R: semPLS冗余()函数

Question

我不知道semPLS包中的冗余()函数是干什么的，也无法在帮助页面或其他semPLS文档中找到解释。

以ecsi模型为例：

​

library(semPLS)
data(ECSImobi)
ecsi <- sempls(model=ECSImobi, data=mobi, wscheme="pathWeighting")

redundancy(ecsi)

会给我：

             redundancy
Image                 .
Expectation        0.12
Quality            0.18
Value              0.29
Satisfaction       0.47
Complaints            .
Loyalty            0.24

    Average redundancy: 0.26 

显然，正如ckluss所指出的，冗余方法的计算方法如下：

as.matrix(communality(ecsi)[, 1] * rSquared(ecsi)[, 1])

共有性是提取的平均方差( AVE )和rSquared，即决定系数，表示数据与模型的吻合程度。问题仍然存在:如何解释这些指数。

Answer 1

我找到了答案

Sanchez，G. (2013)基于R的PLS路径建模

特罗切斯版。伯克利，2013年。

R.pdf

由于它是在非商业-ShareAlike下授权的，所以我复制了文本并添加了一个可复制的代码示例。

冗余度量的是从与内源性LV相关的独立潜在变量预测的内源性指标块中指标方差的百分比。冗余的另一个定义是由其独立的潜在变量解释的内生结构中的方差量。换句话说，它反映了一组独立的潜在变量解释因变量变化的能力。

高冗余意味着高预测能力。特别是，研究人员可能在独立的潜在变量如何预测指标的内生结构值方面进行了深入的研究。类似于公约性指数，我们可以计算平均冗余度，也就是内源块冗余指数的平均值。

# inner model summary
satpls$inner_summary

           Type        R2 Block_Communality Mean_Redundancy       AVE
IMAG  Exogenous 0.0000000         0.5822691       0.0000000 0.5822691
EXPE Endogenous 0.3351937         0.6164199       0.2066200 0.6164199
QUAL Endogenous 0.7196882         0.6585717       0.4739663 0.6585717
VAL  Endogenous 0.5900844         0.6644156       0.3920612 0.6644156
SAT  Endogenous 0.7073209         0.7588907       0.5367793 0.7588907
LOY  Endogenous 0.5099226         0.6390517       0.3258669 0.6390517

对于每一个潜在变量，我们都有一些描述性的信息:类型(外源性或内源性)，度量(反思性或形成性)和指标的数量。列R-平方仅适用于内源变量.平均共有性Av.Commu表明，有多少块的可变性是可复制的潜在变量。除了平均公约性外，我们还有平均冗余Av.Redun，它和R2一样，只适用于内源结构。Av.Redun表示从与内源性LV相关联的独立LVs预测的内源块中的方差百分比。高冗余意味着高预测能力。比方说，我们有兴趣检查指数LVs对内生指标值的预测效果。在我们的例子中，LOY (忠诚)的平均冗余表示SAT (满意)和IMAG (图像)预测了33%的忠诚度指标的变异性。

以下代码显示了可复制的示例：

library(plspm)
# load dataset satisfaction
data(satisfaction)

# path matrix
IMAG = c(0,0,0,0,0,0)
EXPE = c(1,0,0,0,0,0)
QUAL = c(0,1,0,0,0,0)
VAL = c(0,1,1,0,0,0)
SAT = c(1,1,1,1,0,0)
LOY = c(1,0,0,0,1,0)
sat_path = rbind(IMAG, EXPE, QUAL, VAL, SAT, LOY)

# plot diagram of path matrix
innerplot(sat_path)

# blocks of outer model
sat_blocks = list(1:5, 6:10, 11:15, 16:19, 20:23, 24:27)

# vector of modes (reflective indicators)
sat_mod = rep("A", 6)

# apply plspm
satpls = plspm(satisfaction, sat_path, sat_blocks, modes = sat_mod,
               scaled = FALSE)

# show model
innerplot(sat_path)

# show inner model summary
satpls$inner_summary