Partial least square path modeling with adanco

ผศ.ดร.ธีทัต ตรีศิริโชติ

ผศ.ดร.ธีทัต ตรีศิริโชติ Page 2
แบบจำลองสมกำรโครงสร้ำงกำลังสองน้อยที่เชิงส่วน (PLS-SEM) เป็นเทคนิค
สถิติในกำรวิจัยยุคสอง (second-generation ) โดยสถิติในยุคแรก (first-generation)
เป็นสถิติที่ใช้กับแบบจำลองอย่ำงง่ำย คือ หำควำมสัมพันธ์ระหว่ำงตัวแปรตำมกับตัวแปร
อิสระ ที่ไม่มีตัวแปรแทรกกลำง (mediators) เช่น กำร หำค่ำควำมสัมพันธ์ (correlations)
ระหว่ำงตัวแปร สมกำรถดถอย (regression equations) หรือ กำรทดสอบควำมแตกต่ำงค่ำเฉลี่ย
ของตัวแปร (ANOVA) แต่ควำมเป็นจริงกำรวิจัยมักมีตัวแปรแทรกกลำง (Baron , & Kenny,
1986; Lowry, & Gaskin, 2014) และตัวแปรบำงตัวยังเป็นตัวแเปรแฝง (latent variables) ที่ไม่
สำมำรถวัดค่ำได้โดยตรงจึงทำให้สถิติยุคแรก ดังกล่ำวไม่สำมำรถตอบสนองควำมต้องกำรได้ซึ่ง
จำเป็นต้องมีเทคนิคทำงสถิติที่สูงขึ้น (Guarino, 2004: Alavifar, Karimimalayer, & Anuar,
2012)
อ้ำงอิง : ชำญกิจ เจียรพันธุ์ และคณะ. (2559). แบบจำลองสมกำรโครงสร้ำงกำลังสองน้อยที่สุดเชิงส่วน:ควำมเป็นมำ ขั้นตอนกำรทำงำนและกำรใช้งำน.
วำรสำรกำรวิจัยกำรพัฒนำกำรบริหำร, 9(1), 133-150.

สถิติในกำรวิจัยยุคสอง เป็นเทคนิคกำรวิเครำะห์ด้วยแบบจำลองสมกำร
โครงสร้ำงประกอบด้วย
(ก) แบบจำลองภำยในคือสมกำรโครงสร้ำง (structure model) สร้ำงขึ้นจำกตัว
แปรแฝงภำยนอก (exogenous latent variables) ที่เป็นตัวแปรอิสระ และตัวแปรแฝง
ภำยใน (endogenous latent variables) ที่เป็นตัวแปรตำม และ/หรือ เป็นตัวแปรแทรก
กลำงก็ได้
(ข) แบบจำลองภำยนอกเป็นสมกำรมำตรวัด (measurement model) แสดง
ควำมสัมพันธ์ระหว่ำงตัวแปรแฝงแต่ละตัวกับตัวแปรประจักษ์(manifest variables) ซึ่ง
เป็นตัวแเปร ที่วัดค่ำได้(กรรณิกำร์ สุขเกษม, 2557: มนตรี พิริยะกุล, 2553;
Haenlein, & Kaplan, 2004)

สถิติวิจัยยุคสอง แบ่งออกได้4 ประเภทคือ
(ก ) แบบจำลองสมกำรโครงสร้ำงฐำนควำมผันแปรร่วม (covariance base SEM
[CB-SEM) ใช้ได้ดีกับกำรพิสูจน์ สมมติฐำน/ทฤษฎี แต่ต้องมีจำนวนตัวอย่ำงที่มำกพอ
และข้อมูลต้องมีกำรกระจำยแบบปกติ (Wong, 2013)
(ข) แบบจำลองสมกำรโครงสร้ำงกำลังสองน้อยที่สุดเชิงส่วน ใช้เพื่อทดลองหำ
แบบจำลองที่เหมำะสม สำมำรถใช้กับตัวอย่ำงที่ไม่มำกนัก และ ข้อมูลไม่จำเป็นต้องมี
กำรกระจำยแบบปกติ (สุชำติ ประสิทธิ์รัฐสินธ์, 2557)
(ค) กำรวิเครำะห์องค์ประกอบ โครงสร้ำงทั่วไป (generalized structure
component analysis [GSCA]) ใช้เป็นตัวเลือกเมื่อ CB-SEM ไม่สำมำรถใช้ได้(Henseler,
2012) และ
(ง) แบบจำลองโครงสร้ำงสำกล (universal structured modeling [USM]) ใช้
วิเครำะห์ควำมสัมพันธ์ของตัวแปรที่เป็นเชิงเส้นและควำมสัมพันธ์ไม่เชิงเส้นได้
(Buckler, & Hennig-Thurau, 2008)

สำหรับเทคนิคที่ใช้ในกำรวิจัยเมื่อพิจำรณำจำกผลงำนที่ตีพิมพ์ในวำรสำรที่มี
ชื่อเสียง (Management Information Systems Quarterly [MISQ), Information Systems
Research [ISR], Journal of Management Information Systems [JMIS], and Journal of
the Association for Information Systems JAIS) ในช่วงปี ค.ศ. 2000-2008 พบว่ำส่วน
ใหญ่ ให้ควำมสำคัญในกำรใช้เทคนิคกำรวิเครำะห์ ยุคที่สอง (Gerow, Grover, Roberts,
& Thatcher, 2010) หลังจำกนั้นแล้วตั้งแต่ปี ค.ศ. 2005 เป็นต้นมำเริ่มมีกำรนำ PLS-SEM
มำใช้อย่ำงจริงจังเพรำะตัวโปรแกรมใช้ง่ำย ข้อมูลมีข้อจำกัดน้อย และให้ผลกำรวิเครำะห์
ในระดับที่ยอมรับได้ทำให้นักวิจัยได้ใช้ PLS-SEM มำกขึ้นอย่ำงเห็นได้ชัด (Ringle,
Sarstedt, & Straub, 2012)

เมื่อเปรียบเทียบเทคนิค CB-SEM (โปรแกรมใช้งำน AMOS, EQS, LISREL
และMplus) กับ PLS-SEM (โปรแกรมใช้งำน PLS-graph, Visual PLS, SmartPLS
และ WarpPLS) พบว่ำ CB-SEM ให้ผลกำรวิเครำะห์ที่น่ำเชื่อถือกว่ำ แต่กำรใช้ CB-
SEM ต้องมีกรอบแนวควำมคิดที่มีทฤษฎีรองรับชัดเจน จำนวนตัวอย่ำงมีมำกพอ และ
ข้อมูลที่ใช้ต้องมีกำรกระจำยแบบปกติ แต่ควำมเป็นจริงในกำรวิจัยหลำย ๆ ครั้งไม่
สำมำรถรักษำข้อสมมติดังกล่ำวได้ทำให้กำรใช้ CB-SEM ไม่ได้ผล กรณีดังกล่ำว
สำมำรถเลือกใช้ PLS-SEM ทดแทนได้(Temme, Kreis, & Hildebrandt, 2006;
Reinartz, Haenlein, & Henseler, 2009)

(ก) สมกำรมำตรวัดที่ตัวแปรแฝงเกิดจำกกำรรวมตัวของตัวแปรประจักษ์
เรียกว่ำ formative measurement model และ
(ข) สมกำรมำตรวัดที่ตัวเปรประจักษ์เป็นภำพสะท้อนของตัวแปรแฝง เรียกว่ำ
reflective measurement model ซึ่งกำรวัดแบบนี้จะเหมือนกับ CB-SEM (Colman,
Devimcy, Midgley, & Venaik , 2008)

Henseler, J., Ringle, C. M., & Sarstedt, M. (2012). Using Partial Least Squares Path Modeling in International Advertising Research:
Basic Concepts and Recent Issues. In S. Okazaki (Ed.), Handbook of Research in International Advertising (pp. 252–276). Cheltenham:
Edward Elgar Publishing.

Product1
Product2
Product3
Loyalty1
Loyalty2
Service1
Service2
Service3
Weighting Scheme: Factor or Centroid
(Currently factor is used)
Product Satisfaction
Service Satisfaction
Loyalty

This is the data used for the model
CaseNo Product1 Product2 Product3 Service1 Service2 Service3 Loyalty1 Loyalty2 CaseNo Product1 Product2 Product3 Service1 Service2 Service3 Loyalty1 Loyalty2
1 7 7 7 3 4 7 5 6 1 5 6 5 1 4 1 3 4 <-- look into these formulas to understand relations
2 5 6 4 2 2 4 7 5 2 6 6 4 2 1 5 7 6
3 7 7 7 2 4 6 7 5 3 3 5 4 1 4 1 5 4
4 4 3 1 1 2 4 2 2 4 4 3 2 1 3 4 7 5
5 7 5 4 3 5 3 6 5 5 6 7 6 1 3 1 2 3
6 7 4 7 7 7 7 6 6 6 6 7 7 4 7 7 6 6
7 4 5 2 1 1 1 1 2 7 5 4 7 1 2 3 5 4
8 4 4 3 5 4 3 5 4 8 7 7 7 4 1 7 7 7
9 6 1 5 4 1 3 1 3 9 5 6 4 1 2 3 6 5
10 4 2 3 2 2 4 2 3 10 2 5 1 1 1 2 3 2
11 7 3 6 7 2 7 4 5 11 1 1 1 1 7 2 1 2
12 4 5 3 3 3 2 2 4 12 5 6 3 2 7 5 3 4
13 3 4 5 4 2 2 2 3 13 3 1 2 1 3 4 5 4
14 7 6 5 3 2 7 7 5 14 7 7 6 2 5 5 4 6
15 7 7 7 7 6 7 7 7 15 7 6 6 2 4 5 2 4
16 6 5 3 2 1 5 6 4 16 4 6 5 1 7 3 7 5
17 3 1 2 1 2 1 3 2 17 4 6 3 1 3 2 3 5
18 6 4 2 5 1 2 3 3 18 6 6 5 2 7 5 2 4
19 7 6 7 7 6 7 7 7 19 7 7 7 2 7 5 4 6
20 7 7 7 7 5 3 5 5 20 3 3 1 1 4 4 3 3
21 4 3 1 1 1 3 4 2 21 6 4 6 1 7 4 5 6
22 5 6 5 4 3 5 2 3 22 4 6 2 1 3 1 3 3
23 7 5 7 4 3 5 7 6 23 4 4 6 1 7 4 5 3
24 6 7 6 5 7 6 5 6 24 7 7 7 3 1 6 7 7
25 7 4 7 7 7 7 6 6 25 6 7 7 1 5 2 4 5
26 7 6 7 7 4 4 6 7 26 7 7 5 1 7 4 7 5
27 5 5 6 1 1 3 1 3 27 7 7 6 3 2 6 7 7
28 7 7 7 6 6 7 7 6 28 7 7 7 4 1 7 5 6
29 5 4 6 3 1 1 3 4 29 3 5 5 1 5 2 4 4
30 5 6 4 7 4 7 6 5 30 7 6 7 3 3 6 6 7
Formulas used for creating the data (not the exact formulas, but you get the idea)

Normalization of data
5.666667 4.833333 4.866667 4.033333 3.3 4.433333 4.5 4.466667 <- average
1.374369 1.714319 2.012185 2.198232 2.002498 2.092579 2.109502 1.564893 <- standard deviation
CaseNo Product1 Product2 Product3 Service1 Service2 Service3 Loyalty1 Loyalty2
1 0.97 1.264 1.06 -0.47 0.35 1.227 0.237 0.98
2 -0.485 0.681 -0.431 -0.925 -0.649 -0.207 1.185 0.341
3 0.97 1.264 1.06 -0.925 0.35 0.749 1.185 0.341
4 -1.213 -1.069 -1.922 -1.38 -0.649 -0.207 -1.185 -1.576
5 0.97 0.097 -0.431 -0.47 0.849 -0.685 0.711 0.341
6 0.97 -0.486 1.06 1.35 1.848 1.227 0.711 0.98
7 -1.213 0.097 -1.425 -1.38 -1.149 -1.641 -1.659 -1.576
8 -1.213 -0.486 -0.928 0.44 0.35 -0.685 0.237 -0.298
9 0.243 -2.236 0.066 -0.015 -1.149 -0.685 -1.659 -0.937
10 -1.213 -1.653 -0.928 -0.925 -0.649 -0.207 -1.185 -0.937
11 0.97 -1.069 0.563 1.35 -0.649 1.227 -0.237 0.341
12 -1.213 0.097 -0.928 -0.47 -0.15 -1.163 -1.185 -0.298
13 -1.94 -0.486 0.066 -0.015 -0.649 -1.163 -1.185 -0.937
14 0.97 0.681 0.066 -0.47 -0.649 1.227 1.185 0.341
15 0.97 1.264 1.06 1.35 1.348 1.227 1.185 1.619
16 0.243 0.097 -0.928 -0.925 -1.149 0.271 0.711 -0.298
17 -1.94 -2.236 -1.425 -1.38 -0.649 -1.641 -0.711 -1.576
18 0.243 -0.486 -1.425 0.44 -1.149 -1.163 -0.711 -0.937
19 0.97 0.681 1.06 1.35 1.348 1.227 1.185 1.619
20 0.97 1.264 1.06 1.35 0.849 -0.685 0.237 0.341
21 -1.213 -1.069 -1.922 -1.38 -1.149 -0.685 -0.237 -1.576
22 -0.485 0.681 0.066 -0.015 -0.15 0.271 -1.185 -0.937
23 0.97 0.097 1.06 -0.015 -0.15 0.271 1.185 0.98
24 0.243 1.264 0.563 0.44 1.848 0.749 0.237 0.98
25 0.97 -0.486 1.06 1.35 1.848 1.227 0.711 0.98
26 0.97 0.681 1.06 1.35 0.35 -0.207 0.711 1.619
27 -0.485 0.097 0.563 -1.38 -1.149 -0.685 -1.659 -0.937
28 0.97 1.264 1.06 0.895 1.348 1.227 1.185 0.98
29 -0.485 -0.486 0.563 -0.47 -1.149 -1.641 -0.711 -0.298
30 -0.485 0.681 -0.431 1.35 0.35 1.227 0.711 0.341

CaseNo Product1 Product2 Product3 Service1 Service2 Service3 Loyalty1 Loyalty2
1 0.97 1.264 1.06 -0.47 0.35 1.227 0.237 0.98
2 -0.485 0.681 -0.431 -0.925 -0.649 -0.207 1.185 0.341
3 0.97 1.264 1.06 -0.925 0.35 0.749 1.185 0.341
4 -1.213 -1.069 -1.922 -1.38 -0.649 -0.207 -1.185 -1.576
5 0.97 0.097 -0.431 -0.47 0.849 -0.685 0.711 0.341
6 0.97 -0.486 1.06 1.35 1.848 1.227 0.711 0.98
7 -1.213 0.097 -1.425 -1.38 -1.149 -1.641 -1.659 -1.576
8 -1.213 -0.486 -0.928 0.44 0.35 -0.685 0.237 -0.298
9 0.243 -2.236 0.066 -0.015 -1.149 -0.685 -1.659 -0.937
10 -1.213 -1.653 -0.928 -0.925 -0.649 -0.207 -1.185 -0.937
11 0.97 -1.069 0.563 1.35 -0.649 1.227 -0.237 0.341
12 -1.213 0.097 -0.928 -0.47 -0.15 -1.163 -1.185 -0.298
13 -1.94 -0.486 0.066 -0.015 -0.649 -1.163 -1.185 -0.937
14 0.97 0.681 0.066 -0.47 -0.649 1.227 1.185 0.341
15 0.97 1.264 1.06 1.35 1.348 1.227 1.185 1.619
16 0.243 0.097 -0.928 -0.925 -1.149 0.271 0.711 -0.298
17 -1.94 -2.236 -1.425 -1.38 -0.649 -1.641 -0.711 -1.576
18 0.243 -0.486 -1.425 0.44 -1.149 -1.163 -0.711 -0.937
19 0.97 0.681 1.06 1.35 1.348 1.227 1.185 1.619
20 0.97 1.264 1.06 1.35 0.849 -0.685 0.237 0.341
21 -1.213 -1.069 -1.922 -1.38 -1.149 -0.685 -0.237 -1.576
22 -0.485 0.681 0.066 -0.015 -0.15 0.271 -1.185 -0.937
23 0.97 0.097 1.06 -0.015 -0.15 0.271 1.185 0.98
24 0.243 1.264 0.563 0.44 1.848 0.749 0.237 0.98
25 0.97 -0.486 1.06 1.35 1.848 1.227 0.711 0.98
26 0.97 0.681 1.06 1.35 0.35 -0.207 0.711 1.619
27 -0.485 0.097 0.563 -1.38 -1.149 -0.685 -1.659 -0.937
28 0.97 1.264 1.06 0.895 1.348 1.227 1.185 0.98
29 -0.485 -0.486 0.563 -0.47 -1.149 -1.641 -0.711 -0.298
30 -0.485 0.681 -0.431 1.35 0.35 1.227 0.711 0.341
Normalized Input Data

path_Produc
t1
path_Produc
t2
path_Produc
t3
path_Service
1
path_Service
2
path_Service
3
path_Loyalty
1
path_Loyalty
2
1 1 1 1 1 1 1 1
Step 0 (Initialization of Weights)
lat_Produc
t
lat_Service
lat_Loyalt
y
lat_Produc
t
lat_Service
lat_Loyalt
y
3.294 1.107 1.217 1.283707 0.429151 0.640071
-0.235 -1.781 1.526 -0.09158 -0.69044 0.802588
3.294 0.174 1.526 1.283707 0.067455 0.802588
-4.204 -2.236 -2.761 -1.63834 -0.86683 -1.45213
0.636 -0.306 1.052 0.247856 -0.11863 0.553291
1.544 4.425 1.691 0.601713 1.71544 0.889368
-2.541 -4.17 -3.235 -0.99025 -1.61658 -1.70142
-2.627 0.105 -0.061 -1.02377 0.040705 -0.03208
-1.927 -1.849 -2.596 -0.75097 -0.7168 -1.36535
-3.794 -1.781 -2.122 -1.47856 -0.69044 -1.11605
0.464 1.928 0.104 0.180826 0.747428 0.054698
-2.044 -1.783 -1.483 -0.79657 -0.69122 -0.77997
-2.36 -1.827 -2.122 -0.91972 -0.70827 -1.11605
1.717 0.108 1.526 0.669133 0.041868 0.802588
3.294 3.925 2.804 1.283707 1.521605 1.474741
-0.588 -1.803 0.413 -0.22915 -0.69897 0.217214
-5.601 -3.67 -2.287 -2.18277 -1.42275 -1.20283
-1.668 -1.872 -1.648 -0.65004 -0.72572 -0.86675
2.711 3.925 2.804 1.056505 1.521605 1.474741
3.294 1.514 0.578 1.283707 0.586932 0.303994
-4.204 -3.214 -1.813 -1.63834 -1.24597 -0.95353
0.262 0.106 -2.122 0.102104 0.041093 -1.11605
2.127 0.106 2.165 0.828914 0.041093 1.138664
2.07 3.037 1.217 0.806701 1.177354 0.640071
1.544 4.425 1.691 0.601713 1.71544 0.889368
2.711 1.493 2.33 1.056505 0.578791 1.225445
0.175 -3.214 -2.596 0.068199 -1.24597 -1.36535
3.294 3.47 2.165 1.283707 1.345215 1.138664
-0.408 -3.26 -1.009 -0.159 -1.2638 -0.53068
-0.235 2.927 1.052 -0.09158 1.13471 0.553291
0.00 0.00 0.00 0.00 0.00 0.00 <- Average
2.57 2.58 1.90 1.00 1.00 1.00 <- StdDev
STEP 1.1 (Outer Estimate/Proxy)
Standardized
Non-Standardized

path_Product_Loyalty
path_Service
_Loyalty
lat_Produc
t
lat_Service
lat_Loyalt
y
lat_Produc
t
lat_Service
lat_Loyalt
y
0.817961744 0.79866041 0.523554 0.5112 1.392769 0.640071 0.640071 0.924791
0.656486 0.640995 -0.62634 0.802588 0.802588 -0.41589
Factor formulas 0.656486 0.640995 1.103896 0.802588 0.802588 0.732981
0.817961744 0.79866041 -1.18778 -1.15976 -2.03241 -1.45213 -1.45213 -1.34951
0.452571 0.441892 0.107994 0.553291 0.553291 0.071707
0.727469 0.710303 1.862232 0.889368 0.889368 1.236513
centroid formula -1.3917 -1.35886 -2.10109 -1.70142 -1.70142 -1.39511
1 1 -0.02624 -0.02562 -0.80489 -0.03208 -0.03208 -0.53445
-1.1168 -1.09045 -1.18675 -1.36535 -1.36535 -0.78799
-0.91289 -0.89134 -1.76083 -1.11605 -1.11605 -1.16919
0.044741 0.043685 0.74485 0.054698 0.054698 0.494576
-0.63799 -0.62293 -1.20361 -0.77997 -0.77997 -0.79919
-0.91289 -0.89134 -1.31796 -1.11605 -1.11605 -0.87512
0.656486 0.640995 0.580764 0.802588 0.802588 0.385624
1.206282 1.177818 2.265269 1.474741 1.474741 1.504127
0.177673 0.17348 -0.74567 0.217214 0.217214 -0.49512
-0.98387 -0.96065 -2.92171 -1.20283 -1.20283 -1.94
-0.70897 -0.69224 -1.11131 -0.86675 -0.86675 -0.7379
1.206282 1.177818 2.079427 1.474741 1.474741 1.380729
0.248656 0.242788 1.518783 0.303994 0.303994 1.008464
-0.77995 -0.76155 -2.33521 -0.95353 -0.95353 -1.55057
-0.91289 -0.89134 0.116337 -1.11605 -1.11605 0.077247
0.931384 0.909406 0.71084 1.138664 1.138664 0.471994
0.523554 0.5112 1.600156 0.640071 0.640071 1.062496
0.727469 0.710303 1.862232 0.889368 0.889368 1.236513
1.002367 0.978714 1.326439 1.225445 1.225445 0.880748
-1.1168 -1.09045 -0.93932 -1.36535 -1.36535 -0.62371
0.931384 0.909406 2.124393 1.138664 1.138664 1.410586
-0.43407 -0.42383 -1.13941 -0.53068 -0.53068 -0.75656
0.452571 0.441892 0.831338 0.553291 0.553291 0.552004
0.00 0.00 0.00 0.00 0.00 0.00 <- Average
0.82 0.80 1.51 1.00 1.00 1.00 <- StdDev
STEP 1.3 (Inner Estimate/Proxy)
Non-Standardized Standardized
Step 1.2 Inner Paths

#VALUE! <- don't touch formula
path_Prod
uct1
path_Prod
uct2
path_Prod
uct3
path_Servi
ce1
path_Servi
ce2
path_Servi
ce3
path_Loya
lty1
path_Loya
lty2
0.777835 0.638468 0.682592 0.614905 0.719236 0.726014 0.725576 0.924393
0.43182 0.35445 0.378945 0.346954 0.405822 0.409646 0.462209 0.58886 <- standardized weights
Iteration Stop Criteron Value (10^-x)= 5
0 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 Stop Criterion 0.00001
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Step 1.4 (Update of Outer Weights)
Next Iteration
Reset Model

lat_Produc
t
lat_Service
lat_Loyalt
y
2.285071 0.853546 1.077867
-0.23665 -1.18586 1.175025
2.285071 0.22673 1.175025
-2.93798 -1.46564 -2.31665
0.522234 -0.17569 0.831102
1.167752 3.050089 1.42179
-1.85428 -2.86636 -2.66057
-1.88725 0.024971 -0.10351
-1.19355 -1.33295 -2.06989
-2.63235 -1.18586 -1.72596
0.456276 1.254156 0.143257
-1.51503 -1.24124 -1.13528
-1.77424 -1.32036 -1.72596
1.234348 0.135029 1.175025
2.285071 2.690471 2.3564
-0.3825 -1.19844 0.240415
-3.90931 -2.50674 -1.97273
-1.09397 -1.4002 -1.38204
1.912844 2.690471 2.3564
2.285071 0.943434 0.48718
-2.93798 -2.17229 -1.62881
0.102598 0.079641 -1.72596
1.539979 0.079641 1.765713
1.380337 2.143491 1.077867
1.167752 3.050089 1.42179
1.912844 0.93157 2.012477
0.068981 -2.17229 -2.06989
2.285071 2.41069 1.765713
-0.30325 -2.3068 -0.79135
-0.23665 1.972673 0.831102
0.00 0.00 0.00 <- Average
1.80 1.77 1.57 <- StdDev
Auxiliary calculation
Non-Standardized

For Mode A: Loadings are defined as covariances between the latent variables values and the individual indicators values
Product1 0.880
Product2 0.798 0.502
Product3 0.888
1.808 Loyalty1
1.808 Loyalty2
Service1 2.213 0.754 <- r²
Service2 2.293 0.429
Service3 2.147
ATTENTION: The Excel-LINEST function returns the parameters in reversed order. http://office.microsoft.com/en-gb/excel-help/linest-function-HP010069838.aspx
ACHTUNG: Auf deutsch heisst die Funktion RGP. Siehe http://office.microsoft.com/de-de/excel-help/rgp-funktion-HP010342653.aspx
Loyalty
For Mode A: Loadings are defined as covariances between the latent variables values and the individual indicators values
Product1 0.896
Product2 0.777 0.510
Product3 0.891
0.938 Loyalty1
0.962 Loyalty2
Service1 0.843 0.776 <- r²
Service2 0.893 0.434
Service3 0.842
ATTENTION: The Excel-LINEST function returns the parameters in reversed order. http://office.microsoft.com/en-gb/excel-help/linest-function-HP010069838.aspx
ACHTUNG: Auf deutsch heisst die Funktion RGP. Siehe http://office.microsoft.com/de-de/excel-help/rgp-funktion-HP010342653.aspx
Loyalty

 PLS เป็น variance based model พัฒนำตำมวิธี OLS ที่ใช้principal component
regression (PCR) เป็นเครื่องมือตำมวิธี least square
 ตัวแบบสมกำรโครงสร้ำง (structural equation modeling, SEM) เป็น Second
Generation Model คือเป็นตัวแบบที่สำมำรถวิเครำะห์ควำมสัมพันธ์ระหว่ำงตัวแปรได้
หลำยระดับของ SEM ทั้งวิเครำะห์ควำมสัมพันธ์ใน inner model (structure model)
และวิเครำะห์ควำมสัมพันธ์ใน outer model (measurement model) ไปในครำวเดียวกัน

SEM มีวิธี 2 แบบคือ
1. Covariance-BasedSEM (CBSEM) เช่น LISREL AMOS EQS ซึ่งวิเครำะห์ข้อมูลโดยใช้วิธี
maximize similarity ระหว่ำง covariancestructure ตำมทฤษฎีกับcovariancestructure ตำมข้อมูลเชิง
ประจักษ์กำรวิเครำะห์ตำมแนวทำงนี้มักจำเป็นจะต้องปรับตัวแบบกันอยู่นำนกว่ำโครงสร้ำงทั้ง 2 จะ
ทำบกันสนิทโดยตรวจสอบได้จำกเกณฑ์(threshold) ที่กำหนด เช่น ค่ำ RMSE chi-square และ fit
index ต่ำง ๆ กำรปรับตัวแบบมักจะเป็นกำรโยงให้เกิดควำมสัมพันธ์ระหว่ำง error term ของ manifest
variable
2. Variance-basedSEM (VBSEM) หรือ อำจเรียกว่ำ Component-BasedSEM เพรำะใช้principal
component regression (PCR) ในอัลกอริธึมสำหรับประมำณค่ำ)VBSEM จะใช้วิธี OLS ในกำร
วิเครำะห์คือจะใช้วิธี minimize 𝑒𝑖
2
ตำมที่ใช้กันในกำรวิเครำะห์กำรถดถอยโดยทำกำร วิเครำะห์
ทีละ block (1 block คือโครงสร้ำงที่ประกอบด้วย construct 1 ตัว พร้อม indicator ของ construct นั้น)

จำกกำรติดตำมกำรใช้ second generation modeling ในวำรสำรด้ำน IS พบว่ำมี
กำรนำ ซอฟท์แวร์ PLS และ LISREL ไปใช้ในงำนวิจัย 39 % เท่ำกัน ที่เหลืออีก 23%
เป็นซอฟท์แวร์ SEM อื่นเช่น AMOS EQS และอื่น ๆ (Gefen, Straub and Boudreau,
2000)
อ้ำงอิงจำก: มนตรี พิริยะกุล. (2010). PartialLeast Square Path Modeling (PLS Path Modeling)
Chatelin,Y.M. (2002), Vinzi, V.E., and Tenenhons, M. (2002). State of Art on PLS Path Modeling through the available
software,Retreived Feb 12, 2010, from http://www.sinopai.com/sinopai2/repository/ppt/20041227005.pdf.
Lauro, C. and V.E.Vinzi. (2004). Some Contributionsto PLS Path Modeling and System for the European
Customer Satisfaction,RetrievedJan 13,2010,from http://www.sis-statistica.it/files.pdf/atti/RMi0602p201-
210.pdf.

Wold (1975) พัฒนำสมกำรโครงสร้ำงแบบกำลังสองน้อยที่สุดบำงส่วน (PLS-SEM) ขึ้นภำยใต้ชื่อ
NIPALS (Nonlinear Iterative Partial Least Squares) เพื่อเป็นทำงเลือกในกำรพยำกรณ์และใช้ข้อมูล
ขนำดเล็ก (Dijkstra 2010; Joreskog & Wold 1982) และมีกำรพัฒนำต่อมำโดย Lohmoller (1989) ข้อด้อย
ของ PLS-SEM เมื่อเทียบกับ CB-SEM (Covariance Based Square Structural Equation Model) คือ
ไม่เหมาะใช้สร้างทฤษฎีใหม่ แต่ข้อดีคือใช้ตัวอย่างขนาดเล็ก ไม่จาเป็นต้องกระจายแบบปกติและมีลักษะะ
การวัดแบบใดก็ได้ ใช้เพื่อการพยากระ์ได้ดี (Henseler et al., 2009) ใช้ได้กับแบบจาลอง Formative และ
Reflective (Diamantopolous & Winklhofer, 2001) และไม่จาเป็นต้องมีทฤษฎีสนับสนุนเข้มแข็ง ซึ่ง
CB-SEM มีข้อจำกัดเรื่องขนำดตัวอย่ำง ข้อมูลกระจำยปกติ กำรกำหนดแบบจำลอง (Model Specification)
ต้องปรับแบบจำลอง และใช้ได้ดีกับแบบจำลอง Reflective สองวิธีนี้ใช้กำรประเมินต่ำงกันคือ CB-SEM ใช้
ควำมน่ำจะเป็นไปได้สูงสุด (Maximum Likelihood) คือกำร Maximize Similarity ระหว่ำง Covariance
Structure ตำมทฤษฎีกับของข้อมูลเชิงประจักษ์ ปรับตัวแบบจนโครงสร้ำงทั้งสองทำบสนิท โดยตรวจสอบ
จำกเกณฑ์กำหนด เช่น RMSE, Chi-Square และอื่น ๆ กำรปรับตัวแบบนิยมโยงให้เกิดควำมสัมพันธ์ระหว่ำง

ค่ำควำมคลำดเคลื่อน (Residual) ของตัวแปรสังเกตได้ขณะที่ PLS-SEM หรือ Component-Based
SEM ใช้วิธีหำค่ำกำลังสองน้อยที่สุดของควำมคลำดเคลื่อน ตำมวิธีวิเครำะห์กำรถดถอย โดย
วิเครำะห์ทีละหนึ่งโครงสร้ำง (Block) ประกอบด้วยตัวแปรแฝงหนึ่งตัวและตัวแปรสังเกตได้ของตัว
แปรแฝงนั้น (มนตรี พิริยะกุล, 2553) Hair et al, (2011) เปรียบ PLS-SEM เป็นดั่งกระสุนเงิน คือ
เครื่องมือแก้ปัญหำกำรวิจัยได้ง่ำยและเร็วถ้ำใช้ถูกต้อง นักวิจัยจะได้ประโยชน์จำก PLS-SEM ถ้ำ
เข้ำใจถึงคุณลักษณะ กำรประยุกต์ใช้ และรำยงำนผลได้ถูกวิธี แต่ถ้ำใช้ไม่ถูกอำจทำให้แปรผลผิด
และสรุปผิด (Hair et al., 2012, p. 415)
PLS-SEM นิยมใช้ศึกษำในสำขำกำรจัดกำรเชิงกลยุทธ์ เช่น ศึกษำควำมสำมำรถอยู่รอด
ของบริษัทในระยะยำว สมรรถนะของบริษัทระดับโลก (Robins et al, 2002) กำรศึกษำแหล่งของ
ควำมรู้และกำรร่วมมือ (Jarvenpaa & Majchrzak, 2008) กำรร่วมมือระหว่ำงบริษัท (Sarkar et al.,,
2001 ) บัญชี (Lee et al., 2011) กำรตลำด (Hair et al., 2012) และระบบสำรสนเทศเพื่อกำรจัดกำร
(Ringle et al., 2012) จำกข้อดีของ PLS-SEM จึงมีผู้นิยมใช้วิจัยทำงธุรกิจเพิ่มขึ้น (Hair et al, 2012)
Wold (1985) ผู้ทรำบจุดแข็งจุดอ่อนของทั้งสองวิธี กล่ำวว่ำ ไม่สำมำรถกล่ำวได้ว่ำวิธีใดดีกว่ำกัน
ขึ้นอยู่กับว่ำงำนวิจัยนั้นเหมำะสมกับ PLS-SEM หรือ CB-SEM

ประเด็นพิจาระา LISREL PLS MRA
1. วัตถุประสงค์โดยรวม ตรวจดูในภำพรวมว่ำทั้ง
โครงสร้ำงมีควำมเป็นไปได้
(เช่น ดูที่ chi-square test และ
RMSE) ทั้งตรวจสอบนัยสำคัญรำย
เส้นทำง
ตรวจสอบนัยสำคัญรำย
ตรวจสอบนัยสำคัญรำย
2.เป้ำหมำยของ ANOVA เพื่อวัด overall fit เช่น χ2
หรือ GFI
เพื่อหำค่ำ 𝑅2
เพื่อหำค่ำ 𝑅2
3.ควำมต้องกำรด้ำนทฤษฎี/
วรรณกรรม
เน้นทฤษฎี/วรรณกรรมที่
สนับสนุนอย่ำงแข็งแกร่ง
เน้น CFA
ไม่จำเป็นต้องเน้นทฤษฎี/
วรรณกรรมที่แข็งแกร่ง
ใช้ได้ทั้ง CFA และ EFA
ไม่จำเป็นต้องเน้นทฤษฎี/
วรรณกรรมที่แข็งแกร่ง
ใช้ได้ทั้ง CFA และ EFA
4. กำรแจกแจง ต้องเป็นกำรแจกแจงปกติ
เพรำะวิเครำะห์ด้วยวิธี ML
ถ้ำไม่เป็นแบบปกติต้อง
เปลี่ยนไปใช้เทคนิคอื่น
หรือปรับข้อมูล
ไม่จำเป็นต้องแจกแจงปกติ
มีควำมแกร่งต่อกำรเบน
ไปจำกกำรแจกแจงปกติ
ไม่จำเป็นต้องแจกแจงปกติ
มีควำมแกร่งต่อกำรเบน
ไปจำกกำรแจกแจงปกติ
และยังมีสูตรประมำณค่ำ
หลำยสูตรตำมกำรแจกแจง
อื่นที่ไม่ใช่กำรแจกแจง
ปกติ

5. ขนำดตัวอย่ำง อย่ำงน้อย 100 -150 หน่วย
หรือ 15-20 เท่ำของจำนวน
MV ที่มีอยู่ทั้งหมด หรือดู
ที่
#𝑀𝑉
#𝐿𝑉
ถ้ำไม่เกิน 2 ต้อง
ใช้n มำกกว่ำ 200 ถ้ำเกิน
3 ก็ใช้n ไม่เกิน 100
อย่ำงน้อย30-100 หน่วย
หรืออย่ำงน้อย 10 เท่ำของ
จำนวน MV ใน LV ที่มี MV
มำกที่สุด
ไม่ควรต่ำกว่ำ 30 แต่น้อย
กว่ำนี้ก็ได้
6. ควำมกลมกลืน ต้องกำร MV 4 ตัวเป็นอย่ำง
น้อย ต่อ LV เพื่อให้ over identify
กลมกลืนเสมอ -
7. กำรประมำณค่ำ LV ใช้MV จำกทั้งหมด วิเครำะห์เฉพำะ ใน block
ของตัวเองตน
-
8. โยงเส้นทำงไปยังตัวแปร
แฝงและตัวแปรมำตรวัดและ
วิเครำะห์ทั้งหมดได้ในครำว
เดียวกัน
ทำได้ ทำได้ ทำไม่ได้ต้องทำครำวละ
สมกำร

9. สร้างเส้นโยงระหว่างความ
คลาดเคลื่อน เช่น ระหว่าง δ
ระหว่าง ε ระหว่าง δ กับ ε
ทำได้ ไม่ทำ (ไม่อนุญำตให้ทำ) ไม่ทำ (ไม่อนุญำตให้ทำ)
10.โยงตัวแปรมำตรวัดโดย
วิธี reflective
ทำได้ ทำได้ ทำได้
11. โยงตัวแปรมำตรวัดโดย
วิธี formative
ทำไม่ได้ ทำได้ -
12. ยอมให้ error variance เป็น
ส่วนหนึ่งของตัวแปร
ทำได้ ทำไม่ได้ ทำไม่ได้
13. วิเครำะห์ทุกเส้นโยงใน
ครำวเดียว
ทำได้ ทำได้ ทำไม่ได้ต้องวิเครำะห์ทีละ
1 สมกำร
14. ทำ CFA ทำได้ ทำได้ ทำไม่ได้
15. กำรแสดงค่ำสถิติที่ใช้
เปรียบเทียบ CFA
ทำได้ ทำไม่ได้ ทำไม่ได้
16. มีตัวแปรตำมมำกว่ำ 1 ตัว ทำไม่ได้ ทำได้ ทำไม่ได้
17. convergence ไม่ค่อย convergence convergence เสมอ -

ควำมเหมำะสมพอดีของแบบจำลองคือกำรตรวจสอบแบบจำลองกำรเข้ำได้ดี
กับข้อมูลซึ่งนอกจำกแบบจำลองเป็นแบบจำลองที่ดีแล้วยังจำเป็นต้องมีจำนวนตัวอย่ำงที่
พอเพียงเพื่อเป็นหลักประกันให้กำรตรวจสอบควำมน่ำเชื่อถือ โดยทั่วไปเลือกจำนวน
ตัวอย่ำงที่มำกกว่ำระหว่ำง 10 ตัวอย่ำงต่อหนึ่งตัวเแปรประจักษ์กับ 10 ตัวอย่ำงต่อหนึ่ง
เส้นทำงควำมสัมพันธ์ของตัวแปรแฝง (Henseler, Dijkstra, Sarstedt,& et al., 2014)

สำหรับแบบจำลองที่ดีของ PLS-SEM แตกต่ำงจำก CB-SEM เพรำะแบบจำลอง
CB-SEM สร้ำงขึ้นจำกควำมพยำยำมทำให้ค่ำตำรำงควำมผันแปรร่วมของตัวแปร
ประจักษ์(manifest) ทั้งหมดที่ได้จำกข้อมูล และค่ำที่ได้จำกทฤษฎีมีค่ำเท่ำกัน ถือว่ำเป็น
ควำมเหมำะสมอย่ำงสมบูรณ์ของแบบจำลอง (perfect model fit)
ขณะที่แบบจำลอง PLS-SEM มำจำกควำมพยำยำมทำให้ค่ำกำรผันแปรของตัว
แปรแฝงแต่ละตัวที่หำได้จำกข้อมูล (แบบจำลองภำยนอก [outer model]) และจำกค่ำ
ทำนำย (แบบจำลองภำยใน [inner model]) มีค่ำเท่ำกัน (ทำให้บำงครั้งเรียก PLS-SEM ว่ำ
SEM ฐำนผันแปร(variance base) ด้วย
เหตุนี้กำรตรวจสอบควำมเหมำะสมของแบบจำลอง (model fit) ของ PLS-SEM
จึงเป็นกำรตรวจสอบแยกส่วนโดยตรวจสอบควำมเหมำะสมของแบบจำลองภำยนอก
และตรวจสอบควำมเหมำะสมของแบบจำลองภำยใน (Henseler, & Sarstedt, 2013) ไม่มี
กำรตรวจสอบควำมเหมำะสมของแบบจำลองในภำพรวม (global model fit) แต่ก็มี
นักวิจัยหลำยคนพัฒนำตัวชี้วัดในภำพรวมขึ้นมำเพื่อทำให้มองเห็นกำรเข้ำกับข้อมูลของ
แบบจำลองได้ดีขึ้น (Akter, D'Ambra.& Ray, 2011; Garson, 2016)

https://www.composite-modeling.com/

https://www.composite-modeling.com/support/

 สร้ำง Project 1
 ข้อมูล Demo

 ข้อมูล DATA 400

There are many ways of modeling the moderating effects (interaction effects)
of multi-item constructs (Dijkstra & Henseler, 2011). Fassott et al. (2016) provide the
most current guidelines on how to model the moderating effects of composites. In order
to avoid multicollinearity issues in the context of moderating effects, users can
orthogonalize the interaction term (see Henseler & Chin, 2010). Analysts using
ADANCO 2.0.1 should use a two-stage approach to model moderating effects:
1. Estimate the model without the interaction. Extract the construct scores.
Create an interaction term.
2. Estimate the model, including the interaction.

 ข้อมูล Demo

ในที่นี้ต้องการศึกษาผลของ Interaction ระหว่าง Sat*Quality
ไปยัง behint และ loyal ดังรูป

Mean value Standard error t-value p-value (2-sided) p-value (1-sided) 0.5% 2.5% 97.5% 99.5%
quality -> loyalty 0.4928 0.4866 0.0802 6.1471 0.0000 0.0000 0.2718 0.3241 0.6396 0.6716
quality -> beh_int 0.4700 0.4632 0.1057 4.4489 0.0000 0.0000 0.1473 0.2474 0.6614 0.6914
sat -> loyalty 0.3697 0.3710 0.0838 4.4137 0.0000 0.0000 0.1621 0.2150 0.5377 0.5816
sat -> beh_int 0.1654 0.1600 0.0911 1.8158 0.0697 0.0348 -0.0552 -0.0206 0.3287 0.3848
Inter -> loyalty 0.0823 0.0794 0.0588 1.3994 0.1620 0.0810 -0.0786 -0.0334 0.1996 0.2344
Inter -> beh_int -0.0748 -0.0781 0.0912 -0.8198 0.4125 0.2063 -0.3499 -0.2733 0.0882 0.1635
Effect Original coefficient
Standard bootstrap results Percentile bootstrap quantiles
Mean value Standard error t-value p-value (2-sided) p-value (1-sided) 0.5% 2.5% 97.5% 99.5%
quality -> loyalty 0.4928 0.4866 0.0802 6.1471 0.0000 0.0000 0.2718 0.3241 0.6396 0.6716
quality -> beh_int 0.4700 0.4632 0.1057 4.4489 0.0000 0.0000 0.1473 0.2474 0.6614 0.6914
sat -> loyalty 0.3697 0.3710 0.0838 4.4137 0.0000 0.0000 0.1621 0.2150 0.5377 0.5816
sat -> beh_int 0.1654 0.1600 0.0911 1.8158 0.0697 0.0348 -0.0552 -0.0206 0.3287 0.3848
Inter -> loyalty 0.0823 0.0794 0.0588 1.3994 0.1620 0.0810 -0.0786 -0.0334 0.1996 0.2344
Inter -> beh_int -0.0748 -0.0781 0.0912 -0.8198 0.4125 0.2063 -0.3499 -0.2733 0.0882 0.1635
Effect Original coefficient
Standard bootstrap results Percentile bootstrap quantiles

Van Riel et al. (2017) provide the most current guidelines on how to model
second-order constructs using variance-based SEM. Analysts using ADANCO 2.0.1
should use a two-stage approach to model second-order constructs:
1. Estimate the model containing only the first-order constructs. Extract the
construct scores.
2. Estimate the model containing the second-order construct(s). Use the
construct scores of the first-order constructs as indicators of the second-order
construct(s). If necessary, adjust the reliability of the second-order construct manually.

Dependent variable
Efficiency
Holistic learning 0.8313
Independent variable
Path Coefficients
Cross Loadings
Indicator Holistic learning Efficiency
Soft 0.8373 0.7281
Hard 0.7819 0.6327
Head2 0.8314 0.6811
Or 0.5976 0.3990
Deep 0.8855 0.7365
Trans 0.8769 0.8217
Efficiency 0.8313 1.0000

Partial least square path modeling with adanco

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to Partial least square path modeling with adanco

Similar to Partial least square path modeling with adanco (20)

More from Teetut Tresirichod

More from Teetut Tresirichod (20)

Recently uploaded

Recently uploaded (20)

Partial least square path modeling with adanco