بلایندفولدینگ (Blindfolding) روشی برای سنجش شاخص ارتباط پیشبین با استفاده مجدد از نمونه است که قدرت پیشبینی مدل را نشان میدهد. این شاخص بوسیله استون و گیزر معرفی گردید و در حداقل مربعات جزئی بکار گرفته میشود.
در این روش، بخشی از دادهها بهصورت نظاممند حذف شده و تلاش میشود تا با استفاده از برآوردهای مدل، مقادیر حذفشده بازسازی گردد. نتیجه این فرآیند، شاخصی به نام «توان پیشبینی» است که بهطور خلاصه با نماد خاصی شناخته میشود و نشاندهنده میزان دقت مدل در بازتولید اطلاعات حذفشده است. این روش بیش از آنکه در راستای برازش درونی مدل باشد، برای ارزیابی کیفیت پیشبینی بروننمونه کاربرد دارد.
بلایندفولدینگ و کاربرد آن در مدل معادلات ساختاری
شاخص ارتباط پیشبین تنها برای سازههای درونزای مدل محاسبه میشود و برای سازههای برونزا صفر خواهد بود. چنانچه میزان این شاخص مثبت باشد نشان از قدرت پیشبینی خوب مدل دارد. زمانی که این رویه در نرمافزار Smart PLS اجرا میشود دو شاخص اصلی را به دست میدهد:
- روایی متقاطع افزونگی (Cross-validated redundancy)
- روایی متقاطع اشتراکی (Cross-validated communality)
روایی متقاطع افزونگی هم براساس بخش ساختاری و هم بخش اندازهگیری برآورد میشود اما روایی متقاطع اشتراکی اطلاعات بخش ساختاری را در نظر نمیگیرد. بنابراین روایی متقاطع افزونگی برآورد بهتری را برای بلایندفولدینگ ارائه میکند.
میزان روایی متقاطع افزونگی با Q۲ نمایش داده میشود و اگر مثبت باشد نشانه تناسب مدل است. همانگونه که اندازه اثر (F۲) معیاری برای ارزیابی توان نسبی ضریب تعیین (R۲) است، اندازه نسبی شاخص ارتباط پیشبین نیز قابل برآورد است که با q۲ نمایش داده میشود:
q۲ = Q۲ ÷ (۱-Q۲)
مقادیر ۰/۰۲ ، ۰/۱۵ و ۰/۳۵ به ترتیب نشاندهنده قدرت پیشبینی کوچک، متوسط و بزرگ برای سازههای درونزا است.
ویدیوی آموزش بلایندفولدینگ
ویدیوی آموزش بلایندفولدینگ در نرمافزار Smart PLS را مشاهده کنید.
کاربرد : محاسبه شاخص برای ارزیابی روایی متقاطع (Cross-Validity)
مدرس دوره : آرش حبیبی؛ پارس مدیر
این ویدیو در نرمافزار Smart PLS 2 تهیه گردید.
در نرمافزار Smart PLS 4 امکان استفاده از رویه بلایندفولدینگ نیست. در این نرمافزار برای سنجش شاخص تناسب پیشبین از آزمون توان پیشبینی روایی متقاطع (CVPAT) استفاده میشود. برای مطالعه بیشتر آموزش مربوط را در سایت پارسمدیر مطالعه کنید.
از آنجا که هدف بسیاری از پژوهشهای کاربردی، نه صرفاً تبیین روابط بلکه توانایی پیشبینی آینده یا دادههای جدید است، بهرهگیری از روش بلایندفولدینگ میتواند روشی مؤثر برای ارزیابی کیفیت مدل در این راستا باشد. افزون بر آن، این تکنیک میتواند به پژوهشگر کمک کند تا در مراحل بازنگری مدل، متغیرهای غیرضروری را حذف و ساختار مدل را بهینهسازی کند.
سخن پایانی
بلایندفولدینگ یک تکنیک استفاده مجدد از نمونه است. این تکنیک امکان محاسبه شاخص استون-گیزر (Stone-Geisser) را فراهم میکند. معیار استون- گیزر یا شاخص Q۲ قدرت پیشبینی مدل را مشخص میسازد. شاخص استون-گیزر معیاری برای ارزیابی روایی متقاطع در مدل حداقل مجذورات جزیی است. شاخص ضریب تعیین R۲ دقت پیشبینی را مشخص میکند و شاخص Q۲ رابطهمند بودن پیشبینی را تعیین میکند. چناچه مقدار شاخص استون-گیزر مثبت باشد روایی پیشبینی مورد تایید است.
منبع: حبیبی، آرش. کتاب حداقل مربعات جزئی. تهران: نارون دانش.