دلایل استفاده از روش pls در مدل سازی معادلات ساختاری

دلایل استفاده از روش pls

ظهور نرم افزار  Smart Pls در معادلات ساختاری و دلایل آن

اهمیت تحلیل داده ها

دلایل استفاده از روش pls  اهمیت روز افزون تجزیه و تحلیل داده ها در تحقیقات علمی، باعث توجه هرچه بیشتر جامعه علمی به این مقوله شده است. همانگونه که یک پژوهش علمی بدون مروری بر ادبیات موضوع و کنکاش در نظریه ها، ناقص می ماند،‌ اضافه نمودن تحقیق میدانی به تئوری های مطالعه شده جلوه ی دیگری به پژوهش داده و اعتبار آن را دوصد چندان می کند. در این راستا،‌داده هایی که محقق از اعضای نمونه آماری تحقیق خود جمع آوری می نماید، احتیاج به تحلیل دارند تا تفسیر یافته ها و تعمیم نتایج میسر گردد.

ابزار مدل سازی معادلات ساختاری SEM

در مطالعات حوزه ی علوم انسانی و اجتماعی، تجزیه و تحلیل داده های پژوهش طبق فرآیندی با قالب کلی مشخص و یکسان صورت می پذیرد که مرتبط با آن روش تحلیل آماری متعددی تا به حال معرفی شده است. در این میان، مدل سازی معادلات ساختاری (SEM) که در اواخر دهه شصت میلادی معرفی شد، ابزاری در دست محققین جهت بررسی ارتباط میان چندین متغیر در یک مدل را فراهم می ساخت. قدرت این تکنیک در توسعه نظریه ها باعث کاربرد وسیع آن در علوم مختلف از قبیل بازاریابی، مدیریت منابع انسانی،‌ مدیریت استراتژیک و سیستم اطلاعاتی شده است.

دلایل استفاده از SEM

یکی از مهمترین دلایل استفاده زیاد پژوهشگران از SEM، قابلیت آزمودن تئوری ها در قالب معادلات میان متغیرهاست. 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.

دو نسل از مدل سازی معادلات ساختاری

مدل سازی معادلات ساختاری تا این زمان، با دو نسل روش های تجزیه و تحلیل داده ها معرفی شده است. نسل اول روش های مدل سازی معادلات ساختاری روش های کوواریانس محور هستند که هدف اصلی این روش ها تایید مدل بوده و برای کار به نمونه هایی با حجم بالا نیاز دارند. نرم افزارهای LISREL، AMOS، EQS و MPLUS چهار عدد از پرکاربردترین نرم افزارهای این نسل هستند.

چند سال پس از معرفی روش کوواریانس محور، به دلیل نقاط ضعفی که در این روش وجود داشت، نسل دوم روش های معادلات ساختاری که مولفه محور بودند، معرفی شدند. روش های مولفه محور که بعدا به روش حداقل مربعات جزئی تغییر نام دادند، برای تحلیل داده ها روش های متفاوتی نسبت به نسل اول ارائه دادند.

پس از معرفی روش حداقل مربعات جزئی، این روش از علاقه مندان بسیاری برخوردار شد و پژوهشگران متعددی تمایل به استفاده از این روش پیدا کردند. مهمترین نرم افزار برای این روش Smart PLS   می باشد.

دلایل استفاده از روش pls و SmartPls در پایان نامه ها

محققین دلایل متعددی را برای استفاده از روش پی ال اس (PLS) ذکر نموده اند. مهمترین دلیل، برتری این روش برای نمونه های کوچک ذکر شده است. دلیل بعدی داده های غیرنرمال است که محققین و پژوهشگران در برخی پژوهش ها با آن سر و کار دارند در نهایت دلیل آخر استفاده از روش پی ال اس (PLS)، روبرون شدن با مدل های اندازه گیری سازنده است.

دلایل استفاده از روش معادلات ساختاری پی ال اس (PLS – SEM) به شرح زیر است:

• حجم کم نمونه
• داده های غیر نرمال
• مدلهای اندازه گیری از نوع سازنده
• قدرت پیش بینی مناسب
• پیچیدگی مدل ( تعداد زیاد سازه ها و شاخص ها)
• تحقیق اکتشافی
• توسعه تئوری و نظریه
• استفاده از متغیرهای طبقه بندی شده
• بررسی همگرایی
• آزمودن تئوری و فرضیه
• آزمودن فرضیات شامل متغیرهای تعدیلگر

بهترین دلیل استفاده از PLS

با توجه به موارد بالا، حجم نمونه اندک بهترین دلیل استفاده از PLS است. روش های نسل اول مدل سازی معادلات ساختاری که با نرم افزارهایی نظیر LISREL، EQS و AMOS اجرا می شدند،‌ نیاز به تعداد نمونه زیاد دارند، در حالی که PLS (پی ال اس)  توان اجرای مدل با تعداد نمونه خیلی کم را دارا می باشد.

یک مزیت مهم دیگر که محققین به آن استناد می کنند، امکان استفاده از مدل های اندازه گیری با یک شاخص (سوال) در روش PLS-SEM می باشد. این روش به پژوهشگر این امکان را می دهد که بتواند در مدل پژوهشی خود از مدل های اندازه گیری با یک سوال استفاده کند.

 ادامه دلایل استفاده از روش pls در مدلسازی معادلات ساختاری

حداقل مربعات جزئی (PLS) روشی است که اغلب به دلایل مختلف برای مدل سازی معادلات ساختاری (SEM) انتخاب می شود. در حالی که روش‌های سنتی SEM مبتنی بر کوواریانس نیز وجود دارد، PLS-SEM مزایای منحصر به فردی را ارائه می‌کند که آن را در شرایط خاص ترجیح می‌دهد. در اینجا چند دلیل برای استفاده از روش PLS در مدل سازی معادلات ساختاری آورده شده است:

اندازه های نمونه کوچک: PLS-SEM حتی با اندازه های نمونه کوچکتر قوی است. این امر به ویژه هنگام کار با داده های محدود مفید است، که می تواند در علوم اجتماعی و زمینه های خاص رایج باشد.

داده‌های غیرعادی: PLS-SEM توزیع نرمال داده‌ها را فرض نمی‌کند، و آن را برای داده‌هایی مناسب می‌سازد که با فرض نرمال بودن، که اغلب در علوم رفتاری و اجتماعی با آن مواجه می‌شویم، مناسب است.

مدل‌های پیچیده: PLS-SEM برای مدل‌هایی با ساختارهای پنهان متعدد و متغیرهای مشاهده شده مناسب است. می تواند مدل های پیچیده را بدون مفروضات توزیعی دقیق مدیریت کند.

ساختارهای شکل‌دهنده: PLS-SEM هر دو مدل اندازه‌گیری بازتابی و شکل‌دهنده را در خود جای می‌دهد. زمانی که سازه‌های شما بهتر توصیف می‌شوند که توسط شاخص‌هایشان شکل گرفته‌اند، بسیار ارزشمند است تا اینکه باعث ایجاد آن‌ها شوند.

تأکید پیش‌بینی: اگر علاقه اصلی شما پیش‌بینی و توضیح واریانس در متغیرهای وابسته است، PLS-SEM می‌تواند سودمند باشد زیرا بر این جنبه تمرکز می‌کند نه بر آزمایش روابط علّی پیچیده.

تحمل چند خطی: PLS-SEM حساسیت کمتری به چند خطی بودن در میان پیش بینی کننده ها دارد. این در هنگام برخورد با متغیرهای بسیار همبسته مهم است، که می تواند باعث ایجاد مشکلاتی در SEM مبتنی بر کوواریانس شود.

کاربرد بین رشته ای: PLS-SEM در زمینه های مختلف از جمله بازاریابی، مدیریت، سیستم های اطلاعاتی و روانشناسی استفاده می شود. انعطاف پذیری و قابلیت استفاده آن را برای محققان با پیشینه های مختلف جذاب می کند.

تحقیقات اکتشافی: PLS-SEM اغلب زمانی انتخاب می‌شود که محققین در مراحل اولیه توسعه تئوری هستند یا زمانی که می‌خواهند روابط را بررسی کنند و فرضیه‌هایی را تولید کنند.

ساخت مدل تکراری: PLS-SEM امکان ساخت مدل تکراری را فراهم می‌کند، که برای تحلیل اکتشافی و اصلاح مدل‌ها با کسب بینش مفید است.

تجزیه و تحلیل تعدیل و میانجیگری: PLS-SEM از تحلیل های تعدیل و میانجی پشتیبانی می کند و به محققان اجازه می دهد تا تعامل و اثرات غیرمستقیم بین متغیرها را بررسی کنند.

بدون فرض نرمال بودن متغیر پنهان: PLS-SEM فرض نمی کند که متغیرهای پنهان به طور معمول توزیع شده اند، و آن را برای سازه هایی که ممکن است به طور معمول توزیع نشوند مناسب می کند.

استفاده آسان: نرم افزار PLS مانند SmartPLS یک رابط کاربر پسند ارائه می دهد و آن را برای محققان با سطوح مختلف تخصص آماری در دسترس قرار می دهد.

در حالی که PLS-SEM این مزایا را ارائه می دهد، مهم است که توجه داشته باشید که ممکن است بهترین انتخاب برای همه سناریوهای تحقیقاتی نباشد. محققان باید قبل از انتخاب PLS-SEM به عنوان روش تجزیه و تحلیل خود، ماهیت داده‌ها، اهداف تحقیقاتی و مفروضاتی را که با آنها راحت هستند، در نظر بگیرند.

جهت دانلود آموزش های رایگان PLS کلیلک کنید

www.cmu.edu