Pengguna telah meminta penyempurnaan file yang diunduh.
403 PUBLIKASI 143.317 KUTIPAN KUTIPAN
280 PUBLIKASI 140.931 KUTIPAN
BACA
217 PUBLIKASI 157.244 KUTIPAN
Penilaian Penggunaan Persamaan Struktural Partial Least Squares Pemodelan dalam Riset Pemasaran
Rambut Joseph Franklin
Lihat diskusi, statistik, dan profil penulis untuk publikasi ini di: https://www.researchgate.net/publication/236033237
DOI: 10.1007/s11747-011-0261-6
32.036
LIHAT PROFIL
4.806
Marko Sarstedt
Semua konten setelah halaman ini diunggah oleh Marko Sarstedt pada 10 September 2014.
Universitas Alabama Selatan 4 penulis, termasuk:
Christian M.Ringle
Technische Universität Hamburg
LIHAT PROFIL
Ludwig-Maximilians-Universitas Munich
LIHAT PROFIL
Artikel di Jurnal Akademi Ilmu Pemasaran · Maret 2012
KERTAS METODOLOGI
M. Sarstedt
Ludwig-Maximilians-University Munich (LMU), Institut Manajemen Berbasis Pasar (IMM), Kaulbachstr. 45,
80539 Munich, Jerman email: [email protected]
#Akademi Ilmu Pemasaran 2011
M. Sarstedt : CM Ringle University of Newcastle, Fakultas Bisnis dan Hukum, Newcastle, Australia
JA Mena
University of South Florida, College of Business, 4202 E. Fowler Avenue,
Tampa, FL 33620-5500, AS email: [email protected] DOI 10.1007/s11747-011-0261-6
Universitas Negeri Kennesaw, KSU Center, Program DBA, Kennesaw, GA 30144, AS email: [email protected]
Diterima: 23 Desember 2010 / Diterima: 17 Mei 2011
Rambut JF (*)
CM Ringle
Universitas Teknologi Hamburg (TUHH), Institut Manajemen dan Organisasi Sumber Daya Manusia (HRMO),
Schwarzenbergstraße 95 (D), 21073 Hamburg, Jerman email: [email protected]
Perkenalan
meskipun popularitasnya meningkat dalam beberapa tahun terakhir. Untuk mengisi kesenjangan ini, kami melakukan pencarian ekstensif di 30 jurnal pemasaran peringkat teratas yang memungkinkan kami mengidentifikasi 204 aplikasi PLS- SEM yang diterbitkan dalam periode 30 tahun (1981 hingga 2010). Analisis kritis terhadap artikel-artikel ini membahas, antara lain, isu-isu metodologis utama berikut: alasan
penggunaan PLS-SEM, karakteristik data dan model, evaluasi model luar dan dalam, dan pelaporan. Kami juga memberikan gambaran tentang saling ketergantungan antara pilihan-pilihan peneliti, mengidentifikasi potensi masalah, dan mendiskusikan implikasinya. Berdasarkan temuan kami, kami memberikan pedoman komprehensif untuk membantu peneliti menghindari kesalahan umum dalam penggunaan PLS-SEM. Kajian ini penting bagi peneliti dan praktisi, karena PLS-SEM memerlukan beberapa pilihan penting yang, jika tidak dilakukan dengan
benar, dapat menghasilkan temuan, interpretasi, dan kesimpulan yang tidak tepat.
Peneliti terutama mengapresiasi kemampuan SEM dalam menilai variabel laten pada level observasi (model luar atau model pengukuran) dan menguji hubungan antar variabel laten pada level teoritis (model dalam atau model struktural).
2008;
Bagozzi
1994;Hulland
1999),karena memungkinkan penulis menguji teori dan konsep secara lengkap (Rigdon
1998).Joe F. Rambut & Marko Sarstedt & Christian M. Ringle &
Jeannette A. Mena
Kata Kunci Metode Penelitian Empiris. Kuadrat terkecil parsial. Pemodelan jalur. Pemodelan persamaan struktural
Pemodelan persamaan struktural (SEM) telah menjadi standar semu dalam riset pemasaran (misalnya, Babin et al.
Abstrak Sebagian besar bidang metodologi melakukan refleksi kritis secara teratur untuk memastikan penelitian dan praktik publikasi yang ketat, dan, akibatnya, penerimaan dalam domain mereka. Menariknya, relatif sedikit perhatian yang diberikan untuk menilai penggunaan model persamaan struktural kuadrat terkecil parsial (PLS-SEM) dalam riset pemasaran—
Penilaian penggunaan pemodelan persamaan struktural
kuadrat terkecil parsial dalam riset pemasaran
1
CB-SEM memperkirakan parameter model sehingga perbedaan antara matriks kovarians yang diestimasi dan sampel dapat diminimalkan. Sebaliknya, PLS-SEM memaksimalkan varians yang dijelaskan dari variabel laten endogen dengan memperkirakan hubungan model parsial dalam urutan berulang regresi kuadrat terkecil biasa (OLS). Karakteristik penting dari PLS-SEM adalah memperkirakan skor variabel laten sebagai kombinasi linier yang tepat
Sebagian besar bidang metodologi telah melakukan refleksi kritis secara teratur untuk memastikan penelitian dan praktik publikasi yang ketat, dan akibatnya penerimaan, dalam domain mereka.
Meskipun tinjauan penggunaan CB-SEM memiliki tradisi panjang di hampir semua disiplin bisnis (misalnya, Babin et al. 2008; Baumgartner dan Homburg 1996; Brannick 1995; Garver dan Mentzer 1999;
Medsker et al.
PLS-SEM memerlukan beberapa pilihan yang jika tidak dilakukan dengan benar dapat mengakibatkan temuan, interpretasi, dan kesimpulan yang tidak tepat. Mengingat penerapannya yang lebih luas saat ini dalam riset dan praktik pemasaran, tinjauan kritis terhadap penggunaan PLS-SEM tampaknya tepat waktu dan diperlukan. Tujuan kami dalam tinjauan ini ada tiga: (1) untuk menyelidiki artikel PLS-SEM yang diterbitkan berdasarkan kriteria yang relevan, seperti ukuran sampel, jumlah indikator yang digunakan, dan ukuran yang dilaporkan; (2) untuk memberikan gambaran tentang saling ketergantungan dalam pilihan peneliti, mengidentifikasi potensi masalah, dan mendiskusikan implikasinya; dan (3)
memberikan panduan untuk mencegah kesalahan umum dalam penggunaan PLS-SEM.
(2011), Rambut dkk. (2011), Jöreskog dan Wold (1982), dan Lohmöller (1989).
Baru-baru ini, penerapan PLS-SEM telah diperluas dalam riset dan praktik pemasaran dengan pengakuan bahwa fitur metodologis PLS-SEM yang khas menjadikannya alternatif yang memungkinkan untuk pendekatan CB-SEM yang lebih populer (Henseler dkk. 2009) . Berbagai peningkatan PLS-SEM telah dikembangkan dalam beberapa tahun terakhir, termasuk (1) analisis tetrad konfirmasi untuk PLS- SEM untuk menguji secara empiris mode pengukuran konstruk (Gudergan et al. 2008) ; (2) analisis matriks dampak-kinerja (Slack 1994; Völckner dkk. 2010); (3) teknik segmentasi berbasis respons, seperti kuadrat terkecil parsial campuran hingga (FIMIX-PLS; Hahn dkk. 2002 ; Sarstedt dkk. 2011a); (4) pedoman untuk menganalisis efek moderasi (Henseler dan Chin 2010; Henseler dan Fassott 2010);
(5) efek non-linier (Rigdon dkk. 2010); dan (6) model komponen hierarki (Lohmöller 1989; Wetzels dkk. 2009). Peningkatan ini memperluas kegunaan umum PLS-SEM sebagai alat penelitian dalam pemasaran dan ilmu sosial.
(Bollen 1989).1 Ketika menerapkan SEM, peneliti harus mempertimbangkan dua jenis metode: teknik berbasis kovarians (CB-SEM; Jöreskog 1978, 1993) dan kuadrat terkecil parsial berbasis varians (PLS-SEM; Lohmöller 1989; Wold 1982, 1985). Meskipun kedua metode memiliki akar yang sama (Jöreskog dan Wold 1982), penelitian pemasaran sebelumnya berfokus terutama pada CB-SEM (misalnya, Bagozzi 1994; Baumgartner dan Homburg 1996;
Steenkamp dan Baumgartner 2000).
Wold (1975) awalnya mengembangkan PLS-SEM dengan nama NIPALS (kuadrat terkecil parsial nonlinier iteratif), dan Lohmöller (1989) memperluasnya. PLS-SEM dikembangkan sebagai alternatif terhadap CB-SEM yang akan menekankan prediksi sekaligus melonggarkan tuntutan terhadap data dan spesifikasi hubungan (misalnya, Dijkstra 2010; Jöreskog dan Wold 1982). Konsep metodologis yang mendasari kedua pendekatan tersebut telah dibandingkan dalam beberapa publikasi, termasuk yang diterbitkan oleh Barclay dkk. (1995), Chin dan Newsted (1999), Fornell dan Bookstein (1982), Gefen dkk.
Selain itu, peneliti sering kali tidak menerapkan kriteria yang tersedia untuk penilaian model, bahkan terkadang salah dalam menerapkan pengukuran. Oleh karena itu, pedoman kami tentang penerapan PLS- SEM secara tepat mempunyai implikasi penting terhadap penerapan yang benar dan penilaian mendalam atas studi penelitian terkait PLS-SEM.
Bukan “CB-SEM versus PLS-SEM” tetapi “CB-SEM dan PLS- SEM”
variabel manifes terkait (Fornell dan Bookstein 1982) dan memperlakukannya sebagai pengganti sempurna untuk variabel manifes. Skor tersebut menangkap varians yang berguna untuk menjelaskan variabel laten endogen. Estimasi model melalui serangkaian regresi OLS menyiratkan bahwa PLS-SEM
melonggarkan asumsi normalitas multivariat yang diperlukan untuk estimasi SEM berbasis kemungkinan maksimum
Tinjauan kami menunjukkan bahwa sifat metodologis PLS-SEM banyak disalahpahami, yang terkadang menyebabkan kesalahan penerapan teknik ini, bahkan di jurnal papan atas.
1994; Shah dan Goldstein 2006; Shook dkk. 2004; Steenkamp dan van Trijp 1991), relatif sedikit perhatian yang diberikan untuk menilai penggunaan PLS-SEM. Hulland (1999) adalah orang pertama yang meninjau penggunaan PLS-SEM dengan analisis mendalam terhadap empat studi manajemen strategis. Tinjauannya mengungkapkan kelemahan dalam penerapan metode PLS-SEM, menimbulkan pertanyaan tentang penggunaan yang tepat secara umum, dan menunjukkan perlunya pemeriksaan lebih lanjut dalam penilaian yang lebih komprehensif. Baru-baru ini, Henseler dkk. (2009) dan Reinartz dkk. (2009) menilai penggunaan PLS-SEM dalam riset pemasaran (internasional) namun hanya berfokus pada alasan memilih metode ini.
Penting untuk dicatat bahwa literatur terkait SEM tidak selalu menggunakan terminologi yang sama ketika mengacu pada elemen model. Publikasi yang membahas CB-SEM (misalnya, Hair et al. 2010) sering merujuk pada
“model struktural” dan “model pengukuran,” sedangkan publikasi yang berfokus pada PLS-SEM (misalnya, Lohmöller 1989) menggunakan istilah
“model dalam” dan “model luar”. model.” Karena makalah ini membahas PLS-SEM, terminologi terkait digunakan.
2
Tinjauan kami terhadap aplikasi PLS-SEM dalam pemasaran terdiri dari penelitian yang dipublikasikan di 30 jurnal pemasaran teratas yang diidentifikasi dalam pemeringkatan jurnal Hult et al. (2009) . Pemeringkatan ini serupa dengan yang dilakukan oleh Baumgartner dan Pieters (2003), Hult dkk. (1997), dan Theoharakis dan Hirst (2002). Semua penelitian yang diterbitkan dalam periode 30 tahun dari 1981 hingga 2010 mencari aplikasi empiris PLS-SEM di bidang pemasaran. Kami melakukan pencarian teks lengkap di database Thomson Reuters Web of Knowledge, ProQuest ABI/INFORM Global, dan EBSCO Business Source Premier, menggunakan kata kunci “partial less squares” dan “PLS.” Kami juga melihat jurnal versi online.2 Pencarian di beberapa database menggunakan kata kunci yang sama memungkinkan kami memverifikasi bahwa kami telah menangkap semua artikel PLS-SEM di jurnal pemasaran yang ditargetkan.
Namun kelebihan-kelebihan ini harus dipertimbangkan mengingat beberapa kelemahannya. Misalnya, tidak adanya kriteria optimasi global berarti kurangnya pengukuran untuk kesesuaian model secara keseluruhan. Masalah ini membatasi kegunaan PLS-SEM
Pencarian ini menghasilkan 204 artikel (Tabel 1) dengan 311 estimasi PLS-SEM, karena beberapa artikel menganalisis model alternatif dan/
atau menggunakan kumpulan data yang berbeda (misalnya, dikumpulkan di Review penelitian PLS-SEM
Pertimbangan model luar formatif dan reflektif merupakan isu penting untuk SEM (misalnya, Diamantopoulos dan Winklhofer 2001; Jarvis et al.
2003). Meskipun CB-SEM dapat diterapkan untuk spesifikasi model luar formatif hanya dalam kondisi tertentu (misalnya, Bollen dan Davies 2009;
Diamantopoulos dan Riefler 2011), PLS-SEM dapat menangani tindakan reflektif dan formatif hampir tanpa batas (misalnya, Chin 1998). Selain itu, PLS-SEM tidak dibatasi oleh masalah identifikasi, bahkan jika model menjadi kompleks, sebuah situasi yang biasanya membatasi penggunaan CB-SEM (Hair et al. 2011).
Mengingat konsep statistiknya yang berbeda, sebagian besar peneliti menganggap kedua pendekatan SEM sebagai berikut
2009). Sebaliknya, CB-SEM mempunyai batasan mengenai jumlah pengamatan dan ukuran sampel yang kecil, sering kali menyebabkan statistik pengujian menjadi bias (misalnya, Hu dan Bentler 1995), solusi yang tidak dapat diterima (misalnya, kasus Heywood), dan masalah identifikasi—terutama dalam kasus yang kompleks. pengaturan model (misalnya, Chin dan Newsted 1999). Dengan demikian, PLS-SEM cocok untuk aplikasi di mana asumsi kuat tidak dapat sepenuhnya dipenuhi dan sering disebut sebagai “pendekatan pemodelan lunak” yang bebas distribusi.
2011; Reinartz dkk. 2009).
Pada akhirnya, tersisa total 24 jurnal dengan artikel relevan (Tabel 1).
Proses seleksi makalah termasuk pengkodean awal oleh mahasiswa PhD senior. Setelah itu, dua profesor yang mahir dalam teknik ini mengkodekan setiap artikel secara independen. Kesepakatan pengkodean pada artikel yang relevan adalah 92%, yang sebanding dengan penelitian Shook et al. (2004) . Untuk mengatasi ketidakkonsistenan pengkodean, diperoleh pendapat dari ahli lain.
untuk pengujian teori dan untuk membandingkan struktur model alternatif.
Karena PLS-SEM juga tidak memaksakan asumsi distribusi apa pun, peneliti tidak dapat mengandalkan kerangka inferensial klasik dan karenanya harus kembali ke kriteria evaluasi non-parametrik yang berorientasi pada prediksi serta prosedur pengambilan sampel ulang untuk mengevaluasi kecukupan struktur model parsial (misalnya , Dagu 2010). Kekhawatiran selanjutnya adalah estimasi parameter PLS-SEM tidak optimal dalam hal bias dan konsistensi (Reinartz dkk. 2009)—
sebuah karakteristik yang sering disebut sebagai bias PLS-SEM. Bias ini menjadi lebih parah pada model yang sangat kompleks, karena penduga kuadrat terkecil tidak mengontrol efek kontingen dan berantai dari satu bagian kesalahan model ke bagian lainnya. Hanya ketika jumlah observasi dan jumlah indikator per variabel laten meningkat hingga tak terbatas barulah skor variabel laten (dan juga perkiraan parameternya) mendekati nilai sebenarnya. Dengan demikian, perkiraan tersebut benar secara asimtotik dalam pengertian konsistensi secara umum (Jöreskog dan Wold 1982; Lohmöller 1989; Wold 1982).
(Fornell dan Bookstein 1982; Hwang et al. 2010; Lohmöller 1989; Wold 1982; untuk diskusi, lihat Dijkstra 2010). Dalam konteks ini, Lohmöller (1989, hal. 64) mencatat bahwa “bukanlah konsep, model, atau teknik estimasi yang 'lunak', hanya asumsi distribusinya.” Selain itu, karena PLS- SEM didasarkan pada serangkaian regresi OLS, maka PLS-SEM memiliki persyaratan minimum mengenai ukuran sampel dan umumnya mencapai tingkat kekuatan statistik yang tinggi (Reinartz et al.
Karena pemeringkatan Hult dkk. (2009) mencakup jurnal antardisiplin yang mencakup beberapa bidang bisnis fungsional (misalnya, Ilmu Manajemen, Jurnal Riset Bisnis, Jurnal Studi Bisnis Internasional), artikel disaring untuk mengidentifikasi topik pemasaran. Makalah yang mengacu pada studi simulasi PLS-SEM dan aplikasi empiris PLS-SEM untuk menggambarkan peningkatan metodologi tidak dipertimbangkan. Demikian pula, penelitian yang menerapkan analisis jalur, regresi variabel laten berbasis skor konvensional, dan regresi PLS dikeluarkan dari sampel.
saling melengkapi, sebuah fakta yang telah ditekankan oleh dua pencetus PLS-SEM dan CB-SEM, Jöreskog dan Wold (1982). Secara umum, kelemahan PLS-SEM merupakan kekuatan CB-SEM, dan sebaliknya (misalnya, Jöreskog dan Wold 1982; Sosik dkk. 2009). Oleh karena itu, tidak satu pun dari metode SEM yang secara umum lebih unggul dibandingkan metode lainnya. Sebaliknya, peneliti perlu menerapkan teknik SEM yang paling sesuai dengan tujuan penelitian, karakteristik data, dan pengaturan modelnya (misalnya, Fornell dan Bookstein 1982;
Gefen et al.
Proses pencarian selesai pada 31 Januari 2011.
Huber, Vollhardt, Matthes dan Vogel 2010
MacMillan, Uang, Uang dan Downing 2005 Alpert, Kamins, Sakano, Onzo dan
Ulaga dan Eggert 2006
Wittmann, Hunt dan Arnett 2009
Johnson, Lehmann, Fornell dan Horne 1992 Liu, Li, dan Xue 2010
Okazaki, Li dan Hirose 2009
Eggert, Ulaga dan Schultz 2006 Zinkhan dan Muderrisoglu 1985
Jurnal Internasional Penelitian Pemasaran Schramm-Klein, Morschett dan Swoboda 2007
Chan, Hui, Lo, Tse, Tso dan Wu 2003
Graham 2001
Davis, Golicic dan Marquardt 2008 Petruzzellis 2010
Bruhn, Georgi dan Hadwich 2008 Mayo dan Qualls 1987
Ball, Coelho dan Machás 2004
Sattler, Völckner, Riediger dan Ringle 2010
O'Cass dan Julian 2003
Jagpal 1981 Guenzi dan Georges 2010
Lee 2000
Voola dan O'Cass 2010
Real, Leal dan Roldan 2006 Lee, Park, Baek dan Lee 2008
Wagner 2010
Frenzen, Hansen, Krafft, Mantrala dan Schmidt 2010
Lee 2001 Lee 1994 O'Cass 2004
Drengner, Gaus dan Jahn 2008 Rego 1998
Heslop, Papadopoulos, Dowdles, Wall dan Compeau 2004 Bruhn 2003
Tinjauan Pemasaran Internasional Jensen 2008
Ormrod dan Henneberg 2010
Ngo dan O'Cass 2009
Antioco dan Kleijnen 2010
Tortosa, Moliner dan Sánchez 2009
Jurnal Riset Bisnis Kemajuan dalam Riset Konsumen1
Ekinci, Dawes dan Massey 2008
Klemz dan Boshoff 2001
Rangarajan, Jones dan Chin 2005
Vrechopoulos 2010
Baumgarth dan Schmidt 2010
Guenzi, Pardo dan Georges 2007
Calantone, Graham dan Mintu-Wimsatt 1998
Singh, Fassott, Chao dan Hoffmann 2006 Plouffe, Sridharan dan Barclay 2010
Chung 2010
Klemz, Boshoff dan Mazibuko 2006
Jurnal Riset Periklanan Plouffe 2008
Cepeda dan Vera 2007 Baumgarth 2010
Wilken, Cornelißen, Backhaus dan Schmitz 2010 Katrichis dan Ryan 1998
Vlachos, Theotokis dan Panagopoulos 2010 Tabel 1 Studi PLS-SEM di 30 jurnal pemasaran teratas
Schwaiger, Sarstedt dan Taylor 2010 Massey dan Kyriazis 2007
O'Cass 2002 Zinkhan dan Fornell 1989
Jayawardhena, Kuckertz, Karjaluoto dan Kautonen 2009
Eggert dan Ulaga 2010
Vlachos, Theotokis, Pramatari dan
Manajemen Pemasaran Industri
Reimann, Schilke dan Thomas 2010
O'Cass dan Weerawardena 2009
Menguc dan Auh 2008
Jurnal Pemasaran Eropa
O'Cass dan Weerawardena 2010
Chung 2009
Raja dan Rahmat 2010
Vandenbosch 1996 Guiot 2000
Rodríguez-Pinto, Rodríguez-Escudero dan Gutiérrez-Cillán 2008 van Riel, de Mortanges dan Streukens 2005
Ledden, Kalafatis dan Samouel 2007 Okazaki, Mueller dan Taylor 2010
Guenzi, Georges dan Pardo 2009
Becker, Greve dan Albers 2009
Duque dan Lado 2010 Massey dan Dawes 2007
Vanhamme dan Snelders 2003
Ha, Janda dan Muthaly 2010
Jurnal Periklanan
Permasalahan 1988
Dawes, Lee dan Midgley 2007
Yi dan Gong 2008
Rapp, Ahearne, Mathieu dan Rapp 2010
O'Cass dan Ngo 2007
Massey dan Dawes 2007
Martensen, Gronholdt, Bendtsen dan Jensen 2007
Ulaga dan Eggert 2006
De Schamphelaere dan Roks 2010
Jurnal Kebijakan Publik dan Pemasaran Jurnal Riset Pemasaran
Shi, White, Zou dan Cavusgil 2010
Jurnal Manajemen Pemasaran
Richardson dan Jain 1996
Lantai dan Kahn 2010 Jurnal Riset Konsumen
Antioco, Moenaert dan Lindgreen 2008 de Brentani, Kleinschmidt dan Salomo 2010 Weerawardena, O'Cass dan Julian 2006
Sääksjärvi dan Samiee 2007
Nijssen dan Douglas 2008
Daryanto, de Ruyter dan Wetzels 2010 Dellande, Gilly dan Graham 2004
Lam, Ahearne, Hu dan Schillewaert 2010 Okazaki dan Taylor 2008
Mathwick, Wiertz dan de Ruyter 2008
Lages, Silva dan Gaya 2009
Tsang, Nguyen dan Erramilli 2004
Green, Barclay dan Ryan 1995 Sanchez-Franco 2009
Salomo, Talke dan Strecker 2008
Kleijnen, de Ruyter dan Wetzels 2007 Wolk dan Theysohn 2007
Wuyts dan Geyskens 2005
Johnson dan Fornell 1987
Uang dan Graham 1999
Sichtmann dan von Selasinsky 2010
Fornell, Johnson, Anderson, Jaesung dan Bryant 1996 Wagner, Eggert dan Lindemann 2010
Smith dan Barclay 1997 Jurnal Pemasaran Interaktif
Moenaert, Robben, Antioco
Holzmüller dan Stöttinger 1996
Dawes, Lee dan Dowling 1998 O'Cass dan Pecotich 2005
Barclay 1991
Wynstra, von Corswant dan Wetzels 2010
Johnson, Herrmann dan Huber 2006 O'Cass dan Ngo 2007
Zinkhan, Joachimsthaler dan Kinnear 1987
Salomo, Keinschmidt dan de Brentani 2010 Steward 1997
Arnett, Laverie dan Meiers 2003
Cooil, Aksoy, Keiningham dan Maryott 2009 Jurnal Studi Bisnis Internasional
Rodríguez dan Wilson 2002
Rose dan Samouel 2009
Reinartz, Krafft dan Hoyer 2004
Plouffe, Vandenbosch dan Hulland 2001
Fornell 1992
Ernst, Hoyer dan Rubsaamen 2010
McFarland, Bloodgood dan Payan 2008
Permasalahan 1987
Kaplan, Schoder dan Haenlein 2007 Putih, Varadarajan dan Dacin 2003
Fornell dan Robinson 1983 Menguc, Auh dan Shih 2007
Hennig-Thurau, Henning dan Sattler 2007 Navarro, Acedo, Robson, Ruzo dan Losada 2010
Mathwick, Wagner dan Unni 2010 Nelson 2004
Akgün, Keskin dan Byrne 2010
Olsen dan Johnson 2003 Jurnal Ritel
Chen, Tsou dan Huang 2009 Brettel, Engelen, Heinemann dan Vadhanasindhu 2008
Alpert, Kamins dan Graham 1992
Lings dan Owen 2007
Ahearne, Rapp, Hughes dan Jindal 2010 Nakata dan Zhu 2006
Fornell dan Bookstein 1982
Persaud 2005
Martin dan Johnson 2010
Wagner, Hennig-Thurau dan Rudolph 2009
Cotte dan Kayu 2004
Jurnal Penelitian Pelayanan Sirohi, McLaughlin dan Witink 1998
Völckner, Sattler, Hennig-Thurau dan Ringle 2010 De Luca, Verona dan Vicari 2010
Nijssen dan van Herk 2009 Lee dan Dawes 2005 Jurnal Psikologi Konsumen
Jurnal Manajemen Inovasi Produk
Lei, de Ruyter dan Wetzels 2008 Rapp, Pelatih dan Agnihotri 2010
Eisingerich, Rubera dan Seifert 2009
Ahearne, Mackenzie, Podsakoff, Mathieu dan Lam 2010
Jurnal Pemasaran Internasional
Jurnal Pemasaran
Auh, Salisbury dan Johnson 2003
Hennig-Thurau, Groth, Paul dan Gremler 2006
1
3
tahun dan/atau negara yang berbeda). Jurnal Pemasaran Eropa (30 artikel, 14,71%), Manajemen Pemasaran Industri (23 artikel, 11,27%), dan Jurnal Pemasaran (17 artikel, 8,33%) menerbitkan studi PLS-SEM dalam jumlah tertinggi. Untuk menilai tren pertumbuhan penggunaan PLS-SEM, kami melakukan analisis time-series dengan sejumlah penelitian yang menerapkan metode ini sebagai variabel dependen.
Karena sebagian besar teknik SEM berbasis kovarians telah digunakan untuk memperkirakan model dalam pemasaran, penggunaan PLS-SEM seringkali memerlukan penjelasan yang lebih rinci tentang alasan pemilihan metode ini (Chin
2010).Alasan yang paling sering digunakan berkaitan dengan karakteristik data, seperti Estimasi model menggunakan suku linier menghasilkan model
yang signifikan (F=25.01, pÿ0.01) dengan pengaruh waktu yang signifikan (t=5.00, pÿ0.01). Selanjutnya, kami menggunakan efek waktu linier dan kuadrat. Model regresi signifikan (F=35.13, pÿ0.01) dan menunjukkan bahwa 72.22% penerapan PLS-SEM dijelaskan oleh efek waktu linier dan kuadrat. Efek kuadrat tambahan yang dianggap signifikan (t=4,94, pÿ0,01), menunjukkan bahwa penggunaan PLS-SEM dalam pemasaran telah meningkat seiring berjalannya waktu. Jelasnya, PLS-SEM telah mendapatkan popularitas selama beberapa dekade terakhir—terutama, 51 penelitian muncul pada tahun 2010 saja. Sebaliknya, analisis Baumgartner dan Homburg
(1996)tentang difusi CB-SEM awal tidak memberikan indikasi percepatan penggunaannya sebelum analisis mereka.
Masalah kritis dalam aplikasi PLS-SEM
Setiap artikel dievaluasi berdasarkan berbagai kriteria yang memungkinkan masalah kritis PLS-SEM dan kesalahan penerapan umum dapat diidentifikasi. Tinjauan berikut berfokus pada enam isu utama dalam PLS-SEM: (1) alasan penggunaan PLS-SEM;
(2) karakteristik data; (3) karakteristik model; (4) evaluasi model luar; (5) evaluasi model batin; dan (6) pelaporan. Jika
memungkinkan, kami juga menunjukkan praktik terbaik sebagai pedoman untuk penerapan di masa depan dan menyarankan jalan untuk penelitian lebih lanjut. Selain analisis aplikasi PLS- SEM, kami juga membandingkan dua periode waktu untuk menilai apakah penggunaan telah berubah. Mengingat artikel PLS-SEM yang berpengaruh dari Chin
(1998),Chin dan Newsted
(1999)serta Hulland
(1999) ,yang diterbitkan pada akhir tahun 1990an, kami membedakan antara penelitian yang diterbitkan sebelum tahun 2000 (39 penelitian dengan 69 model) dan yang diterbitkan pada tahun 2000 dan seterusnya (165 penelitian dengan 242 model).3
Alasan menggunakan PLS-SEM
Burke 1996Johnson dan Horne 1992
Antioco, Moenaert, Lindgreen dan Wetzels 2008
Mintu-Wimsatt dan Graham 2004
Graham, Mintu dan Rodgers 1994
Sarkar, Echambadi, Cavusgil dan Aulakh 2001
Saya dan Rai 2008
Ettlie dan Johnson 1994
Smith 1998 Gelbrich 2010
Sundaram, Schwarz, Jones dan Chin 2007
Mooradian, Matzler dan Szykman 2008 Antioco, Moenaert, Feinberg dan Wetzels 2008
Yi dan Gong 2008a
Hennig-Thurau, Houston dan Walsh 2006 Gilly, Graham, Wolfinbarger dan Yale 1998
Ahuja, Galleta dan Carley 2003
Xu, Venkatesh, Tam dan Hong 2010
Bodey dan Grace 2007
Harvard Business Review, California Management Review, Journal of Business, Quantitative Marketing and Economics, Marketing Science, dan Sloan Management Review tidak menghasilkan artikel yang relevan.
Reimann, Schilke dan Thomas 2010
Das, Echambadi, McCardle dan Luckett 2003 Fornell, Robinson dan Wernerfelt 1985
Surat Pemasaran Gray dan Meister 2004
Guiot 2001
Davis dan Golicic 2010
Slotegraaf dan Dickson 2004
Mitchell dan Nault 2007
Grégoire dan Fisher 2006
O'Cass dan Grace 2008
Smith dan Bristor 1994
Kami mengecualikan penelitian oleh Lee et al. (2009), serta Lawson (2010) yang diterbitkan dalam Advances in Consumer Research karena hanya diterbitkan sebagai abstrak yang diperluas.
Grégoire, Laufer dan Tripp 2010
Ilmu Manajemen
Venkatesh dan Agarwal 2006
Psikologi dan Pemasaran
Yi dan Gong 2008b
Berikut ini, kami secara konsisten menggunakan istilah “studi” ketika mengacu pada 204 artikel jurnal dan istilah “model” ketika mengacu pada 311 aplikasi PLS-SEM dalam artikel tersebut.
Harmancioglu, Droge dan Calantone 2009
Fornell, Lorange dan Roos 1990
Fisher dan Grégoire 2006 Jurnal Akademi Ilmu Pemasaran
analisis data tidak normal (102 studi, 50,00%), ukuran sampel kecil (94 studi, 46,08%), dan pengukuran formatif variabel laten (67 studi, 32,84%).
Argumen ukuran sampel khususnya telah menjadi bahan perdebatan (misalnya, Goodhue dkk. 2006; Marcoulides dan Saunders 2006).
Meskipun banyak diskusi mengenai topik ini bersifat anekdotal, hanya sedikit penelitian yang secara sistematis mengevaluasi kinerja PLS- SEM ketika ukuran sampelnya kecil (misalnya, Chin dan Newsted 1999; Hui dan Wold 1982). Baru-baru ini, Reinartz dkk. (2009) menunjukkan bahwa PLS-SEM mencapai tingkat kekuatan statistik yang tinggi—dibandingkan dengan PLS-SEM yang berbasis kovarian—
meskipun ukuran sampelnya relatif kecil (yaitu, 100 observasi).
Karakteristik data
CB-SEM dapat mengakomodasi indikator formatif, namun untuk memastikan identifikasi model, peneliti harus mengikuti aturan yang memerlukan batasan khusus pada model (Bollen dan Davies 2009;
Diamantopoulos dan Riefler 2011). Kendala-kendala ini seringkali bertentangan dengan pertimbangan teoritis, dan timbul pertanyaan apakah desain model harus memandu teori atau sebaliknya. Sebaliknya, masalah serupa tidak muncul di PLS-SEM, yang hanya memerlukan konstruksi yang terhubung secara struktural. Hasilnya, PLS-SEM memberikan lebih banyak fleksibilitas ketika melibatkan langkah- langkah formatif.
Sebaliknya, 76 dari 311 model (24,44%) memiliki kurang dari 100 observasi, dengan Lee (1994) memiliki ukuran sampel terkecil (n=18).
Penilaian dari waktu ke waktu menunjukkan bahwa ukuran sampel lebih tinggi (walaupun tidak signifikan) pada model terbaru (rata-rata terpangkas 5%=229,37) dibandingkan model sebelumnya (rata-rata terpangkas 5%=175,22).
Beberapa karakteristik ini telah dibahas secara luas dalam literatur metodologi PLS-SEM.
digunakan (Ringle dkk. 2009). Sebaliknya, CB-SEM berbasis kemungkinan maksimum memerlukan variabel indikator yang terdistribusi normal. Karena sebagian besar data empiris tidak memenuhi persyaratan ini, beberapa penelitian telah menyelidiki CB- SEM dengan data yang tidak normal dan melaporkan hasil yang bertentangan (misalnya, Babakus dkk. 1987; Reinartz dkk. 2009 ) . Mengingat banyaknya prosedur estimasi alternatif untuk CB-SEM, seperti kuadrat terkecil tertimbang dan kuadrat terkecil tak tertimbang, patut dipertanyakan apakah pilihan PLS-SEM dibandingkan CB-SEM dapat dibenarkan hanya berdasarkan pertimbangan distribusi.
Sebagai aturan praktis yang populer untuk estimasi PLS-SEM yang kuat, Barclay dkk. (1995) menyarankan penggunaan ukuran sampel minimum sepuluh kali jumlah maksimum jalur yang bertujuan pada setiap konstruk dalam model luar (yaitu, jumlah indikator formatif per konstruk) dan model dalam (yaitu, jumlah hubungan jalur yang diarahkan pada suatu konstruksi tertentu). Meskipun aturan praktis ini tidak memperhitungkan ukuran efek, keandalan, jumlah indikator, dan faktor-faktor lain yang diketahui mempengaruhi kekuatan sehingga dapat menyesatkan, namun aturan ini memberikan perkiraan kasar mengenai persyaratan ukuran sampel minimum. Meskipun sebagian besar model memenuhi aturan praktis ini, 28 model diperkirakan Hal yang sama juga berlaku pada tinjauan Baumgartner dan Homburg (1996) ; para penulis ini melaporkan ukuran sampel rata-rata 180 (median dalam penelitian ini=159,00). Menarik untuk dicatat bahwa beberapa model menunjukkan ukuran sampel yang sangat besar yang dianggap tidak lazim dalam PLS-SEM (Johnson et al. 2006, n=2,990;
Sirohi et al. 1998, n=16,096; Xu et al. 2010, n=2,333) .
Semua teknik statistik memerlukan pertimbangan ukuran sampel dalam konteks model dan karakteristik data, dan PLS-SEM tidak terkecuali.
Lebih lanjut peneliti menyatakan bahwa penerapan PLS-SEM lebih sesuai dengan tujuan penelitiannya. Misalnya, dalam 57 penelitian (27,94%), penulis mengindikasikan bahwa tujuan utama penelitian mereka adalah menjelaskan varians konstruksi endogen. Hal ini erat kaitannya dengan alasan penggunaan metode penelitian eksploratif dan pengembangan teori yang disebutkan sebanyak 35 penelitian (17,16%). Dua alasan terakhir sesuai dengan tujuan awal prediksi PLS- SEM dalam konteks penelitian dengan data yang kaya dan teori yang lemah (Wold 1985). Namun demikian, 25 penelitian (12,25%) secara keliru membenarkan penggunaan PLS-SEM dengan menyebutkan kesesuaiannya untuk menguji teori kompleks yang sudah mapan.
Pembenaran lebih lanjut untuk penggunaannya berkaitan dengan kemampuan untuk mengatasi model yang sangat kompleks (27 studi, 13,24%) dan variabel kategori (26 studi, 12,75%). Dalam penelitian yang diterbitkan sebelum tahun 2000, penulis menyebutkan data yang tidak normal, orientasi prediksi (keduanya pÿ0,01), dan penggunaan variabel kategori (pÿ0,05) secara signifikan lebih sering dibandingkan penulis penelitian terbaru, sehingga menunjukkan adanya perubahan seiring berjalannya waktu. Sebaliknya, argumen indikator formatif secara signifikan (pÿ0,01) lebih lazim dalam penelitian yang diterbitkan
pada tahun 2000 dan seterusnya. Ukuran sampel adalah masalah dasar aplikasi PLS-SEM. Sejalan dengan argumen yang sering dikemukakan bahwa PLS-SEM bekerja sangat baik dengan ukuran sampel yang kecil, ukuran sampel rata-rata dalam tinjauan kami (rata-rata terpangkas 5% = 211,29) jelas lebih rendah daripada yang dilaporkan oleh Shah dan Goldstein (2006) dalam tinjauan mereka . studi CB-SEM (rata-rata = 246,4).
Demikian pula, penelitian Boomsma dan Hoogland (2001)
menggarisbawahi kebutuhan CB-SEM akan ukuran sampel yang relatif besar untuk mencapai estimasi parameter yang kuat. Oleh karena itu, PLS-SEM umumnya lebih disukai dengan ukuran sampel yang lebih kecil dan model yang lebih kompleks. Namun, sebagaimana dicatat oleh Marcoulides dan Saunders (2006), serta Sosik dkk. (2009), PLS- SEM bukanlah obat mujarab untuk digunakan dengan sampel dengan
ukuran berapa pun, atau obat mujarab untuk menghadapi tantangan penelitian empiris.
Diskusi teoritis (Beebe et al. 1998) serta studi simulasi (Cassel et al. 1999) menunjukkan bahwa algoritma PLS-SEM mentransformasikan data non-normal sesuai dengan teorema limit pusat (lihat juga Dijkstra 2010). Studi-studi ini menunjukkan bahwa hasil PLS-SEM akan kuat jika data sangat menyimpang, dan juga ketika dilakukan pengukuran formatif
4
(9,00%) tidak; rata-rata mereka berada 45,18% di bawah ukuran sampel yang direkomendasikan. Selain itu, 82,61% model yang diterbitkan sebelum tahun 2000 memenuhi aturan praktis ini, namun persentasenya meningkat secara signifikan (pÿ0,01) pada model yang lebih baru (93,39%). Dengan demikian, peneliti tampaknya lebih menyadari masalah ukuran sampel di PLS-SEM.
persamaan tidak dapat digunakan untuk variabel kategori. Berdasarkan upaya awal Lohmöller (1989) untuk memasukkan variabel kategori, Jakobowicz dan Derquenne (2007) mengembangkan versi modifikasi dari algoritma PLS-SEM berdasarkan model linier umum yang, bagaimanapun, terbatas pada ukuran reflektif. Penerapan algoritma PLS- SEM standar tidak memperhitungkan perluasan ini dan karenanya sering melanggar prinsip dasar OLS ketika digunakan pada variabel kategori.4 Sebagai konsekuensinya, peneliti tidak boleh menggunakan variabel kategori dalam konstruksi endogen dan harus secara hati-hati menafsirkan makna variabel kategori dalam konstruksi endogen. konstruksi eksogen.
Alternatifnya, variabel kategori dapat digunakan untuk membagi kumpulan data untuk perbandingan multigrup PLS (Sarstedt dkk. 2011b).
Meskipun ada kekhawatiran ini, hanya 19 penelitian (9,31%) yang melaporkan sejauh mana data tersebut tidak normal, dan tidak ada perbedaan signifikan yang terlihat dari waktu ke waktu.
tion. Data yang sangat miring meningkatkan kesalahan standar bootstrap (Chernick 2008) dan dengan demikian mengurangi kekuatan statistik, yang khususnya menjadi masalah mengingat kecenderungan PLS-SEM untuk meremehkan hubungan model dalam (Wold 1982).
Model yang terfokus dan seimbang memenuhi tujuan prediksi PLS- SEM, sedangkan CB-SEM mungkin lebih cocok untuk
Hanya 13 dari 204 studi (6,37%) yang menyertakan analisis sampel ketidaksepakatan. Meskipun hal ini mungkin disebabkan oleh masalah ketersediaan data, karakter bebas distribusi PLS-SEM, yang bergantung pada teknik pengambilan sampel ulang seperti bootstrapping untuk pengujian signifikansi (Henseler et al. 2009), mungkin juga menjadi alasan untuk tidak menggunakan sampel ketidaksepakatan . . Namun, mengingat bias PLS-SEM, memperkuat estimasi parameter melalui sampel ketidaksepakatan menjadi lebih penting dalam PLS-SEM dibandingkan dengan CB-SEM.
Tabel 2 memberikan gambaran karakteristik model dalam studi PLS- SEM. Jumlah rata-rata variabel laten dalam model jalur PLS adalah 7,94, yang jauh lebih tinggi dari 4,70 yang dilaporkan dalam tinjauan studi CB- SEM oleh Shah dan Goldstein (2006) . Selain itu, jumlah rata-rata variabel laten secara signifikan (pÿ0,01) lebih tinggi pada model yang diterbitkan pada tahun 2000 dan seterusnya (8,43) dibandingkan model sebelumnya (6,29). Jumlah rata-rata hubungan model batin (10,56) juga meningkat (tetapi tidak signifikan) seiring berjalannya waktu (9,10 sebelum tahun 2000 dan 10,99 setelahnya). Secara keseluruhan, kompleksitas model dalam studi PLS-SEM jelas meningkat.
Tinjauan kami menguji tiga jenis model (yaitu terfokus, tidak fokus, dan seimbang). Model terfokus memiliki sejumlah kecil variabel laten endogen yang dijelaskan oleh sejumlah besar variabel laten eksogen (yaitu, jumlah variabel laten eksogen setidaknya dua kali lebih banyak dari jumlah variabel laten endogen). Sebanyak 109 model terfokus (35,05%) digunakan. Model yang tidak fokus didefinisikan sebagai model yang memiliki banyak variabel laten endogen dan efek mediasi, serta jumlah variabel laten eksogen yang relatif lebih kecil (yaitu, jumlah variabel laten endogen setidaknya dua kali lebih banyak dari jumlah variabel laten eksogen). Sebanyak 85 model tidak fokus (27,33%) digunakan. Sisanya sebanyak 117 model (37,62%) merupakan model seimbang, teridentifikasi antara tipe model fokus dan tidak fokus. Model terfokus secara signifikan (pÿ0.01) lebih umum akhir-akhir ini, sedangkan model tidak fokus (pÿ0.05) dan seimbang (pÿ0.01) lebih sering muncul secara signifikan dalam penelitian yang diterbitkan sebelum tahun 2000.
Meskipun penelitian sebelumnya telah memberikan bukti ketahanan PLS-SEM dalam situasi di mana data sangat tidak normal (misalnya, Cassel dkk. 1999; Reinartz dkk. 2009), namun peneliti harus mempertimbangkan distribusi data.
Penggunaan sampel ketidaksepakatan untuk mengevaluasi kekokohan hasil juga menjadi perhatian lain (Hair dkk. 2010).
Beberapa peneliti menekankan bahwa PLS-SEM umumnya bekerja dengan variabel skala nominal, ordinal, interval, dan rasio (misalnya, Fornell dan Bookstein 1982; Haenlein dan Kaplan 2004; Reinartz dkk.
2009). Oleh karena itu tidak mengherankan jika para peneliti secara rutin menggunakan variabel kategorikal (14 penelitian, 6,86%) atau bahkan variabel biner (43 penelitian, 21,08%). Namun, praktik ini harus
dipertimbangkan dengan hati-hati. Misalnya, peneliti mungkin memutuskan untuk menggunakan indikator tunggal biner untuk mengukur konstruksi endogen guna menunjukkan situasi pilihan. Namun, dalam pengaturan ini, konstruk laten menjadi ukurannya (Fuchs dan Diamantopoulos 2009), yang terbukti bermasalah untuk perkiraan dalam algoritma PLS-SEM karena koefisien jalur diperkirakan dengan regresi OLS. Secara khusus, OLS mengharuskan skor variabel laten endogen bersifat kontinu, suatu sifat yang tidak dapat dipenuhi dalam pengaturan seperti itu. Demikian pula, penggunaan indikator biner dalam model reflektif melanggar asumsi OLS ini, karena indikator reflektif mengalami kemunduran pada skor variabel laten ketika memperkirakan bobot luar. Sejalan dengan itu, Jakobowicz dan Derquenne (2007, p. 3668) menyatakan bahwa “ketika bekerja dengan data kontinu […], PLS tidak menghadapi masalah apa pun, namun ketika bekerja dengan data nominal atau biner, tidak mungkin untuk menganggap ada masalah yang mendasarinya. distribusi berkelanjutan.” Senada dengan itu, Lohmöller (1989) berpendapat bahwa prosedur standar dalam penerapan linear
Karakteristik model
Hal yang sama berlaku untuk skala komparatif seperti urutan peringkat, perbandingan berpasangan, atau skala jumlah konstan.
diperiksa.
menjelaskan model yang tidak fokus. Hanya 11 dari 57 aplikasi yang secara eksplisit menyatakan menggunakan PLS-SEM
diasumsikan terdiri dari salah satu saja begitu pula proporsi model yang menggunakan reflektif 42,12%) atau kombinasi reflektif dan formatif
dan langkah-langkah formatif maupun yang kurang dijelaskan tampaknya ada kurangnya kesadaran akan hubungan tersebut
2011; Diamantopoulos dan Siguaw 2006; Diamantopoulos antara tujuan prediksi PLS-SEM dan jenis model
dan Winklhofer 2001; Jarvis dkk. 2003). Menariknya,
secara eksklusif pada langkah-langkah formatif (20 model, 6,43%).
sebaliknya, 23 dari 57 model seharusnya dirancang untuk
Anehnya, 37 model (11,90%) tidak memberikan deskripsi
variabel laten yang diukur secara reflektif (131 model,
mode pengukuran konstruk, meskipun ada perdebatan luas mengenai spesifikasi pengukuran (misalnya, Bollen
prediksi sebenarnya menguji model yang tidak fokus. Dengan demikian,
Mengenai model luar, biasanya model jalur PLS
mengukur variabel laten (123 model, 39,55%). Banyak lebih sedikit model jalur PLS yang diasumsikan didasarkan tujuan prediksi juga memeriksa model terfokus. Di dalam
1
***
103***
101***
26**
35***
35***
115***
*
26***
**
12***
27.00 median
(1; 20)
4.15**
10.10 2000 dan seterusnya
3.50
29.55
24.00 Berarti
–
3.35
Jumlah total indikator dalam model
(1; 37)
20
(2; 20)
8
3.00
model
23 Terfokus
24.00 Tabel 2 Statistik deskriptif untuk karakteristik model
17
(1; 27)
14 10.56
Berarti
123
8.00 (n=242)
(4; 131)
16 Tidak fokus
median
(1; 38)
3.00
(4; 131) 27.33
Reflektif dan formatif
7.76
,
12.41*
3,99 117
6.00
3.63
jumlah variabel laten endogen paling sedikit dua kali lipat jumlah variabel laten eksogen; model seimbang: semua jenis yang tersisa 26
pada tingkat signifikansi 1% (5%, 10%); hasil berdasarkan uji-t sampel independen dan uji eksak Fisher (satu sisi) (tidak ada uji median Jumlah relasi jalur model dalam1
(1; 18) (1; 20)
(1; 27) Proporsi (%) Sebelum tahun 2000
10.99
median
42 3,99
97
(n=61)
(7; 101) 2.50
Hanya formatif Tipe model1
(1; 15)
4,98***
35.05
(2; 16)
perbedaan) median
29 Berarti
21
(1; 20) 131
Jangkauan
(1; 38)
9.00 (n=69)
29.47 11.90
8.00
(1; 35) Jumlah variabel laten
33 (1; 16)
82 (2; 29)
Jurnal tingkat atas
6.43
2.90 (2; 29)
109
4.00
25.00
(
4.62
7
–
(5; 131) 4.25***
88 Hasil
17.00 Jumlah indikator per konstruk formatif
108*
4.83**
9.10
4.00
(1; 38)
39.55
8,69*
Model terfokus: jumlah variabel laten eksogen paling sedikit dua kali lipat jumlah variabel laten endogen; model tidak fokus:
4.00
4.00 59 85
6.29
) menunjukkan perbedaan yang signifikan antara masing-masing “sebelum tahun 2000”/“2000 dan seterusnya” dan “jurnal terkemuka lainnya”/”jurnal papan atas”, Berarti
6.00
8
Jangkauan
102 Hanya reflektif
Jangkauan
(n=311)
(4; 101) Berarti
–
88
Terkemuka lainnya
111 19.58
Kriteria
Jangkauan
8.43***
median
Jumlah model dengan konstruksi item tunggal 144
37 7.94
3.50 3
(1; 16) Seimbang
32.51***
3.50 Tidak ditentukan
7.00
37.62
Jangkauan
29.85 42.12
30 jurnal (n=250)
10.00
–
Mode model luar
59 8.00
46.30 Jumlah indikator per konstruk reflektif
8 7.00
–
8.00
(2; 29)
(1; 27)
6 5
mode pengukuran berubah secara signifikan seiring waktu (Tabel 2).
Demikian pula, Baumgartner dan Homburg
(1996)melaporkan nilai median sebesar 12 indikator per analisis CB-SEM, yang juga jauh lebih rendah dibandingkan dengan tinjauan kami (median=24).
Meskipun kriteria seperti alpha Cronbach dan reliabilitas komposit biasanya diterapkan untuk mengevaluasi ukuran reflektif, perspektif konsistensi internal tidak tepat untuk menilai ukuran formatif (misalnya, Diamantopoulos dan Winklhofer 2001 ). Seperti yang ditunjukkan oleh Diamantopoulos
(2006,hal. 11), ketika “pengukuran formatif dilibatkan, keandalan menjadi kriteria yang tidak relevan untuk menilai kualitas pengukuran.” Demikian pula, validitas konvergen dan diskriminan ukuran formatif tidak dapat dinilai dengan cara empiris (misalnya, Hair et al.
2011).Tinjauan kami mengkaji apakah dan bagaimana penulis mengevaluasi kesesuaian konstruksi, dan apakah konsep yang biasanya terkait dengan penilaian model luar reflektif juga diterapkan dalam pengaturan formatif.6
Penilaian model luar melibatkan pemeriksaan reliabilitas indikator individual, reliabilitas untuk gabungan pengukuran masing- masing konstruk (yaitu reliabilitas konsistensi internal), serta validitas konvergen dan diskriminan pengukuran. Ketika mengevaluasi seberapa baik konstruksi diukur dengan variabel indikatornya, secara individu atau bersama-sama, peneliti perlu membedakan antara perspektif pengukuran reflektif dan formatif (misalnya, Diamantopoulos dkk. 2008 ).
Namun hal ini terutama disebabkan oleh jumlah konstruk yang lebih banyak, dan bukan jumlah rata-rata indikator per konstruk yang lebih besar. Tinjauan kami mengidentifikasi rata-rata 29,55 indikator per model jalur PLS, dengan peningkatan yang signifikan (pÿ0,01) pada model terbaru (32,51) dibandingkan model sebelumnya (19,58). Selain itu, jumlah indikator ini jauh lebih tinggi dibandingkan 16,30 indikator per model CB-SEM yang dilaporkan oleh Shah dan Goldstein
(2006).Evaluasi model luar
Model luar reflektif Penilaian model luar reflektif melibatkan penentuan reliabilitas indikator (pemuatan luar terstandarisasi kuadrat), reliabilitas konsistensi internal (reliabilitas komposit), validitas konvergen (average variance diekstraksi, AVE), dan validitas diskriminan (kriteria Fornell-Larcker, cross-loading) seperti yang dijelaskan oleh, misalnya, Henseler dkk.
(2009)dan Rambut dkk.
(2011).Temuannya
tindakan satu item harus dipertimbangkan dengan hati-hati saat menggunakan PLS-SEM.
Jumlah rata-rata indikator adalah 3,99 untuk konstruksi reflektif, yang secara signifikan (pÿ0,01) lebih tinggi pada model terbaru (2,90 sebelum tahun 2000; 4,25 setelahnya). Jumlah indikator yang lebih banyak untuk konstruk formatif (4,62) adalah logis karena konstruk tersebut harus diwakili oleh seluruh populasi indikator (Diamantopoulos dkk.
2008).Seperti halnya konstruksi reflektif, jumlahnya meningkat secara signifikan (pÿ0,01) baru-baru ini (3,63 sebelum tahun 2000; 4,98
setelahnya). Jumlah total indikator yang digunakan cukup besar, dan jauh lebih tinggi dibandingkan model CB-SEM.
Meskipun keputusan mengenai penyusunan model luar harus didasarkan terutama pada landasan teoretis (misalnya,
Diamantopoulos dan Winklhofer
2001;Jarvis dkk.
2003),Gudergan dkk.
(2008)mengusulkan teknik analisis tetrad konfirmatori untuk PLS-SEM (CTA-PLS) yang memungkinkan peneliti menguji mode pengukuran konstruk secara empiris (Bollen dan Ting
2000).Karena CTA-PLS baru diperkenalkan baru-baru ini, hal ini mungkin belum diterapkan dalam penelitian mana pun yang ditinjau. Namun, penelitian di masa depan harus secara rutin menggunakan teknik ini sebagai sarana standar untuk penilaian model (Coltman dkk.
2008).Para peneliti berpendapat bahwa jika cakupan suatu konstruk sempit, unidimensi, dan tidak ambigu bagi responden, maka menggunakan ukuran item tunggal adalah pendekatan terbaik (misalnya, Nunnally 1967; Sackett dan Larson 1990), sebuah argumen yang dikemukakan Bergkvist dan
Rossiter( 2007 ) . ,
2009)baru-baru ini mendapat dukungan empiris.5 Berbeda dengan CB-SEM, di mana penyertaan item tunggal umumnya menyebabkan model kurang teridentifikasi (misalnya, Fuchs dan Diamantopoulos
2009),PLS-SEM tidak dibatasi dalam hal ini.
Oleh karena itu, tidak mengherankan jika 144 model (46,30%) menyertakan pengukuran item tunggal. Meskipun penggunaan pengukuran satu item juga terbukti bermanfaat dari perspektif analitik karena umumnya meningkatkan tingkat respons (misalnya, Fuchs dan Diamantopoulos
2009;Sarstedt dan Wilczynski
2009),kita harus ingat bahwa penggunaan pengukuran satu item adalah kebalikannya. dengan konsep konsistensi PLS-SEM secara luas. Misalnya, Reinartz dkk.
(2009)
menunjukkan bahwa hanya dengan kualitas model luar yang wajar (dalam hal indikator per konstruk dan pemuatan), PLS-SEM akan menghasilkan estimasi parameter yang dapat diterima ketika ukuran sampel dibatasi. Meskipun konflik antara
sifat psikometrik dan konsistensi secara luas belum diatasi dalam penelitian, penggunaan
Perlu dicatat bahwa, bertentangan dengan temuan Bergkvist dan Rossiter (2007, 2009) , beberapa penelitian telah menunjukkan bahwa pengukuran item tunggal tidak selalu cocok dengan pengukuran multi-item dalam hal sifat psikometrik (misalnya, Gardner dkk. 1989; Kwon dan Trail 2005;
Sarstedt dan Wilczynski 2009).
Kami juga menghitung rata-rata, median, dan rentang statistik yang berkaitan dengan penilaian model luar (dan dalam) (misalnya, reliabilitas gabungan, bobot indikator). Ini tersedia dari penulis berdasarkan permintaan.
7
Dukungan terhadap keandalan indikator secara signifikan (pÿ0,01) lebih umum pada model awal dibandingkan model terbaru.
studi pemasaran yang ditinjau ditunjukkan pada Tabel 3 (Panel A).
Secara keseluruhan, temuan kami mengenai penilaian model luar menimbulkan kekhawatiran. Pertama, mengingat penilaian reliabilitas dan validitas memainkan peran penting dalam penilaian model luar, proporsi penelitian yang tidak melaporkan ukuran reliabilitas dan validitas sangatlah mengkhawatirkan. Jika pengukuran tidak memiliki reliabilitas dan validitas, estimasi model dalam mungkin akan menjadi sangat bias, sehingga menyebabkan peneliti mengabaikan hubungan yang mungkin signifikan.
Memang benar, karena aplikasi PLS-SEM sering menjadi dasar pengembangan teori, jalur penelitian yang menjanjikan mungkin telah terabaikan.
Sebanyak 35 model (13,78%) hanya melaporkan Cronbach's alpha.
Penerapan reliabilitas komposit, secara individu atau bersama-sama dengan Cronbach's alpha, secara signifikan (pÿ0,01) lebih umum akhir-
akhir ini (Tabel 3).
Secara keseluruhan, 254 dari 311 model (81,67%) melaporkan bahwa konstruksi yang diukur secara reflektif disertakan.7 Banyak, namun yang mengejutkan tidak semua, model mengomentari keandalan.
Keandalan konsistensi internal dilaporkan untuk 177 model (69,69%).
Penilaian sebelumnya terhadap praktik pelaporan dalam konteks CB-SEM (misalnya, Shah dan Goldstein 2006; Shook et al. 2004) mengungkapkan bahwa Cronbach's alpha adalah ukuran keandalan konsistensi internal yang paling umum.
Lebih lanjut, meskipun ada diskusi luas mengenai ketidaksesuaian pengukuran berbasis konsistensi internal untuk mengevaluasi blok indikator formatif (misalnya, Diamantopoulos 2006; Diamantopoulos dan Winklhofer 2001; Diamantopoulos dkk. 2008), sungguh menyedihkan melihat bahwa penulis masih menerapkannya. resep seperti buku masak yang digunakan dengan ukuran reflektif untuk menilai ukuran formatif.
Penilaian multikolinearitas yang terbatas dalam penelitian sebelumnya, berpotensi dapat ditelusuri kembali ke artikel Diamantopoulos dan Winklhofer (2001) , yang meningkatkan kesadaran akan masalah ini di kalangan pakar pemasaran.
Evaluasi bobot indikator juga harus mencakup pemeriksaan signifikansinya melalui prosedur pengambilan sampel ulang. Meskipun sebagian besar penelitian menerapkan blindfolding atau bootstrapping, prosedur ini terutama digunakan untuk mengevaluasi estimasi parameter model dalam dibandingkan signifikansi bobot indikator formatif. Hanya 25 model (17,48%) yang melaporkan nilai t atau nilai p yang sesuai. Faktanya, sebagian besar peneliti tidak mengomentari masalah penting ini.
Model luar formatif Secara keseluruhan, 143 dari 311 model (45,98%) berisi setidaknya satu konstruk yang diukur secara formatif. Tabel 3 (Panel B) menunjukkan hasil analisis ini. Sebanyak 33 model (23,08%) dengan pengukuran formatif
Multikolinearitas antar indikator merupakan isu penting dalam menilai ukuran formatif karena potensi bobot indikator yang tidak stabil (Cenfetelli dan Bassellier 2009). Karena bobot indikator formatif seringkali lebih kecil dibandingkan bobot indikator reflektif, hal ini dapat menyebabkan salah tafsir mengenai relevansi indikator untuk domain konstruk (Diamantopoulos dan Winklhofer 2001). Hanya 22 dari 143 model (15,38%) yang
menggunakan ukuran formatif—semuanya muncul pada tahun 2000 dan seterusnya—yang menilai multikolinearitas, terutama mengandalkan faktor toleransi dan varian inflasi (VIF).
konstruksi secara tidak tepat mengevaluasi tindakan terkait menggunakan penilaian model luar yang reflektif. Kesalahan ini secara signifikan (pÿ0,01) lebih banyak terjadi pada penelitian sebelumnya, dimana 21 dari 38 model (55,26%) menggunakan kriteria reflektif untuk mengevaluasi tindakan formatif, dibandingkan dengan 12 dari 105 model (11,43%) pada penelitian yang lebih baru.
Beberapa kriteria statistik telah disarankan untuk mengevaluasi kualitas tindakan formatif. Statistik utama untuk menilai indikator formatif adalah bobotnya, yang dilaporkan dalam 33 dari 143 model (23,08%).
Validitas konvergen diperiksa pada 153 dari 254 model (60,24%).
Penulis terutama mengandalkan AVE (146 model), sedangkan pada tujuh model lainnya, mereka salah mengartikan reliabilitas komposit atau signifikansi pemuatan sebagai indikasi validitas konvergen. Selain itu, total 154 model (60,63%) memberikan bukti validitas diskriminan, dengan sebagian besar (111 model) hanya membandingkan AVE konstruk dengan korelasi antar konstruk (Fornell dan Larcker 1981), sebuah praktik yang signifikan ( pÿ0.01) lebih umum akhir-akhir ini (Tabel 3, Panel A).
Sebagai alternatif, penulis hanya meneliti cross-loading (12 model), sebuah kriteria yang secara umum dapat dianggap lebih liberal dalam hal validitas diskriminan. Dalam 31 model yang tersisa kedua kriteria tersebut dilaporkan.
Namun, alpha Cronbach dibatasi oleh asumsi bahwa semua indikator sama-sama dapat diandalkan (tau-ekivalensi), dan upaya untuk memaksimalkannya dapat sangat membahayakan keandalan (Raykov 2007). Sebaliknya, reliabilitas komposit tidak mengasumsikan kesetaraan tau, sehingga lebih cocok untuk PLS-SEM, yang memprioritaskan indikator berdasarkan reliabilitas masing-masing. Mayoritas model melaporkan keandalan gabungan, baik secara eksklusif (73 model; 28,74%) atau bersamaan dengan alpha Cronbach (69 model; 27,17%).
Secara khusus, 157 dari 254 model (61,81%) melaporkan pembebanan luar, dan dengan demikian secara tidak langsung menentukan keandalan indikator, dan hanya 19 model yang secara eksplisit menangani kriteria ini.
Model yang mode pengukurannya tidak ditentukan tidak disertakan.
Analisis ini hanya mencakup model-model yang ditentukan hanya mencakup variabel reflektif dan campuran variabel laten reflektif dan formatif.
4
Konstruksi item tunggal dikeluarkan dari analisis inikonstruksi formatif
126
5
12Keandalan indikator Jurnal terkemuka lainnya
157
9
2000 dan seterusnya Keduanya11**
1
Keduanya20 ) menunjukkan perbedaan yang signifikan antara “sebelum tahun 2000”/“2000 dan seterusnya” dan “jurnal terkemuka lainnya”/“jurnal papan atas”, pada tingkat signifikansi 1% (5%, 10%); hasil
0 4
111
Hanya alfa Cronbach (n=105)
96*** Multikolinearitas
4
12***
Hanya muatan silang
18 17*** Hanya indeks kondisi 2.80
9 3
Kriteria uji empiris pada PLS-SEM Jumlah model7 0
Proporsi pelaporan (%) Sebelum tahun 2000 Jurnal tingkat atas
6 1
Pentingnya bobot
(n=205) 19***
2.76 22* 0,70
Hanya VIF/toleransi
9315 pelaporan (n=143)
Panel B: Model luar formatif
1
(n=38)
63*** 17
Kontribusi mutlak indikator
3
Jurnal terkemuka lainnya Hanya kriteria Fornell-Larcker
1
Kesalahan standar, tingkat signifikansi,1 6 Proporsi pelaporan (%) Sebelum tahun 2000
Panel A: Model luar reflektif 12
0
38*** 146 25
ke konstruksi
27
(n=203) 17 26 11.89
119 21***
18
Kriteria uji empiris pada PLS-SEM Jumlah model 13
3
69
(n=49) 26
0 9
Jurnal tingkat atas jalan 12 nilai-t/nilai-p untuk bobot indikator
pelaporan (n=254) (n=38) 14
7
35
1
0
33
68*** Validitas diskriminan
Keduanya 2000 dan seterusnya Bobot indikator
31*60*
6
27 29**73 –
5
128Validitas konvergen 33
4
(n=51) (n=105) Kriteria reflektif digunakan untuk mengevaluasi *** (** , berdasarkan uji eksak Fisher (satu sisi).
56
9
31Keandalan konsistensi internal Hanya keandalan gabungan
Tabel 3 Evaluasi model luar
4
119 4.72 *
4
31Pemuatan indikator1
39
16
4
Nilai-nilai mutlak3
) menunjukkan perbedaan yang signifikan antara “sebelum tahun 2000”/“2000 dan seterusnya” dan “jurnal terkemuka lainnya”/“jurnal papan atas”, pada tingkat signifikansi 1% (5%, 10%); berdasarkan hasil1
5.14 Interval kepercayaan
jurnal 219** 46** 12 pelaporan (%)
PLS-SEM Penjelasan varians konstruksi endogen 14
5
12287
2
jurnal16** 60
5.1416 Redundansi Q² yang divalidasi silang PLS-SEM *** (** , pada uji eksak Fisher (satu sisi).
16** 2000 dan seterusnya Sebelum tahun 2000
Proporsi
0
GoF–
56 0,00 ––
298 –
Signifikansi koefisien jalur
Jurnal tingkat atas 2000 dan seterusnya
88.42
pelaporan (n=311)
f²
Kriteria – 7.35
0
Moderator berkelanjutan
Relevansi prediksi relatif
54 14 46** Heterogenitas yang tidak teramati
68 47 Segmentasi berbasis respons
Koefisien jalur Terkemuka lainnya
(n=242)pelaporan (%) Kesalahan standar, signifikansi57
Tabel 4 Evaluasi model batin Sebelum tahun 2000 92.28
275 Heterogenitas yang diamati
221 (n=165)
230
0
R²
6
0,00 ––
8
23.040
15Moderator kategoris
Relevansi prediktif 95.82 0,00 ––
Jumlah model Jumlah studi – teknik (misalnya, FIMIX-PLS)
230 227*239 Proporsi
Kriteria uji empiris di level, nilai-t, nilai-p
59 *
0
41pelaporan (n=204)
Kriteria uji empiris di
Ukuran efek Kesesuaian secara keseluruhan
Terkemuka lainnya Kriteria
16.4051 q²
5
Jurnal tingkat ataskualitas model bagian dalam (misalnya, Chin 1998
model (5,14%) dianggap laten eksogen tertentu Evaluasi model batin
Namun demikian, hanya 51 model (16,40%) yang melaporkan kriteria ini.
menyarankan hal ini), dan nilai ambang batas untuk “kesesuaian” yang dapat diterima sulit diperoleh karena dapat diterima
kemungkinan besar akan diterapkan secara lebih luas. Tapi peneliti PLS-SEM
dan peran konstruk dalam model (misalnya, target utama melalui perubahan nilai R², berdasarkan efeknya
relevansi model dengan menghilangkan model dalam yang dipilih
S
Tenenhaus dkk. (2004) mengusulkan kriteria global untuk langkah-langkah dengan mempertimbangkan standar (misalnya signifikansi, multikolinearitas) serta yang baru-baru ini diusulkan
reliabilitas dan validitasnya, sangat tepat untuk menguji batinnya
dkk. 2009). Tabel 4 memberikan gambaran umum hasilnya
mewakili ukuran kesesuaian global yang sebenarnya (walaupun namanya ditentukan oleh rata-rata geometri komunalitas rata-rata
kontribusi, efek penekan) (Bollen 2011; Cenfetelli
antara varians dan kecocokan kovarians tidak berlaku di
Kriteria utama untuk penilaian model batin adalah pengukuran dalam disiplin pemasaran, PLS-SEM adalah
Stone (1974) dan Geisser (1974) dapat digunakan untuk menilai
perkiraan (q²). Tak satu pun model melaporkan statistik ini,
Nilai R² bergantung pada konteks penelitian (Hair et al. 2011 ) asumsi varian bebas distribusi. Jadi, saat menggunakan
jumlah varians yang dijelaskan dari masing-masing laten endogen
ukuran redundansi Q². Teknik ini merupakan sintesis dari
evaluasi (misalnya, Chin 1998; Henseler dkk. 2009).
perlu lebih memperhatikan validasi formatif
Jika evaluasi model luar memberikan bukti
kriteria evaluasi non-parametrik berbasis varian untuk dinilai
nilai-nilai untuk menilai kualitas temuan mereka. Hanya 16
P. 30) berpendapat bahwa ini cocok dengan PLS-SEM “seperti bergandengan tangan. ”
kesesuaian (yaitu, indeks Pemerintahan Federal). Kriteria ini adalah langkah-langkah evaluasi (misalnya, indikator absolut dan relatif
perkiraan model. Perbedaan klasik terkait CB-SEM
mengenai evaluasi model batin.
, 2010; Henseler
dampak relatif variabel terhadap variabel laten endogen
ukuran f² (Cohen 1988). Contoh teknik penggunaan kembali yang diusulkan oleh
Seperti f², Q² dapat menilai prediktif konstruk individu dan Bassellier 2009; MacKenzie dkk. 2011).
PLS-SEM, yang terutama disebabkan oleh PLS-SEM
koefisien determinasi (R²), yang mewakili
validitas prediktif model melalui validasi silang
hubungan dan menghitung perubahan dalam kriteria '
meskipun penelitian telah menekankan pentingnya model batin
dan nilai rata-rata R² model. Oleh karena itu, Pemerintahan Federal tidak melakukan hal tersebut
PLS-SEM, peneliti harus memfokuskan evaluasinya
variabel. Dalam ulasan kami, 275 model (88,42%) melaporkan R²
validasi silang dan penyesuaian fungsi, dan Wold (1982 , Dengan munculnya minat dalam penggunaan formatif
