あなたの分析ソリューション

XLSTAT-PLSPMによるPLS パス・モデリングでの調整効果の調査

20/10/2017

PLS パス・モデリングでの調整効果

このチュートリアルでは、調整効果(moderating effects) の調査の応用を説明します。PLS パス・モデリングについて初心者の場合は、チュートリアル “基本の PLSPM プロジェクトを作成して実行する” を参照してください。より詳細な説明は、XLSTATのヘルプ(マニュアル)にあります。

XLSTATによって、PLS モデル内の調整効果を分析できます。

PLS パス・モデリングでの調整効果を識別して定量化するために、2つの主要なアプローチが使用されます:

  • XLSTAT-PLSPMで自動である直接アプローチ。
  • XLSTAT-PLSPMで2ステップ・プロセスが必要な2ステップ・アプローチ

調整効果は、PLS パス・モデリングにおいてとても重要です。大まかに言えば、"moderator (調整変数)は、独立変数または予測変数と、従属変数または基準変数の間の関係性の方向や強さに作用する質的変数(たとえば、性別、種別、クラス)または量的変数(たとえば、報酬のレベル)であり得る" (Baron/Kenny 1986 p 1174)

2つの変数間の関係での調整変数の効果は、“moderating effect(調整効果)” または“interaction effect(交互作用効果)”と呼ばれます。質的調整変数の場合、グループ比較アプローチが使用できます(XLSTAT-PLSPMによるグループ比較.のチュートリアルを参照)。 調整変数が量的変数の場合、交互作用潜在変数が使用されます。

A, B および C を3つの潜在変数として、AとCの間の関係でのBの調整効果を理解したいとします。我々は、以下のモデルを用います:

 model moderating effect

潜在変数は A, B, C および交互作用項 A*B です。これが調整効果の強さを理解するのに使用されます。

交互作用潜在変数を構築するには、2つの手法があります:

  • 積‐インジケータ・アプローチ:
    • Kenny/Judd (1984) および Chin/Marcolin/ Newsted (1996, 2003)に基づく。
    • モード A (矢印外側) を使用。
    • 手順:
      • 外生変数の各 g インジケータが、調整変数の各hインジケータと要素ごとに掛け合わせられて、g*h 積インジケータを得る。
      • これらの積インジケータは、交互作用項のインジケータとして働く。
  • 2‐ステージ・アプローチ:
    • Chin/Marcolin/ Newsted (2003, online appendix).
    • すべてのモードで実現可能 (モード A, モード B, モード MIMIC, モード PLS, モード PCA).
    • 手順:
      • 主効果モデルを実行。
      • 潜在変数スコアを抽出。
      • これらの潜在変数スコアを外生および内生変数のインジケータとして使用。
      • 外生変数と内生変数の潜在変数スコアの要素ごとの積が、交互作用項のインジケータとして働く。

これらの2つのアプローチがXLSTAT-PLSPMで使用でき、我々はそれぞれの応用を説明する。

調整効果を調査するためのデータセット

我々は、XLSTAT-PLSPMの使用法 の一般チュートリアルで使用したデータの一部を使用します。これは250個のオブザベーションを持つ ECSI モデルに基づきます。新しいファイルがこちらからダウンロードできます。このチュートリアルは、 Excel 2007 および Excel 2010 のユーザーのみに利用可能なのことに注意してください。

我々は、顧客満足度とロイヤルティの間の関係性について、携帯電話会社のイメージの調整効果を調査します。

PLS パス・モデリングの調整効果のセットアップ

まず最初に、エキスパート表示に切り替えます。XLSTAT-PLSPM メニューでXLSTAT-PLSPM オプションをクリックします。

plspmrebus1.gif

ダイアログ・ボックスが現れます:

plspmrebus2.gif

エキスパート表示を選択して設定を保存します。 一般チュートリアルと同様、 PLSPMGraph シートと “Path Modeling” ツールバーを用いて、Image, Satisfaction および loyalty のみを含む特別なモデルを構築します。 

 simple model plspm

モデルが描かれると、調整効果を調査するための2つのアプローチが利用可能です。

積インジケータ・アプローチ

このアプローチは、XLSTAT-PLSPMで自動的に適用できます。まず、モデルに潜在変数を追加して、潜在変数を定義するためにツールバーをクリックします。下記のダイアログ・ボックスが現れます。

 Dialog box manifest variables plspm

データ選択の代わりに、交互作用ボタンをクリックします。ダイアログ・ボックスに新しいタグでできます。 交互作用タブで、image と satisfactionの2つの外生変数を選択します。 我々は、顕在変数を標準化することにします。

 dialog box manifest variables interaction

 そして、"Ok" ボタンをクリックします。新しい潜在変数が、 satisfaction と imageに関係する顕在変数の積になっている6つの顕在変数を伴って、ダイアグラムに現れます。

 model interaction variable plspm

ここで、 PLSPMGraph シートに置かれたXLSTAT-PLSPM バーの実行ボタンをクリックします。実行ダイアログ・ボックスが現れます。このチュートリアルでは、我々は、一般タブで顕在変数を標準化するように選びます。

 dialog box general run

オプションタブで、我々は、非ブートストラップのOLS回帰のセントロイド・スキームを使用します。出力タブで、我々は、潜在変数スコアを標準化するように設定します。

 dialog box run outputs

"Ok" ボタンをクリックすると、計算始まります。

ワークブックの PLSPM シートに結果が表示され、ダイアグラム上に見ることができます。

最も重要な結果は、パス係数表にあります。

results: path coefficients moderating 

image とsatisfaction が loyalty に正の効果を持ち、交互作用項が非有意で負の効果を持つことがわかります。それは、 satisfaction と loyaltyの 間の関係での image の調整効果が有意でないことを意味します。

2-ステージ・アプローチ

積インジケータ・アプローチをすでに適用したなら、まず、交互作用潜在変数を削除して、PLSPMGraph シートに置かれたツールバーの実行ボタンを用いて、XLSTAT-PLSPM を起動します。

実行ダイアログ・ボックスが現れます。一般タブで、顕在変数を標準化するように選びます。

 dialog box general run 

オプションタブで、非ブートストラップのOLS回帰のセントロイド・スキームを使用します。出力タブで、潜在変数スコアを標準化するように設定します。

  dialog box run outputs

"Ok"ボタンをクリックすると計算が始まります。

ワークブックのPLSPM1 シートに結果が表示されて、ダイアグラム上に見られます。

我々は、単純なモデルでの潜在変数スコアにのみ興味があります。PLSPM1 シートの潜在変数表の隣でExcelの数式を用いて、潜在変数Satisfaction と Image の積を計算します。

latent variables two stage moderating 

そして、 顕在変数をPLSPM1 シートで選択できる潜在変数スコアに置き換えて、潜在変数の定義を変更します。新しい列にあるたった1つの顕在変数を持つ潜在変数を追加します。新しいモデルを下図のようになります:

 model two stage moderating plspm

 ここで、前と同じパラメータでモデルを実行して、結果を調査できます。パス係数が、最も重要な結果です。

path coefficients moderating two stage

image とsatisfaction が loyalty で正の効果を持ち、交互作用項が非有意で負の効果を持つことがわかります。それは、satisfaction と loyalty の間の関係での imageの調整効果が有意でないことを意味します。

1c26995d494fb3061dd0ae8571ffc0a4@xlstat.desk-mail.com
https://cdn.desk.com/
false
desk
読み込み中
秒前
1 分前
分前
1 時間前
時間前
1 日前
日前
バージョン情報
false
無効な文字が見つかりました
/customer/portal/articles/autocomplete
9283