Skip to main content

How Do Partial Least Square Structural Equation Modeling and Covariance-based Structural Equation Modeling Vary from One Another?

 

        Covariance-based structural equation modeling (CB-SEM) and partial least squares structural equation modeling (PLS-SEM) are two methods for estimating structural equation models.

        CB-SEM is a method for estimating and testing the relationships between observed variables and latent constructs in a model. It is based on the assumption that the observed variables are measured with error and that the relationships between the observed variables and latent constructs can be represented by a set of regression equations. CB-SEM estimates the model parameters by maximizing the likelihood of the data given the model.

        PLS-SEM is a method for estimating and testing the relationships between observed variables and latent constructs in a model. It is based on the assumption that the observed variables are correlated with each other and with the latent constructs, and that the relationships between the observed variables and latent constructs can be represented by a set of regression equations. PLS-SEM estimates the model parameters by minimizing the sum of squared residuals between the observed variables and their predicted values.

There are several key differences between CB-SEM and PLS-SEM:

  1. Assumptions: CB-SEM assumes that the observed variables are measured with error, whereas PLS-SEM assumes that the observed variables are correlated with each other and with the latent constructs.

  2. Estimation method: CB-SEM estimates the model parameters by maximizing the likelihood of the data given the model, while PLS-SEM estimates the model parameters by minimizing the sum of squared residuals between the observed variables and their predicted values.

  3. Sample size: CB-SEM requires a larger sample size than PLS-SEM to achieve good model fit.

  4. Model fit: CB-SEM is more sensitive to model misspecification and may produce biased parameter estimates when the model is misspecified, whereas PLS-SEM is more robust to model misspecification and may produce unbiased estimates even when the model is misspecified.

  5. Applicability: CB-SEM is suitable for testing relationships between observed variables and latent constructs, whereas PLS-SEM is more suitable for predicting the values of observed variables from latent constructs.

Popular posts from this blog

G*Power Perisian Bagi Pengiraan Sampel Saiz.

Penggunaan Gpower kerap menekan kepada tiga langkah berikut: Memilih ujian statistik yang sesuai atau padan dengan masalah yang di kaji. Memilih di antara lima jenis analisis kuasa (power analysis) yang di sediakan. Sediakan parameter input yang di perlukan analasis dan klik pada “calculate” Pada Langkah 1, pendekatan yang digunakan untuk memilih ujian statistic (statistical test) adalah melalui dua pendekatan, iaitu distribution based atau design-based approach . Distribution-based approach to the test selection Melalui pendekatan distribution-based , pendekatan pertama adalah melihat pada kumpulan umum ujian statistik menggunakan '' Test family'' menu yang terdapat di window atau tingkap utama.   Ujian statitik ( Statistical test ) menu akan berubah mengikut pilihan di dalam '' Test family'' . Ujian-ujian yang ada akan selaras mengikut pada '' test family'' yang di pilih sahaja. Design-based approach to the test se
Read more

Ujian Analisa Sehala MANOVA

Perbezaan analisa ini dengan ANOVA adalah pembolehubah bersandarnya mempunyai lebih daripada satu . Manakala, pembolehubah bebas adalah sama seperti ANOVA yang mempunyai pelbagai kumpulan. Analisa sehala MANOVA juga mempunyai sarat ujian statistik di dalamnya dan tidak dapat memberi maklumat secara spesifik kumpulan yang berbeza signifikan di antara satu sama lain. Ujian ini hanya akan memberi maklumat sekurang-kurang dua kumpulan adalah berbeza. Oleh sebab, kebiasaan penggunaan analisa ini oleh pengkaji akan melibatkan tiga, empat atau lebih kumpulan. Oleh itu penggunaan ujian post-hoc adalah penting untuk mengetahui perbezaan kumpulan selebihnya itu. Bagi mendapat analisa yang sah dan berkualiti, beberapa andaian perlu di penuhi dahulu sebelum menggunakan analisa MANOVA. Pembolehubah bersandar mestilah dalam skala selang atau nisbah. Pembolehubah bebas a.k.a pembolehubah tidak bersandar mestilah mempunyai beberapa kumpulan yang bebas atau dengan kata lain dalam skala ordina
Read more

ANOVA vs MANOVA

Perbezaan utama di antara ANOVA dan MANOVA adalah jumlah bilangan pembolehubah bersandar ( dependent variable ). Walaupun begitu, jika terdapat pembolehubah bersandar lebih daripada satu, masih bukan masalah dan merupakan pilihan lain jika pengkaji mahu untuk menguji secara berasingan menggunakan analisa ANOVA bagi setiap pembolehubah bersandar itu. Jadi, kenapa perlu menggunakan pengiraan MANOVA ini berbanding beberapa analisa menggunakan ANOVA jika terdapat pembolehubah bersandar yang lebih daripada satu seperti dua, tiga atau empat pembolehubah bersandar? Terdapat dua sebab utama, MANOVA berpotensi menggantikan ANOVA dalam beberapa keadaan. Pertama melibatkan teori yang logik dan kedua melibatkan statistiknya. Sebagai contoh: Skormatematik + skorfizik + skorkimia sebagai fungsi kepada ( as a function of ) minuman tambahan ( tiga tahap / level ) Minuman tambahan, pembolehubah tidak bersandar atau bebas dengan tiga tahap ( levels ) : minuman kurma, minuman madu dan minuma
Read more