مدل‌های مرتبه بالاتر (سلسله‌مراتبی)

مدل‌های مرتبه بالاتر (سلسله‌مراتبی) زمانی استفاده می‌شوند که سازه‌های مدل در سطوح بالایی از انتزاع بوده و خود از سازه‌های فرعی دیگری تشکیل شده باشند. در بسیاری از موارد پژوهشگران با چنین مدل‌هایی سروکار دارند. در این آموزش به تشریح این مدل‌ها با استفاده از روش حداقل مربعات جزئی پرداخته شده است.

تعریف مدل مرتبه بالا (سلسله‌مراتبی)

مدل مرتبه بالا (Higher-order Model) ساختاری است که در آن یک سازه مرتبه بالا (Higher-Order Construct) از چند سازهٔ مرتبه پایین‌تر تشکیل می‌شود و این سازه‌های جزء به‌طور مستقیم توسط شاخص‌ها اندازه‌گیری می‌شوند. به بیان ساده‌تر، سازهٔ اصلی از طریق سازه‌های فرعی تعریف می‌شود، نه به‌طور مستقیم توسط گویه‌ها.

عنوان این مدل‌ها در مقاله‌ها و کتاب‌های آماری به صورت زیر است:

• مدل‌های مرتبه بالاتر (Higher-order Models, HOM)
• مدل‌های سلسله‌مراتبی (Hierarchical component models, HCM)

مدل مرتبه بالاتر، راهی برای تبدیل یک مفهوم پیچیده به ساختاری منظم و قابل تحلیل است؛ سازهٔ اصلی تنها زمانی مفهوم پیدا می‌کند که ابعاد فرعی آن درست تعریف و اندازه‌گیری شده باشند.

این نوع مدل‌ها زمانی استفاده می‌شوند که یک مفهوم پیچیده ــ مانند کیفیت خدمات، تعهد سازمانی، یا تجربه مشتری ــ قابل تجزیه به چند بُعد فرعی است و پژوهشگر می‌خواهد اثرات این بُعدها را هم جداگانه و هم به‌صورت ترکیبی تحلیل کند. مدل‌های سلسله‌مراتبی باعث می‌شوند:

• نمایش مفاهیم پیچیده به شکلی دقیق‌تر و نظری‌تر
• کاهش تعداد پارامترها و ساده‌سازی مدل
• اندازه‌گیری سازه‌های چندبُعدی با ساختاری منظم و معتبر

دقت کنید هر دو مفهوم HOM و HCM مترادف بوده و تفاوتی بین مدل سلسله‌مراتبی با مدل مرتبه بالاتر وجود ندارد.

تعریف سازه مرتبه بالا

سازه (Construct) همان عوامل یا ایعاد مورد بررسی در یک مدل می‌باشد. یک سازه معمولاً انتزاعی است به این معنا که به صورت مستقیم قابل مشاهده یا سنجش نیست. به همین خاطر گاهی به سازه‌ها، متغیرهای پنهان نیز گفته می‌شود. برای سنجش سازه‌ها از گویه‌هایی استفاده می‌شود که همان متغیرهای مشاهده‌پذیر هستند. (برای مطالعه بیشتر متغیر پنهان و آشکار را بنگرید.)

یک سازه از طریق تعریف مفهومی به صورت قابل درک تبدیل می‌شود و از طریق تعریف عملیاتی به صورت قابل اندازه‌گیری می‌شود. (برای مطالعه بیشتر تعریف مفهومی و عملیاتی را بنگرید.) اما گاهی برخی از سازه‌ها خود به سازه‌های فرعی دیگری تقسیم می‌شوند. در این صورت باید علاوه بر سازه اصلی، سازه‌های فرعی مربوط نیز به مدل وارد شود.

برای مثال فرض کنید سازه مدیریت دانش خود شامل خلق دانش، ذخیره دانش، تسهیم دانش و بکارگیری دانش است. همینطور وفاداری مشتریان شامل وفاداری نگرشی و وفاداری رفتاری است. اگر بخواهیم تاثیر مدیریت دانش بر وفاداری مشتریان را بررسی کنیم باید از یک مدل‌های مرتبه بالاتر استفاده کنید.

طراحی مدل‌های مرتبه بالاتر

نرم‌افزار Smart PLS امکان طراحی مدل‌های مرتبه بالاتر را فراهم کرده است. در این نرم‌افزار می‌توان سازه‌های اصلی و سازه‌های فرعی مربوط به آن را به صورت همزمان در یک مدل فراخوانی کرد. سپس به سادگی به اجرای مدل پرداخت. یک نمونه مدل سلسله‌مراتبی در شکل زیر ارائه شده است.

در شکل فوق متغیر REPU یک سازه مرتبه‌ دوم است که از دو سازه Like و Comp تشکیل شده است. دقت کنید جهت فلش از سازه اصلی به سازه‌های فرعی است. اگر برعکس عمل کنید ضرایب مسیر سایر سازه‌های موثر بر سازه اصلی را صفر کرده‌اید. اگر پرسش بیشتری داشتید در پایان همین آموزش از قسمت دیدگاه‌ها مطرح کنید.

سخن پایانی

مدل‌های مرتبه بالاتر (سلسله‌مراتبی) روشی برای سنجش روابط میان سازه‌های مدل هستند که خود از سازه‌های فرعی تشکیل شده باشند. نرم‌افزار اسمارت پی‌ال‌اس این امکان را فراهم کرده است تا بتوان چنین مدل‌هایی را اجرا کرد. با این روش می‌توان الگوهای پیچیده‌تری از روابط را شناسایی و اعتبارسنجی کرد. البته باید تمرکز داشته باشید تا انعکاسی یا تکوینی بوده سازه‌ها را در بخش اندازه‌گیری حتما رعایت کنید. در این صورت برازش مدل بهتر خواهد شد.

فهرست منابع

حبیبی، آرش. کتاب حداقل مربعات جزئی. تهران: نارون‌دانش.

Becker, J.-M., Cheah, J. H., Gholamzade, R., Ringle, C. M., Sarstedt, M. (2023): PLS-SEM’s Most Wanted Guidance, International Journal of Contemporary Hospitality Management, 35(1), pp. 321-346.
Becker, J.-M., Klein, K., and Wetzels, M. (2012). Hierarchical Latent Variable Models in PLS-SEM: Guidelines for Using Reflective-Formative Type Models. Long Range Planning, 45(5-6), 359–۳۹۴.
Hair, J. F., Sarstedt, M., Ringle, C. M., and Gudergan S. P. (2024). Advanced Issues in Partial Least Squares Structural Equation Modeling (PLS-SEM), 2nd Ed., Sage: Thousand Oaks.
Sarstedt, M., Hair, J. F., Cheah, J.-H., Becker, J.-M., and Ringle, C. M. (2019). How to Specify, Estimate, and Validate Higher-order Constructs in PLS-SEM. Australasian Marketing Journal, 27(3), 197–۲۱۱.