Modelli a equazioni strutturali: un confronto fra i metodi CB-SEM e PLS-SEM

Capita molto spesso che l’interesse di ricerca sia un concetto astratto non direttamente osservabile. Di conseguenza, si rende necessaria la presenza di variabili manifeste che lo misurino. Risulta, quindi, fondamentale darne una definizione chiara, al fine di poter individuare al meglio tali variabili. Come primo passo, `e necessario verificare l’esistenza di teorie gia` formulate in ricerche precedenti. Se cos`ı fosse, bisogna trarre vantaggio da ci`o e sfruttare i risultati gia` presenti per approfondirli o eventualmente per confutarli. I Modelli a Equazioni Strutturali servono per rappresentare legami tra concetti latenti non direttamente osservabili e le variabili utilizzate per misurarli, gli indicatori. Si possono anche ipotizzare delle relazioni tra piu` concetti latenti. I modelli a equazioni strutturali si dividono quindi in due parti: il modello di misura e il modello strutturale. Il modello di misura, come dice il nome stesso, rappresenta il modo con cui i concetti latenti vengono misurati. Se il concetto latente `e causa comune di piu` indicatori si dice che il costrutto `e riflessivo e quindi gli indicatori saranno manifestazioni del concetto latente. Se il concetto latente `e invece causato dagli indicatori, allora si dice che il modello di misura `e formativo. La parte del modello che riguarda le relazioni tra i vari concetti latenti si chiama modello strutturale. Esistono, tra gli altri, due metodi per la stima dei modelli a equazioni strutturali: il metodo Covariance Based e il Partial Least Squares. Il metodo Covariance Based si pone come obiettivo quello di trovare il modello la cui matrice di covarianza stimata si avvicini il piu` possibile alla covarianza osservata nei dati. Il metodo Partial Least Squares invece utilizza una serie di regressioni per stimare i parametri. Il primo metodo `e per sua natura piu` adatto a modelli di misura riflessivi. Esso, infatti, utilizzando solo la varianza comune, `e coerente con il fatto che nei modelli di misura riflessivi la stima dei parametri non deve essere influenzata dalla parte strutturale del modello. Il metodo Partial Least Squares, utilizzando invece tutta la varianza e applicando delle regressioni, `e piu` adatto a modelli di misura formativi. Tuttavia, nel corso degli anni, i ricercatori hanno provato a confrontare i due modelli anche in casi non propriamente coerenti. E` quindi essenziale capire bene i principi e gli assunti alla base dei due metodi per poter applicare il piu` adatto al caso di studio. Questa tesi ha l’obiettivo di dare qualche informazione in piu` per poter distinguere i due metodi e cercare di capire quando i loro risultati siano confrontabili. Il Capitolo 1 fornisce una breve introduzione ai Modelli a Equazioni strutturali e ai metodi di stima Covariance-Based e Partial Least Squares. Il Capitolo 2 propone delle simulazioni da quattro tipi di modelli: il Modello di Regressione Semplice, il Modello di Regressione Multivariata, il Modello di Regressione e il Modello Ricorsivo. L’obiettivo `e capire se la diversa forma e forza della parte strutturale del modello influisca sulle stime dei parametri. Il Capitolo 3 conclude con delle applicazioni di suddetti modelli a dati reali, derivanti da questionari somministrati ai clienti di una catena di ristoranti. L’ultimo Capitolo riassume le principali conclusioni della tesi.