XLSTAT: Modelo PLS (clasificación REBUS)

 

Método REBUS en el modelado path PLS

XLSTAT es el primer software que ofrece el enfoque de segmentación REBUS -Procedimiento basado en respuestas para la detección de segmentos de la unidad en el modelado path PLS- (REsponse-Based procedure for detecting Unit Segments in PLS path modelling), en el marco de los modelos path PLS introducido por Esposito Vinzi et al. (2008). En este artículo, se presenta una aplicación del enfoque REBUS cuando se define un modelo path.

Aplicación del método

Vamos a utilizar los mismos datos que en el artículo general sobre cómo utilizar XLSTAT-PLSPM. Se basa en el modelo ECSI con una muestra de 250 observaciones. El nuevo archivo se

Configuración

En primer lugar, usted tiene que cambiar a la visualización en modo experto. En el menú XLSTAT-PLSPM , haga clic en Opciones de XLSTAT-PLSPM .

Aparece este cuadro de diálogo:

Seleccione la pantalla en modo experto y guarde la configuración. Al igual que en el general , construya el modelo ECSI utilizando la hoja de PLSPMGraph y la barra de herramientas "Path Modeling".

Haga clic en ejecutar la barra de herramientas del modelo path . Active la opción REBUS en la pestaña general. Aparece una nueva pestaña llamada REBUS:

Seleccione el truncado automático. El número de clases se define automáticamente durante el análisis de conglomerados. El umbral elegido es 95%, lo que significa que el algoritmo ha convergido cuando más de 95% de las unidades se mantienen en la misma clase de una iteración a otra.

Resultados y salidas

Si la opción REBUS está seleccionada:

• Hoja de trabajo REBUS: se muestran los detalles del algoritmo REBUS.
• Hoja de trabajo PLSPM(Clase): Para cada clase, los resultados completos se muestran en hojas separadas.

La primera hoja contiene los detalles del algoritmo REBUS, el dendograma, la clase asociada a cada observación y el índice de CM para cada unidad y cada clase.

Las otras tres hojas pueden ser analizadas de forma independiente utilizando el método general descrito en el artículo XLSTAT-PLSPM. Se obtuvieron tres clases. Cada clase de unidades tiene un comportamiento diferente con respecto al modelo ECSI. En la clase 1, la satisfacción se explica principalmente por la calidad percibida y la satisfacción y la imagen tiene un efecto similar sobre la lealtad. En la clase 2, la satisfacción se explica también por la calidad percibida, pero la imagen tiene un efecto no significativo sobre la lealtad. En la clase 3, todas las variables latentes que explican la satisfacción y la lealtad son similares. Podríamos asimismo aplicar comparaciones multigrupo sobre las clases obtenidas.