Partial Least Square (PLS) (skripsi tesis dan disertasi)

Sebagai alternatif covariance based SEM, pendekatan covariance based atau component based dengan PLS orientasi analisis bergeser dari menguji model kausalitas atau teori ke covariance based predictive model. CBSEM lebih berorientasi pada model building yang dimaksudkan untuk menjelaskan covariance dari semua observed indikators, sedangkan tujuan PLS adalah prediksi. Variabel laten didefinisikan sebagai jumlah dari indikatornya. Algoritma PLS ingin mendapatkan the best weight estimate untuk setiap blok indikator dari setiap variabel laten. Hasil komponen skor untuk setiap variabel laten didasarkan pada estimated indicator weight yang memaksimumkan variance explained untuk variabel dependent atau laten, observe atau keduanya (Ghozali, 2014). Partial least square (PLS) merupakan metode analisis yang powerfull oleh karena tidak didasari banyak asumsi. Data tidak harus terdistribusi normal multivariate (indikator dengan skala kategori, ordinal, interval, sampai ratio dapat digunakan pada model yang sama), sampel tidak harus besar. Walapun PLS dapat juga digunakan untuk mengkonfirmasi teori, tetapi dapat juga digunakan untuk menjelaskan ada atau tidaknya hubungan antar variabel laten. Oleh karena lebih menitik beratkan pada data dan dengan prosedur estimasi yang terbatas, maka mispersifikasi model tidak begitu berpengaruh terhadap estimasi parameter. Dibandingkan dengan CBSEM, component based SEM–PLS menghindari dua 15 masalah serius yaitu inadmisable solution dan factor indeterminacy (Ghozali, 2014). PLS dapat menganalisis sekaligus konstruk yang dibentuk dengan indikator refletif dan indikator formatif dan hal ini tidak mungkin dijalankan dalam CBSEM karena akan terjadi unidentified model. Oleh karena algoritma dalam PLS menggunakan analisis series ordinary least square, maka identifikasi model bukan masalah dalam model rekursif dan juga tidak mengasumsikan bentuk distribusi tertentu dari pengukuran variabel. Lebih jauh efesiensi perhitungan algoritma mampu mengestimasi model yang besar dan komplek dengan ratusan variabel laten dan ribuan indikator (Ghozali, 2014). Secara ringkas dapat disimpulkan bahwa jika model struktur dan model pengukuran yang dihipotesiskan benar dalam artian menjelaskan covariance semua indikator dan kondisi data serta sample size terpenuhi, maka covariance based SEM memberikan estimasi optimal dari parameter model. Ini ideal untuk konfirmasi model dan estimasi kebenaran parameter populasi. Namun demikian tergantung dari tujuan si peneliti dan pandangan epistemic dari data ke teori, properti data yang ada, tingkat pengetahuan teoritis dan pengembangan pengukuran, pendekatan PLS mungkin lebih cocok