دو روش برای برآورد پارامترهای مدل معادلات ساختاری

براساس رویکردهای مبتنی بر مدل یابی معادلات ساختاری، محققان علوم مختلف می توانند رابطه علی میان چند متغیر پیش بین و وابسته را حتی زمانی که این روابط پیچیده باشند، بررسی کنند. این امر از طریق معادله های ساختاری سلسله مراتبی یا غیر سلسله مراتبی، بازگشتی یا غیر قابل بازگشتی قابل آزمون می باشد.

علاوه بر این محققان می توانند متغیرهای مکنون و خطای مدل های اندازه گیری را تعیین نمایند و با انعطاف بیشتری مدل نظری نزدیک به واقعیت را طرح نموده و آن را در برابر داده های واقعی مورد آزمون قرار دهد. اما اصلی ترین زیربنای تمامی این عملیات برآورد پارامترهای مدل می باشد. به طور کلی برای برآورد پارامترها در مدل یابی معادلات ساختاری می توان از روش مبتنی بر کواریانس و روش مبتنی بر واریانس (یا مبتنی بر مؤلفه) استفاده نمود.

مدل یابی معادلات ساختاری مبتنی بر کواریانس

در مدل یابی معادلات ساختاری مبتنی بر کواریانس با استفاده از تابع حداکثر درستنمایی تلاش می شود تا تفاوت بین کواریانس های نمونه که به وسیله مدل نظری پیش بینی می شود کمینه گردد. بنابراین در این روش از طریق پارامترهای برآورد شده، ماتریس کواریانس داده های گردآوری شده باز تولید می شوند. علاوه بر این برقراری مفروضه های نرمال بودن چند متغیره و استقلال مشاهده ها از یکدیگر ، شرط اساسی این روش مدل یابی معادلات ساختاری است. روش مبتنی بر کواریانس در بین روش های مدل یابی معادلات ساختاری به مراتب شناخته شده تر هستند. با این وجود روش کمترین مربعات جزئی (PLS) نیز می تواند برای برای پژوهشگران در زمینه انجام تحلیل های مبتنی بر مدل یابی معادلات ساختاری می تواند مفید باشد.

مدل یابی معادلات ساختاری مبتنی بر حداقل مربعات جزئی

پیدایش روش PLS به زمانی بر می گردد که هرمان والد (۱۹۷۵) دو روش تکراری با استفاده برآورد کمترین مربعات برای مدل های یک مؤلفه ای و چند مؤلفه ای و همبستگی بنیادی را معرفی کرد. انگیزه رشد PLS توسط والد یافتن وضعیتی بود که بین تحلیل داده ها و مدلیابی سنتی باشد. زیرا مدل یابی سنتی دارای مفروضه های سخت گیرانه ای در مورد توزیع احتمالی داده ها بود ولی رویکرد PLS  آزاد توزیع (نابسته به توزیع) می باشد.

کمترین مربعات جزئی روش نسبتا جدیدی از معادلات ساختاری رگرسیونی است. این روش هم برای رگرسیون تک متغیری و هم چند متغیری و با چند متغیر وابسته کاربرد دارد. برای بررسی ارتباط بین متغیرهای وابسته و متغیرهای مستقل، PLS متغیرهای تبیینی یا مستقل جدیدی ایجاد می کند که غالبا عامل یا متغیر مکنون نامیده می شوند. این مؤلفه ها ترکیب خطی از نشانگرهای خود هستند.

روش حداقل مربعات جزئی با هدف بهینه سازی تبیین واریانس در سازه های وابسته مدل های معادله ساختاری، ساخته شده است. این روش اغلب برای تحلیل موقعیت ها یا مدل های بسیار پیچیده ای بکار می رود که اطلاعات نظری کمی در مورد آن ها وجود دارد یا این که اساسا هدف از آزمون این مدل ها پیش بینی می باشد.

تفاوت های روش PLS و OLS

روش PLS به جای بازتولید ماتریس کواریانس تجربی، بر بیشترین واریانس متغیرهای وابسته به وسیله متغیرهای مستقل تمرکز دارد. همانند هر روش مدل یابی معادلات ساختاری، روش کمترین مربعات جزئی نیز از یک بخش ساختاری که ارتباط بین متغیرهای مکنون را نشان می دهد و یک قسمت اندازه گیری که نحوه ارتباط متغیرهای مکنون و نشانگرهای آن ها را منعکس می کند، تشکیل شده است. علاوه بر این، روش مذکور دارای بخش دیگری به نام «نسبت وزنی» است که برای برآورد مقادیر مورد ها یا نمره های عاملی افراد نمونه در متغیرهای مکنون به کار می رود.

برخلاف مدل یابی معادلات ساختاری مبتنی بر واریانس که میزان برازش مدل مفروض را ارزیابی می کند و در نتیجه برآورد مدل در جهت تبیین، آزمون و تأیید نظریه ها است، روش PLS پیش بینی مدار بوده و به عنوان روش ساخت نظریه می تواند به کار رود.

روش PLS برای مقابله با داده های خاص مانند داده ها با حجم نمونه اندک، داده های دارای مقادیر گمشده و همچنین هنگامی که بین متغیرهای مستقل هم خطی وجود دارد، طراحی شده است.

در مقابل کمترین مربعات متداول (OLS) نسبت به حجم اندک داده ها، داده های گمشده و هم خطی چندگانه مقاوم نبوده و نتایج بی ثباتی را ایجاد می کند؛ زیرا این شرایط باعث تورم خطای استاندارد ضرایب برآورد شده می گردد. از این رو گاهی به روش کمترین مربعات جزئی «مدل یابی نرم» نیز اطلاق می شود. این روش در واقع رابطه خطی بهینه بین متغیرهای مکنون را نشان می دهد و می توان از آن به عنوان بهترین ترکیب متغیرهای پیش بین در یک بررسی با وجود همه محدودیت های مفروض تعبیر کرد. البته برقراری فرض هایی مانند خطی بودن و نداشتن داده های دور افتاده در هنگام استفاده از کمترین مربعات جزئی لازم است.

باید توجه داشت که به دلیل آن که توزیع کمترین مربعات نامعلوم است، آزمون معناداری متداولی وجود ندارد. اما در هر حال معناداری مسیرها از طریق روش های خودگردان سازی ، بوت استراپ، برش متقاطع یا جک نایف که از روش های بازنمونه گیری هستند، آزمون می شوند.

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.

 

قابل ذکر است سفارش انجام تحلیل معادلات ساختاری با روش PLS نیز از خدمات ما بوده و پذیرفته می شود.

از سایت ویژه معادلات ساختاری با نرم افزار اسمارت پی ال اس این شرکت بازدید نمایید:    

صفر تا صد نرم افزار  Smart Pls

 

 

 

اگر مطلب را برای دوستان خود مفید می بینید، در شبکه های اجتماعی منتشر نمایید

شرکت آماری اطمینان شرق؛ مطمئن ترين در سراسر کشور

درباره حدیثه دهقان

به عنوان یکی از با سابقه ترین پرسنل شرکت آماری اطمینان شرق، تلاش می کنم کار خود در زمینه پیگیری و انجام سفارشات تحلیل با نرم افزارهای معادلات ساختاری را به خوبی انجام دهم. همراه و تلگرام من: 09198180991

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.

  • 17 + دوازده =

کليک کنيد: پاسخگويي تلگرامی