PLS-SEM 方法

IPMA:重要性-表现地图分析

重要性-表现地图分析(IPMA)通过把每个构念对所选目标的重要性与其当前表现结合起来,扩展 PLS-SEM 的结果。它把路径系数转化为一张用于行动的优先级地图。本页解释两个坐标轴、如何解读地图、指标层面,以及常见误区。

IPMA 为 PLS-SEM 模型增加了什么

标准的 PLS-SEM 模型通过总效应告诉你每个构念对目标的驱动强度。IPMA(Ringle & Sarstedt 2016)增加了第二个维度:表现,即每个构念的平均水平,重新标度到 0 到 100 的区间。将重要性放在 x 轴、表现放在 y 轴,就得到一张回答实际问题的地图:应当先从哪里着手?

非常重要但表现不佳的构念是优先项:改进它们能为目标带来最大的预期提升。已经表现良好或无关紧要的构念,优先级较低。

一个算例

以忠诚度为目标构念,满意度重要性很高(总效应为 0.46),但表现在 100 分中只有 62。它处于高重要性、低表现的象限,因而是首先应当着手的地方。

相比之下,信任的重要性较低,但表现已达到 84,因此它是一个保持现状的构念,而非优先项。

Importance (total effect) Performance (0–100) Satisfaction priority Trust
满意度(高重要性,表现 62)处于优先象限;信任(表现 84)已经很强。

如何解读地图

每个构念是一个点:x 轴是重要性(它对目标的总效应),y 轴是表现(0 到 100)。各象限指示应在何处着手。

高重要性、低表现
最高优先级。这些构念对目标的影响最大,改进空间也最大。先从这里着手。
高重要性、高表现
保持现状。重要且已经很强,加以维护。
低重要性、低表现
低优先级。对目标的驱动较弱,改进收益有限。
低重要性、高表现
可能过度投入。很强但不太重要,资源或许用在别处更划算。

重要性是总效应,而非仅仅直接路径,因此包含经由中介的效应。始终相对于你所选的那一个目标构念来解读地图。

两个层面

构念层面

每个构念的重要性(对目标的总效应)和表现(重新标度的均值)。核心地图。

指标层面

将同样的逻辑应用于单个指标,使用其重新标度后的表现和重要性。有助于精确定位应改进哪个具体题项。

重要性

构念对目标的非标准化总效应,涵盖直接与间接路径。

表现

构念的平均潜变量得分,重新标度到 0 到 100,其中 100 为测量量表上的最佳可能值。

逐步运行 IPMA

  1. 估计你的 PLS-SEM 模型,并选择你想为其驱动因素排序的目标构念。
  2. 确保所有指标编码方向一致且位于已知量表上,以便能有意义地重新标度表现。
  3. 运行 IPMA,得到每个影响目标的构念的重要性与表现。
  4. 解读地图,重点关注处于高重要性、低表现象限的构念。
  5. 下钻到指标层面,查看哪些具体题项在驱动这些优先构念。

常见误区

  • 在指标反向编码或量表不一致时运行 IPMA,这会使表现的重新标度失去意义。
  • 把重要性只当作直接效应来读。IPMA 使用的是包含间接路径的总效应。
  • 忘记地图是相对于一个目标构念的;目标不同,地图也不同。
  • 只凭表现、或只凭重要性来行动。IPMA 的要点是把两者结合起来。

OpenPLS 中的 IPMA

OpenPLS 为任意内生目标构念提供 IPMA 面板。它在构念层面和指标层面同时给出重要性(总效应)和表现(重新标度到 0 到 100),并应用统一的量表边界。免费,且在浏览器中运行。

为你的模型构建一张重要性-表现地图

在可视化编辑器中估计模型,选择一个目标,一次运行即可得到构念层面和指标层面的 IPMA 地图。免费,无需安装。

常见问题

IPMA 能告诉你路径系数不能告诉你的什么?
路径系数只反映重要性。IPMA 增加了表现,即每个构念的当前水平,使你能够为改进排序,而不仅仅是给效应排名。某个构念可能非常重要却已经表现良好,这会改变你应在何处着手。
IPMA 中的重要性是什么?
构念对所选目标的总效应,包含经由中介的直接与间接路径。它是非标准化的总效应。
表现是如何计算的?
它是潜变量平均得分重新标度到 0 到 100 的区间,其中 0 和 100 对应测量量表上可能的最小值与最大值。这需要编码一致的指标。

延伸阅读

奠基性文献为 Ringle, C. M., & Sarstedt, M. (2016). Gain more insight from your PLS-SEM results: the importance-performance map analysis. Industrial Management & Data Systems, 116(9), 1865-1886。实用论述见 Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling, 第 3 版, Sage。