Modellselektion in Finite Mixture PLS-Modellen. Eine Simulationsstudie zur Messung der Performanz von Informationskriterien

Der folgende Beitrag befasst sich mit dem Problem der Modellselektion im Finite Mixture Partial Least Squares (FIMIX-PLS)-Ansatz. Dieser Ansatz, welcher der Methodengruppe der Mischverteilungsmodelle zuzuordnen ist, ermöglicht eine simultane Schätzung der Modellparameter bei gleichzeitiger Ermittlung von Heterogenität in der Datenstruktur. Ein wesentliches Problem bei der Anwendung ist die Bestimmung der Anzahl der zugrunde liegenden Segmente, welche a priori unbekannt ist. Neben diversen statistischen Testverfahren wird zur Handhabung dieser Modellselektionsproblematik häufig auf so genannte Informationskriterien zurückgegriffen. Ziel des vorliegenden Beitrags ist es herauszuarbeiten, welches Informationskriterium für die Modellselektion in FIMIX-PLS besonders geeignet ist. Hierzu wurde eine Simulationsstudie initiiert, welche die Performanz gebräuchlicher Kriterien vor dem Hintergrund diverser Einflussfaktoren untersucht. Im Rahmen der Studie konnte mit dem Consistent Akaike’s Information Criterion (CAIC) ein Kriterium identifiziert werden, das die übrigen Kriterien in nahezu allen Faktorstufenkombinationen dominiert.