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 :
- 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.
- دوم اینکه PLS در برآورد مدل های مسیر با حجم نمونه کوچک کارایی دارد.
- در این روش ضرایب مسیر مدل های PLS خیلی پیچیده، بدون مشکل برآورد می شوند.
- 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.
امکان افزایش پیچیدگی مدل با روش PLS
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 در رویکرد pls
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.
مزایا و معایب روش کمترین مربعات جزئی PLS
به طور کلی مزایا و معایب PLS را می توان به صورت زیر بیان نمود ؛
مزایای 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.
معایب pls
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.
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 خسته نباشید
لطفا این موضوع را برام بیشتر توضیح بدید.
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.
ممنون
سلام. درنرم افزار لیزرل ابتدا کوواریانس ها و واریانس هاو… برآورد میشوند سپس ضرایب مسیرهای رگرسیونی بین متغیرهای مدل .که این در پی ال اس برعکس هست. ضرایب مسیرطوری برآورد میشوند که حداکثر واریانس متغیر وابسته توسط متغیرهای نشانگر یا مستقل نشان داده شود.
سلام
خواهش میکنم راجع به نحوه محاسبه متغیرهای کنترل و میانجی و تعدیل گر در PLS توضیح دهید. در مورد تعریف ها که تو هر سایتی هست. مهم تعدیل گر و میانجی و کنترل هستند. ممنون میشم
باز هم تشکر و سپاس از سایت خوبتون
سلام. متغیر کنترل باید در مدل به عنوان متغیر مستقل وارد بشه تا اثر آن مشخص شود.
متغیر میانجی بین رابطه دو متغیر قرار می گیرد. یعنی یک بار به عنوان متغیر مستقل و یک بار به صورت متغیر وابسته عمل می کنید. و برای بررسی افزایش شدت رابطه بین دو متغیر به کار می رود.
متغیر تعدیلگر در پی ال اس به صورت حاصلضرب متغیر مستقل در متغیر تعدیلگر بیان می شود. و بررسی می کند که رابطه بین دو متغیر مستقل و وابسته با وجود متغیر تعدیلگر افزایش یا کاهش می یابد.
سلام در خروجی pls دوتا ضریب مسیر هست کدومش گزارش شود؟
سلام. همان ضريب مسير که اعدادش شبيه به اعداد روي مدل هست.
سلام
خسته نباشید…
من سوالم از نرم افزار نیست
pls رو زمانی به کار می بریم که بین متغیر های مستقل همخطی وجود داشته باشه
سوالم اینه که چطور الگوریتم pls مشکل همخطی رو رفع میکنه؟
ممنون میشم پاسخ بدید
سلام. همخطی لازم است توسط محقق بررسی، شناسایی و رفع شود. نرم افزار pls در قیاس با لیزرل و ایموس نسبت به همخطی مقاوم تر است اما اینگونه نیست که وقتی هم خطی شدید داریم اشکالی نداشته باشد.
به همین دلیل است که برای ارزیابی هم خطی سنجه و شاخص هایی همانند مقادیر تحمل و VIF وجود دارد.
در هنگام وجود همخطی لازم است برای رفع آن: حذف سازه ها، ادغام سازه های پیش بین در یک سازه، یا خلق سازه های مرتبه بالاتر مد نظر قرار گیرد.
سلام خسته نباشید
ممنون میشم کمکم کنید
من قصد دارم بین داده های طیفی و یک پارامتر گیاهی ارتباطی برقرار کنم که این تخمین پارامتر گیاهی بوسیله روش حداقل مربعات می باشد
میخواستم بدونم حداقل تعداد داده برای ورودی روش حداقل مربعات چندتاست؟ با توجه به اینکه کار من آزمایشگاهی است و تعداد برای من مهم است
سلام. شدت اثر روابط مدل f^2 منفی باشد مثلا منفی
۲.۴۵
تفسیرش چگونه است؟ ایا برای شدت باید از قدر مطلق استفاده کنیم و برای فراتحلیل از منفی بودن که نشانه رابطه عکس است؟
سپاس