Quy tắc cỡ mẫu PLS-SEM với độ phức tạp mô hình

PLS-SEM áp dụng với cả kích thước mẫu lớn và nhỏ, và nhiều khi chính khả năng lấy mẫu nhỏ giúp phân biệt nó với các phương pháp khác. Câu hỏi quan trọng khi thảo luận về kích thước mẫu cho các ứng dụng SEM liên quan đến lượng mẫu cần thiết để tạo ra kết quả đáng tin cậy và quyết định này liên quan đến ba khía cạnh của độ phức tạp của mô hình.

Ba khía cạnh của độ phức tạp của mô hình

1.Số cấu trúc:

Các đánh giá trước cho thấy số lượng cấu trúc trung bình trên mỗi mô hình cao hơn trong PLS-SEM (khoảng tám cấu trúc) so với CB-SEM  (khoảng năm cấu trúc).

2.Số chỉ số trên mỗi cấu trúc

Đồng thời, số lượng chỉ số trên mỗi cấu trúc thường cao hơn trong PLS-SEM so với CB-SEM. Ngược lại với CB-SEM, thuật toán PLS-SEM không tính toán đồng thời tất cả các mối quan hệ của mô hình, mà thay vào đó, sử dụng các phép hồi quy bình phương nhỏ nhất thông thường riêng biệt để ước tính các mối quan hệ hồi quy từng phần.

3.Số quan sát trên mỗi tham số ước tính

Số lượng tham số mô hình có thể rất cao so với kích thước mẫu, miễn là mỗi quan hệ hồi quy từng phần có đủ số lượng quan sát (nhiều hơn số lượng chỉ báo / tham số ước tính). Tuy nhiên, có một quy tắc cơ bản cho kích thước mẫu và nó gấp 10 lần số mũi tên trỏ vào một cấu trúc, cho dù là một chỉ báo cấu thành formative cho một cấu trúc hay một đường dẫn cấu trúc đến một cấu trúc nội sinh.

Ưu điểm của PLS-SEM là cỡ mẫu nhỏ vẫn chạy được

Reinartz và cộng sự, Henseler và cộng sự,Sarstedt và cộng sự chỉ ra rằng thuật toán PLS-SEM thu được các giải pháp khi các phương pháp khác không hội tụ. Hướng dẫn chung là khi có thể thu được nhiều quan sát hơn, chẳng hạn như với hầu hết các dự án nghiên cứu người tiêu dùng, thì các nhà nghiên cứu nên làm như vậy. Nhưng trong một số tình huống, chẳng hạn như nghiên cứu giữa doanh nghiệp với doanh nghiệp, quy mô tổng thể khá nhỏ (ví dụ: 100) và PLS-SEM là phương pháp tiếp cận mô hình cấu trúc duy nhất có thể thu được các giải pháp có ý nghĩa với kích thước mẫu nhỏ như vậy.

Trong khi PLS-SEM có thể được áp dụng với các mẫu nhỏ hơn không thể chấp nhận được với các phương pháp khác, khả năng chấp nhận của phương pháp này phụ thuộc vào một số cân nhắc. Đầu tiên liên quan đến tính không đồng nhất của tổng thể, đây là điều cần xem xét đối với tất cả các kỹ thuật thống kê. Một quần thể không đồng nhất hơn đòi hỏi một mẫu lớn hơn để đạt được mức sai số lấy mẫu có thể chấp nhận được. Khi các nguyên tắc cơ bản của lý thuyết lấy mẫu này bị bỏ qua, thì các kết quả ước lượng rất có thể nghi ngờ, bất kể phương pháp SEM nào được sử dụng.