È necessario fare una distinzione fondamentale tra l’uso della SEM per testare e sviluppare teorie e quello per applicazioni di previsione (Fornell & Bookstein, 1982; Joreskog & Wold,1982). Questa distinzione è le sue implicazioni sono alla base della scelta del metodo di stima e del modello sottostante. Precisamente , si può dividere questa scelta tra un approccio Maximum likelihood ML o generalized least square GLS caratterizzato da una stima dell’ informazione completa (e.g.Bentler 1983; Joreskog 1978), usato insieme a modelli common factor (Harman,1976) e un modello di stima partial least square PLS (e.g., Wold, 1982) insieme a un modello principal component (Harman 1976). Andesono e Gerbing (1988) riassumono così i due metodi
nell’insieme uniqueness,Harman 1976) che non sia di interesse teorico. Questa parte indesiderata delle misure osservate esclusa dalla definizione di del costrutto latente e modellata separatamente. Coerentemente con questo, le covarianze tra costrutti latenti sono regolate per riflettere l’attenuazione nella covarianza osservata dovuta a queste componenti di varianza non volute. A causa di queste ipotesi, la quantità di varianza spiegata nell’insieme di misure osservate non è di primario interesse. Quindi i metodi caratterizzati da completa informazione forniscono stime di parametri che spiegano meglio le covarianze osservate.
Altri due punti di forza relativi di questi approcci sono che forniscono la più efficiente stima dei parmetri (Joreskog &Would,1982) e un test complessivo di come si adatta il modello. A causa della ipotesi sottostante di errore random e specificità della misura, comunque vi è una indeterminatezza intrinseca nella stima dei pesi dei fattori (cf. Lawley & Maxwell 1971; MacDonald & Mulaik, 1979;strige,1979). Questo non è un problema quando si va a testare una teoria, mentre nella stima di previsioni questo probabilmente porterà alla perdita di accuratezza della previsione.
Per l’applicazione e la predizione, PLS ha dei relativi punti di forza. In questo approccio si può
assumere che tutta la varianza è varianza utile che deve essere spiegata. Sotto un modello principal component, nessuna varianza con errore random o varianza specifica della misurazione (unique variance) è assunta. I parametri sono stimati così per massimizzare la varianza spiegata o nell’insieme di variabili osservate (modalità rifletteva) o nel set di variabili latenti (modalità formativa; fornell e Bookstein 1982). Il fit è valutato sulla base della percentuale della varianza spiegata nella regressione specificata. Dato che un approccio PLS stima le variabili latenti come una esatta combinazione lineare di misure osservate offre il vantaggio della definizione esatta dei pesi delle componenti. Questa esatta definizione insieme alla spiegare larghe percentuali di varianza nelle misure osservate è utile nella predizione accurata.
Le due tecniche sono messe a confronto in Tabella 4-1.
Tabella 4-1 SEM vs PLS (adattato dall’articolo di Anderson e Gerbing 1988)
Approccio ML, GLS (full information)
Approccio PLS
Non è di interesse teorico
Punti di forza • Migliore spiegazione della covarianza osservata
• Stima più efficiente dei parametri
• Test complessivo del model fit
• Spiega una gran percentuale della varianza
• Stima esattamente i pesi delle componenti (variabili latenti come esatta combinazione lineare delle misure osservate)
Punti di debolezza Indeterminatezza intrinseca nella stima dei pesi dei fattori
4.3 Mesurement model e Structural model
Un modello SEM può essere diviso in due parti
• Mesurement model
• Structural model
Queste due parti devono essere analizzate e validate indipendentemente
4.3.1 Mesurement model
È quella parte di un modello SEM che ha a che fare con le variabili latenti e i loro indicatori (può essere anche tutto il modello).Un mesured model puro è il modello di analisi fattoriale confermativa (CFA). È vlutato attraverso indici di bontà di fit e deve essere validato prima di passare alla valutazione dello structural model.
Null model. (modello nullo) Il mesurement model è spesso usato come “null model”, le differenze
con quest’ultimo devono essere significative se uno structural model proposto dovrà essere esaminato in seguito. Nell null model le covarianze nella matrice di covarianza per le variabili latenti si assumono uguali a zero. Sette misure di fit (NFI, RFI, IFI, TLI = NNFI, CFI, PNFI e
4.3.2 Structural model
Lo structural model può essere vincolato al mesurement model. É l’insieme di variabili esogene e endogene nel modello, insieme a gli effetti diretti (frecce dritte) che li connettono, alcune correlazione tra variabili esogene o indicatori e i termini di dispersione per queste variabili (che riflettono l’effetto di variabili non misurate non presenti nel modello). A volte le frecce dalle variabili latenti esogene a quelle endogene sono chiamate γ, e quelle che connettono una variabile endogena a un’altra sono chiamate β. SPSS fornisce misure di bontà del fit per tre diversioni dello structural model:
• Saturated moedel: Questo è il modello inutile ma pienamente eplicativo nel quale ci
sono tanti parametri stimati quanti sono i gradi di libertà. La maggior parte degli indici di bontà di fit saranno uguali a 1 per questo modello, ma essendo i modelli meno parsimoniosi possibili, i fit basati sulla parsimonia saranno uguali a 0. Alcune misure, come RMSEA, non possono essere calcolate per il saturated model.
• Indipendence model. È un modello in cui si assume che tutte le relazioni tra le
variabili misurate siano 0. Questo implica che le correlazioni fra le variabili latenti sono anch’esse uguali a 0 (Cioè è il Null model). In questo caso il rapporto di parsimonia è 1. La maggior parte degli indici sarà uguale a zero, ma alcuni avranno valori diversi da zero a seconda dei dati (RMSEA, GFI).
• Il default model. Questo è il modello strutturale dei ricercatori, sempre più
parsimonioso del saturated model e quasi sempre che si adatta meglio rispetto all’indipendence model con il quale è comparato usando le midure di bontà di fit. Perciò il default model avrà una bontà di fit a metà tra fra la spiegazione completa del modello saturo e il pessimo potere di spiegazione dell’indipendence model, che assume nessuna relazione.