2.5. Partial Least Square PLS
Partial Least Square PLS dikembangkan pertama kali oleh Wold sebagai metode umum untuk mengestimasi path model yang menggunakan konstruk
laten dengan multiple indikator. Ghozali, 2008.
2.5.1 Perbandingan antara PLS dan Covariance Based SEM
Wold dalam Ghozali, 2005 menyatakan Partial Least Square merupakan metode analisis yang powerfull karena tidak didasarkan
pada banyak asumsi. Data tidak harus terdistribusi normal multivariat indikator dengan skala teori, ordinal, interval sampai ratio digunakan
pada model yang sama, sampel tidak harus besar. Walaupun PLS dapat juga digunakan untuk mengkonfirmasi teori, tetapi dapat juga
digunakan untuk menjelaskan ada tidaknya hubungan antara variabel laten. Oleh karena lebih menitikberatkan pada data dan dengan prosedur
estimasi yang terbatas, maka mispesifikasi model tidak begitu berpengaruh terhadap estimasi parameter. Dibandingkan dengan
CBSEM, PLS menghindari dua masalah serius yaitu inadminisable solution dan factor indeterminacy. Perbandingan antara PLS dengan
CBSEM dapat dilihat pada Tabel 1.
Tabel 1. Perbandingan PLS dengan CBSEM Ghozali, 2008
Kriteria PLS
CBSEM
1. Tujuan 2. Pendekatan
Orientasi Prediksi Berdasar variance
Orientasi Parameter Berdasar covariance
3. Asumsi Spesifikasi prediktor
nonparametric Multivariate normal distribution,
independence observation parameter
4. Estimasi parameter Konsisten sebagai indikator dan
sample size meningkat consistency at large
Konsisten 5. Skore variabel laten
Secara eksplisit di estimasi Indeterminate
6. Hubungan epistemic antara variabel laten
dan indikatornya Dapat dalam bentuk reflective
maupun formative indikator Hanya dengan reflective indikator
7. Implikasi
Optimal untuk ketepatan prediksi Optimal untuk ketepatan parameter
8. Kompleksitas model
Kompleksitas besar 100 konstruk dan 1000 indikator
Kompleksitas kecil sampai menengah kurang dari 100
indikator 9.
Besar sample Kekuatan analisis didasarkan pada
porsi dari model yang memiliki jumlah prediktor terbesar. Minimal
direkomendasikan berkisar antara 30 sampai 100 kasus
Kekuatan analisis didasarkan pada model spesifik-spesifik.
Minimal direkomendasikan berkisar 200 sampai 800
2.5.2 Perbandingan Antara Soft Modelling dan Hard Modelling