使用内核K-平均集群 (PLS SEM KKC) 进行部分最小平方结构方程建模的细分.

科学领域:

• 统计建模 统计建模
• 机器学习应用 机器学习应用
• 多变量数据分析 多变量数据分析

背景情况:

• 部分最小平方结构方程建模 (PLS SEM) 是广泛使用的,但受到未观察到异质性的限制.
• 现有的PLS SEM细分方法依赖于线性聚类,无法捕捉非线性剩余模式.
• 没有观察到的异质性可能导致不准确和不可靠的PLS SEM模型.

研究的目的:

• 为PLS SEM提出和评估一种新的非线性细分方法,称为PLS SEM内核K-Means集群 (PLS SEM KKC).
• 通过结合基于内核的集群来解决PLS SEM中未观察到的异质性的限制.
• 通过有效的细分来提高PLS SEM模型的准确性和可靠性.

主要方法:

• 通过将基于内核的集群与PLS SEM集成,开发了PLS SEM内核K-Means集群 (PLS SEM KKC).
• 细分是基于全球PLS SEM的测量和结构模型的非线性余值进行的.
• 采用聚类来将具有相似残余模式的观测集成到同质部分.

主要成果:

• 与全球模型相比,PLS SEM KKC方法显著提高了模型准确性.
• 在细分集群中,R2值从51.1% (全球模型) 增加到93.9% (k=2) 和97.5% (k=3).
• 当地R2的大幅增加表明,成功克服了未被观察到的异质性.

结论:

• PLS SEM KKC是PLS SEM细分的一个推的新方法.
• 该方法有效地捕获非线性残余模式,成功地解决未观察到的异质性.
• 通过创建均的细分,PLS SEM KKC导致更准确和更强大的PLS SEM模型.