مدل سازی معادلات ساختاری و انتخاب رویکرد PLS

مدل سازی معادلات ساختاری چیست؟

مدل سازی معادلات ساختاری یکی از انواع روش های آماری است که ابزاری در دست محققین جهت بررسی ارتباط میان چندین متغیر در یک مدل فراهم می سازد. علت نام گذاری این روش به SEM به دو دلیل است:

روابط میان متغیرها در این روش با استفاده از یک سری معادلات ساختار یافته تجزیه و تحلیل می شوند.

این معادلات ساختار یافته در قالب مدل هایی ترسیم می شوند که به محقق امکان مفهوم سازی تئوری های پژوهش را با استفاده از داده ها می دهد.

مدل سازی معادلات ساختاری و انتخاب رویکرد نرم افزار PLS

وقتی نوبت به انتخاب یک رویکرد برای انجام مدل‌سازی معادلات ساختاری (SEM)، به‌ویژه مدل‌سازی حداقل مربعات جزئی (PLS) می‌رسد، باید چند فاکتور را در نظر گرفت. انتخاب بستگی به اهداف تحقیق، ویژگی های داده ها و آشنایی شما با روش ها دارد.

در اینجا چندر تفکیک وجود دارد:

1. اهداف تحقیق:

تجزیه و تحلیل اکتشافی در مقابل تأیید: اگر در مراحل اولیه تحقیق هستید و می خواهید روابط را بررسی کنید و نظریه هایی را توسعه دهید، PLS به دلیل انعطاف پذیری می تواند مناسب تر باشد. اگر فرضیه های کاملاً تعریف شده را آزمایش می کنید، SEM سنتی ممکن است مناسب باشد.

2. ویژگی های داده:

اندازه نمونه: PLS اغلب زمانی توصیه می شود که اندازه نمونه نسبتاً کوچک باشد. SEM سنتی ممکن است به اندازه‌های نمونه بزرگ‌تری برای تخمین پارامترهای قوی نیاز داشته باشد.
مقیاس اندازه گیری: PLS می تواند هر دو شاخص بازتابنده و شکل دهنده را کنترل کند. اگر اندیکاتورهای شما در مقیاس های مختلف هستند یا ویژگی های اندازه گیری متفاوتی دارند، PLS ممکن است ارجح باشد.
چند خطی بودن: PLS در برابر چند خطی بودن قوی است، که می تواند در SEM سنتی یک مشکل باشد.

3. انتخاب نرم افزار:

برای PLS:

SmartPLS: SmartPLS کاربرپسند است و برای محققانی که تازه وارد SEM هستند مناسب است. این یک رابط گرافیکی ارائه می دهد و امکان مدل های بازتابی و شکل دهنده را فراهم می کند. اغلب برای تجزیه و تحلیل های اکتشافی استفاده می شود، اما ویژگی های پیشرفته تری نیز دارد.
ADANCO: ADANCO یکی دیگر از نرم افزارهای خاص PLS است که الگوریتم ها و گزینه های مختلف PLS را برای تجزیه و تحلیل عمیق ارائه می دهد.

برای SEM سنتی:

AMOS: AMOS یک نرم افزار کاربرپسند برای SEM سنتی است. با SPSS ادغام می شود و یک رابط بصری برای مشخصات مدل ارائه می دهد.
Mplus: Mplus یک نرم افزار همه کاره برای SEM اکتشافی و تاییدی است. این می تواند انواع مدل های مختلف را مدیریت کند و دارای قابلیت های پیشرفته ای است.

ملاحظات:

سهولت استفاده: نرم افزار PLS مانند SmartPLS در مقایسه با نرم افزار SEM سنتی، منحنی یادگیری کمتری دارد.
پیچیدگی مدل: اگر مدل شما نسبتاً ساده است، ممکن است به قابلیت های کامل نرم افزار SEM سنتی نیاز نداشته باشید.
تخصص آماری: SEM سنتی اغلب به درک عمیق تری از مفاهیم آماری نسبت به PLS نیاز دارد. PLS می تواند برای محققین بدون پیشینه آماری گسترده تر بخشنده باشد.
جامعه تحقیقاتی: در نظر بگیرید که معمولاً چه نرم افزاری در زمینه شما یا توسط محققانی که با آنها همکاری می کنید استفاده می شود.

به طور خلاصه، اگر تحقیق شما شامل کاوش روابط است، حجم نمونه کوچک‌تری دارد و از شاخص‌هایی با مقیاس‌های مختلف استفاده می‌کند، PLS (مخصوصاً با SmartPLS) می‌تواند مناسب باشد. اگر تحقیق شما شامل تایید فرضیه های کاملاً تعریف شده باشد و با مفاهیم آماری پیچیده تری راحت باشید، نرم افزار SEM سنتی ممکن است مناسب تر باشد. به یاد داشته باشید که ویژگی ها و قابلیت های هر نرم افزار را مرور کنید تا بهترین تطابق را برای نیازهای تحقیقاتی خاص خود تعیین کنید.

مهمترین دلایل استفاده از مدل سازی معادلات ساختاری

یکی از مهمترین دلایل استفاده محققین و پژوهشگران از این روش این است که مدل سازی معادلات ساختاری، روشی کامل و جامع برای آزمودن تئوری های یک تحقیق است.

دلیل دیگر لحاظ نمودن خطای اندازه گیری توسط این روش است که به محقق اجازه می دهد تا تجزیه و تحلیل داده های خود را با احتساب خطای اندازه گیری گزارش دهد. پژوهشگران از این روش برای آزمودن روابط پیچیده میان متغیرهای پنهان و مشاهده شده و همچنین میان چند متغیر پنهان استفاده می کنند. این روش ساختار روابط درونی را در مجموعه ای از معادلات آزمایش می کند. این معادلات همه روابط میان سازه هایی را که در تحلیل وجود دارند ترسیم می کنند. سازه ها همان متغیرهای مکنون هستند که چند متغیر مشاهده شده آنها را برآورد کنند.

اهمیت و مزیت مدل سازی در SEM

یکی از مهمترین مراحل تحلیل داده ها در SEM، ساخت مدل است. مدل سازی روش مناسبی برای بررسی روابط میان متغیرهای مکنون است که توسط متغیرهای مشاهده شده سنجیده می شوند.

مزیت اصلی مدل سازی در این است که معادلات ساختاریافته میان متغیرها را در قالب مدل هایی بررسی می سازد. وقتی مدل توسط محقق ساخته شد، وی برازش آن را بر اساس داده هایی که نمونه آماری در پاسخ به سوالات ابزار اندازه گیری داده اند،‌ بررسی می نماید. اولین وظیفه محقق در این فرایند تعیین تناسب بین مدل برآمده از نظریه های پیشین با داده های جمع آوری شده از نمونه های آماری پژوهش است. از آنجایی که به دست آمدن یک تناسب کامل بین تئوری و داده ها به سختی ممکن است، همیشه مقداری تفاوت میان این دو جود دارد. این میزان تفاوت در SEM با پس ماند نشان داده می شود.

انتخاب رویکرد مناسب معادلات ساختاری برای تحلیل داده ها

حال این موضوع مطرح است که محققی که قصد استفاده از معادلات ساختاری را دارد بهتر است از کدام نسل برای تحلیل داده های خود استفاده کند. به بیان دیگر با استفاده از کدامیک از رویکردهای SEM،‌ نتایج تحلیل داده ها صحیح و معتبر است.

معیارهای انتخاب رویکرد PLS برای معادلات ساختاری (SEM)

معیار اول

۱- اولین معیار برای انتخاب روش های PLS وجود متغیرهای پنهان با شاخص های سازنده در مدل پژوهش است. چنانچه مدل محقق حاوی این دسته از متغیرها باشند، وی مجبور به استفاده از روش PLS است زیرا در رویکردهای نسل اول چنین قابلیتی تعریف نشده و متعاقبا نرم افزارهایی مانند LISREL و AMOS نیز ناتوان در ترسیم سازه ها با شاخص های سازنده می باشند.

معیار دوم

۲- معیار دوم به وجود متغیرهای پنهان مرتبه دوم به بالا در مدل پژوهش مربوطه است. این نوع متغیرها زمانی استفاده می شوند که محقق یک متغیر پنهان را در بیش از دو سطح به کار برد. در این صورت بهتر است که وی از روش PLS استفاده کند.

معیار سوم

۳- معیار سوم آشکارترین معیار انتخاب روش PLS برای تحلیل داده هاست. فرآیند انجام تحلیل داده ها در روش PLS و نرم افزارهای مربوطه مثل Smart PLS به گونه ای طراحی شده است که حساسیت به حجم نمونه به حداقل برسد. به همین ترتیب نرمال بودن توزیع داده ها نیز مانعی برای استفاده از PLS محسوب نمی شود در حالیل که یکی از پیش شرطهای استفاده از روش های نسل اول، نرمال بودن توزیع داده هاست.

معیار چهارم

۴- معیار چهارم اشاره به مدل (مدل مفهومی) دارد که برای طرح فرضیه های خود از آن استفاده نموده است. اگر این مدل در مراحل اولیه توسعه باشد بدین معنی که با تازگی معرفی شده و متعاقبا تئوری های پیشین زیادی برای تایید آن وجود نداشته باشد، محقق بهتر است که از روش PLS برای تحلیل این مدل استفاده کند. روش های نسل اول که نقطه قوت آنها در تایید مدل با استفاده از معیارهای برازش مدل است، بیشتر در تحلیل مدلهایی به کار می روند که نظریات پیشین برای تأیید آنها به وفور موجود باشد ( مدل در مرحله بلوغ باشد) و محقق قصد بررسی تأیید این نوع مدل ها در جامعه آماری مورد نظر خود را داشته باشد.

منبع:

2- Chin, W. W. (2001): PLS – Graph user, s Guide, version 3, Hoston, TX: Soft Modeling.

3-Haenlein, Michael & Kaplan, Andreas M. (2004): A Beginner’s Guide to Partial Least Squares Analysis, in: UNDERSTANDING STATISTICS, 3(4)

4- Temme, Dirk & Kreis,H, and Lutz,L (2006):PLS Path Modeling – A..Software Review, SFB 649 Discussion Paper 2006-08

مدل سازی معادلات ساختاری و انتخاب رویکرد PLS