Modelos PLS-PM

Abstract

La modelización PLS-PM (Partial Least Squares Path Modeling), incluida dentro de los Modelos de Ecuaciones Estructurales, se basa en la idea de la reducción de la dimensionalidad de los datos con el objetivo de estimar una red de causalidad, definida de acuerdo a un modelo teórico donde se consideran conceptos o variables latentes (no observables) que se pueden medir por medio de indicadores observables que llamaremos variables manifiestas. La red de causalidad queda definida por el modelo estructural (que tiene en cuenta las relaciones entre las variables latentes) y el modelo de medida (que recoge las relaciones entre cada variable latente y sus variables manifiestas). Dicha red se estima por medio de un procedimiento iterativo y gracias a diversos indicadores y contrastes de hipótesis es posible evaluar la calidad de dicha estimación. Todas estas nociones son presentadas en los tres primeros capítulos de este escrito en los que además se tratan temas muy frecuentes en la práctica como son: la comparación de diferentes modelos (en caso de que exista más de uno) y el cómo lidiar con la heterogeneidad de los datos que se usan para crear el modelo. En el capítulo final de este proyecto, con el fin de ilustrar los contenidos previos, se presentan diversas aplicaciones de la modelización PLS-PM con R.

The PLS-PM modeling (Partial Least Squares Path Modeling), included in the Structural Equations Models, is based on the idea of reducing the dimensionality of the data in order to estimate a network of causality, defined according to a theoretical model where latent (unobservable) concepts or variables that can be measured by means of observable indicators that we will call manifest variables. The network of causality is defined by the structural model (which takes into account the relationships between latent variables) and the measurement model (which includes the relationships between each latent variable and its manifest variables). This network is estimated by means of an iterative procedure and thanks to various indicators and hypothesis contrasts, it is possible to assess the quality of the estimate. All these notions are presented in the first three chapters of this paper in which are also treated very common issues in practice such as: the comparison of different models (in the case that there is more than one) and how to deal with the heterogeneity of the data that is used to create the model. In the final chapter of this project, in order to illustrate the previous contents, several applications of PLS-PM modeling are presented with R.