Third, findings achieved in our stu

Third, findings achieved in our study suggest that when various sample sizes are utilized, the differences between these two approaches are become evident (Reinartz et al. 2009). Thus, PLS increases its consistency when the sample size and number of indicators included in the model are increased. In this case, the out- comes are very close. Hence, PLS and CBSEM-ML tend to converge in models with many indicators and large sample sizes. In turn, when the sample size and number of indicators decrease, PLS’ consistency is reduced and there is a bigger gap between the outcomes in the two techniques. In conclusion, after our findings we deduce that CBSEM-ML is more exigent with data in order to adjust them to the theory utilized. However, PLS does not discard anything that SEM-ML models assume, both in the indicators level and in the values of the relationships between the latent variables. PLS is even more conservative than the CBSEM-ML models in this regard. In com- parison, PLS tends to increase the factor loadings but to decrease the path coefficient values.
These study findings encourage us to continue this research stream. Hence, as future research streams, we propose analyzing the other recognized differences between these techniques not covered by this study. First, the inclusion of reflec- tive or formative indicators and their possible influence on the outcomes of the final model fit. Up to now, both PLS and some software packages with ML esti- mation (EQS) allow formative indicators. It should be taken into account that in the management and marketing field, there are a relevant number of constructs whose indicators are formative and not reflective. An unsuitable use of techniques generates misspecification problems in models (Jarvis et al. 2003).
Therefore, we consider studying the outcomes of both techniques when the indicators that link latent variables are formative and not only reflective, as very interesting. Second, considering the complexity level of models. CBSEM and PLS’ different views (confirmatory vs. exploratory) sometimes determines that PLS mod- els need many constructs and indicators, while CBSEM models (due to their confirmatory nature) require more parsimony. Thus, previous studies suggest that CBSEM models tend to be less complex (number of variables implied and ana- lyzed) than SEM-PLS models. A relevant empirical study could shed light on this field. Finally, our research clarifies one of the most discussed questions in social sciences: which is the more suitable technique for an empirical study?

Kết quả (Việt) 1:

Thứ ba, kết quả đạt được trong nghiên cứu của chúng tôi đề nghị rằng khi kích thước mẫu khác nhau được sử dụng, sự khác biệt giữa hai phương pháp đang trở nên hiển nhiên (Reinartz et al 2009). Do đó, PLS làm tăng tính nhất quán của nó khi kích thước mẫu và số của chỉ số bao gồm trong các mô hình được tăng lên. Trong trường hợp này, out - đến rất gần. Do đó, PLS và CBSEM-ML có xu hướng để hội tụ trong các mô hình với nhiều chỉ số và kích thước lớn mẫu. Lần lượt, khi kích thước mẫu và số của chỉ số giảm, PLS' nhất quán là giảm và có một khoảng cách lớn hơn giữa các kết quả trong hai kỹ thuật. Tóm lại, sau khi phát hiện của chúng tôi chúng ta suy ra rằng CBSEM-ML là exigent với dữ liệu để điều chỉnh chúng vào lý thuyết sử dụng. Tuy nhiên, PLS không loại bỏ bất cứ điều gì mà SEM-ML mô hình giả định, cả ở cấp độ chỉ số và giá trị của các mối quan hệ giữa các yếu tố tiềm ẩn. PLS là bảo thủ hơn so với các mô hình CBSEM-ML trong lĩnh vực này. Com-parison, PLS có xu hướng để tăng lực yếu tố, nhưng để giảm giá trị hệ số đường dẫn.Các kết quả nghiên cứu khuyến khích chúng tôi tiếp tục stream nghiên cứu này. Do đó, như là dòng trong tương lai nghiên cứu, chúng tôi đề xuất phân tích sự khác biệt được công nhận khác giữa các kỹ thuật này không có trong nghiên cứu này. Trước tiên, sự bao gồm của p-hoạt động cùng hoặc hình thành các chỉ số và có thể ảnh hưởng của họ trên các kết quả của các mô hình cuối cùng phù hợp với. Đến nay, PLS và một số gói phần mềm với ML esti-mation (EQS) cho phép hình thành các chỉ số. Nó nên được đưa vào tài khoản mà trong lĩnh vực tiếp thị và quản lý, có là một số cấu trúc chỉ số mà được hình thành và phản xạ không có liên quan. Một sử dụng không thích hợp của kỹ thuật tạo ra misspecification vấn đề trong các mô hình (Jarvis et al. năm 2003).Do đó, chúng tôi xem xét nghiên cứu các kết quả của cả hai kỹ thuật khi các chỉ số liên kết tiềm ẩn biến được hình thành và không chỉ phản chiếu, là rất thú vị. Thứ hai, xem xét mức độ phức tạp của mô hình. CBSEM và PLS' quan điểm khác nhau (confirmatory vs thăm dò) đôi khi xác định rằng PLS mod-els cần nhiều cấu trúc và các chỉ số, trong khi CBSEM các mô hình (do bản chất của họ confirmatory) yêu cầu thêm sự cẩn thận. Do đó, nghiên cứu trước đây cho thấy rằng mô hình CBSEM có xu hướng ít phức tạp (số lượng biến ngụ ý và ana-lyzed) hơn SEM PLS mô hình. Một nghiên cứu thực nghiệm liên quan có thể làm sáng tỏ về lĩnh vực này. Cuối cùng, nghiên cứu của chúng tôi làm rõ một số câu hỏi thảo luận đặt trong khoa học xã hội: đó là kỹ thuật phù hợp hơn cho một nghiên cứu thực nghiệm?

Kết quả (Việt) 2:

Thứ ba, kết quả đạt được trong nghiên cứu của chúng tôi cho thấy rằng khi cỡ mẫu khác nhau được sử dụng, sự khác biệt giữa hai phương pháp này đều trở nên rõ ràng (Reinartz et al. 2009). Như vậy, PLS làm tăng tính thống nhất của nó khi kích thước mẫu và số lượng của các chỉ số bao gồm trong mô hình được tăng lên. Trong trường hợp này, dùng ngoài trời đến rất gần. Do đó, PLS và CBSEM-ML có xu hướng hội tụ trong các mô hình với nhiều chỉ số và mẫu có kích thước lớn. Đổi lại, khi kích thước mẫu và số lượng của các chỉ số giảm, nhất quán PLS 'được giảm đi và có một khoảng cách lớn hơn giữa các kết quả trong hai kỹ thuật. Trong kết luận, sau khi phát hiện của chúng tôi, chúng tôi suy luận rằng CBSEM-ML là cấp thiết hơn với dữ liệu để điều chỉnh cho các lý thuyết sử dụng. Tuy nhiên, PLS không loại bỏ bất cứ điều gì mà mô hình SEM-ML giả, hai sàn ở mức chỉ số và các giá trị của mối quan hệ giữa các biến tiềm ẩn. PLS thậm chí còn bảo thủ hơn so với các mô hình CBSEM-ML trong vấn đề này. Trong sự so sánh, PLS có xu hướng tăng tải trọng yếu tố, nhưng để làm giảm giá trị hệ số con đường.
Những kết quả nghiên cứu khuyến khích chúng tôi tiếp tục nghiên cứu dòng này. Do đó, như suối nghiên cứu trong tương lai, chúng tôi đề xuất việc phân tích sự khác biệt khác được công nhận giữa các kỹ thuật này không được đề cập trong nghiên cứu này. Đầu tiên, sự bao gồm của chính kịp reflec- hoặc các chỉ số hình thành và ảnh hưởng của chúng đối với các kết quả của các mô hình phù hợp với thức. Tính đến nay, cả hai PLS và một số gói phần mềm với ML ước tính thông (EQS) cho phép các chỉ số hình thành. Nó nên được đưa vào tài khoản mà trong lĩnh vực quản lý và tiếp thị, có một số liên quan của cấu trúc mà chỉ là hình thành và không phản chiếu. Một sử dụng không phù hợp của các kỹ thuật tạo ra những vấn đề sai lệch trong các mô hình (Jarvis et al. 2003).
Vì vậy, chúng tôi xem xét nghiên cứu các kết quả của cả hai kỹ thuật khi các chỉ số liên kết các biến ẩn đang định hình và không chỉ phản chiếu, như là rất thú vị. Thứ hai, xem xét mức độ phức tạp của mô hình. CBSEM và quan điểm khác nhau PLS '(khẳng định so với thăm dò) đôi khi xác định rằng PLS els vào mô hình cần nhiều cấu trúc và các chỉ số, trong khi mô hình CBSEM (do tính chất khẳng định của họ) đòi hỏi sự cẩn thận hơn. Như vậy, các nghiên cứu trước đây cho thấy rằng mô hình CBSEM có xu hướng ít phức tạp (số lượng các biến hàm ý và ana lyzed) so với mô hình SEM-PLS. Một nghiên cứu thực nghiệm có liên quan có thể làm sáng tỏ về lĩnh vực này. Cuối cùng, nghiên cứu của chúng tôi làm rõ một trong những câu hỏi thảo luận nhiều nhất trong khoa học xã hội: đó là các kỹ thuật phù hợp hơn cho một nghiên cứu thực nghiệm?