آزمون توان پیش‌بینی روایی متقاطع (CVPAT)

آزمون توان پیش‌بینی روایی متقاطع (CVPAT) روشی جایگزین برای برآورد قدرت پیش‌بینی مدل با استفاده از الگوریتم PLSpredict است. این روش بوسیله لینگارد (Liengaard) و همکاران به سال ۲۰۲۱ ارائه گردید و بوسیله شارما و همکاران به سال ۲۰۲۲ گسترش یافت. در نسخه شماره چهار از نرم‌افزار Smart PLS امکان برآورد این شاخص فراهم شد و بدیهی است که در زمان ساخت نسخه سه نرم‌افزار این شاخص هنوز رونمایی نشده بود.

آزمون توان پیش‌بینی روایی متقاطع (CVPAT)

شاخص CVPAT بر مفهوم «میانگین ارزش ضرر» استوار است. برای این منظور از میانگین شاخص‌ها (IA) و میانگین ارزش ضرر مدل خطی (LM) استفاده می‌شود. میانگین شاخص‌ها به عنوان یک برآورد ساده و مدل خطی به عنوان یک برآورد محافظه‌کارانه در نظر گرفته می‌شود. میانگین ضرر مدل حداقل مربعات جزئی باید از میانگین ضرر برآورد ‌شده کمتر باشد. این اختلاف میانگین به صورت منفی نمایش داده می‌شود.

برآورد IA و LM در این روش با برآورد Q² و LM در الگوریتم PLSpredict اشمولی برای حداقل مربعات جزئی قابل مقایسه است. در الگوریتم PLSpredict از گویه‌های مربوط به سازه‌های برون‌زا برای برآورد توان پیش‌بینی مدل استفاده می‌گردد در حالیکه در CVPAT از گویه‌های مربوط به سازه‌های اثرگذار مستقیم استفاده می‌گردد.

دیگر اینکه تعداد خمش (K-Folds) و تعداد تکرارها در CVPAT در پیامدهای برآورد تاثیر بسیار زیادی دارد. بهتر است که در هر دو زمینه از تعداد ۱۰ استفاده شود.

برآورد شاخص CVPAT در حداقل مربعات جزئی

آزمون توان پیش‌بینی روایی متقاطع (CVPAT) در نسخه نرم‌افزار Smart PLS 3 وجود ندارد. برای این منظور باید از نسخه ۴ استفاده کرد. نکته قابل ذکر آن است که محاسبه بلایندفولدینگ نیز از نسخه ۴ این نرم‌افزار حذف گردیده است.

برای برآورد CVPAT باید از رویه PLSpredict استفاده کنید.

روی آیکون Calculate کلیک کنید.

گزینه PLS Predict را انتخاب کنید.

شاخص CVPAT در حداقل مربعات جزئی

اجرای الگوریتم پیش‌بینی به تعداد خمش و تکرار بستگی بسیار زیادی دارد. این تعداد بهتر است ۱۰ در نظر گرفته شود و به‌صورت پیش‌فرض نیز روی عدد ۷ تنظیم شده است. بنابراین در دیالوگی که باز می‌شود اجازه دهید تنظیمات پیش‌فرض بدون تغییر بماند.

پس از اجرای رویه PLSpredict در خروجی از بخش LV prediction summary می‌توانید شاخص ارتباط پیش‌بین برای سازه‌های درون‌زا را بدست آورید. همچنین برای گویه‌های درون‌زا نیز روی MV prediction summary کلیک کنید.

سخن پایانی

آزمون توان پیش‌بینی روایی متقاطع (CVPAT) نشان می‌دهد که آیا اختلاف برآورد شده معنادار است یا خیر. بنابراین اگر اختلاف میانگین منفی باشد و مقدار معناداری کمتر از سطح خطای ۵% باشد در این صورت توان پیش‌بینی مدل مطلوب است. همچنین این آزمون میزان آماره تی را نیز برآورد می‌کند. بنابراین اگر مقدار آماره t نیز از ۱/۹۶ بیشتر باشد در این صورت توان پیش‌بینی مدل مطلوب است. این شاخص تنها در نسخه ۴ نرم‌افزار پی‌ال‌اس قابل برآورد است.

منبع: حبیبی، آرش؛ جلال‌نیا، راحله. (۱۴۰۱). کتاب حداقل مربعات جزئی. تهران: نارون.