دلايل استفاده از روش pls و SmartPls در پایان نامه ها

محققين دلايل متعددي را براي استفاده از روش پي ال اس (PLS) ذکر نموده اند. مهمترين دليل، برتري اين روش براي نمونه هاي کوچک ذکر شده است. دليل بعدي داده هاي غيرنرمال است که محققين و پژوهشگران در برخي پژوهش ها با آن سر و کار دارند در نهايت دليل آخر استفاده از روش پي ال اس (PLS)، روبرون شدن با مدل هاي اندازه گيري سازنده است.

دلايل استفاده از روش معادلات ساختاري پي ال اس (PLS – SEM) به شرح زير است:

حجم کم نمونه

داده هاي غير نرمال

مدلهاي اندازه گيري از نوع سازنده

قدرت پيش بيني مناسب

پيچيدگي مدل ( تعداد زياد سازه ها و شاخص ها)

تحقيق اکتشافي

توسعه تئوري و نظريه

استفاده از متغيرهاي طبقه بندي شده

بررسي همگرايي

آزمودن تئوري و فرضيه

آزمودن فرضيات شامل متغيرهاي تعديلگر

بهترين دليل استفاده از PLS

با توجه به موارد بالا، حجم نمونه اندک بهترين دليل استفاده از PLS است. روش هاي نسل اول مدل سازي معادلات ساختاري که با نرم افزارهايي نظير LISREL، EQS و AMOS اجرا مي شدند،‌ نياز به تعداد نمونه زياد دارند، در حالي که PLS (پي ال اس)  توان اجراي مدل با تعداد نمونه خيلي کم را دارا مي باشد.

حداقل مربعات جزئی

حداقل مربعات جزئی راهکاری برای آزمون فرضیه ها است و زمانی بکار میرود که حجم نمونه محدود باشد یا داده ها نرمال نباشند. بدون اینکه فرض هایی مانند فرضهای توزیع، و یا مقیاسهای اسمی، ترتیبی، و فاصلهای برای متغیرها، وجود داشته باشند، نتایج کار قابل استفاده میباشد. البته باید این نکته را نیز در ذهن داشت که حداقل مربعات جزئی هم همانند تمامی تکنیکهای آماری، نیازمند فرضهای خاصی است. مهمترین فرضیه، تشخیص “پیش بینی کننده” است. این الزام عنوان میکند که باید بخش سیستماتیک رگرسیون خطی را از روی انتظارات موقعیتی از متغیر وابسته تعریف کرد تا بتوان بر اساس رگرسیون نتیجه گیری کرد. با این حال، مشکل ثبات و پایداری در مقیاس بزرگ همچنان وجود دارد.

با توجه به مشکل سازگاری در نمونه های بزرگ، میتوان در مورد مناسب بودن حداقل مربعات جزئی دچار تردید شد و پرسید که چرا این تکنیک نمیتواند یکی از خصوصیت های کلیدی یک مدل آماری (پایداری برآوردکننده ) را تضمین کند. پاسخ این است که این رویکرد با اصول خودش وارد وضعیتهای مختلف میشود .هدف از مدلسازی معادلات ساختاری مبتنی بر کوواریانس ، تعیین ماتریس پارامترهای مدل Φ است که ماتریس کوواریانس پیش بینی شده توسط مدل نظری Σ(Φ)احتمال بسیار نزدیکی به ماتریس کوواریانس نمونه S دارد. برای این منظور باید تابع F(S, Σ) تعریف شود. وقتی S=Σ است، این تابع ارزش صفر را به خود اختصاص میدهد سایر موارد که ارزش تابع مثبت است، تفاوت بین Σ و S افزایش مییابد. با توجه به اینکه ماتریس کوواریانس نمونه، مبتنی بر احتمال شاخص اندازهگیری شده است، تابعی که بسیار در این خصوص استفاده می شود، تابع حداکثر کردن نرمال نظری است.

علت انجام تحلیل آماری با استفاده از SmartPLS

اصلی ترین دلایل استفاده از نرم افزار Smartpls به شرح زیر است :

1- حجم نمونه کم باشد.

2- داده ها نرمال نباشند.

در صورتی که حجم دیتاها زیاد و یا داده ها نرمال باشند نیز میتوان از این روش استفاده کرد.

ویژگی های تحلیل آماری با نرم افزار SmartPLS

1-روش معادلات ساختاری مبتنی بر واریانس بر پیش بینی عوامل تمرکز دارد.

2-روش معادلات ساختاری مبتنی بر واریانس برای اکتشاف تئوری کاربرد دارد.

3-با حجم نمونه کوچک نیز قابل انجام است.

4-برای مدل های انعکاسی و تکوینی کاربرد دارد.

5-از عوامل با یک گویه پشتیبانی می کند.

6-مشکلی برای برازش داده ای که دارای مقادیر گم شده است، ندارد.

7-از داده های دارای چند-همخطی پشتیبانی می کند.