Dimensioni delle classi
La dimensione relativa stimata di ciascun segmento (la sua proporzione di mistura).
METODO PLS-SEM
FIMIX-PLS: trovare segmenti nascosti nei tuoi dati
FIMIX-PLS porta alla luce l’eterogeneità non osservata: sottogruppi del tuo campione per cui le relazioni strutturali differiscono, anche se non hai definito i gruppi in anticipo. Questa pagina spiega che cosa fa il metodo, come leggere i criteri di adattamento e le soluzioni per segmenti, un esempio svolto e gli errori comuni.
Che cosa fa FIMIX-PLS
Un singolo modello PLS-SEM assume che un unico insieme di coefficienti di percorso valga per tutti. Questa assunzione può nascondere eterogeneità non osservata: segmenti distinti per cui le relazioni differiscono. A differenza dell’analisi multigruppo, dove fornisci tu la variabile di raggruppamento, FIMIX-PLS (Hahn et al. 2002) scopre i segmenti dai dati stessi.
È un metodo a mistura finita: assume che il campione sia una mistura di un numero fisso di classi latenti, ciascuna con i propri coefficienti di percorso, e stima insieme le appartenenze alle classi e il modello per classe con un algoritmo EM.
Un esempio svolto
Esegui FIMIX-PLS per due classi. Il modello aggregato aveva stimato un unico coefficiente di 0,34 per un percorso chiave, ma la soluzione a due classi divide il campione nel Segmento 1 (62 % dei casi, coefficiente 0,55) e nel Segmento 2 (38 %, coefficiente 0,09). Quell’unico numero aggregato nascondeva due gruppi molto diversi.
Il passo successivo è trovare una variabile osservabile che spieghi la divisione, così da poter descrivere e usare i segmenti.
Come scegliere il numero di segmenti
FIMIX-PLS non ti dice direttamente il numero di segmenti. Lo esegui per vari numeri di classi e confronti criteri di adattamento e di separazione.
- AIC, BIC, CAIC, MDL5
- Criteri di informazione tra le soluzioni candidate. Più basso è meglio. Quando sono in disaccordo, si usano di solito AIC3 e CAIC insieme, o un consenso tra i criteri, per scegliere il numero di classi.
- Entropia (EN) > 0,50
- L’entropia normalizzata misura quanto nettamente i casi sono assegnati alle classi. Sopra 0,50 indica segmenti ben separati; più alta è, meglio è.
- Dimensione del segmento
- Ogni segmento deve essere abbastanza grande da stimare il proprio modello. Segmenti minuscoli, ben sotto il 10 % del campione, di solito non sono utilizzabili.
Una buona soluzione ha criteri di informazione bassi, entropia alta e segmenti abbastanza grandi e interpretabili. La statistica da sola non decide; i segmenti devono avere senso teorico.
Che cosa riporta un’esecuzione FIMIX
Percorsi per classe
I coefficienti di percorso strutturali stimati separatamente dentro ogni segmento.
Criteri di adattamento
AIC, AIC3, AIC4, BIC, CAIC, MDL5 e l’entropia normalizzata della soluzione, per confrontare diversi numeri di classi.
Appartenenza al segmento
La classe più probabile per ogni caso, che puoi poi collegare a variabili osservabili.
Eseguire FIMIX-PLS passo dopo passo
- Stima prima il modello PLS-SEM aggregato come riferimento.
- Esegui FIMIX-PLS per un intervallo di numeri di classi, per esempio da due a quattro.
- Confronta i criteri di adattamento e l’entropia tra le soluzioni per scegliere il numero di segmenti.
- Esamina i coefficienti di percorso per segmento per vedere come differiscono le relazioni.
- Trova variabili osservabili che caratterizzano i segmenti, poi conferma quel raggruppamento con un’analisi multigruppo.
Errori comuni
- Scegliere il numero di segmenti da un solo criterio. I criteri spesso sono in disaccordo; pesane diversi insieme all’interpretabilità.
- Tenere segmenti troppo piccoli per stimare un modello stabile.
- Trattare le classi latenti come definitive senza trovare una variabile osservabile che le spieghi. Con segmenti inspiegati è difficile agire.
- Eseguire FIMIX su un campione troppo piccolo; la stima a mistura finita ha bisogno di un numero ragionevole di casi per classe.
FIMIX-PLS in OpenPLS
OpenPLS include un pannello FIMIX-PLS. Scegli il numero di classi e mostra le dimensioni dei segmenti, i coefficienti di percorso per segmento, l’insieme completo dei criteri di adattamento (AIC, AIC3, AIC4, BIC, CAIC, MDL5 ed entropia) e la classe più probabile per ogni caso. Gratis e nel browser.
Cerca segmenti nascosti nei tuoi dati
Costruisci il tuo modello nell’editor visuale ed esegui FIMIX-PLS per vari numeri di classi in pochi clic. Gratis, senza installazione.
Domande frequenti
- Qual è la differenza tra FIMIX-PLS e l’analisi multigruppo?
- L’analisi multigruppo confronta gruppi che definisci in anticipo, come paese o genere. FIMIX-PLS scopre i segmenti dai dati quando non conosci il raggruppamento, ed è per questo che affronta l’eterogeneità non osservata.
- Quanti segmenti devo estrarre?
- Esegui vari numeri di classi e confronta i criteri di informazione (AIC, BIC, CAIC, MDL5) e l’entropia normalizzata, insieme alla dimensione dei segmenti e all’interpretabilità. Nessun singolo criterio decide da solo.
- Che cosa faccio dopo che FIMIX ha trovato i segmenti?
- Trova una variabile osservabile che spieghi la divisione dei segmenti, descrivi i segmenti e, idealmente, conferma le differenze con un’analisi multigruppo su quella variabile.
Letture di approfondimento
Il metodo è stato introdotto 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. Indicazioni per applicarlo 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, e in Hair, J. F., Sarstedt, M., Ringle, C. M., & Gudergan, S. P. (2018). Advanced Issues in Partial Least Squares Structural Equation Modeling. Sage.