Skala Pengukuran Partial Least Square

Skala pengukuran yang digunakan dalam PLS

Karena akar dari PLS SEM adalah regresi linier sebagaimana sudah kita ketahui bahwa dalam regresi linier skala pengukuran yang dipergunakan harus setidak-tidaknya berskala interval; maka data yang akan diolah dengan menggunakan PLS SEM sebaiknya merupakan data dengan skala pengukuran interval. Sekalipun demikian hal ini tidak menjadi keharusan dalam PLS SEM. PLS SEM memberi kelonggaran kepada pengguna untuk menggunakan skala pengukuran selain interval dimana hal ini tidak diijinkan dalam SEM yang berbasis kovarian yang selama ini kita kenal. 

Jenis Data Partial Least Square

Data yang dapat dianalisis dengan PLS SEM 

Data yang digunakan dalam PLS SEM tidak harus memenuhi persyaratan asumsi normalitas data; dengan demikian PLS – SEM memberi kelonggaran pada data yang tidak berdistribusi normal. Hal ini berbeda dengan SEM yang berbasis kovarian yang selama ini dikenal banyak orang dimana normalitas data menjadi suatu keharusan dalam prosedur tersebut. Dengan demikian PLS SEM menjadi suatu prosedur alternatif selain SEM yang berbasis kovarian, karena dalam praktik / kenyataan kita sering menemukan bahwa data yang akan kita oleh tidak berdistribusi normal. Oleh karena itu sebelum kita menggunakan prosedur ini, sebaiknya kita melakukan pengujian terlebih dahulu seperti apa distribusi data kita. Sekalipun demikian data yang berdistribusi normal juga dapat dipergunakan dalam PLS SEM sebagaimana kita menggunakan data tersebut dalam SEM yang berbasis kovarian. 

Partial Least Square Menurut Hair, Ringle & Sarstedt

Beberapa hal penting yang melanadai SEM menggunakan PLS menurut Hair, Ringle & Sarstedt (2011) ciri-ciri khas SEM dengan PLS diantaranya ialah:

• SEM dengan PLS membuat estimasi ‘loadings’ variabel manifest / indikator untuk variabel laten eksogenous dengan didasarkan pada prediksi terhadap variabel laten endogenous bukan didasarkan pada varian yang dibagi diantara variabel – variabel manifest / indikator pada variabel laten yang sama sebagaimana yang terjadi pada SEM berbasis kovarian. Dengan demikian ‘loadings’ merupakan kontributor bagi koefesien jalur. 
• SEM dengan PLS menawarkan hasil yang dapat diterima untuk model pengukuran dimana hubungan model struktural tidak signifikan. 
• Secara konsep penggunaan SEM dengan PLS ialah sama dengan penggunaan regresi linier berganda, yaitu memaksimalkan varian yang dijelaskan pada variabel laten endogenous (variabel tergantung) dengan ditambah menilai kualitas data yang didasarkan pada karakteristik model pengukuran. 
• Para peneliti pengguna SEM dengan PLS menamakan model pengukuran reflektif sebagai model A sedang model pengukuran formatif sebagai model B. 
• Model jalur SEM dengan PLS sama dengan SEM yang berbasis kovarian, yaitu didasarkan pada diagram jalur dari analisis jalur (path analysis).