Klassengrößen
Die geschätzte relative Größe jedes Segments (sein Mischungsanteil).
PLS-SEM-METHODE
FIMIX-PLS: verborgene Segmente in deinen Daten finden
FIMIX-PLS deckt unbeobachtete Heterogenität auf: Teilgruppen in deiner Stichprobe, bei denen die strukturellen Beziehungen anders ausfallen, obwohl du die Gruppen nicht vorab festgelegt hast. Diese Seite erklärt, was die Methode leistet, wie man die Fit-Kriterien und Segment-Lösungen liest, ein durchgerechnetes Beispiel und die häufigen Fehler.
Was FIMIX-PLS macht
Ein einzelnes PLS-SEM-Modell nimmt an, dass ein Satz Pfadkoeffizienten für alle gilt. Diese Annahme kann unbeobachtete Heterogenität verbergen: klar unterscheidbare Segmente, bei denen die Beziehungen anders sind. Anders als bei der Mehrgruppenanalyse, wo du die Gruppierungsvariable vorgibst, findet FIMIX-PLS (Hahn et al. 2002) die Segmente direkt aus den Daten.
Es ist eine Finite-Mixture-Methode: Sie nimmt an, dass die Stichprobe eine Mischung aus einer festen Zahl latenter Klassen ist, jede mit eigenen Pfadkoeffizienten, und schätzt mit einem EM-Algorithmus die Klassenzugehörigkeit und das Modell je Klasse gleichzeitig.
Ein durchgerechnetes Beispiel
Du lässt FIMIX-PLS für zwei Klassen laufen. Das aggregierte Modell schätzte für einen wichtigen Pfad einen Koeffizienten von 0,34, doch die Zwei-Klassen-Lösung teilt die Stichprobe in Segment 1 (62 % der Fälle, Koeffizient 0,55) und Segment 2 (38 %, Koeffizient 0,09). Die eine aggregierte Zahl verbarg zwei sehr unterschiedliche Gruppen.
Der nächste Schritt ist, eine beobachtbare Variable zu finden, die die Aufteilung erklärt, damit sich die Segmente beschreiben und nutzen lassen.
Wie man die Zahl der Segmente wählt
FIMIX-PLS nennt dir die Zahl der Segmente nicht direkt. Du lässt es für mehrere Klassenzahlen laufen und vergleichst Fit- und Trennungskriterien.
- AIC, BIC, CAIC, MDL5
- Informationskriterien über die Kandidaten-Lösungen hinweg. Kleiner ist besser. Wenn sie sich widersprechen, nutzt man meist AIC3 und CAIC zusammen oder eine Mehrheit über die Kriterien, um die Zahl der Klassen zu wählen.
- Entropie (EN) > 0,50
- Die normierte Entropie misst, wie sauber die Fälle den Klassen zugeordnet sind. Über 0,50 heißt, die Segmente sind gut getrennt; höher ist besser.
- Segmentgröße
- Jedes Segment sollte groß genug sein, um ein eigenes Modell zu schätzen. Winzige Segmente deutlich unter 10 % der Stichprobe sind meist nicht brauchbar.
Eine gute Lösung hat niedrige Informationskriterien, hohe Entropie und Segmente, die groß genug und interpretierbar sind. Die Statistik allein entscheidet es nicht; die Segmente müssen theoretisch Sinn ergeben.
Was ein FIMIX-Lauf liefert
Klassen-Pfade
Die strukturellen Pfadkoeffizienten, getrennt innerhalb jedes Segments geschätzt.
Fit-Kriterien
AIC, AIC3, AIC4, BIC, CAIC, MDL5 und normierte Entropie für die Lösung, um verschiedene Klassenzahlen zu vergleichen.
Segmentzugehörigkeit
Für jeden Fall die wahrscheinlichste Klasse, die du danach mit beobachtbaren Variablen in Bezug setzen kannst.
FIMIX-PLS Schritt für Schritt durchführen
- Schätze zuerst das aggregierte PLS-SEM-Modell als Ausgangspunkt.
- Lass FIMIX-PLS für mehrere Klassenzahlen laufen, etwa zwei bis vier.
- Vergleiche die Fit-Kriterien und die Entropie über die Lösungen, um die Zahl der Segmente zu wählen.
- Sieh dir die Pfadkoeffizienten je Segment an, um zu sehen, wie sich die Beziehungen unterscheiden.
- Finde beobachtbare Variablen, die die Segmente kennzeichnen, und prüfe die Aufteilung dann mit einer Mehrgruppenanalyse.
Häufige Fehler
- Die Zahl der Segmente nur aus einem einzigen Kriterium ablesen. Die Kriterien widersprechen sich oft; wäge mehrere zusammen mit der Interpretierbarkeit ab.
- Segmente behalten, die zu klein sind, um ein stabiles Modell zu schätzen.
- Die latenten Klassen als endgültig behandeln, ohne eine beobachtbare Variable zu finden, die sie erklärt. Mit unerklärten Segmenten lässt sich kaum etwas anfangen.
- FIMIX auf einer zu kleinen Stichprobe laufen lassen; die Finite-Mixture-Schätzung braucht eine angemessene Zahl Fälle je Klasse.
FIMIX-PLS in OpenPLS
OpenPLS hat ein FIMIX-PLS-Panel. Du wählst die Zahl der Klassen, und es zeigt die Segmentgrößen, die Pfadkoeffizienten je Segment, den vollen Satz Fit-Kriterien (AIC, AIC3, AIC4, BIC, CAIC, MDL5 und Entropie) und für jeden Fall die wahrscheinlichste Klasse. Kostenlos und direkt im Browser.
Suche nach verborgenen Segmenten in deinen Daten
Baue dein Modell im visuellen Editor und lass FIMIX-PLS mit wenigen Klicks für mehrere Klassenzahlen laufen. Kostenlos, ohne Installation.
Häufige Fragen
- Was ist der Unterschied zwischen FIMIX-PLS und der Mehrgruppenanalyse?
- Die Mehrgruppenanalyse vergleicht Gruppen, die du vorab festlegst, etwa Land oder Geschlecht. FIMIX-PLS findet die Segmente aus den Daten, wenn du die Gruppierung nicht kennst, und behandelt deshalb unbeobachtete Heterogenität.
- Wie viele Segmente soll ich ziehen?
- Lass mehrere Klassenzahlen laufen und vergleiche Informationskriterien (AIC, BIC, CAIC, MDL5) und die normierte Entropie, dazu Segmentgröße und Interpretierbarkeit. Kein einzelnes Kriterium entscheidet es für sich.
- Was mache ich, nachdem FIMIX Segmente gefunden hat?
- Finde eine beobachtbare Variable, die die Aufteilung erklärt, beschreibe die Segmente und bestätige die Unterschiede idealerweise mit einer Mehrgruppenanalyse auf dieser Variable.
Weiterführende Literatur
Die Methode wurde eingeführt in Hahn, C., Johnson, M. D., Herrmann, A., & Huber, F. (2002). Capturing customer heterogeneity using a finite mixture PLS approach. Schmalenbach Business Review, 54(3), 243-269. Hinweise zur Anwendung in Sarstedt, M., Becker, J.-M., Ringle, C. M., & Schwaiger, M. (2011). Uncovering and treating unobserved heterogeneity with FIMIX-PLS. Schmalenbach Business Review, 63(1), 34-62, und in Hair, J. F., Sarstedt, M., Ringle, C. M., & Gudergan, S. P. (2018). Advanced Issues in Partial Least Squares Structural Equation Modeling. Sage.