الگوریتم PLS موزون

الگوریتم PLS موزون (WPLS) یک شیوه اصلاح شده از مدل سازی مبتنی بر حداقل مربعات جزئی است که وزن‌های نمونه را همراه خود دارد. این الگوریتم به سال ۲۰۱۶ توسط بکر و اسماعیل معرفی و مفهوم‌سازی شد. پس از آن امکان محاسبه آن در نسخه نرم‌افزار Smart PLS 3 اضافه گردید. در این آموزش کوشش شده است تا این الگوریتم به صورت روشن تشریح شود.

تشریح الگوریتم PLS موزون

از حداقل مربعات جزئی بیشتر برای اعتبارسنجی الگوهای مدیریت و بازاریابی استفاده می‌شود. پژوهشگران از نمونه‌های گردآوری شده خود برای تخمین پارامترهای جمعیت استفاده می‌کنند. برای این منظور، نمونه باید نمایانگر جمعیت باشد و تعیین حجم نمونه PLS بسیار مهم است. با این وجود، اغلب اعضای جمعیت به طور مساوی در نمونه گنجانده نمی‌شوند. این نشان می‌دهد واحدهای نمونه‌گیری احتمالات مختلفی برای انتخاب دارند.

از این رو، برای بدست آوردن برآورد‌های سازگار هنگام تخمین پارامترهای جمعیت، باید از وزن‌های نمونه برداری (پس از طبقه بندی) استفاده شود. هنگام تخمین پارامترهای جمعیت، استفاده از وزنه‌های نمونه‌گیری یک راه حل ممکن برای اصلاح نتایج است. برای نمونه، با میانگین‌های وزنی یا واریانس‌های وزنی. با استفاده از وزنه‌های مناسب نه تنها می‌توان نواقص موجود در نمونه به دلیل احتمال نابرابر انتخاب را اصلاح کرد. بلکه می‌وان از لحاظ عدم پاسخگویی و عدم پوشش واحد نیز نقایص را اصلاح کرد.

PLS-SEM یک سیستم رگرسیون بر روی داده‌های شاخص استاندارد است. بنابراین کامپوزیت‌های وزنی را به عنوان تقریب متغیرهای نهفته مفهومی در یک الگوریتم تکراری محاسبه می‌کند. یک روش مناسب برای ترکیب وزن نمونه در PLS-SEM بر اساس داده‌های متغیرهای مشاهده شده (یا آشکار) و یک متغیر توزین است که احتمال نابرابر انتخاب را تصحیح می‌کند. در نتیجه نمایندگی نمونه را با توجه به جمعیت تضمین می‌کند.

الگوریتم PLS وزن دار (WPLS)، هنگام تخمین مدل مسیر PLS، از این وزن‌ها با استفاده از همبستگی‌های وزنی و نتایج رگرسیون وزنی استفاده می‌کند. WPLS نسخه اصلاح شده الگوریتم اصلی مدل سازی مسیر PLS است که وزن‌های نمونه‌گیری را در خود جای داده است. در نتیجه، WPLS در صورت موجود بودن وزن مناسب برای نمونه‌برداری، میانگین تخمین پارامتر مدل میانگین جمعیت را بهتر از الگوریتم پایه PLS ارائه می‌دهد.

تنظیمات WPLS در نرم‌افزار Smart PLS

لازمه استفاده از الگوریتم WPLS در دسترس بودن یک متغیر وزن در مجموعه داده‌های شما است. متغیر وزنی متغیری در مجموعه داده شماست که شامل وزن نمونه برداری برای هر مشاهده است. این متغیر وزن دهی لازم است توسط محقق قبل از وارد کردن داده به SmartPLS ایجاد شود.برای بدست آوردن اطلاعات بیشتر در مورد ایجاد وزن نمونه برداری، اصل مقاله را دانلود کنید.

تنظیمات الگوریتم PLS موزون

هنگام اجرای الگوریتم PLS و PLSc و همچنین همه الگوریتم‌های دیگر که براساس نتایج PLS و PLSc در SmartPLS هستند، گزینه‌ای برای انتخاب یک متغیر توزین ظاهر می‌شود.

فقط با استفاده از جعبه ترکیبی در زبانه وزنی که هنگام اجرای الگوریتم در SmartPLS ظاهر می‌شود، متغیر وزن دهی را انتخاب کنید. پس از انتخاب یک متغیر وزن، SmartPLS به طور خودکار WPLS را اعمال می‌کند. تمام محاسبات بعدی PLS از این وزن‌های نمونه برداری استفاده می‌کنند. در نتیجه، شما نتایج PLS وزنی را بدست می‌آورید.

اگر برگه وزن دهی برای الگوریتمی در SmartPLS در دسترس نباشد، روشهای WPLS هنوز برای این الگوریتم در دسترس نیستند.