حداقل مربعات جزئی آمیخته متناهی
حداقل مربعات جزئی آمیخته متناهی (FIMIX-PLS) برای خوشه‌بندی نمونه‌ها براساس ناهمگنی داده‌ها استفاده می‌شود. روش FIMIX-PLS یکی از قابلیت‌هایی است که به روش حداقل مربعات جزئی اضافه شده است. جوزف هیر و همکارانش (۲۰۱۵) در دو مقاله مستقل این روش را معرفی کرده‌اند.
روش Finite mixture partial least squares یا FIMIX-PLS در کانون تحلیل آماری پارسمدیر با عنوان حداقل مربعات جزئی آمیخته متناهی ترجمه شده است. این روش کارایی مشابه با روش‌های داده‌کاوی مانند الگوریتم ژنتیک دارد و برای خوشه‌بندی واحدهای مختلف نمونه مناسب است. درواقع FIMIX-PLS براساس مفهوم ناهگمنی داده‌ها بنا شده است.
با استفاده از روش FIMIX می‌توان خوشه‌های مختلفی از نمونه را شناسایی کرد. این روش برای بخش‌بندی مشتریان در بازاریابی بسیار مناسب است. بویژه آنکه روش FIMIX-PLS مبتنی بر مباحث حداقل مربعات جزئی است و با حجم اندک نمونه نیز به خوبی قابل اجرا می‌باشد. این روش بویژه با بحث تحلیل چند گروهی و متغیر تعدیل کننده در ارتباط است.
شیوه تحلیل حداقل مربعات جزئی آمیخته متناهی
برای تحلیل FIMIX-PLS می‌توانید هم از نرم‌افزار Smart PLS 3 و هم از دیگر نسخه‌های نرم‌افزار Smart PLS استفاده کنید. برای این منظور یکی از دو نسخه این نرم‌افزار را اجرا کنید و از منوی Calculate دستور Finite mixture (FIMIX-PLS) segmentation را انتخاب کنید. می‌توانید به عنوان پیش‌فرض تعیین کند داده‌ها به چند گروه تقسیم شود.
تحلیل حداقل مربعات جزئی آمیخته متناهی
هیر در کتاب حداقل مربعات جزئی مفهوم مدلسازی ناهمگنی مشاهده نشده را تشریح کرد. از آنجا که ناهمگنی اغلب در مطالعات تجربی وجود دارد پژوهشگران باید منابع بالقوه ناهنگی را با تشکیل گروه‌هایی از داده‌ها براساس خصیصه‌های قابل مشاهده مدنظر قرار دهند. برای نمونه استفاده از متغیرهای جمعیت‌شناختی مانند سن، جنسیت و تحصیلات می‌تواند مورد استفاده قرار گیرد. وقتی ساختار داده‌های ناهمگن را بتوان به خصیصه‌های قابل مشاهده برگشت داد، از این وضعیت به عنوان ناهمگنی مشاهده شده نام برده می‌شود.
منابع ناهمگنی در داده‌ها هرگز به صورت شناخته شده نیستند. در نتیجه موقعیتی بوجود می‌اید که در آن تفاوت‌های مرتبط با ناهمگنی مشاهده‌نشده مدل مسیری PLS را از برآورد دقیق باز می‌دارد. اگر ناهمگنی مشاهده نشده باعث مشکلات برآورد شود باید از تکنیک‌های مکل برای بخش‌بندی مبتنی بر پاسخ استفاده کرد. روش FIMIX-PLS یکی از همین تکنیک‌ها است.
سخن پایانی
حداقل مربعات جزئی آمیخته متناهی (FIMIX-PLS) یک روش دسته‌بندی خوشه‌های پنهان برای شناسایی ناهمگنی در بخش ساختاری مدل است. در این روش می‌توان خوشه‌های احتمالی از پاسخ‌دهندگان را شناسایی کرد. سپس ضریب مسیر سازه‌ها را برای هر خوشه جداگانه محاسبه کرد. در فایل خروجی از بخش Final results روی Path coefficient کلیک کنید. ضریب مسیر بین سازه‌ها در دو خوشه گوناگون نمایش داده می‌شود اگر ضریب مسیر در دو خوشه تفاوت بسیار زیادی داشته باشد بنابراین با دو خوشه از پاسخ‌دهندگان مواجه هستید.
منبع: حبیبی، آرش؛ جلال‌نیا، راحله. (۱۴۰۱). کتاب حداقل مربعات جزئی. تهران: نارون.
