روش مدل یابی معادلات ساختاری روشی است که پژوهشگران را قادر می سازد تا با مدل سازی روابط میان چندین سازه مستقل یا وابسته، به مجموعه ای از سؤالات تحقیقی وابسته به هم در یک تحلیل واحد پاسخ دهد. مدل یابی معادلات ساختاری علاوه بر ارزيابي مدل ساختاری، مدل اندازه گیری را نیز ارزشیابی می کند. روش معادلات ساختاری به شکل های مختلف قابل اجرا است.
در این نوشتار به مقایسه روش تحلیل مبتنی بر کواریانس منغیرهای مورد نظر در مقابل روش حداقل مربعات جزئی (PLS) می پردازیم.
این تفاوت ها از جنبه های مختلف قابل بررسی است :
شاخص های آماری در مدل یابی معادلات ساختاری
مدل یابی معادلات ساختاری مبتنی بر کواریانس، بارهای گویه ها و خطاهای اندازه گیری با آماره t مربوط به آن ها را برآورد می کند. در این روش اعتبار سازه از طریق آلفای کرونباخ محاسبه می شود. همچنین مقدار ضرایب روابط میان سازه های پنهان معادلات ساختاری را محاسبه نموده و معناداری آن ها را با استفاده از آماره t مورد بررسی قرار می دهد. (مقادیر آماره ی بزرگتر از 1.96 یا 2.56 به ترتیب در سطح 0.05 و 0.01 معناداری را نشان می دهد.)
دومین آماره با برازندگی کلی مدل ارتباط دارد. مهمترین این شاخص ها آماره است. آماره ی کای دو غیرمعنادار برازش مناسب مدل را تأیید می کند. اما از آنجایی که این آماره به حجم نمونه و توان آزمون حساس است، به جای آن از نسبت به درجه آزادی استفاده می شود. برخی از محققان پیشنهاد می کنند که این نسبت باید بین 1 تا 2 باشد. علاوه براین شاخص نیکویی برازش، شاخص تعدیل شده ی نیکویی برازش و جذر مانده های میانگین، شاخص هایی هستند که برای برازش کلی مدل مورد استفاده قرار می گیرند.
در مقابل روش PLS شاخص های کمتری دارد. در سطح مدل اندازه گیری، PLS بارهای گویه ها و کواریانس مانده ها را برآورد می کند. در سطح ساختاری نیز ضرایب مسیر، همبستگی میان متغیرهای مکنون، واریانس تبیین شده و میانگین واریانس استخراج شده ی متغیرهای مکنون را برآورد می کند. آماره ی t برای هریک از مسیرها و بارهای عاملی با استفاده از روش برش متقاطع یا خودگردان سازی محاسبه می شود.
برازش مناسب مدل زمانی محقق می شود که ضریب مسیر معنادار بوده، واریانس تبیین شده قابل قبول باشد و همسانی درونی بالای 0.07 برای هریک از سازه ها برقرار باشد. علاوه براین شاخص GOF نیز شاخصی برای بررسی برازش مدل جهت پیش بینی متغیرهای درون زا می باشد. مقادیر بزرگتر از 0.9 برای این آماره برازش مناسب مدل را نشان می دهد.
برآورد پارامترها و ضرایب مسیر
در مدل یابی معادلات ساختاری مبتنی بر کواریانس در مرحله ی اول پارامترهای مدل و سپس نمره های عاملی افراد با بازگشت آن ها به مجموع همه نشانگرها برآورد می شود. اما در روش PLS فرآیندی دو مرحله ای را برای برآورد وزن ها مشاهده می کنیم:
1) مرحله اول با برآورد بیرونی شروع شده و مقادیر بارهای عاملی برای هر یک از متغیرهای مکنون براساس میانگین وزنی نشانگرهای آن ها برآورد می شود.
2) در گام بعدی برآورد درونی مقادیر بارهای عاملی اصلاح شده براساس میانگین وزنی متغیرهای مکنون مجاور تعین می شوند. این روند دو مرحله ای تا حصول همگرایی مقادیر بارهای عاملی بدست آمده ادامه می یابد.
مقایسه دو روش برحسب هدف تحلیل
هریک از روش های تحلیل مبتنی بر کواریانس و PLS می توانند بر حسب هدف محقق مورد استفاده قرار گیرند. تمایز رویکردهای مورد نظر این است که از روش کواریانس برای آزمون و توسعه ی یک نظریه استفاده می شود در حالیکه PLS بیشتر برای کاربردهای پیش بینی طراحی شده است.
در موقعیت هایی که نظریه قوی است و هدف توسعه و آزمون بیشتر است، روش های برآورد مبتنی بر کواریانس مناسب تر بوده و اطلاعات کاملی را برای نتیجه گیری فراهم می آورد. با این وجود به دیلیل عدم تعیّن برآورد نمره های عاملی دقت پیش بینی کاهش می یابد. این امر استفاده از PLs برای مقاصد پیش بین را ضروری می سازد، علاوه برآنکه از PLS می توان برای تأیید نظریه و همچنین پیشنهاد ارتباط های احتمالی و موضوعاتی برای آزمون بعدی استفاده نمود.
بررسی مزایا و معایب روش PLS
از جمله مزایای روش PLS می توان به عدم نیاز به نرمال بودن توزیع نمونه و قابلیت کاربرد با متغیرهای اسمی، ترتیبی و فاصله ای اشاره کرد. البته باید توجه داشت که PLS نیز مانند هر روش آماری دیگری نیاز به پیش فرض هایی برای انجام دارد. علاوه بر فرض های اولیه و شناخته شده برای تحلیل رگرسیون استاندارد، مهمترین فرض این روش ویژگی های پیش بین است. این فرض بیان می کند که متغیرهایی باید در مدل قرار گیرند که قابلیت پیش بینی مناسب متغیر ملاک را داشته باشند.
مشکل دیگر در این روش همسانی حجم است. با افزایش حجم نمونه و تعداد نشانگرهای متغیر مکنون در مدل PLS برآوردهای مدل به وافعیت نزدیک می شوند. از این رو در همه ی موقعیت های واقعی، هم تعداد موردها در نمونه و هم تعداد نشانگرهای متغیر مکنون محدو خواهد شد که این امر مشکلی بالقوه در PLS می باشد.
علاوه بر این، این روش به کمتر برآورد کردن همبستگی بین متغیرهای مکنون و بیشتر برآورد کردن بارهای عاملی یعنی پارامترهای مدل اندازه گیری گرایش دارد. تنها هنگامی که تعداد موردهای نمونه و تعداد نشانگرهای متغیر مکنون بسیار افزایش یابد، متغیر مکنون به مقادیر واقعی آن نزدیک و در نتیجه این مشکل از بین می رود. حال با وجو مشکل همسانی حجم این سؤال مطرح می شود که چرا روشی مورد استفاده قرار گیرد که نمی تواند ویژگی های کلیدی هیچ مدل آماری یعنی همسانی برآورد کننده ها را تضمین کند؟
پاسخ این است کهPLS در موقعیت هایی که مدل یابی معادلات ساختاری مبتنی بر کواریانس محمدودیت هایی را دارد بکار می رود. یعنی زمانی که تعداد نشانگرهای متغیر مکنون بی نهایت زیاد شود.
به طور کلی ممکن است در بعضی موقعیت ها روش مبتنی بر کواریانس ارجح باشد اما در موقعیت هایی نیز PLS ترجیح داده شود. همچنین موقعیت هایی وجود دارد که استفاده از روش کواریانس مطلوب اما ناممکن است.
برای مثال به علت تخطی از برخی فرض های کلیدی PLS می تواند راه حلی واقع گرایانه ارائه دهد. به طور مثال زمانی که حجم نمونه کوچک است و یا مشکل همخطی چندگانه و وجود داده های گمشده را داریم، PLS اثرات نامطلوب شرایط را تاحدودی کاهش می دهد.
منبع
مقدمه ای بر مدل یابی معادلات ساختاری به روش PLS و کاربرد آن در علوم رفتاری / نوشته دکتر سید محمد سید عباس زاده / انتشارات دانشگاه ارومیه / 1391 .
قابل ذکر است سفارش انجام تحلیل معادلات ساختاری با روش PLS نیز از خدمات ما بوده و پذیرفته می شود.
از سايت ويژه معادلات ساختاري با نرم افزار اسمارت پي ال اس اين مجموعه تخصصی بازديد نماييد:
سلام. لطفا سوالات و نظرات خود در خصوص اين مطلب را در همين بخش ديدگاه مطرح نماييد. از طريق ايميل از پاسخ ما مطلع خواهيد شد.
براي جستجو در ميان کامنت ها از Ctrl + f استفاده نماييد.
با سلام
تفاوت outer weights با outer loading در خروجی PLS چیست؟
سلام. متاسفانه نمی دانیم