Using necessary condition analysis to complement multigroup analysis in partial least squares structural equation modeling
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
With the growing importance of partial least squares structural equation modeling (PLS-SEM) in marketing and consumer research, the use of Multigroup Analysis (MGA) for discovering observed heterogeneity (i.e., differences in relationships between variables for subgroups of the population under investigation) and deriving relevant operational results has become of great interest. However, these analyses are based exclusively on an additive sufficiency logic and do not permit researchers to test and validate hypotheses drawing on a necessity logic, the latter having been the focus of recent significant developments. Addressing this concern, the present paper offers guidelines for combining the use of Necessary Condition Analysis (NCA) and MGA performed with PLS-SEM. Taken together, these analyses can explore and improve knowledge about predefined subgroups of interest, enhance the understanding of relationships, refine the role of specific key antecedents by discovering meaningful necessary conditions, and therewith, contribute to theorizing. An empirical illustration drawing on the relationship between corporate social responsibility and customer loyalty is developed in a step-by-step fashion to provide marketing researchers with the guidelines to conduct the MGA and NCA, and finally report and interpret the results in accordance with both the sufficiency and the necessity logics. This integrative procedure contributes to the advancement of PLS-SEM applications. By delivering a better understanding of the group-specific results of a PLS-SEM–based MGA in a necessity logic, it promotes the complementary usage of sufficiency and necessity logics and therefore helps researchers to uncover novel theoretical and practical results when evaluating the data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle