銀行顧客満足度データのPLS-EMA解析

銀行顧客満足度データ：顧客期待、品質・価値認知、顧客満足の探索的媒介分析

概要

このデモでは、Rパッケージ plspm に収録されている銀行顧客満足度データに PLS-EMA（Partial Least Squares Exploratory Mediation Analysis）を適用します。

顧客の期待と顧客満足の関係を、知覚品質と知覚価値に関する複数の質問項目がどのように媒介するかを探索します。

PLS-EMAは、媒介変数を1つずつ分析する方法ではありません。複数の媒介候補を同時に扱い、説明変数と関連し、同時に結果変数とも関連する多変量成分を抽出します。

データ

satisfaction は、スペインの金融機関の顧客250名を対象とした顧客満足度調査データです。28変数のうち、最初の27変数が6つの構成概念に対応する質問項目です。

構成概念	略称	項目数	内容
イメージ	IMAG	5	評判、信頼性、顧客への配慮など
顧客期待	EXPE	5	商品、サービス、対応、総合的品質への期待
知覚品質	QUAL	5	商品・サービスの信頼性、品揃え、助言、総合品質
知覚価値	VAL	4	便益、投資価値、品質と価格の関係
顧客満足	SAT	4	総合満足、期待の充足、理想との比較
ロイヤルティ	LOY	4	再選択、推奨、ブランドへの忠誠

このデモでは、次の3ブロックを使用します。

PLS-EMAブロック	使用する構成概念	項目数
$X$	顧客期待（EXPE）	5
$M$	知覚品質（QUAL）＋知覚価値（VAL）	9
$Y$	顧客満足（SAT）	4

PLS-EMAの目的関数

各ブロックの潜在スコアを

$t_X=Xw,\qquad t_M=Mc,\qquad t_Y=Yu$

とします。

PLS-EMAでは、次の目的関数を用いて3つのスコアを抽出します。

$\operatorname{cov}(Xw,Mc) + \operatorname{cov}(Mc,Yu) - \operatorname{cov}(Xw,Yu)$

この目的関数は、次の性質を持つ媒介成分を優先します。

顧客期待と強く関連する
顧客満足と強く関連する
顧客期待と顧客満足の直接的な共分散を抑える

マルチセットPLSの計算には、loadings::multipls_geigen() を使用します。 lvsem::pls_ema() がデータの準備、成分抽出、経路推定、ブートストラップをまとめて実行します。

解析コード

パッケージとデータの読み込み

library(lvsem)

data("satisfaction", package = "plspm")

dim(satisfaction)
# 250  28

変数名の設定

元データの列位置に基づいて、解析で使用する項目名を設定します。

names(satisfaction)[6:10] <- paste0("EXPE", 1:5)
names(satisfaction)[11:15] <- paste0("QUAL", 1:5)
names(satisfaction)[16:19] <- paste0("VAL", 1:4)
names(satisfaction)[20:23] <- paste0("SAT", 1:4)

PLS-EMAの実行

fit <- pls_ema(
  data = satisfaction,
  x = paste0("EXPE", 1:5),
  mediators = c(
    paste0("QUAL", 1:5),
    paste0("VAL", 1:4)
  ),
  y = paste0("SAT", 1:4),
  br = 1000,
  seed = 20260720
)

print(fit)

ブートストラップでは、顧客を単位として1,000回の復元抽出を行います。各標本について、マルチセットPLS成分と経路係数を最初から再推定します。

結果

目的関数を構成する共分散

fit$covariance

指標	推定値
$\operatorname{cov}(t_X,t_M)$	1.2097
$\operatorname{cov}(t_M,t_Y)$	1.0443
$\operatorname{cov}(t_X,t_Y)$	0.3771
目的関数値	1.8769

ここで示した共分散は、マルチセットPLSが出力する未標準化スコアに基づきます。したがって、値が1を超える場合があります。経路推定では、3つのスコアをそれぞれ平均0、標準偏差1に標準化します。

経路効果

fit$effects

効果	推定値	Bootstrap SE	95%区間
経路 $a$ ：期待→媒介成分	0.8218	0.0224	[0.7756, 0.8609]
経路 $b$ ：媒介成分→満足	0.9003	0.0626	[0.7796, 1.0218]
間接効果 $ab$	0.7399	0.0571	[0.6356, 0.8592]
直接効果	−0.1190	0.0800	[−0.2788, 0.0332]
総効果	0.6209	0.0474	[0.5194, 0.7048]

顧客期待から媒介成分への経路 $a$ と、媒介成分から顧客満足への経路 $b$ は、ともに正の値でした。間接効果 $ab$ の95%ブートストラップ区間は 0を含みませんでした。

一方、直接効果の区間は0を含みました。このデータとPLS-EMAの目的関数の範囲では、顧客期待と満足の関係は、品質・価値項目から構成される媒介成分に強く表現されています。

媒介候補項目のloading

fit$mediators

順位	項目	構成概念	Loading
1	QUAL2	知覚品質	0.8397
2	VAL1	知覚価値	0.8268
3	QUAL4	知覚品質	0.7857
4	VAL4	知覚価値	0.7830
5	QUAL5	知覚品質	0.7718
6	QUAL1	知覚品質	0.7523
7	QUAL3	知覚品質	0.7239
8	VAL2	知覚価値	0.7198
9	VAL3	知覚価値	0.6602

知覚品質と知覚価値の両方の項目が、媒介成分に高いloadingを示しました。抽出された成分は、品質だけ、または価値だけを表すものではなく、品質と価値を統合した顧客認知の成分と解釈できます。

結果の取り出し方

pls_ema() の結果から、次の情報を取り出せます。

# 経路効果とブートストラップ区間
fit$effects

# 媒介候補のweightとloading
fit$mediators

# 目的関数を構成する共分散
fit$covariance

# 標準化されたX、M、Yスコア
head(fit$scores)

# ブートストラップごとの効果推定値
head(fit$bootstrap)

# loadingsパッケージが返すマルチセットPLS結果
fit$multiset_fit

解釈上の注意

PLS-EMAは探索的な多変量成分抽出法です。

この分析では、顧客満足 $Y$ の情報を使用して媒介成分 $M$ を構成しています。そのため、通常の確認的PLS-SEM媒介分析や、今井らの方法による因果媒介分析とは異なります。

このデモから、次のように結論することはできません。

顧客期待が品質・価値認知を因果的に変化させた
品質・価値認知が顧客満足を因果的に変化させた
未測定の交絡が存在しない
品質・価値認知の時間的順序が保証されている

報告された $ab$ は、PLS-EMAで抽出したスコア上の記述的な間接効果です。本結果は、「顧客期待と顧客満足を結ぶ品質・価値認知の多変量成分が得られた」という探索的な結果として解釈します。

まとめ

PLS-EMAを銀行顧客満足度データに適用し、顧客期待と顧客満足を結ぶ品質・価値認知の多変量成分を抽出しました。

顧客期待から媒介成分への経路は0.8218
媒介成分から顧客満足への経路は0.9003
間接効果は0.7399
品質と価値の両方の項目が媒介成分に寄与

PLS-EMAは、多数の質問項目から媒介構造と整合する成分を探索する方法として利用できます。ただし、因果媒介分析とは区別して使用する必要があります。

再現環境

sessionInfo()

解析には次のRパッケージを使用します。

lvsem
loadings
plspm