Tamanhos de classe
O tamanho relativo estimado de cada segmento (sua proporção de mistura).
MÉTODO PLS-SEM
FIMIX-PLS: encontrar segmentos ocultos nos seus dados
O FIMIX-PLS revela a heterogeneidade não observada: subgrupos da sua amostra para os quais as relações estruturais diferem, mesmo que você não tenha definido os grupos de antemão. Esta página explica o que o método faz, como ler os critérios de ajuste e as soluções por segmentos, um exemplo resolvido e os erros comuns.
O que o FIMIX-PLS faz
Um único modelo PLS-SEM assume que um mesmo conjunto de coeficientes de caminho vale para todos. Essa suposição pode esconder heterogeneidade não observada: segmentos distintos para os quais as relações diferem. Diferente da análise multigrupo, em que você fornece a variável de agrupamento, o FIMIX-PLS (Hahn et al. 2002) descobre os segmentos a partir dos próprios dados.
É um método de mistura finita: assume que a amostra é uma mistura de um número fixo de classes latentes, cada uma com seus próprios coeficientes de caminho, e estima ao mesmo tempo as pertenças às classes e o modelo por classe usando um algoritmo EM.
Um exemplo resolvido
Você roda o FIMIX-PLS para duas classes. O modelo agregado estimou um único coeficiente de 0,34 para um caminho-chave, mas a solução de duas classes divide a amostra no Segmento 1 (62 % dos casos, coeficiente 0,55) e no Segmento 2 (38 %, coeficiente 0,09). Esse único número agregado escondia dois grupos muito diferentes.
O passo seguinte é encontrar uma variável observável que explique a divisão, para que os segmentos possam ser descritos e usados.
Como escolher o número de segmentos
O FIMIX-PLS não informa o número de segmentos diretamente. Você o roda para várias contagens de classes e compara critérios de ajuste e de separação.
- AIC, BIC, CAIC, MDL5
- Critérios de informação entre as soluções candidatas. Quanto menor, melhor. Quando divergem, costuma-se usar AIC3 e CAIC juntos, ou um consenso entre critérios, para escolher o número de classes.
- Entropia (EN) > 0,50
- A entropia normalizada mede com que nitidez os casos são atribuídos às classes. Acima de 0,50 indica segmentos bem separados; mais alto é melhor.
- Tamanho do segmento
- Cada segmento deve ser grande o bastante para estimar o próprio modelo. Segmentos minúsculos, bem abaixo de 10 % da amostra, geralmente não são utilizáveis.
Uma boa solução tem critérios de informação baixos, entropia alta e segmentos grandes o bastante e interpretáveis. A estatística sozinha não resolve; os segmentos precisam fazer sentido teórico.
O que uma execução do FIMIX relata
Caminhos por classe
Os coeficientes de caminho estruturais estimados separadamente dentro de cada segmento.
Critérios de ajuste
AIC, AIC3, AIC4, BIC, CAIC, MDL5 e a entropia normalizada da solução, para comparar diferentes números de classes.
Pertença a segmento
A classe mais provável de cada caso, que você pode depois relacionar a variáveis observáveis.
Executar o FIMIX-PLS passo a passo
- Estime primeiro o modelo PLS-SEM agregado como linha de base.
- Rode o FIMIX-PLS para uma faixa de contagens de classes, por exemplo de duas a quatro.
- Compare os critérios de ajuste e a entropia entre as soluções para escolher o número de segmentos.
- Examine os coeficientes de caminho por segmento para ver como as relações diferem.
- Encontre variáveis observáveis que caracterizem os segmentos e então confirme esse agrupamento com uma análise multigrupo.
Erros comuns
- Escolher o número de segmentos por um único critério. Os critérios muitas vezes divergem; pondere vários junto com a interpretabilidade.
- Manter segmentos pequenos demais para estimar um modelo estável.
- Tratar as classes latentes como definitivas sem encontrar uma variável observável que as explique. Segmentos sem explicação são difíceis de usar.
- Rodar o FIMIX numa amostra pequena demais; a estimação de mistura finita precisa de um número razoável de casos por classe.
FIMIX-PLS no OpenPLS
O OpenPLS inclui um painel de FIMIX-PLS. Você escolhe o número de classes e ele mostra os tamanhos dos segmentos, os coeficientes de caminho por segmento, o conjunto completo de critérios de ajuste (AIC, AIC3, AIC4, BIC, CAIC, MDL5 e entropia) e a classe mais provável de cada caso. Grátis e roda no navegador.
Procure segmentos ocultos nos seus próprios dados
Construa seu modelo no editor visual e rode o FIMIX-PLS para várias contagens de classes em poucos cliques. Grátis, sem instalação.
Perguntas frequentes
- Qual é a diferença entre FIMIX-PLS e a análise multigrupo?
- A análise multigrupo compara grupos que você define de antemão, como país ou gênero. O FIMIX-PLS descobre segmentos a partir dos dados quando você não conhece o agrupamento, e por isso trata a heterogeneidade não observada.
- Quantos segmentos devo extrair?
- Rode várias contagens de classes e compare os critérios de informação (AIC, BIC, CAIC, MDL5) e a entropia normalizada, junto com o tamanho do segmento e a interpretabilidade. Nenhum critério decide sozinho.
- O que faço depois que o FIMIX encontra segmentos?
- Encontre uma variável observável que explique a divisão dos segmentos, descreva os segmentos e, de preferência, confirme as diferenças com uma análise multigrupo sobre essa variável.
Leitura adicional
O método foi apresentado em 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. Orientação para aplicá-lo em 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 em Hair, J. F., Sarstedt, M., Ringle, C. M., & Gudergan, S. P. (2018). Advanced Issues in Partial Least Squares Structural Equation Modeling. Sage.