Ein wesentlicher Vorteil der PLS-SEM gegenüber anderen Methoden wie der Kovarianzbasierter Strukturgleichungsmodellierung liegt in ihrer Robustheit gegenüber Verteilungsannahmen. Sie ist besonders geeignet für die explorative Theorieentwicklung und die Untersuchung von Modellen mit komplexen Pfadstrukturen, bei denen die Zielsetzung in der Maximierung der erklärten Varianz der abhängigen Konstrukte besteht. Dadurch ermöglicht sie die Analyse von Modellen auch bei kleineren Stichproben oder wenn die Daten nicht normalverteilt sind. In der aktuellen Forschung wird die Methode intensiv genutzt, um dynamische Prozesse wie die Entscheidungsfindung unter dem Einfluss von Big Data oder das Verhalten von Konsumenten in digitalen Netzwerken zu modellieren. Dabei stehen oft die Interaktionen zwischen verschiedenen psychologischen oder organisationalen Faktoren im Fokus. Die methodische Diskussion dreht sich häufig um die Validität der Messmodelle sowie die Abgrenzung zu anderen inferenzstatistischen Verfahren. Du findest zu diesem Thema wissenschaftliche Arbeiten bei GRIN als PDF und eBook, viele davon auch als Print-on-Demand.
Wissenschaftliche Texte zu PLS-SEM
Die PLS-SEM, auch bekannt als Partial Least Squares Structural Equation Modeling, stellt ein hochrelevantes statistisches Verfahren in den Wirtschaftswissenschaften und der Sozialforschung dar. Sie dient der Analyse komplexer Kausalzusammenhänge innerhalb von Strukturmodellen. Das Verfahren findet vor allem dann Anwendung, wenn Forscher latente Konstrukte untersuchen möchten, die durch beobachtbare Indikatoren gemessen werden.
4
Veröffentlichungen