روش شناسی کمترین مربعات جزئی (PLS)

Partial Least Square methodology

مقدمه :

مدل مسیر کمترین مربعات جزئی با دو مجموعه از معادلات خطی تعریف شده است. مدل درونی و مدل بیرونی.

مدل درونی یا ساختاری، رابطه بین متغیرهای مکنون و مدل بیرونی یا اندازه گیری ارتباط بین متغیرهای مکنون و نشانگرهای مشاهده شده را معین می کند.

شهرت مدل یابی مسیر PLS در میان کاربران آن ریشه در چهار ویژگی دارد :

1.  به جای ترسیم مدل اندازه گیری به صورت انعکاسی رایج، الگوریتم مدل یابی مسیر PLS امکان محاسبه انواع متعددی از روابط علت و معلولی مدل هایی را فراهم می آورد که از هر دو نوع مدل اندازه گیری(انعکاسی و تشکیل دهنده) به وجود آمده اند.

2. دوم اینکه PLS در برآورد مدل های مسیر با حجم نمونه کوچک کارایی دارد.

3. در این روش ضرایب مسیر مدل های PLS خیلی پیچیده، بدون مشکل برآورد می شوند.

4. مدل یابی مسیر PLS هنگامی کاربرد دارد که توزیع ها چولگی بالایی دارند. زیرا ویژگی توزیع ها از جمله نرمال بودن از مفروضات این روش نیست.

مزایای روش شناختی مدل یابی مسیر PLS نسبت به CBSEM یا مدل یابی مبتنی بر کواریانس زمانی بارز می شود که با احتمال وقوع عدم همگرایی یا نتایج نامناسب روبه رو شویم. مانند هنگامی که متغیرهای مکنون و آشکار نسبت به تعداد مشاهده ها بالا بوده و یا تعداد نشانگرهای هر متغیر مکنون کم است. علاوه بر این وجود نرم افزارهایی مانند SmartPLS و VisualPLS نیز سبب جذابیت و کارایی بیشتر PLS شده است. در ادامه به معرفی و بررسی ویژگی های روش شناختی PLS می پردازیم.

 

الگوریتم PLS :

به طور کلی دو رویکرد برای برآورد پارامترهای یک مدل معادلات ساختاری وجود دارد، که شامل رویکرد مبتنی بر کواریانس و رویکرد مبتنی بر واریانس یا PLS می باشد. برخلاف رویکرد مبتنی بر کواریانس که ابتدا پارامترهای مدل براورد شده و سپس مقادیر موردها از طریق برگشت دادن آن ها به مجموعه تمام نشانگرها،برآورد می شوند، مانند مقادیر برآورد شده برای هر متغیر پنهان در مجموعه ای از داده ها، در رویکرد PLS ابتدا مقادیر موردها محاسبه می شود. برای این منظور متغیرهای پنهان به صورت ترکیب دقیق خطی از نشانگرهای تجربی خود برآورد می شوند. وزن های مورد استفاده برای تعیین مقادیر موردها به صورتی محاسبه می شوند که بیشترین واریانس مفید برای پیش بینی متغیرهای وابسته از روی متغیرهای مستقل را شامل شود.

پس از محاسبه وزن ها در رویکرد PLS این امکان فراهم می شود تا مقادیر هر متغیر پنهان تعیین شود. این امر به وسیله محاسبه میانگین وزنی نشانگرهای یک سازه انجام می گیرد. پس از محاسبه مقادیر متغیرهای پنهان، وزن های مسیر ساختاری از طریق رگرسیون حداقل مربعات معمولی(OLS) محاسبه می شوند. این الگوریتم تا زمان رسیدن به همگرایی و کسب نتیجه مطلوب تکرار می شود.

هنگامی که هدف کاربرد و پیش بینی است رویکرد PLS مناسب می باشد. براساس این رویکرد فرض بر این است که تمام واریانس مورد اندازه گیری برای تبیین به کار می رود. از آنجایی که در این رویکرد متغیرهای مکنون به عنوان ترکیب خطی دقیقی از اندازه گیری های مشاهده شده برآورد می شوند از مشکل عدم تعیین جلوگیری می شود و تعریف دقیقی از از نمره های مؤلفه فراهم می آید. با استفاده از روش برآورد تکراری، PLS مدل کلی فراهم می کند که تمامی روش های دیگر همبستگی بنیادی، رگرسیون چندگانه، تحلیل واریانس چند متغیره و مؤلفه های اصلی را شامل می شود.

ویژگی پیچیدگی مدل :

در عمل محققان اغلب ویژگی های مدل و داده ها را پیش از گردآوری و تحلیل داده ها نمی دانند. در حوزه های جدید پژوهش های کاربردی، به ویژه موقعی که ابزارهای اندازه گیری در حال ساخت هستند، ویژگی های توزیعی متغیرهای مشاهده شده نامعلوم است. همچنین در مرحله کشف مدل، پیچیدگی مدل نهایی، تعداد نشانگرهای قابل اعتماد و اندازه بارهای عاملی نامشخص است. پیداست که با اندازه گیری بهتر و بنیادهای نظری قوی تر از ساختارهای مدل بهتر می توان تصمیم های مناسبی برای انتخاب برآورد کننده ها گرفت. این موارد بر ویژگی تکمیلی PLS در رابطه با مدل یابی معادلات ساختاری مبتنی بر کواریانس در آزمون نظریه به ویژه هنگامی که مدل پیشرفت هایی از ساده به پیچیده تر دارد، تاکید می کند. به بیان دیگر PLS برای تبیین مدل های پیچیده تر مناسب است زیرا الگوریتم PLS امکان افزایش پیچیدگی قابل توجهی را در مدل فراهم می آورد.

مقاوم بودن برآوردهای پارامتر:

هنگامی که یک وسیله مناسب برای برآورد مدل یابی معادلات ساختاری خاص از داده های گردآوری شده انتخاب می کنند، به برآورد های نیرومند (مقاوم) از پارامترها نیاز دارند.

ویلارز، آلمیدا و کولهو (2009) در یک مطالعه شبیه سازی مونت کارلو اثرات دو فرض تقارن توزیع و مدل یابی انعکاسی نشانگرها را بر عملکرد CBSEM و PLS تحلیل کردند. آن ها به این نتیجه رسیدند که هنگامی که توزیع مشاهدات چولگی دارد و بعضی نشانگرها براساس الگوی تشکیل دهنده شکل گرفته اند، در روش PLS بارهای بیرونی بیشتر برآورد می شوند و نتایج محافظه کارانه ای برای روابط مدل مسیر درونی ایجاد می شود.

در صورتیکه بیشینه درستنمایی با بیش برآورد ضرایب مسیر و کم برآورد بارهای نشانگر دقیقا گرایش معکوسی دارد. همچنین در شرایطی که یک متغیر مکنون تشکیل دهنده وجود دارد، روش PLS نیرومندی بیشتری در مقایسه با CBSEM نشان می دهد.بنابراین محققان در مورد داده های دارای چولگی نتیجه می گیرند که برآوردهای PLS نسبت به برآوردهای بیشینه درستنمایی بر حسب اریبی و دقت، مناسب تر است.

به طور کلی مزایا و معایب PLS را می توان به صورت زیر بیان نمود ؛

 

مزایا و معایب روش کمترین مربعات جزئی PLS

مزایای اصلی روش کمترین مربعات جزئی عبارتند از :

بررسی متغیرهای مکنون تشکیل دهنده و انعکاسی را فراهم می آورد.

وابسته به توزیع نیست و با نمونه های کوچک به کار می رود.

با وجود داده های گمشده توان آماری بالایی دارد.

چندین متغیر مستقل و وابسته را به طور همزمان تبیین می کند.

برخی از معایب روش کمترین مربعات جزئی عبارتند از :

در تفسیر بارهای متغیرهای مکنون مستقل با دشواری مواجه است.

ویژگی های توزیعی برآوردها مشخص نیست.

تنها شاخص نیکویی برازش یا GFI به عنوان شاخص آماری آزمون مدل به کار می رود.

 

منبع : مقدمه ای بر مدل یابی معادلات ساختاری به روش PLS و کاربرد آن در علوم رفتاری / تألیف : دکتر میرمحمد سید عباس زاده و همکاران/ انتشارت دانشگاه ارومیه.

 

شرکت مشاوره و مدل سازي آماري اطمينان شرق

مطمئن ترين و تخصصي ترين در سراسر کشور، با قيمت مناسب تر

براي انجام معادلات ساختاري با Lisrel & Amos

سايت آماری برای انجام مدل سازي معادلات ساختاري با نرم افزارهاي ليزرل و آموس

خانواده اطمينان شرق:

 

سايت اصلي شرکت آماري: 

spss-iran.ir

 

سايت ويژه تحليل با SPSS

spss-iran.com

 

سايت تخصصي نرم افزارهاي Eviews و Microfit:

eviews-iran.ir

 

سايت مدل يابي معادلات ساختاري پي ال اس:

smartpls.ir

 

سايت تحليل سلسله مراتبي -ahp- با اکسپرت چويس:

expertchoice.ir

Text Box: تاييد صلاحيت شده مرکز آمار  ايران

جايزه داريد!! اگر مطمئن تر از ما يافتيد!  :

1- گواهينامه صلاحيت شرکت آماري از مرکز آمار ايران

2- نماد اعتماد الکترونيک

3- نماد ساماندهي

براي مشاهده نمادها مي توانيد به سايت اصلي اين شرکت آماري به آدرس زير مراجعه نماييد:

www.spss-iran.ir

تماس با تحليلگر Lisrel و يا Amos 

پاسخگويي توسط خانم دهقان :

9099071743  (مشاوره تلفني ليزرل)

09198180991   (ويژه تهران)

 09158193379  (ساير استانها)

05137410739  (ثابت دفتر مشهد)

04136610647  (تلفن ثابت-تبريز)

05632232526 (تلفن ثابت-بيرجند)

ايميل :

mojtaba.farshchi@gmail.com

تلگرام براي سفارش کار:

@dehghan_hadise (09198180991)

کانال تلگرام شرکت:

@spss_iran

آدرس شرکت: مشهد، بلوار شهيد قرني، چهارراه مجد، ط 4، واحد 406

آرم ثبت شده شرکت آماري اطمينان شرق
دانلود

کلیپ کوتاه معرفی این شرکت آماری را ببینید:

 

می توانید با کلیک بر روی آیکن مربوطه به صورت تمام صفحه مشاهده نمایید.