OpenPLS
ZH
免费开始使用
PLS-SEM 方法

FIMIX-PLS:发现数据中隐藏的细分群体

FIMIX-PLS 揭示未观测的异质性:样本中结构关系存在差异的子群体,即便你事先并未定义这些群组。本页解释该方法做什么、如何解读拟合准则与分段解、一个算例,以及常见误区。

FIMIX-PLS 做什么

单一的 PLS-SEM 模型假设同一组路径系数适用于所有人。这个假设可能掩盖未观测的异质性:关系各不相同的若干细分群体。与由你提供分组变量的多组分析不同,FIMIX-PLS(Hahn et al. 2002)直接从数据中发现这些细分群体。

它是一种有限混合方法:假设样本是固定数目潜在类别的混合,每个类别有自己的路径系数,并用 EM 算法同时估计类别归属和每一类的模型。

一个算例

你对两个类别运行 FIMIX-PLS。聚合模型为某条关键路径估计出单一的系数 0.34,但两类解把样本分成细分群体 1(占 62% 的个案,系数 0.55)和细分群体 2(38%,系数 0.09)。那个单一的聚合数字掩盖了两个非常不同的群体。

下一步是找到一个可观测变量来解释这种划分,从而能够描述并使用这些细分群体。

Full sample β = 0.34 Segment 1 β = 0.55 · ρ 0.62 Segment 2 β = 0.09 · ρ 0.38
聚合系数 0.34 分解为细分群体 1(占样本 62%)的 0.55 和细分群体 2(38%)的 0.09。

如何选择细分群体的数目

FIMIX-PLS 不会直接告诉你细分群体的数目。你要对若干类别数运行它,并比较拟合与分离准则。

AIC、BIC、CAIC、MDL5
各候选解上的信息准则。越小越好。当它们不一致时,通常联合使用 AIC3 与 CAIC,或在多个准则间取共识,来选择类别数。
熵(EN)> 0.50
标准化熵衡量个案被分配到类别的清晰程度。高于 0.50 表明细分群体分离良好;越高越好。
细分群体规模
每个细分群体都应大到足以估计自己的模型。远低于样本 10% 的极小细分群体通常无法使用。

一个好的解应当信息准则低、熵高,且细分群体足够大、可解释。统计本身无法定论;细分群体必须在理论上讲得通。

FIMIX 运行会报告什么

类别规模

每个细分群体的估计相对规模(其混合比例)。

各类别路径

在每个细分群体内部单独估计的结构路径系数。

拟合准则

该解的 AIC、AIC3、AIC4、BIC、CAIC、MDL5 以及标准化熵,用于比较不同的类别数。

细分群体归属

每个个案最可能的类别标签,之后你可将其与可观测变量相关联。

逐步运行 FIMIX-PLS

  1. 先估计聚合的 PLS-SEM 模型作为基线。
  2. 对一系列类别数运行 FIMIX-PLS,例如从二到四。
  3. 在各解之间比较拟合准则与熵,以选择细分群体的数目。
  4. 查看每个细分群体的路径系数,看关系如何不同。
  5. 找到刻画细分群体的可观测变量,再对该分组做多组分析来确认。

常见误区

  • 仅凭一个准则来选择细分群体的数目。各准则常常不一致;要把多个准则与可解释性一并权衡。
  • 保留过小、无法估计稳定模型的细分群体。
  • 在没有找到可解释它们的可观测变量之前,就把潜在类别当作最终结果。无从解释的细分群体很难付诸行动。
  • 在过小的样本上运行 FIMIX;有限混合估计需要每个类别有合理数量的个案。

OpenPLS 中的 FIMIX-PLS

OpenPLS 带有 FIMIX-PLS 面板。你选择类别数,它会给出细分群体规模、各细分群体的路径系数、全套拟合准则(AIC、AIC3、AIC4、BIC、CAIC、MDL5 和熵),以及每个个案最可能的细分群体标签。免费,且在浏览器中运行。

在你自己的数据中寻找隐藏的细分群体

在可视化编辑器中构建模型,只需几次点击即可对若干类别数运行 FIMIX-PLS。免费,无需安装。

打开 OpenPLS 什么是 PLS-SEM?

常见问题

FIMIX-PLS 与多组分析有何区别?
多组分析比较你事先定义的群组,例如国家或性别。FIMIX-PLS 在你不知道分组时从数据中发现细分群体,因此它处理的是未观测的异质性。
我应该提取多少个细分群体?
运行若干类别数,比较信息准则(AIC、BIC、CAIC、MDL5)与标准化熵,并结合细分群体规模和可解释性。没有任何单一准则能独自定论。
FIMIX 找到细分群体之后我该做什么?
找到一个能解释细分群体划分的可观测变量,描述这些细分群体,并最好用该变量上的多组分析来确认差异。

延伸阅读

该方法由 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 提出。应用指引见 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,以及 Hair, J. F., Sarstedt, M., Ringle, C. M., & Gudergan, S. P. (2018). Advanced Issues in Partial Least Squares Structural Equation Modeling. Sage。