From Structural Equation Modelling to Double Machine Learning: Robustness Analysis for Survey-Based Research

Sintesi Tecnica: Dai Modelli di Equazioni Strutturali al Double Machine Learning

Problema
I Modelli di Equazioni Strutturali (SEM) rappresentano il framework standard per la ricerca basata su survey che coinvolge costrutti latenti (ad es., fiducia, soddisfazione, intenzione). Sebbene i SEM valutino efficacemente i modelli di misurazione e stimino le relazioni strutturali guidate dalla teoria, la significatività dei percorsi dipende da una specifica formulazione del modello. Un coefficiente di percorso significativo in un SEM non dimostra intrinsecamente stabilità sotto modelli di stima alternativi, rappresentazioni di punteggio o aggiustamenti di controllo flessibili. Di conseguenza, i ricercatori mancano di un workflow sistematico e trasparente per determinare se le relazioni chiave rimangano robuste quando si passa dalla modellazione di variabili latenti alla regressione convenzionale o ad aggiustamenti basati sul machine learning. La letteratura recente ha introdotto il Double Machine Learning (DML) nei sistemi informativi e lo ha applicato in contesti FinTech, eppure il DML è raramente utilizzato come strumento diagnostico di robustezza post-SEM, percorso per percorso, per modelli a costrutti latenti.

Metodologia: Il Framework a stadi SEM–OLS–DML
Il documento propone un framework di robustezza a due livelli e otto stadi che integra SEM, regressione OLS e Double Machine Learning (DML). Il workflow è progettato per separare la generazione di evidenza di robustezza dalla sua interpretazione, garantendo che il machine learning completi piuttosto che sostituisca il SEM.

1. Livello 1: Generazione di Evidenza

   • Raffinamento della Misurazione e SEM di Base: Il processo inizia con il raffinamento del modello di misurazione (validazione degli indicatori, affidabilità e fit). Fondamentalmente, l'intero modello strutturale specificato dalla teoria viene ricalcolato come "modello SEM di base per la robustezza" prima di rimuovere qualsiasi percorso in base alla significatività.
   • Costruzione dei Punteggi (Score Construction): Vengono generati due tipi di punteggi dei costrutti a livello di rispondente: (a) factor scores SEM (che preservano la struttura latente e i carichi fattoriali) e (b) punteggi compositi medi (un benchmark semplice e trasparente).
   • Traduzione SEM-to-Regression: Ogni percorso strutturale nel SEM di base viene tradotto in una specifica a livello di percorso per OLS e DML. Per un'equazione strutturale $Y \sim D + X$, il predittore focale $D$ è la variabile di interesse, mentre gli altri predittori $X$ nella stessa equazione sono trattati come controlli co-predittori.
   • Benchmark OLS: Viene eseguita una regressione OLS sui punteggi dei costrutti per fornire un benchmark lineare trasparente. Questo verifica se il pattern dei percorsi implicito nel SEM rimane visibile sotto le assunzioni della regressione convenzionale.
   • Residualizzazione in stile DML: Il DML viene applicato per esaminare la stabilità sotto l'aggiustamento di controllo flessibile. L'esito ($Y$) e il predittore focale ($D$) vengono regolati sul vettore di controllo ($X$) utilizzando apprendisti di machine learning (Random Forest, Gradient Boosting e Support Vector Machine) per stimare le funzioni di disturbo (nuisance functions). I residui vengono quindi utilizzati per stimare la relazione focale. Il cross-fitting è impiegato per prevenire l'overfitting.
   • Controlli di Sensibilità: Il framework include controlli sulla sensibilità dell'apprendista (confrontando RF, GBM, SVM) e sulla sensibilità del punteggio (confrontando factor scores vs. composite scores). Vengono inoltre eseguiti controlli diagnostici in direzione inversa selezionati per testare la robustezza direzionale.

2. Livello 2: Interpretazione Integrata

   • Gli output di SEM, OLS e DML vengono confrontati tra metodi, tipi di punteggio e apprendisti.
   • I percorsi vengono classificati in base alla convergenza o divergenza:
     • Fortemente Robusti: Stabili in direzione e significatività attraverso tutti i metodi.
     • Parzialmente Robusti/Sensibili al DML: La direzione è stabile, ma la significatività si indebolisce sotto l'aggiustamento di controllo flessibile.
     • Sensibili al Punteggio: I risultati dipendono fortemente dall'uso di factor scores o composite scores.
     • Direzionalmente Instabili: I segni si invertono o le diagnostiche in direzione inversa mostrano un supporto più forte per la direzione opposta.

Dimostrazione Empirica
Il framework è applicato a un modello di survey sulla Digital Customer Intimacy (DCI) nel settore FinTech, contenente 17 percorsi strutturali e costrutti quali Qualità Percepita, Esperienza Utente, Fiducia e Connessione Emotiva.

• Risultati: La maggior parte dei percorsi (ad es., $PQ \to AT$, $AT \to BI$, $EC \to DCI$) è rimasta fortemente robusta tra SEM, OLS e apprendisti DML per entrambi i tipi di punteggio.
• Risultati Sfumati:
  • $UB \to SA$ (Comportamento d'Uso verso la Soddisfazione): Significativo e negativo in SEM e DML con factor scores, ma debole/non significativo nei controlli con composite scores, indicando sensibilità alla rappresentazione del punteggio.
  • $TR \to EC$ (Fiducia verso la Connessione Emotiva): Non significativo in SEM ma significativo nei controlli basati su punteggio con sensibilità del segno, richiedendo una revisione teorica.
  • $CA \to AT$ (Consapevolezza del Cliente verso l'Atteggiamento): Debole in tutti i metodi, suggerendo che possa essere un candidato per la rimozione se la teoria è debole.
  • Diagnostica Inversa: La relazione tra Connessione Emotiva e DCI ha mostrato stabilità in entrambe le direzioni, suggerendo un'associazione reciproca.

Contributi Chiave

1. Workflow Pratico: Il documento fornisce un workflow riproducibile e a stadi per tradurre i percorsi impliciti nei SEM in controlli di robustezza di tipo OLS e DML, senza trattare il machine learning come un sostituto della modellazione delle variabili latenti.
2. Chiarezza Diagnostica: Chiarisce come interpretare la sensibilità alla rappresentazione del punteggio (factor vs. composite scores) e la sensibilità dell'apprendista (RF vs. GBM vs. SVM) all'interno della ricerca basata su survey.
3. Disponibilità di Risorse: Gli autori forniscono un workbook Google Colab e file di risultati generati tramite Zenodo, offrendo un template riutilizzabile per i ricercatori che desiderano adattare questo workflow di robustezza ad altri studi di costrutti latenti basati su survey.

Significatività e Rivendicazioni
Il documento posiziona questo framework come un "processo di supporto alle decisioni del modello" piuttosto che come un semplice appendice di robustezza. La sua principale significatività risiede nello spostamento della pratica di ricerca dal "taglia-e-controlla" (rimuovere immediatamente i percorsi non significativi dopo il SEM) a un approccio "controlla-e-decidi". Mantenendo l'intero sistema di percorsi teorici per l'analisi di robustezza a valle, i ricercatori possono prendere decisioni strutturali finali basate sulla convergenza di evidenze da modellazione latente, regressione trasparente e aggiustamenti flessibili di machine learning.

Gli autori dichiarano esplicitamente che questo approccio rafforza la valutazione della robustezza ma non stabilisce rivendicazioni causali definitive (interventive o controfattuali) in dati di survey trasversali. Il framework è progettato per identificare quali relazioni sono stabili e quali richiedono un'interpretazione cauta, ulteriore discussione teorica o validazione longitudinale. Affronta un vuoto metodologico posizionando il DML specificamente come strumento diagnostico post-SEM per modelli a costrutti latenti, distinto dal suo uso come stimatore primario in inferenza causale o come strumento predittivo in studi di integrazione SEM-ML.