حداقل مربعات جزئی

آموزش نرم افزار Smart PLS

منبع: آموزش نرم افزار Smart PLS نوشته آرش حبیبی جهت انجام محاسبات حداقل مربعات جزئی

پیش‌نیازهای درس

در این درس به اجرای یک مدل ساختاری با روش حداقل مجذورات جزئی Partial Least Square در نرم افزار Smart PLS پرداخته می‌شود.

در درس بعدی نیز معناداری مدل از طریق بوت استراپینگ بررسی می‌شود.

اجرای مدل حداقل مربعات جزئی

پس از دانلود نرم افزار Smart PLS و نصب و فعالسازی آن، روی آیکون این نرم افزار کلیک کنید تا اجرا شود.

ایجاد پروژه جدید در Smart PLS

ایجاد پروژه جدید در Smart PLS

در کادر باز شده Project Name نام پروژه را وارد کنید و مطابق درس دوم داده‌ها را به نرم افزار فراخوانی کنید.

فرض کنید نام پروژه را Rumina گذاشته ایم اگر داده‌ها صحیح وارد شده باشد در سمت راست زیر بخش Projects این پروژه را خواهید دید.

یک مدل با نام پروژه‌ای که ایجاد کرده‌اید با آیکون آیکون مدل جدید در PLS و پسوند splsm ایجاد می‌شود.

برای مثال در پروژه‌ Rumina یک مدل با نام Rumina.splsm ایجاد می‌شود.

برای اضافه کردن یک مدل جدید می‌توانید روی پروژه کلیک راست کرده و Create new project را انتخاب کنید.

طراحی مدل حداقل مربعات جزئی

اکنون روی مدل موردنظر دبل کلیک کنید و در فضای سمت چپ به طراحی مدل بپردازید.

ابزارهای طراحی مدل PLS

ابزارهای طراحی مدل PLS

مطابق تصویر فوق برای ایجاد متغیرهای پنهان از دایره آبی بزرگ که علامت + کنارش می‌باشد استفاده کنید.

سپس با استفاده از ابزار ایجاد رابطه، روابط متغیرهای پنهان را ترسیم کنید.

برای افزودن متغیرهای مشاهده‌پذیر، از سمت راست قسمت Indicators سوالات مربوط به هر متغیر پنهان را روی آن متغیر درگ کنید.

بعد از پایان عملیات مانند شکل فوق PLS Algorithm را انتخاب کنید.

مدل اجرا خواهد شد و نتیجه مانند زیر خواهد بود:

خروجی مدل حداقل مربعات جزئی

خروجی مدل حداقل مربعات جزئی

تفسیر نتایج مدل

مدل فوق تخمین استاندارد روابط بین متغیرهای پنهان را نشان می‌دهد. برای شناسایی قدرت و جهت روابط میان عناصر از تخمین استاندارد استفاده می شود. مقادیر رابطه بین متغیرهای مشاهده‌پذیر (مستطیل‌های زرد) با متغیرهای پنهان (دایره‌های آبی) باید بالای ۰/۷ یا دست کم بالای ۰/۵ باشد. در غیر اینصورت باید متغیرهای مشاهده‌پذیری که مقدار اندکی دارند را حذف کنید و مدل را دوباره اجرا کنید.

روابط دایره های آبی نیز برای آزمون فرضیه ها استفاده کنید.

میزان تاثیر رضایت بر اعتماد ۰/۶۰۴ بدست آمده است که مقدار قابل توجهی است.

میزان تاثیر رضایت بر وفاداری ۰/۲۵۱ بدست آمده است که مقدار متوسط رو به پایینی است.

میزان تاثیر اعتماد بر وفاداری ۰/۶۰۱ بدست آمده است که مقدار قابل توجهی است.

برای بررسی معناداری باید آماره t برآورد شود. برای این منظور از خودگردان سازی استفاده می شود که در درس بعدی (بوت استراپینگ) ارائه شده است. اگر مقادیر آماره تی بالای ۱/۹۶ باشد رابطه معنادار است.

جمع‌بندی آموزش حداقل مربعات جزئی

حداقل مجذورات جزئی که به اختصار PLS نامیده می‌شود، به عنوان نسل دوم روش‌های مدل معادلات ساختاری افق‌های نوینی را بروی پژوهشگران علوم رفتاری گشوده است. این رویکرد به علت وابستگی کمتر به اندازه نمونه، سطح سنجش متغیرها، نرمال بودن توزیع و استفاده از ابزارهای جا افتاده، رویکردی مناسب برای پژوهشگران محسوب می‌شود. موارد بالا از جمله مشکلاتی هستند که این پژوهشگران با آن مواجه هستند. از طرف دیگر ماهیت اکتشافی این رویکرد به پژوهشگران در کشف و توسعه تئوری‌های مبتنی بر فرهنگ ایرانی یاری می‌رساند.

تحلیل داده ها با نرم افزار Smart PLS در زمینه مدل حداقل مجذورات جزیی، بوت استراپینگ، بلایندفولدینگ و برازش حداقل مربعات جزئی

مدل بیرونی و درونی با محاسبه AVE, CR, GOF روایی همگرا و پایایی ترکیبی

حداقل مجذورات جزیی

ساختار کلی حداقل مجذورات جزیی

پذیرش تحلیل حداقل مجذورات جزیی

تکنیک Partial Least Squares یا حداقل مربعات جزئی 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 مدل معادلات ساختاری مبتنی بر کوواریانس که توسط کارل یورسکوگ در سال ۱۹۷۳ ، این تکنیک توجه بسیار زیادی را در بین پژوهشگرین 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 پژوهشگرین از تکنیکهای جایگزین مدلسازی معادلات ساختاری از جمله؛ حداقل مربعات جزئی آگاه نیستند. در این مطلب کوشش شد تا آموزش حداقل مربعات جزئی به زبانی ساده بیان شود.