تحلیل CB-SEM با نرم‌افزار Smart PLS

تحلیل CB-SEM با نرم‌افزار Smart PLS توانمندی جدیدی برای برآورد مدل‌های ساختاری کوواریانس محور مبتنی بر آمار پارامتریک است. در نسخه شماره چهار این نرم‌افزار امکان برآورد مدل‌های کوواریانس‌محور فراهم گردیده‌است.

مدل معادلات ساختاری کوواریانس‌محور بیشتر با نرم‌افزارهای لیزرل و اموس انجام می‌گردید. اکنون قابلیت‌های جدید تحلیل CB-SEM با نرم‌افزار Smart PLS 4 این امکان را فراهم می‌کند تا روش‌های کوواریانس محور نیز قابل انجام باشند.

مدل‌سازی معادلات ساختاری (SEM) برای بررسی روابط میان متغیرهای پنهان است که همزمان متغیرهای مشاهده‌پذیر را نیز در نظر می‌گیرد. منظور از متغیرهای پنهان همان عوامل اصلی هستند که در یک الگو یا مدل مفهومی نمایش داده می‌شوند. متغیرهای مشاهده‌پذیر نیز همان گویه‌ها یا سوالات مربوط به سنجش عوامل اصلی می‌باشند.

شیوه تحلیل CB-SEM با نرم‌افزار Smart PLS

مدل‌سازی معادلات ساختاری مبتنی بر کوواریانس (CB-SEM) یک روش آماری برای تخمین مدل‌های معادلات ساختاری است. این رویکرد از یک مدل آماری برای تخمین و آزمایش همبستگی بین متغیرهای وابسته و مستقل و ساختارهای پنهان در بین آنها استفاده می‌کند. نکته مهم: CB-SEM فرض می‌کند که سازه‌ها عوامل مشترک هستند و مدل را بر این اساس تخمین می‌زند.

نرم‌افزار SmartPLS از ساخت مدل گرافیکی و تخمین مدل CB-SEM با استفاده از رویکرد حداکثر احتمال (ML) پشتیبانی می‌کند. نتایج به شما امکان می‌دهد تا بررسی کنید که آیا فرضیه‌های فرض شده برای مدل با متغیرهای داده‌شده سازگاری دارند یا خیر. این جنبه CB-SEM را به عنوان یک روش چند متغیره تست ساختار با ویژگی تاییدی قرار می‌دهد.

تحلیل ساختاری کوواریانس‌محور مشابه اموس

تحلیل ساختاری کوواریانس‌محور مشابه اموس

نگاره بالا نتایج CB-SEM را در SmartPLS برای یک تحلیل پیرامون عوامل موثر بر عملکرد پایگاه پارس‌مدیر نشان می‌دهد. این الگوریتم در مرحله بتا می‌باشد. تغییرات و اضافات محتمل است و از بازخورد استقبال می‌شود.

تنظیمات الگوریتم CB-SEM در SmartPLS

حداکثر تکرار
حداکثر تعداد تکرارهایی که بهینه ساز انجام خواهد داد. این پارامتر باید به اندازه کافی بالا باشد تا اطمینان حاصل شود که یک راه حل مدل خوب می‌تواند پیدا شود. مقدار پیش فرض ۱۰۰۰ است اما برای مدل‌های پیچیده تر می‌تواند بیشتر باشد.

استراتژی ارزش شروع
مقادیر شروع پیکربندی شده را اعمال کنید.
این کار را با علامت زدن این گزینه و درج مقادیر اولیه مشخص شده با استفاده از پیکربندی مدل نظری خود انجام دهید. اگر این گزینه انتخاب نشود، نرم افزار همیشه از مقادیر شروع پیش فرض استفاده می‌کند.

استراتژی پیش فرض
این استراتژی از مقادیر شروع پیش فرض Lavaan تقلید می‌کند. از تخمین‌های سبک فابین برای بارگذاری‌های خود، ۰.۰ برای ضرایب و کوواریانس‌های مسیر، واریانس شاخص ۰.۵ * برای واریانس‌های باقیمانده و ۰.۰۵ برای واریانس‌های متغیر پنهان خود استفاده می‌کند.

استراتژی یک صفر
این استراتژی مقادیر شروع ساده تری را با ۱.۰ برای بارگذاری‌ها و واریانس‌ها و ۰.۰ برای ضرایب مسیر و کوواریانس‌ها اعمال می‌کند.

معیار توقف (شیب)
زمانی که یکی از دو معیار توقف برآورده شود و همگرایی به حد مطلوب فرض شود، بهینه ساز متوقف می‌شود. در این حالت، بهینه ساز زمانی خاتمه می‌یابد که ||g|| < معیار توقف * max(1، ||x||)، که در آن ||.|| نشان دهنده هنجار اقلیدسی (L2) است. مقدار پیش فرض ۱۰^-۶ است.

معیار توقف (مقدار تابع)
زمانی که یکی از دو معیار توقف برآورده شود و همگرایی به حد مطلوب فرض شود، بهینه ساز متوقف می‌شود. در این حالت زمانی که کاهش تابع هدف (حداکثر مقدار احتمال) کمتر از حداقل توصیه شده باشد، بهینه ساز پایان می‌یابد. شرط برقرار است اگر (f’ – f) / f < stop criterion , که در آن f’ مقدار عینی تکرار گذشته و f مقدار هدف تکرار فعلی است. مقدار پیش فرض ۱۰^-۹ است.

مفروضات خاص

دلالت بر همبستگی متغیرهای پنهان
اگر می‌خواهید همبستگی بین همه متغیرهای پنهان برون زا را تخمین بزنید، این گزینه را انتخاب کنید. معمولاً اگر هیچ پیکان همبستگی در مدل رسم نشود، همبستگی بین متغیرهای پنهان برون زا به صفر محدود می‌شود. با این گزینه، زمانی که هیچ فلشی کشیده نشود، همبستگی‌ها به صورت آزاد تخمین زده می‌شود.

دلالت همبستگی شاخص علی در هر سازه.
اگر می‌خواهید همبستگی بین همه شاخص‌های علی یک متغیر پنهان را تخمین بزنید، این گزینه را انتخاب کنید. معمولاً اگر هیچ پیکان همبستگی در مدل رسم نشود، همبستگی بین شاخص‌های علّی به صفر محدود می‌شود. با این گزینه، زمانی که هیچ فلشی کشیده نشود، همبستگی‌ها به صورت آزاد تخمین زده می‌شود.

برای شاخص‌های علی واریانس ۱.۰ را در نظر بگیرید.
اگر این گزینه را انتخاب کنید، همه واریانس‌های شاخص‌های علّی به ۱.۰ محدود می‌شوند. این نیز مقادیر مشخص شده برای استفاده را بازنویسی می‌کند. این گزینه باید به تقلید از نتایج پیش‌فرض Lavaan کمک کند.

بوت‌استراپینگ مدل ساختاری کوواریانس‌محور (CB-SEM)

بوت‌استراپینگ (Bootstrapping) یک روش ناپارامتریک است که می‌تواند برای آزمایش اهمیت آماری نتایج مختلف CB-SEM (مثلاً ضرایب مسیر) استفاده شود. البته این الگوریتم همچنان در حال بهبود است و تغییراتی در آینده خواهد داشت.

بوت‌استراپینگ مدل ساختاری کوواریانس‌محور

تنظیمات بوت‌استراپینگ مدل ساختاری کوواریانس‌محور

بوت استرپینگ به طور تصادفی نمونه‌های فرعی را از مجموعه داده‌های اصلی تولید می‌کند (با جایگزینی). تعداد مشاهدات در هر نمونه فرعی برابر با مجموعه داده اصلی است. برای اطمینان از تقریب کافی توزیع نمونه، تعداد زیر نمونه‌ها باید زیاد باشد. برای ارزیابی اول، می‌توان از تعداد کمتری از نمونه‌های فرعی بوت استرپ (مثلاً ۵۰۰) استفاده کرد. با این حال، برای نتایج نهایی باید از تعداد زیادی زیرنمونه بوت استرپ (مثلاً ۵۰۰۰ یا ۱۰۰۰۰) استفاده کرد. توجه داشته باشید که تعداد بیشتری از نمونه‌های فرعی بوت استرپ زمان محاسبه را افزایش می‌دهد.

شمار خروجی‌ها (Amount of results)

دو گزینه برای اجرای بوت‌استراپینگ وجود دارد:

  • نمایش سریع خروجی‌های اصلی (The Most important)
  • نمایش کامل همه خروجی‌ها (The Complete)

گزینه مهمترین (سریعتر) مجموعه‌ای از مهم ترین نتایج بوت استرپینگ را برمی گرداند.
گزینه کامل (آهسته تر) تمام نتایج راه‌اندازی موجود را محاسبه می‌کند. بنابراین، زمان بیشتری برای اجرا نیاز دارد و کندتر است.

برای تخمین فاصله اطمینان ناپارامتری سه راهکار وجود دارد:

  • صدک (Percentile)
  • استیودنت (studentized)
  • تصحیح اریبی (BCa)

در بخش نوع آزمون (Test type) انتخاب می‌کنید که آزمون یک طرفه یا دو طرفه است.

سپس سطح اهمیت (Significance level) را مشخص کنید که بهتر است همان مقدار ۵% باشد.

سخن پایانی

در پایان باید پیرامون مولد اعداد تصادفی تصمیم بگیرید. الگوریتم به صورت تصادفی نمونه‌های فرعی را از مجموعه داده‌های اصلی تولید می‌کند که به یک مقدار اولیه برای مولد اعداد تصادفی نیاز دارد. شما این امکان را دارید که بین یک دانه تصادفی و یک دانه ثابت یکی را انتخاب کنید. دامنه تصادفی اعداد تصادفی مختلفی تولید می‌کند و بنابراین هر بار که الگوریتم اجرا می‌شود نتیجه می‌گیرد (این گزینه پیش فرض و تنها گزینه در SmartPLS 3 بود). دانه ثابت از یک مقدار دانه از پیش تعیین شده استفاده می‌کند که برای هر اجرای الگوریتم یکسان است. بنابراین، اگر تعداد مشابهی از نمونه‌های فرعی ترسیم شود، نتایج یکسانی را ایجاد می‌کند. بدین ترتیب نگرانی‌های مربوط به تکرارپذیری یافته‌های تحقیق را برطرف می‌کند.

References

Byrne, B. M. (2016). Structural Equation Modeling with AMOS: Basic Concepts, Applications, and Programming (Multivariate Applications) (3 ed.). Routledge.

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2018). Multivariate Data Analysis. Cengage Learning.

Kline, R. B. (2023). Principles and Practice of Structural Equation Modeling (5 ed.). Guilford Press.

Schumacker, R. E., & Lomax, R. G. (2010). A Beginner’s Guide to Structural Equation Modeling (3 ed.). Routledge.

Rigdon, E. E., Sarstedt, M. & Ringle, C. M. (2017). On Comparing Results from CB-SEM and PLS-SEM. Five Perspectives and Five Recommendations. Marketing ZFP, 39(3), 4-16.

Sarstedt, M., Hair, J. F. Ringle, C. M., Thiele, K. O., & Gudergan, S.P. (2016). Estimation Issues with PLS and CBSEM: Where the Bias Lies!, Journal of Business Research, 69 (2016), Issue 10, pp. 3998-4010.