
parâmetros do modelo parâmetros do modelo, por parâmetro 1 = parâmetro 2;
exemplo, forçando que a parâmetro 1 do grupo 1 =
correlação entre duas VL seja igual parâmetro 1 do grupo 2; ou maior
a 1 no teste de validade do que; ou menor do que, e outras
discriminante. menos usadas como restrições de
proporcionalidade e de não-
linearidade (KLINE, 2005, p.102).
PLS
PLS
PLS-PM x LISREL ou
PLS PLS-PM + LISREL ?
• Logo,
JÖRESKOG, K. G.; WOLD, H. The ML and PLS techniques for modeling with latent
variables: historical and comparative aspects. In JÖRESKOG, K. G.; WOLD, H.
Systems under indirect observation: causality, structure, prediction. Part I.
Netherlands: North-Holland Publishing Company, 1982. Cap.12, p.263-270.
PLS
PLS
PLS
ALGUNS PERSONAGENS E
HISTÓRICO DO PLS-PM
Que tal um pouco da história?
PLS
PLS
PLS
Sugestão de leitura
1857-1936
Em 1901
análise de
componentes
principais.
Histórico
± 42 anos
K. P.
53 anos
Início da história
Psicologia
Charles Edward Spearman (1863 – 1945)
Path analysis (path diagram + equações que relacionam as
correlações aos parâmetros + decomposição dos efeitos)
Genética
1928
1965
Orientador do
Jöreskog (1963)
e do Hui (1978)
Orientador do
Karl Gustav Jöreskog (1935-) Sörbom (1976)
Disponível no
Proquest
ISBN 0-444-86301-X
No volume 1 temos:
ISBN 3-7908-0437-1
WOLD, H. Theoretical Empiricism: a
general rationale for scientific model-
building. New York: Paragon House,
1989.
Kenneth A. Bollen
ISBN 0962262846,
9780962262845
103 páginas
Início século XXI
Peter Bentler
James L. Arbuckle
PLS Graph
Wynne W. Chin
www.smartpls.de
XLSTAT-PLSM
http://www.xlstat.com/en/home/
Artigos metodológicos e de aplicação
PLS
Um pouco mais da história...
PLS
PLS
Um pouco mais da história...
PLS
Gastón Sánchez
http://www.docstoc.com/docs/4285625/PLS-Historical-Review
PLS
PLS
PLS
MODELO ESTRUTURAL
Especificação
Tipos de relações entre as VL
Setas entre as VL no LISREL
X1 X2 X3 X4 X5 X6 X7 X8
δ1 δ2 δ3 δ4 δ5 δ6 δ7 δ8
p.492
CHURCHILL Jr., G. A.; SURPRENANT, C. An investigation into the determinants of customer satisfaction.
Journal of Marketing Research, v.19, n.4, p.491-504, nov. 1982.
Cada seta do modelo estrutural é uma Ho
p.14
• DeLONE, W. H.; McLEAN, E. R. The DeLone and McLean model of information systems success: a ten-
year update. Journal of Management Information Systems, v.19, n.4, p.9-30, 2003.
<http://www.asiaa.sinica.edu.tw/~ccchiang/GILIS/LIS/p9-Delone.pdf>.
Cada seta do modelo estrutural é uma Ho
Introduction
·Is there a clear research question, with a solid motivation behind it?
·Is the research question interesting?
·After reading the introduction, did you find yourself motivated to read further?
Theory
·Does the submission contain a well-developed and articulated theoretical framework?
·Are the core concepts of the submission clearly defined?
·Is the logic behind the hypotheses persuasive?
·Is extant literature appropriately reflected in the submission, or are critical references missing?
·Do the hypotheses or propositions logically flow from the theory?
Contribution
·Does the submission make a value-added contribution to existing research?
·Does the submission stimulate thought or debate?
·Do the authors discuss the implications of the work for the scientific and practice community?
GASKI, J. F. The Theory of Power and Conflict in Channels of Distribution. Journal of Marketing, v.48, p.9-29, summer
1984, [p.14]. Disponível em: http://bear.warrington.ufl.edu/weitz/mar7786/Articles/gaski.pdf
Cada seta do modelo estrutural é uma Ho
Nem sempre!
López, Peón e
Ordás (2005a) Às vezes são
relações da VL de 2ª
ordem com suas VL
de 1ª (mensuração)
López, Peón e Ordás
(2004, 2005a, 2005b, 2006)
É a “satisfação” com
a Performance.
R2 = 45% R2 = 16%
n.s.
López, Peón e Ordás (2004, 2005a, 2005b, 2006)
R2 = 28%
R2 = 19,5%
= Performance no
modelo de 2004
López, Peón e Ordás (2004, 2005a, 2005b, 2006)
Training
0,311 (2,052)
RH Desempenho
Compensation
Participation
López, Peón e Ordás (2004, 2005a, 2005b, 2006)
Hiring
Training
0,311 (2,052)
RH Desempenho
Compensation
Participation
Hiring
Training
0,829 0,535
RH AO Desempenho
Compensation
Participation
n.s.
PLS
PLS
MODELO DE MENSURAÇÃO
Especificação
PLS
PLS
MODELO DE MENSURAÇÃO
PLS
CONTEÚDOS
• Medir, Classificar,
• Atribuir números a objetos ou eventos.
• Regra para associá-los.
Observáveis Não-observáveis
diretamente diretamente
Dificuldade
Variável latente (VL) - Latent variable (LV)
• Fator comum
• Construto ou constructo
• Variável latente
• Causa comum
• Traço latente, atributo latente
• Variáveis não-observáveis diretamente
• Variáveis teóricas
• Variáveis mensuradas indiretamente
• Conceitos não-observáveis
Definição
• Construtos não-observáveis constitutiva
Variável latente (VL) - Latent variable (LV)
Indicadores reflexivos
ou
indicadores-efeito
Constructo ou
Mode A
Latent construct
Comportamentos observados de um traço latente, (CHIN, 2000)
se o construto varia, todos os indicadores variam.
Principal factor
(JARVIS et al. 2003)
Variável latente: indicadores formativos
Indicadores formativos
ou
indicadores-causa
Constructo ou
Mode B
Emergent construct
(CHIN, 2000;
Não é uma VL real, é um ÍNDICE inventado !! DEVELLIS, 2003)
Álcool no Nível de
sangue embriaguez
Variáveis observadas e
Variáveis observadas e
não, necessariamente,
correlacionadas
correlacionadas
Variável latente: reflexivos X formativos
Álcool no Nível de
sangue embriaguez
Condicionamento
físico
Abuso de
Treinamento Nutrição
drogas
Reflexivos ou formativos?
Condicionamento
físico
Condicionamento Condicionamento
físico físico
Qual a probabilidade
desse fornecedor
apresentar os
comportamentos a seguir
nos próximos 6 meses?
1 – improvável
2 – pouco provável
3 – provável
4 – muito provável
5 – certo
Situação: hipotética
Tempo: futuro
1 – nunca
2 – 1 a 2 vezes
3 – 3 a 5 vezes
4 – 6 a 10 vezes
5 – mais de 10 vezes
Situação: comportamento
observado (real)
Tempo: passado
O que mudou?
Reflexivos ou formativos?
real
Intenção
Propensão
...?
LISREL x PLS-PM
MIMIC no PLS-PM
Álcool no Nível de
sangue embriaguez
Copos de
vinho Teste de
bafômetro
Latas de
Teste para
cerveja Nível de tempo de
embriaguez reação física
Doses de
Tempo para
vodka
término de teste
de memória
Doses de
whisky
Múltiplas Múltiplos
causas efeitos
MIMIC no LISREL
Copos de
vinho Teste de
bafômetro
Latas de
Teste para
cerveja Nível de tempo de
embriaguez reação física
Doses de
Tempo para
vodka
término de teste
de memória
Doses de
whisky
E daí?
É só mudar a direção das setas?
Reflexivos X Formativos
Dos itens para o construto Do construto para os itens
mas algumas
sem uso em
pesquisas...
Aprofundam a “conversa”...
Muito parecido com
Lohmöller (1989) – slide 5
Sorria !
潛在變數
潛 在 變 數
qián zài biàn shù
tien tsai pien shuu (+/-) = Variável Latente
EXEMPLOS EM
APRENDIZAGEM ORGANIZACIONAL
Definindo seus construtos
– Definição constitutiva: Define palavras com
palavras; São definições de dicionário,
insuficientes para propósitos científicos.
PLS
MODELO DE MENSURAÇÃO
PLS
Definição constitutiva
Bontis, Crossan e Hulland (2002)
Validade de
conteúdo,
validade de
face.
Definição operacional
PLS
PLS
MODELO DE MENSURAÇÃO
PLS
AO como uma
VL de 2a ordem
NETEMEYER, R. G.;
BEARDEN, W. O.; SHARMA,
S. Scaling Procedures:
Issues and applications.
Thousand Oaks, Sage
Publications, Inc., 2003.
206p.
Validade de conteúdo,
validade de face.
DEVELLIS, R. F. Scale
development: theory and
applications. 2nd Ed. USA:
SAGE Publications, 2003.
171p.
Validade de conteúdo,
validade de face.
NUNNALY, J. C.;
BERNSTEIN, I. R.
Psychometric theory. 3nd
Ed. USA: McGraw-Hill, Inc.,
1994. 752p.
Validade de conteúdo,
validade de face.
CONSISTENCY AT LARGE
PLS-PM
PLS
PLS
CONSISTENCY AT LARGE NO PLS-PM
PLS
PLS
CONSISTENCY AT LARGE NO PLS-PM
PLS
PLS
CONSISTENCY AT LARGE NO PLS-PM
PLS
PLS
CONSISTENCY AT LARGE NO PLS-PM
PLS
PLS
PLS
TAMANHO DA AMOSTRA E
PODER ESTATÍSTICO
PLS
PLS
Power analysis no PLS-PM
PLS
• Planejamento
– Exemplo intuitivo: teste-t variando o tamanho
da amostra e o tamanho do efeito.
– Definições: α β (1 – β)
– Software G*Power 3
• Post hoc
• Priori
• Sensitivity
– Power analysis no PLS-PM
– Amostras muito pequenas ou muito grandes
PLS
PLS
PLS
Exemplo intuitivo
Exemplo intuitivo do poder estatístico
Std. Error
N Mean Std. Deviation Mean
x1 10 41,4560 11,83077 3,74122
x2 10 42,4649 12,92402 4,08693
x3 10 45,4649 12,92402 4,08693
x4 10 47,0428 11,23548 3,55297
One-Sample Test
Test Value = 40
95% Confidence
Interval of the
Mean Difference
t df Sig. (2-tailed) Difference Lower Upper
x1 ,389 9 ,706 1,45596 -7,0073 9,9192
x2 ,603 9 ,561 2,46485 -6,7804 11,7101
x3 1,337 9 ,214 5,46485 -3,7804 14,7101
x4 1,982 9 ,079 7,04276 -,9946 15,0801
Nenhuma diferença
detectada como sig. (n=10)
Exercício 1
n x1 = 40 x2 = 42 x3 = 45 x4 = 48
PLS
Power analysis no PLS-PM
PLS
• Se p < 0,05
– Rejeitamos Ho, logo, a diferença era
significante.
• Se p > 0,05
– a diferença não era significante ou
– a nossa amostra era pequena demais?
Exercício 2: Como os dados eram simulados, sabemos que as
diferenças deveriam ter sido detectadas como significantes, então, por
que em alguns testes a diferença foi detectada como significante e em
outros não?
PLS
Power analysis no PLS-PM
PLS
Definições: α β (1 – β)
PLS
PLS
Power analysis no PLS-PM
PLS
PLS
Power analysis no PLS-PM
PLS
PLS
Power analysis no PLS-PM
PLS
Software G*Power 3
PLS
PLS
Downloading G*Power 3
PLS
http://www.psycho.uni-duesseldorf.de/abteilungen/aap/gpower3/
Vamos fazer a coleta de
dados, qual o tamanho da A priori
amostra?
A pesquisa já está
Post hoc Power > 0,8 ?
publicada e o teste deu
não-significante, será que Qual o menor
a amostra era pequena? tamanho do
Sensitivity efeito que seria
detectável como
significante?
Exemplo com correlação, mas a
ideia é a mesma para outros
Amostra (n)
Ho: ρ = 0 testes de hipóteses
Teste estatístico
PLS
Power analysis no PLS-PM
PLS
PLS
Power analysis no PLS-PM
PLS
Classificação sugerida
por Cohen e adotada
no G*Power 3
PLS
PLS
PLS
PLS
Power analysis no PLS-PM
PLS
PLS
Power analysis no PLS-PM
PLS
A priori
Regressão múltipla n
Tamanho do efeito
(R2 desvio do zero) (sig. = 0,05 e Power = 0,8)
2
pequeno f = 0,02 R2 = 0,0196 602
médio f2 = 0,15 R2 = 0,1304 85
f2 = 0,35
2
grande R = 0,2593 40
PLS
Power analysis no PLS-PM
PLS
PLS
Power analysis no PLS-PM
PLS
Sensitivity
(preditores = 4; n = 250, sig. = 0,05, Power = 0,8)
f2 = 0,04867 R2 = 0,04641
PLS
Power analysis no PLS-PM
PLS
Amostras pequenas...
PLS
PLS
Power analysis no PLS-PM
PLS
• Leitura recomendada
• MARCOULIDES, George A.; SAUNDERS, Carol. PLS: A silver
bullet? MIS Quarterly, v.30, n.2, p.iii-ix, jun. 2006.
Disponível em:
<http://www.misq.org/archivist/vol/no30/issue2/EdCommentsV30N2.pdf>.
PLS
Power analysis no PLS-PM
PLS
PLS
Power analysis no PLS-PM
PLS
PLS
Power analysis no PLS-PM
PLS
Referências
PLS
PLS
Power analysis no PLS-PM
PLS
• Referências
– CHIN, W. W. ; NEWSTED, P. R. Structural Equation Modeling Analysis with Small
Sample Using Partial Least Squares. In HOYLE, R. H. (Org.) Statistical
Strategies for Small Sample Research. California: Sage Publications, Inc., 1999,
p. 307-341. [Sample size requirements = p.326-328]
– COHEN, J. Statistical Power Analysis for the Behavioral Sciences. Revised
Edition. New York: Academic Press, Inc., 1977.
– FAUL, F. et al. G*Power 3: A flexible statistical power analysis program for the
social, behavioral, and biomedical sciences. Behavior Research Methods, v. 39,
175-191, 2007. Disponível em: <http://www.psycho.uni-
duesseldorf.de/abteilungen/aap/gpower3/download-and-register>.
Acesso em: 30/04/2009.
– HAIR JR.; J. F.; ANDERSON, R. E.; TATHAM, R. L.; BLACK, W. C. Análise
multivariada de dados. 5ª Ed. Porto Alegre: Bookman: 2005.
[p.29-32 – Significância estatística versus poder estatístico].
PLS
PLS
PLS
PLS-PM
PLS
PLS
http://groups.google.com.br/group/mee-pls?hl=pt-BR
O algoritmo PLS-PM
PLS
PLS
PLS
PLS
PLS
Exemplo (n = 250)
PLS
PLS
PLS
PLS
PLS
Q Sat
SS
Modelo de mensuração
PERV
1
Indicadores reflexivos (mode A)
PERV Indicadores formativos (mode B)
V
2 Outer model
PERV Outer relations
3
PERQ CUSA
1 1
PERQ CUSA
2 Q Sat 2
PERQ CUSA
3 3
SS1
SS2 SS
SS3
PERV
Modelo completo
1
PERV V
2
PERV
3
PERQ CUSA
1 1
PERQ CUSA
2 Q Sat 2
PERQ CUSA
3 3
SS1
SS2 SS
SS3
Passo 0.1: padronizar todos indicadores
PERV
1
PERV V
2
PERV
3
PERQ CUSA
1 1
PERQ CUSA
2 Q Sat 2
PERQ CUSA
3 3
SS1
SS2 SS
SS3
Colunas N-
Y na
planilha
Passo 0.2:
a) Iniciar com peso = 1 para todos os indicadores
b) Calcular os escores das VL:
PERV
1
PERV V
2
PERV
3 c) Padronizar os escores das VL.
PERQ CUSA
1 1
PERQ CUSA
2 Q Sat 2
PERQ CUSA
3 3
SS1
SS2 SS AA-AL
AN-AQ
SS3
AS-AV
O algoritmo PLS-PM
PLS
PLS
PLS
eij
eij
eij
Q Sat
eij
SS
PLS
PLS
PLS-PM
PLS
PLS
PLS-PM
PLS
V
L
PATH PATH
weighting weighting
scheme: Para scheme: Para
as as
antecedentes, consequentes,
calcular os calcular os
pesos com pesos com
regressão regressão
múltipla simples (ou
PLS
PLS
PLS-PM
PLS
eij
Q Sat
eij
SS
AX-BL
O algoritmo PLS-PM
PLS
PLS
PLS
eij
eij
eij
Q Sat b) Padronizar os novos escores das VL
eij
BN-BQ
SS BS-BV
Passo 2.1:
a) Calcular os novos escores das VL com base nas outras
VL do modelo e pesos estruturais
(inside approximation).
eij
b) Padronizar os novos escores das VL
eij
PLS
PLS
PERQ CUSA
1 1
PERQ CUSA
2 Q Sat 2
PERQ CUSA
3 3
SS1
SS2 SS
BX-CZ
SS3
Passo 3.1:
a) Estimar os coeficientes do modelo de mensuração:
Formativo (Mode B) � regressão múltipla
PERV SSouter = wSS1 * SS1 + wSS2 *SS2 + wSS3 * SS3
1
PERV V Reflexivo (Mode A) � regressões simples
2 (ou correlações)
PERV
PERV1 = WPERV1 * Vouter
3 PERV2 = WPERV2 * Vouter
PERV3 = WPERV3 * Vouter
PERQ CUSA
1 1
PERQ CUSA
2 Q Sat 2
PERQ CUSA
3 3
SS1
SS2 SS
BX-CZ
SS3
O algoritmo PLS-PM
PLS
PLS
PLS
SS1
SS2 SS
DB-DE
SS3 DG-DJ
O algoritmo PLS-PM
PLS
PLS
PLS
PERQ CUSA
1 1
PERQ CUSA
2 Q Sat 2
PERQ CUSA
3 3
SS1
SS2 SS
SS3 DL-EN
Passo 5.2:
a) Somar as diferenças de pesos fatoriais de uma
iteração para outra (em módulo)
CUSA1 CUSA2 CUSA3 PERV1 PERV2 PERV3 PERQ1 PERQ2 PERQ3 SS1 SS2 SS3
iteração 0 1 1 1 1 1 1 1 1 1 1 1 1
iteração 1 0,3760 0,3842 0,4396 0,3234 0,4342 0,4469 0,4637 0,3293 0,4490 0,7343 0,0718 0,5406
DIFERENÇA -0,6240 -0,6158 -0,5604 -0,6766 -0,5658 -0,5531 -0,5363 -0,6707 -0,5510 -0,2657 -0,9282 -0,4594
ABS(Dif) = 0,6240 0,6158 0,5604 0,6766 0,5658 0,5531 0,5363 0,6707 0,5510 0,2657 0,9282 0,4594
TOTAL = 7,0070
EP-FB
Passo 5.2:
a) Somar as diferenças de pesos fatoriais de uma
iteração para outra (em módulo)
b) Comparar com o critério de convergência
c) Decidir o próximo passo.
CUSA1 CUSA2 CUSA3 PERV1 PERV2 PERV3 PERQ1 PERQ2 PERQ3 SS1 SS2 SS3
iteração 0 1 1 1 1 1 1 1 1 1 1 1 1
iteração 1 0,3760 0,3842 0,4396 0,3234 0,4342 0,4469 0,4637 0,3293 0,4490 0,7343 0,0718 0,5406
DIFERENÇA -0,6240 -0,6158 -0,5604 -0,6766 -0,5658 -0,5531 -0,5363 -0,6707 -0,5510 -0,2657 -0,9282 -0,4594
ABS(Dif) = 0,6240 0,6158 0,5604 0,6766 0,5658 0,5531 0,5363 0,6707 0,5510 0,2657 0,9282 0,4594
TOTAL = 7,0070
Voltar ao passo
não 1.2
sim Encerrar
O algoritmo PLS-PM
PLS
PLS
PLS
PLS
Cálculos após a convergência
PLS
PLS
RESUMO
PLS
• 0 Inicialização
0.1: padronizar todos indicadores
0.2: Calcular os escores das VL
a) Iniciar com peso = 1 para todos os indicadores
b) Calcular os escores das VL:
c) Padronizar os escores das VL.
• 1 Inner weights estimation (estrutural)
1.1 Escolher o esquema de ponderação entre as VL
1.2 Calcular os pesos entre as VL
• 2 Inner aproximation (estrutural)
a) Calcular os novos escores das VL com base nas outras VL do modelo e pesos estruturais
b) Padronizar os novos escores das VL
• 3 Outer weights estimations (mensuração)
a) Estimar os coeficientes do modelo de mensuração (formativo como regressão múltipla e reflexivo como
regressões simples).
• 4 Outer approximation (mensuração)
a) Usar os pesos da etapa anterior
b) Calcular os novos escores das VL (outer)
c) Padronizar os escores das VL (Ksiouter).
• 5 Avaliar critério de convergência
a) Estimar os pesos fatoriais (indicator weights) utilizando regressões múltiplas.
b) Somar as diferenças de pesos fatoriais de uma iteração para outra (em módulo)
c) Comparar com o critério de convergência
d) Decidir o próximo passo. (Voltar no passo 1 ou encerrar?).
• Estimar as cargas cruzadas, AVE, confiabilidade...
PLS
Algoritmo para estimar os escores das VL (CHIN; NEWSTED, 1999, p.320)
PLS
Step 0: Initial outside approximation
LV scores estimates obtained by summing up its indicators using equal weights. Multiply
PLS
each estimate with appropriate scaler to assure variance is 1.
If LV is modeled with reflective indicators (mode A), perform simple regression treating each
indicator as the dependent variable and the LV estimate as the independent variable.
If LV is modeled with formative indicators (mode B), perform multiple regression with LV
estimate as the dependent variable.
Diferente
do critério
de Step 4: Perform Outside Approximation
convergênc Use weights from previous step and LV score estimates from previous inside approximation
ia adotado to obtain new outside approximation estimates.
no Multiply each estimate with appropriate scalar to assure variance is 1.
SmartPLS
Are all outside approximation weights within 0.0001 of the previous estimate? NO
Go to stage 2.
PLS
PLS
Considerações finais
PLS
PLS
Considerações finais
PLS
PLS
REFERÊNCIAS para entender o algoritmo
PLS
– WOLD, H. Soft Modeling: the basic design and some extensions. In JÖRESKOG,
K. G.; WOLD, H. (Ed.). Systems under indirect observation: causality, structure,
prediction. Part I. New York: North-Holland Publishing Company, 1982. p.1-54.
– BOOKSTEIN, F. L. Data analysis by Partial Least Squares. In FORNELL, C. (Ed.).
A Second Generation of Multivariate Analysis, v.1, Methods. New York:
Praeger Publishers, 1982. p.348-366. [não ajudou muito!].
– LOHMÖLLER, J. Latent variable path modeling with Partial Least Squares.
Heidelberg: Physica-Verlag, 1989. p.27-154.
– CHIN, W. W.; NEWSTED, P. R. Structural Equation Modeling analysis with small
sample using Partial Least Squares. In HOYLE, R. H. (Ed.). Statistical strategies
for small sample research. Thousand Oaks: Sage Publications, 1999. p.307-341.
[muito bom, em especial o fluxograma da p.320].
– TENENHAUS, M.; VINZI, V. E.; CHATELIN, Y.; LAURO, C. PLS path modeling.
Computational Statistics & Data Analysis, v.48, p.159-205, 2005. Disponível
em:
<https://studies2.hec.fr/jahia/webdav/site/hec/shared/sites/tenenhaus/acces_anony
me/home/articles/PLS_PM_5.pdf>. Acesso em: 14.07.2009.
– HENSELER, J.; RINGLE, C. M. Applying PLS Path Modeling: introduction and
extensions. [apostila não publicada, curso PLS School]. Potsdam, Germany, 23-
24.nov.2007. [ajudou muito!].
PLS
PLS
REFERÊNCIAS ao título
PLS
PLS
PLS
ALGORITMO PLS-PM
PLS
PLS
ALGORITMO PLS-PM
PLS
• Disponível em:
<http://www.angrad.org.br/_resources/_circuits/arti
cle/article_465.pdf>.
Um exemplo “feito a mão”
PLS
PLS
ALGORITMO PLS-PM
PLS
5.2.2.2_feito_a_mao.xls
PLS
PLS
AFC no PLS-PM
PLS
Na AFC, os
coeficientes
estruturais
são
INÚTEIS.
Cuidado
PLS
PLS
AFC no PLS-PM
PLS
PLS
AFC no PLS-PM
PLS
PLS
PLS
BOOTSTRAP NO PLS-PM
PLS
PLS
BOOTSTRAP NO PLS-PM
PLS
Bootstrap
PLS
PLS
Bootstrap Methods
PLS
PLS
Bootstrap Methods
PLS
PLS
Bootstrap Methods
PLS
PLS
PLS
Bootstrap Methods
PLS
PLS
PLS
Bootstrap Methods
PLS
PLS
PLS
No SmartPLS
PLS
PLS
PLS-PM
PLS
• No SmartPLS:
– Sign changes: When estimating the PLS outer weights from the
resamples, arbitrary sign changes may occur. This implies that also the
loadings and the path coefficients estimated on the resamples may show
arbitrary diferences with respect to the signs of their estimates obtained
on the original sample. If the sign changes are not properly taken into
account, the standard error of estimates increases dramatically without
any real meaning. Therefore, there is a need to make the parameters
Não comparable from a resample to another.
• No sign changes = Resampling statistics are computed without compensating for any
use sign
• change. This option may be very conservative as it may yield very high standard
• errors and, consequently, low t-ratios. Therefore, we do not recommend it.
• Individual changes = The signs in each resample are made consistent with the
• signs in the original sample without ensuring a global coherence. The sign of each
• individual outer weight in the resample is made equal to the sign of the corresponding
Recomendado • ῶjh. This option is not recommend in general because of the lack of global coherence.
por Henseler, • Construct level changes (default) = The vector of loadings for each LV in each resample
Ringle, is compared to the corresponding vector of loadings in the original sample.
Sinkovics
(2009, p.307).
Tenenhaus et al., 2005, p.177
PLS
PLS
No SmartPLS
PLS
PLS
PLS
PLS
Avaliação do modelo de mensuração
PLS
Conteúdos
• Validade e confiabilidade
• Alfa de Cronbach
• Confiabilidade composta
• Validade convergente no PLS-PM
• Validade discriminante no PLS-PM
• Atenuação da correlação
PLS
PLS
Avaliação do modelo de mensuração
PLS
INDICADORES REFLEXIVOS
Veja a seguinte
analogia
Uma analogia interessante para entender
validade e Confiabilidade (Richard, 1998)
Vamos imaginar
disparos em um
alvo
Uma analogia interessante para entender
validade e Confiabilidade (Richard, 1998)
Medida Confiável,
mas não válida
(erro sistemático)
Uma analogia interessante para entender
validade e Confiabilidade (Richard, 1998)
Medida Válida e
Confiável!
Uma analogia interessante para entender
validade e Confiabilidade (Richard, 1998)
=
k æç1 - å ö÷
i
Medida usada para avaliar a consistência interna
k - 1ç
è x2 ÷
ø de um conjunto de itens (p. 185).
SAGE Pulications, ij = covariâncias entre os pares de itens pi = proporção de respondentes que tiveram um
2003. Se a correlação entre os itens é baixa, a soma score de 1 no item i.
das covariâncias entre os pares de itens será qi = proporção de respondentes que tiveram um
(å )
baixa 2 ij será próximo de zero , a razão score de 0 no item i.
das duas variâncias será próxima de 1 e alfa será
próximo de zero (p. 186).
Correlações
Alpha de Cronbach médias de 0,1 a
0,5.
1,000
Alpha de Cronbach
0,800
0,600
0,400
Esta fórmula é uma
0,200 simplificação, assume que as
variâncias dos itens são iguais
(PETT et al, 2003, p. 186).
0,000
0 5 10 15 20 25 30
quantidade de itens na escala
Alpha de Cronbach
Apenas para
indicadores (Si )2
reflexivos Conf =
(CHIN, 1998;
FORNELL,
(Si ) 2
+ S var(i )
LARCKER, 1981)
var(i ) = 1 - i2
Fornell, C. & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and
measurement error. Journal of Marketing Research, 18 (1), 39-50.
Validade convergente
no PLS-PM
Modelo reflexivo – validade convergente
0,677083 = 0,823
PLS
PLS
Exemplo a
seguir 383
Dados reais.
LISREL (não
viesado)
Φ = 0,85
384
385
PLS
PLS
PLS
AVALIAÇÃO DO MODELO
ESTRUTURAL
PLS
PLS
AVALIAÇÃO DO MODELO
PLS ESTRUTURAL
• Conteúdos
– Coeficientes estruturais
– Path analysis: Efeito direto, indireto e total
– R2 e R2 ajustado
– Magnitude do R2
– Validade de critério e nomológica
– Correlações entre as VL
– Goodness-of-fit (GoF)
PLS
PLS
AVALIAÇÃO DO MODELO
PLS ESTRUTURAL
PLS
AVALIAÇÃO DO MODELO
PLS ESTRUTURAL
Coeficientes estruturais
Path coefficients
Betas
PLS
PLS
AVALIAÇÃO DO MODELO
PLS ESTRUTURAL
Se houve coeficientes
não-significantes, o
• Coeficientes estruturais poder estatístico era
superior a 0,8?
– Significante? (bootstrap)
– Sinal coerente com hipóteses?
– Magnitude (significância prática)?
PLS
PLS
AVALIAÇÃO DO MODELO
PLS ESTRUTURAL
• Coeficientes estruturais
– BIDO, D. S.; SILVA, D.; SOUZA, C. A.; GODOY, A. S. Indicadores Formativos na Modelagem
em Equações Estruturais com Estimação via PLS-PM: Como Lidar com a Multicolinearidade
Entre Eles? II Encontro de Ensino e Pesquisa em Administração e Contabilidade. EnEPQ
2009. Curitiba, ANPAD, 2009.
– COHEN, J.; COHEN, P.; WEST, S. G.; AIKEN, L. S. Applied Multiple
Regression/Correlation Analysis for the Behavioral Sciences. 3rd Ed. New Jersey:
Lawrence Erlbaum Associates, Publishers, 2003.
PLS
PLS
PLS-PM
PLS
Path analysis
PLS
PLS
PLS-PM
PLS
• Path analysis
– Efeito direto
– Efeito indireto
– Efeito total
PLS
PLS-PM
PLS
R 2 e R2 ajustado
PLS
PLS
AVALIAÇÃO DO MODELO
PLS ESTRUTURAL
• R2 e R2 ajustado
PLS
Calculando R2 e R2 ajustado
PLS
• ypred = cte + b1 x1 + b2 x2
R yyˆ = R y .12
ry1 = correlação entre y e x1
PLS
Calculando R2 e R2 ajustado
PLS
R 2 2
=R -
(
p ×1 - R 2
) E se o tamanho da amostra for
pequeno, a diminuição do R2
Ajustado
n- p- 1 será maior ainda..!!
0,600 n = 10
n = 20
0,500
n = 30
R2 ajustado
0,400
n = 50
0,300 n = 75
0,200 n = 100
n = 150
0,100
n = 200
0,000
n = 300
0 5 10 15 20 25 30
n = 500
Quantidade de variáveis independentes ( p ) n = 1000
PLS
PLS
PLS-PM
PLS
Magnitude do R2
PLS
PLS
Magnitude do R2
PLS
PLS
PLS
Magnitude do R2
PLS
PLS
PLS
Magnitude do R2
PLS
PLS
PLS
Magnitude do R2
PLS
REFERÊNCIAS
BUCHNER, A. ERDFELDER, E.; FAUL, F.; LANG, A. Software G*Power, versão 3.0.3.
Germany: Universidade Kiel, 2006. Disponível em: < http://www.psycho.uni-
duesseldorf.de/abteilungen/aap/gpower3/>. Acesso em: 04/07/2010.
COHEN, J. Statistical Power Analysis for the Behavioral Sciences. Revised Edition.
New York: Academic Press, 1977.
HAIR JR., J.F.; BABIN, B.; MONEY, A.H.; SAMOUEL, P. Fundamentos de métodos
de pesquisa em Administração. Porto Alegre: Bookman, 2005.
HENSELER, J.; RINGLE, C. M.; SINKOVICS, R. R. The use of partial least squares
path modeling in International Marketing. Advances in International Marketing, v.20,
p.277-319, 2009.
PLS
PLS
PLS-PM
PLS
Validade de critério
e nomológica
PLS
PLS
Validade de critério
PLS
e nomológica
PLS
PLS
PLS
PLS-PM
PLS
Correlações entre as VL
PLS
PLS
Correlações entre as VL
PLS
PLS
Correlações entre as VL
PLS
PLS
Correlações entre as VL
PLS
PLS
Correlações entre as VL
PLS
PLS
Correlações entre as VL
PLS
PLS
Correlações entre as VL
PLS
PLS
PLS-PM
PLS
Goodness-of-fit (GoF)
PLS
PLS
Goodness-of-fit (GoF)
PLS
PLS
PLS
ONDE
obter ajuda?
PLS
PLS
PLS-PM
PLS
Dicas para
aprofundar o
estudo
PLS
PLS
Ao ler artigos metodológicos...
PLS
PLS
PLS-PM
PLS
BIDO, D. S.; SILVA, D.; SOUZA, C. A.; GODOY, A. S. Mensuração com indicadores
formativos nas pesquisas em administração de empresas: como lidar com a
multicolinearidade entre eles? Administração: Ensino e Pesquisa, v. 11, n. 2, p. 245–
269, 2010. Disponível em:
<http://www.angrad.org.br/_resources/_circuits/article/article_465.pdf>.
GARSON, G. D. Partial Least Squares: regression and path modeling. Asheboro, NC:
Statistical Publishing Associates, 2012. [Kindle – US$5,00]
HAIR, J. F.; RINGLE, C. M.; SARSTEDT, M. PLS-SEM: indeed a silver bullet. The
Journal of Marketing Theory and Practice, v. 19, n. 2, p. 139–152, 2011.
HENSELER, J.; RINGLE, C. M.; SINKOVICS, R. R. The use of partial least squares path
modeling in International Marketing. Advances in International Marketing, v.20, p.277-
319, 2009. (mais "amigável" e completo, possui 130 referências)
TENENHAUS, M.; VINZI, V. E.; CHATELIN, Y.; LAURO, C. PLS path modeling.
Computational Statistics & Data Analysis, v.48, p.159-205, 2005. (não é muito
"amigável", mas é bem completo) --> disponível !
www.smartpls.de
PLS
PLS
PLS
AVANÇADO
PLS
PLS
AVANÇADO
PLS
• Conteúdos
– VL de ordem superior
– Common Method Bias
– Variável mediadora
– Variável moderadora
– R2 e R2 ajustado
– Multi-grupos: heterogeneidade observável (a priori)
– Heterogeneidade não-observável (FIMIX)
– Mapa de prioridade
PLS
PLS
PLS-PM
PLS
VL de 2ª ordem
WETZELS, M. et al. Using PLS path modeling for assessing hierarchical
construct models: guidelines and empirical illustration. MIS Quarterly, v.33,
n.1, p.177-195, March 2009. [ver p.181]
PLS
PLS
PLS-PM
PLS
LIANG, H.; SARAF, N.; HU, Q.; XUE, Y. Assimilation of enterprise systems: the effect
of institutional pressures and the mediating role of top management. MIS Quarterly.
v. 31, n. 1, p. 59-87, 2007. (p.85-87)
PLS
PLS-PM
PLS
Variável mediadora
PLS
PLS
PLS-PM
PLS
PLS
PLS-PM
PLS
Variável moderadora
Indicadores
reflexivos
(Mode A)
PLS
PLS-PM
PLS
PLS
PLS-PM
PLS
PLS
PLS
Efeito moderador e mediador
PLS
PLS
PLS-PM
PLS
PLS
Multi-grupos
PLS
PLS
Heterogeneidade não-observável
PLS
PLS
Heterogeneidade não-observável
PLS
Não
observada
• O software SmartPLS possui um
algorítimo (FIMIX-PLS) capaz de
identificar a heterogeneidade a posteriori
ou seja, identifica clusters.
• Os segmentos obtidos são homogêneos
em termos das relações do modelo.
• Uma das aplicações é a segmentação dos
respondentes.
PLS
PLS
Heterogeneidade não-observável
PLS
PLS
Mapa de prioridade
PLS
Mesmo se gostou,
sugestões e
críticas são +/- diogenesbido@yahoo.com.br
bem-vindas. Gostou?
sim
Indique para os
amigos !
Muito obrigado
• diogenesbido@yahoo.com.br