مدلسازی معادلات ساختاری با SmartPLS

مدلسازی معادلات ساختاری مبتنی بر حداقل مربعات جزئی کمترین(PLS-SEM)

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 تبیین یا مستقل جدیدی ایجاد میکند که غالباً عامل یا متغیر مکنون نامیده میشوند. این مؤلفه ها ترکیب خطی از نشانگرهای خود هستند. روش حداقل مربعات جزئی باهدف بهینه سازی تبیین واریانس در سازه های وابسته مدلهای معادله ساختاری، ساخته شده است. این روش اغلب برای تحلیل موقعیتها یا مدلهای بسیار پیچیدهای بکار می‌رود که اطلاعات نظری کمی در مورد آنها وجود دارد یا اینکه اساساً هدف از آزمون این مدلها پیش بینی می‌باشد. روش PLS به جای بازتولید ماتریس کوواریانس تجربی، بر بیشترین واریانس متغیرهای وابسته به وسیله متغیرهای مستقل تمرکز دارد. همانند هر روش مدلسازی معادلات ساختاری، روش کمترین مربعات جزئی نیز از یک بخش ساختاری که ارتباط بین متغیرهای مکنون را نشان می‌دهد و یک قسمت اندازه‌گیری که نحوه ارتباط متغیرهای مکنون و نشانگرهای آنها را منعکس می‌کند، تشکیل شده است. این روش به‌ویژه برای مدل‌هایی با اطلاعات نظری محدود یا مدل‌های پیش‌بینی‌محور مناسب است. نرم‌افزار Smartpls به عنوان کاربرپسندترین نرم‌افزار آماری جهان برای این نوع تحلیل به‌صورت گسترده استفاده می‌شود.

ویژگی‌های کلیدی روش PLS-SEM

 تحلیل رگرسیون تک‌متغیری و چندمتغیری: PLS-SEM قادر است روابط بین چندین متغیر مستقل و وابسته را مدل‌سازی کند.

ساخت متغیرهای پنهان: این روش از داده‌های نشانگر برای ایجاد متغیرهای پنهانی استفاده می‌کند که به‌عنوان ترکیب خطی از نشانگرها تعریف می‌شوند.

تمرکز بر بیشینه‌سازی واریانس: برخلاف روش‌های مبتنی بر کوواریانس، PLS-SEM بر بیشینه‌سازی واریانس متغیرهای وابسته توسط متغیرهای مستقل تمرکز دارد.

مناسب برای مدل‌های پیچیده: این روش برای مدل‌هایی با ساختار پیچیده و یا زمانی که اطلاعات نظری کمی در دسترس است، مناسب می‌باشد.

مراحل الگوریتم PLS-SEM در Smartpls

الگوریتم PLS-SEM در Smartpls شامل سه مرحله اصلی است:

1. برآورد امتیازهای متغیر پنهان: این مرحله شامل یک فرآیند تکراری چهار مرحله‌ای است که تا رسیدن به همگرایی ادامه می‌یابد:

• تقریب اولیه امتیازهای متغیر پنهان
• برآورد وزن‌های درونی
• تقریب مجدد امتیازهای متغیر پنهان
• برآورد وزن‌های بیرونی

2. برآورد وزن‌های بیرونی و ضرایب مسیر: در این مرحله، وزن‌های بیرونی نشانگرها و ضرایب مسیر بین متغیرهای پنهان برآورد می‌شوند.

3. برآورد پارامترهای موقعیت: در این مرحله، پارامترهای موقعیت مدل برآورد می‌شوند.

این مراحل به‌صورت تکراری انجام می‌شوند تا زمانی که الگوریتم به همگرایی برسد یا حداکثر تعداد تکرارها به پایان برسد.

انتخاب وزن‌دهی در Smartpls

در Smartpls، سه روش وزن‌دهی برای مدل ساختاری وجود دارد:

 روش وزن‌دهی مسیر (Path Weighting) این روش پیش‌فرض است و بیشترین مقدار R² را برای متغیرهای وابسته درونی فراهم می‌کند.

 روش وزن‌دهی عامل(Factor Weighting): این روش بر بیشینه‌سازی واریانس مؤلفه اصلی تمرکز دارد.

 تحلیل مؤلفه اصلی (PCA) این روش از نتایج تحلیل مؤلفه اصلی برای برآورد مدل استفاده می‌کند.

انتخاب روش مناسب بستگی به ویژگی‌های داده‌ها و هدف تحلیل دارد.

ارزیابی اعتبار و روایی مدل

برای ارزیابی اعتبار و روایی مدل در PLS-SEM، معیارهای زیر مورد استفاده قرار می‌گیرند:

• ضریب آلفای کرونباخ و پایایی ترکیبی (Composite Reliability) برای ارزیابی اعتبار درونی مدل.
• میانگین واریانس استخراج‌شده (AVE) برای ارزیابی روایی همگرا.
• معیار HTMT: برای ارزیابی روایی افتراقی.

در Smartpls، این معیارها در گزارش نتایج تحت بخش Quality Criteria ارائه می‌شوند.

خدمات تحلیل آماری تکنوماز

موسسه تکنوماز برای بهره‌گیری از این ابزار قدرتمند برای تحلیل دقیق داده‌ها، بررسی روابط بین متغیرها و استخراج بینش‌های ارزشمند همراهی می‌کند. برای تحلیل حرفه‌ای با Smartpls ، AMOS، LISREL، SPSS ، Python با ما تماس بگیرید و پژوهش خود را به سطحی بالاتر ببرید.

وب‌سایت: تکنوماز   http://technomaz.ir/contact/about

  نویسنده: پشتیبانی تکنوماز|  روش تحقیق |