یکی از موضوعاتی است که برای دانشجویان مدیریت و مهندسی صنایع بسیار ناشناخته است. در زمان نگارش این مقاله هیچ ردپائی از آموزش آکادمیک تکنیک PLS و دانلود نرم افزارهای مربوط به آن در سایت‌های فارسی موجود نبوده است. از زمان معرفی مدلسازی معادلات ساختاری مبتنی بر کوواریانس که توسط کارل یورسکوگ در سال 1973 ، این تکنیک توجه بسیار زیادی را در بین محققین تجربی به خود جلب کرده است. با این حال، برتری لیزرل که مطمئناً شناخته شده ترین ابزار برای انجام این گونه تحلیلهاست، ناشی از این مسأله است که تمامی محققین از تکنیکهای جایگزین مدلسازی معادلات ساختاری از جمله؛ حداقل مربعات جزئی آگاه نیستند.
مشاوران ایران ، همیار شما در انجام پایان نامه کارشناسی ارشد
یکی از عمده‌ترین دلایل گرایش دانشجویان به استفاده از تکنیک حداقل مربعات جزئی این است که این تکنیک به فرض نرمال بودن جامعه و همچنین حجم نمونه متکی نیست. این در حالی است که برای انجام تکنیک معادلات ساختاری و نرم‌افزار لیزرل به حجم انبوهی از داده‌ها نیاز است. برای حل مسائل حداقل مربعات جزئی یا PLS می توانید از نرم افزار SmartPLS استفاده کنید. نرم افزار smartpls یک نرم افزار رایگان است که دریافت آن کمی دردسر دارد ولی در وب سایت پارس مدیر نحوه دانلود آن تشریح شده است.
بطور کلی دو نوع رویکرد برای برآورد پارامترهای یک مدل معادلات ساختاری وجود دارد که عبارتند از: رویکرد مبتنی بر کوواریانس و رویکرد مبتنی بر واریانس. رویکرد اول در تلاش است تا اختلاف بین کوواریانسهای نمونه و آنچه که مدل نظری پیشبینی کرده است را حداقل کند. بخاطر شهرت فراوان مدلسازی معادلات ساختاری مبتنی بر کوواریانس، مطالعات متعددی وجود دارند که از این تکنیک تعریفی ارائه کرده اند. برخلاف رویکرد اول، رویکرد حداقل مربعات جزئی در ابتدا توسط اچ. ولد تحت عنوان حداقل مربعات جزئی تکراری غیرخطی 2 معرفی شد که هدف از آن حداکثرکردن واریانس متغیرهای وابستهای است که توسط متغیرهای مستقل تعریف می شوند. همانند سایر مدلهای معادلات ساختاری، مدل حداقل مربعات جزئی نیز دارای بخش ساختاری است که منعکس کننده ارتباط بین متغیرهای پنهان (مکنون) و یک جزء اندازه گیری است.
برای آزمون مدل مفهومی پژوهش می توان از PLS که یک فن مدل سازی مسیر واریانس محور است، استفاده کرد. این تکنیک امکان بررسی روابط متغیرهای پنهان و سنجه ها (متغیرهای قابل مشاهده) را بصورت همزنان فراهم می سازد. از این روش زمانی که حجم نمونه کوچک بوده و یا توزیع متغیرها نرمال نباشد استفاده می شود. در مدل های PLS دو مدل آزمون می شود: مدلهای بیرونی و مدل های درونی. مدل بیرونی یا Outer Model مشابه اندازه گیری (CFA) و مدل درونی یا Inner Model مشابه تحلیل مسیر در مدل های معادلات ساختاری است . پس از آزمون مدل بیرونی لازم است تا مدل درونی که نشانگر ارتباط بین متغیرهای مکنون پژوهش است، ارایه شود. با استفاده از مدل درونی می توان به بررسی فرضیه های پژوهش مدل پرداخت.
مدل معادلات ساختاری = تحلیل عامل تائیدی + تحلیل مسیر
حداقل مربعات جزئی= مدل درونی + مدل بیرونی
در واقع، حداقل مربعات جزئی از فرآیند پیچیده تر و دو مرحله ای برای برآورد و تعیین وزن ها استفاده میکند. علاوه بر این، با استفاده از روش اطلاعات محدود در حداقل مربعات جزئی، هیچ فرضیه ای برای جامعه و یا مقیاس اندازهگیری وجود ندارد. 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.
انجام پایان نامه مدیریت تخصص ما میباشد
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.
از جمله نکات دیگری که می تواند در خصوص حداقل مربعات جزئی بیان شود ، وضعیتی است که در ان حداقل مربعات جزئی ممکن است به لیزرل ترجیح داده شود ، برای مثال مواردی که سازه ها بطور اولیه توسط شاخص های سازنده اندازه گیری شده اند. ممکن است این موضوع که سازه های مدیریتی بهتر می توانند با شاخص های سازنده نشان داده شوند تا شاخص های انعکاسی به طورمکرر در تحقیقات مدیریتی دیده شود. با شهرتی که شاخص های سازنده دارند ، می توانند به شناسایی مسائل کمک کرده و از وجود مدلسازی معادلات ساختاری مبتنی بر کوواریانس بهره ببرند.
حوزه دیگری که در آن مدلسازی معادلات ساختاری مبتنی بر کوواریانس پیشنهاد می شود، شرایطی است که در آن سایز نمونه کوچک است ، برای این رویکرد حداقل سایز نمونه باید 100 باشد (بدون توجه به خصوصیات سایر داده ها) تا بتوان از راهکارهای مشکل ساز پرهیز کرد و به سطح پذیرش قابل قبولی دست یافت. حتی بسیاری از محققین، حداقل سایز نمونه را 200 پیشنهاد می کنند تا از نتایجی که قابل تفسیر نیستند( مانند واریانس منفی و یا همبستگی بالای 1) پرهیز شود. ولی حداقل مربعات جزئی در شرایطی که نمونه بسیار کوچک است نیز می تواند مورد استفاده قرار بگیرد. اگرچه این گونه شرایط فقط برای تحلیل قدرت آماری می تواند بکار برده شود. مونت کارلو نشان داد که این رویکرد می تواند برای حجم نمونه کمتر از 50 نیز بکار رود ، اچ. ولد با استفاده از 27 متغیر ، دو سازه پنهان و مجموعه داده هایی متشکل از 10 نمونه دست به تحلیل زد. با این حال با در نظر گرفتن مشکل پایداری در مقیاس بزرگ، هنوز این مدل با محدودیت هایی روبروست
- ۹۵/۰۷/۰۱