Der Wert von Produktvielfalt: - Universität St.Gallen

wird, haben diese bessere Vorhersageeigenschaften als Schätzer kovarianzbasierter
Verfahren (vgl. Herrmann/Huber/Kressmann 2004, S. 7). Das PLS-Verfahren ist daher
insbesondere für die Überprüfung der Prognosegenauigkeit eines Modells und die
Theorieherleitung und weniger für die Überprüfung eines theoriebasierten Modells
geeignet (vgl. Wold 1982a, S. 341ff.; Götz/Liehr-Gobbers 2004, S. 4).
Dies liegt insbesondere auch darin begründet, dass in PLS keine Gesamtgütemaße in
Bezug auf die Modellanpassung verfügbar sind: „Since PLS does not attempt to
minimize residual item covariance, there is no summary statistic to measure the
overall fit of models (...)“ (Sarker et al. 2001, S. 366). Hintergrund hierfür ist, dass
PLS keine Annahmen hinsichtlich der Verteilung der Daten voraussetzt und deshalb
auch keine inferenzstatistischen Tests auf der Grundlage von Verteilungen möglich
sind. Signifikanzaussagen können in PLS daher nur auf Basis der Hilfs-Prozeduren
Bootstrap und Jackknife gemacht werden (vgl. Herrmann/Huber/Kressmann 2004,
S. 7).
Demgegenüber ist das PLS-Verfahren im Vergleich zur Kovarianzstrukturanalyse
hinsichtlich der Mindestanforderungen an die Stichprobengröße im Vorteil. Während
kovarianzbasierte Verfahren einen Stichprobenumfang von mindestens 100 für die
Identifizierbarkeit des Models benötigen (vgl. Backhaus et al. 2003, S. 365), hat PLS
auch bei relativ kleinen Stichproben keine Identifikationsprobleme, da nur jede
Teilregression identifizierbar sein muss (vgl. Chin/Newsted 1999, S. 313). Da das
PLS-Verfahren keine Verteilungsannahme unterstellt, ist es auch dann einsetzbar,
wenn die manifesten Variablen nicht multinormalverteilt sind und die Residuen keine
identische Verteilung (Homoskedastizität) besitzen (vgl. Lohmöller 1989, S. 70f.).
Aufgrund dieser „weichen“ Verteilungsannahmen wird die Modellierung mit dem
PLS-Verfahren auch als Soft Modeling bezeichnet (vgl. Wold 1980, S. 47ff.). Ein
weiterer Vorteil – wenn nicht der Hauptvorteil von PLS – ist, dass das PLS-Verfahren
die Analyse sowohl formativer als auch reflektiver Konstrukte erlaubt. Dies ist bei der
Kovarianzanalyse nur unter relativ restriktiven Bedingungen möglich (siehe S. 252).
Der PLS-Ansatz ist demnach weniger restriktiv als kovarianzbasierte Verfahren, dafür
hat er Schwächen hinsichtlich der systematischen Messfehler und der Konsistenz der
Parameterschätzungen (vgl. Chin/Marcolin/Newsted 1996, S. 34). Dies ist darauf
zurückzuführen, dass sich die Konstruktwerte als lineare Kombination der mit
Messfehlern behafteten Indikatoren ergeben und diese deshalb inkonsistent sind.
Gleiches gilt für die auf den Konstruktwerten basierenden Parameterschätzungen
(Fornell/Cha 1994, S. 66).
256