مدل سازی معادلات ساختاری در تحقیق با پی ال اس و لیزرل

رویکرد (PLS) یا حداقل مجذورات جزئی، به عنوان نسل دوم روش های مدل سازی معادلات ساختاری، افق های نوینی را به روی محققان علوم رفتاری مانند رشته مدیریت 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 کشورمان به نظر می رسد. زیرا  از جمله مشکلاتی هستند که این پژوهشگران با آن مواجه اند. از طرف دیگر ماهیت اکتشافی این رویکرد به پژوهشگران در کشف و توسعه تئوریهای مبتنی بر فرهنگ ایرانی یاری می رساند. در این مقاله به صورت ساده به معرفی و بررسی معایب و محاسن این رویکرد پرداخته شده و نحوه آزمون و تفسیر نتایج مدل های آزمون شده با این رویکرد مورد بررسی قرار گرفته است.

مدل سازی در معادلات ساختاری

با معرفی روشهای مدل سازی معادلات ساختاری مبتنی بر کوواریانس (Covariance based- structural CB -SEM equation modeling) با روشهای لیزرل (LISREL) در مقاله قاضی طباطبائی با عنوان «مدل های ساختار کواریانس یا مدل های لیزرل در علوم اجتماعی» به سال ۱۳۷۴ و انتشار کتاب ها و مقالات متعدد در این زمینه مانند هومن (۱۳۸۷ و ۱۳۸۵) و دسترسی آسان پژوهشگران ایرانی به نرم افزارهایی مانند (LISREL و AMOS) باعث شد که این روش محبوبیت بسیار زیادی کسب کند، به طوری که پژوهشگران، مدل سازی معادلات ساختاری را با نام لیزرل می شناسند. این امر موجب پنهان ماندن روش دیگر مدل سازی معادلات ساختاری یا تحلیل مسیر یعنی (Partial least squares- path modeling: PLS – PM) از دید و کاربست پژوهشگران شده است. این روش به علت وابستگی کمتر به مقیاس های اندازه گیری (عدم ضرورت به فاصله ای یا نسبی بودن سطح سنجش مقیاسها)، اندازه نمونه، و توزیع باقیمانده، می تواند به عنوان یکی از روشهای توانمند تحلیل مورد استفاده قرار گیرد قدمتی به اندازه روش لیزرل دارد و در سال ۱۹۷۵ توسط هرمن والد (Herman O Wold) معرفی گردید. لیزرل نیز در سال ۱۹۷۳ توسط بورسکاگ (Joreskog) معرفی شده است. به باور چین این عدم محبوبیت (PLS) بدین خاطر است که تا سال های اخیر نرم افزارهای کمی جهت مدل سازی بر اساس (PLS) وجود داشت. سال ها پس از ارائه الگوریتم (PLS) فقط یک نرم افزار با عنوان (LVPLS 1.8) برای مدل سازی با این روش وجود داشت، که به علت پیچیدگی، متنی بودن و نیازمند تسلط به برنامه نویسی به زبان فرترن (Fortran)، کمتر مورد توجه قرار گرفت. اما در سال های اخیر چندین نرم افزار کاربرپسند و دارای رابط گرافیکی کاربر ارائه شده اند که باعث افزایش محبوبیت این روش شده اند این نرم افزارها شامل: (PLS SmartPLS VisualPLS Graph و XLstat) می باشند. با مروری بر، برخی مجلات معتبر مانند (MIS – Quarterly& information management, Computer & education) می توان مشاهده نمود که مقالات بسیاری که با این روش تحلیل شده اند به چاپ می رسند. اما با مرور مجلات پژوهشی فارسی فقط یک مقاله توسط امانی و همکاران (۱۳۹۰) در مجله علوم رفتاری چاپ شده است. در این راستا نویسندگان مقاله حاضر نیاز احساس کردند که این روش را به صورت ساده و قابل فهم به پژوهشگران ارجمند ایرانی معرفی کنند طوری که برای فهم مقاله حاضر نیازی به دانش آماری پیشرفته نباشد.

مدل یابی معادلات ساختاری

یکی از اهداف اصلی تکنیک های چند متغیره مانند رگرسیون چند متغیری، تحلیل عاملی، تحلیل واریانس چند متغیری و روش هایی نظیر آن، گسترش توانایی تبیینی محقق و افزایش کارآیی آماری است. این روش ها اگرچه ابزار قدرتمندی برای محقق به شمار می روند، ولی همگی دارای محدودیت مشترکی هستند: هر یک از این تکنیک ها می توانند در هر بار فقط یک رابطه مجزا را بررسی کنند. ولی در خیلی از موارد، محقق با مجموعه ای از پرسش های به هم پیوسته روبرو است. مثلا چه متغیرهایی بر نگرش افراد نسبت به استفاده از فناوری رایانه ای تأثیر می گذارند؟ چگونه این نگرش با متغیرهای دیگر ترکیب شده و به تصمیم به استفاده از رایانه تأثیر می گذارند و بالاخره چگونه تصمیم به استفاده بر میزان استفاده واقعی تأثیر می گذارد؟ که برای پاسخگویی به تمامی این سؤالات نیاز به بررسی روش مدل یابی معادلات ساختاری است که از بسط و توسعه مجموعه ای از تکنیکهای چندمتغیری نظیر رگرسیون چند متغیری و تحلیل عاملی شکل گرفته است. مدل یابی معادلات ساختاری به بررسی مجموعه ای از روابط وابستگی به طور همزمان می پردازد. استفاده از این روش، به ویژه زمانی مفید است که یک متغیر وابسته در روابط وابستگی بعدی تبدیل به یک متغیر مستقل می شود. این مجموعه روابط، اساس مدل یابی معادلات ساختاری را تشکیل می دهد. از منظر پی اچ دی پروپوزال، در تحلیل پایان نامه های کارشناسی ارشد و دکتری، بخصوص در فصل چهارم پایان نامه، مدل یابی معادلات ساختاری وسیله ای برای حل بسیاری از مسائل در علوم اجتماعی و رفتاری شناخته شده اند. این مدل ها در مطالعه مسائل اقتصادسنجی، سیاستگذاری، تبعیض در برخورداری از مسکن، اشتغال، پیامدهای اعتیاد به مواد مخدر، پیشرفت تحصیلی، ارزیابی برنامه های اجتماعی، رفتارهای سیاسی، تأثیر عوامل ژنتیکی و فرهنگی بر عملکردهای ذهنی، رفتار مصرف کنندگان و بسیاری مسائل دیگر مورد استفاده قرار گرفته اند.

عوامل جذابیت این مدل یابی معادلات ساختاری

١. این شیوه در مواجهه با روابط چندگانه همزمان، روش مستقیمی به دست می دهد که دارای کارایی آماری نیز می باشد؛

۲. توانایی این شیوه در ارزیابی روابط به طور همه جانبه سبب شده که تحقیق از تحلیل اکتشافی به تحلیل تأییدی انتقال یابد. این انتقال به نوبه خود سبب گردیده تا نگرش منظم تر و کلیتری از مسائل پدیدار شود.

بیشتر نظریه ها و مدل ها در علوم اجتماعی و رفتاری در قالب مفاهیم با سازه های نظری بیان می شود که مستقیما قابل مشاهده و اندازه گیری نیستند. در چنین مواقعی معمولا از تعدادی معروف با نشانگر برای اندازه گیری و مطالعه این متغیرهای نظری استفاده میشود. از طرف دیگر بر عکس علوم طبیعی، علوم اجتماعی و رفتاری مثل مدیریت به ندرت از فرصت آزمایش های دقیق و کنترل شده برخوردارند. در این علوم استنباط روابط على باید براساس مطالعاتی صورت گیرد که در آنها مدل های علی و فرضیه ها از نظر آماری مورد ارزیابی قرار می گیرند

به طور کلی، دو مسئله اساسی در استنباط على از مسائل علوم اجتماعی و رفتاری مانند مدیریت وجود دارد که عبارتند از:

1. اندازه گیری: اندازه گیری های مشاهده شده واقعا چه چیزی را اندازه می گیرند؟ چگونه و با چه دقتی می توان نوع اشیایی را که باید و اندازه گرفته شوند مشخص کرد؟ روایی و اعتبار اندازه گیری های انجام شده را چگونه می توان تعیین و بیان کرد؟

۲. روابط علی بین متغیرها و قدرت تبیین نسبی آنها: چگونه می توان روابط علی پیچیده را بین متغیرهایی که مستقیما قابل مشاهده و اندازه گیری نیستند، ولی در معرفهای جایزالخطا یا خطادار منعکس هستند، استنباط کرد؟ چگونه می توان قدرت رابطه را بین متغیرهای نهفته ارزیابی کرد؟. در پاسخ به چنین پرسش هایی مدل یابی معادلات ساختاری به طور معمول ترکیبی از مدل های اندازه گیری و مدل های ساختاری اند. بر مبنای مدل های اندازه گیری، محقق تعریف می کند که کدام متغیرهای مشاهده شده یا معرفها اندازه گیرنده کدام متغیرهای پنهان هستند و بر پایه مدل های ساختاری مشخص می شود که کدام متغیرهای مستقل دارای تأثیر بر کدام متغیرهای وابسته اند. به این ترتیب با بهره گیری از این مدل ها می توان به طور همزمان به ارزیابی کیفیت سنجش متغیرها و مقبولیت اثرات مستقیم و غیرمستقیم و همچنین تعامل های تعریف شده میان متغیرها پرداخت.

رویکرد (PLS) به مدل یابی معادلات ساختاری

 همان طور که در مقدمه ذکر شد، دو رویکرد برای برآورد پارامترهای یک مدل معادلات ساختاری وجود دارد، که شامل رویکرد مبتنی بر کوواریانس و رویکرد مبتنی بر واریانس یا (PLS). رویکرد مبتنی بر کوواریانس سعی در کاهش تفاوت بین کوواریانس نمونه و کوواریانسی که توسط مدل نظری پیش بینی شده دارد. بنابراین فرآیند برآورد پارامترها سعی دارد تا کوواریانس ماتریس مقادیر مشاهده شده را مجددا تولید کند.

بر خلاف رویکرد مبتنی بر کوواریانس، (PLS) در ابتدا توسط هرمن والد (۱۹۷۵) تحت عنوان (Nonlinear: NIPALIS iterative partial least squares) حداقل مجذورات جزئی از سرگیرنده غیر خطی معرفی گردید. این رویکرد به جای بازتولید ماتریس کوواریانس تجربی، بر بیشینه سازی واریانس متغیرهای وابسته که توسط متغیرهای مستقل پیش بینی می شوند تمرکز دارد. این رویکرد همانند رویکرد لیزرل، از بخش ساختاری که نمایانگر روابط بین متغیرهای پنهان، و بخش اندازه گیری که نشانگر روابط متغیرهای پنهان با نشانگرهایشان است، تشکیل شده است. در رویکرد (PLS) بخش ساختاری، مدل درونی (Inner model) و بخش اندازه گیری مدل بیرونی (Outer model) نام دارد. اما رویکرد (PLS) علاوه بر این دو بخش دارای بخش سومی نیز می باشد، که نسبت های وزنی (Weight relations) نام دارد. این بخش جهت برآورد مقادیر موردها (Case values) برای متغیرهای پنهان مورد استفاده قرار می گیرد. برخلاف رویکرد مبتنی بر کوواریانس که ابتدا پارامترهای مدل برآورد شده و سپس مقادیر موردها از طریق برگشت دادن آنها به مجموعه تمام نشانگرها، برآورد می شود (مانند مقادیر برآورد شده برای هر متغیر پنهان در هر مجموعه از داده ها)، در رویکرد (PLS) ابتدا مقادیر موردها محاسبه می شود. برای نیل به این مقصود، متغیرهای پنهان به صورت ترکیب دقیق خطی نشانگرهای تجربی خود برآورد می شوند. سپس (PLS) از این نمایندگان برآورد شده به عنوان جانشین های کاملی برای متغیرهای پنهان استفاده می کند. وزن های مورد استفاده برای تعیین این مقادیر موردها به صورتی محاسبه می شوند که بیشترین واریانس مفید برای پیش بینی متغیرهای وابسته از روی متغیرهای مستقل را شامل شود. این امر بر این فرض استوار است که تمامی واریانس اندازه گیری شده متغیرها در مدل، واریانس مفیدی هستند که باید تبیین شوند. این بخش از تحلیل (PLS) به تحلیل عاملی مؤلفه های اصلی شباهت دارد که تمامی واریانس متغیرهای اندازه گیری شده را تحلیل نموده و عوامل را به صورت ترکیب خطی ساده نشانگرها برآورد می کند. اما در رویکرد لیزرل که بر اساس تحلیل عوامل مشترک قرار دارد، فقط واریانس مشترک تحلیل شده و به صورت ضمنی بین نشانگرها، عوامل زیر بنائی و خطاهای اندازه گیری تمایز قائل می شود. پس از محاسبه وزن ها در رویکرد (PLS) این امکان فراهم می شود تا مقادیر هر متغیر پنهان تعیین شود. این امر به وسیله محاسبه میانگین وزنی نشانگرهای یک سازه انجام می گیرد. پس از محاسبه مقادیر متغیرهای پنهان، وزن های مسیر ساختاری از طریق رگرسیون حداقل مجذورات معمولی (OLS) محاسبه می شود. شایان ذکر است که این الگوریتم تا زمان رسیدن به همگرایی و کسب نتیجه مطلوب تکرار می شود. با توجه به مطالبی که ذکر گردید ایده اساسی (PLS) سرراست و ساده به نظر می رسد: در ابتدا، نسبت های وزنی که نشانگرها را به متغیرهای پنهان موردنظرشان مربوط می کند برآورد می شود، سپس، با در نظر گرفتن نسبت های وزنی به عنوان ورودی، مقادیر موردها برای هر متغیر پنهان بر اساس میانگین وزنی نشانگرهایش محاسبه می شود. در نهایت از این مقادیر موردها در معادلات رگرسیون استفاده تا پارامترهای روابط ساختاری تعیین شود.

با توجه به مطالبی که در بالا ذکر شد وان نتیجه گرفت که مهمترین قسمت تحلیل (PLS)، برآورد نسبت های وزنی می باشد. البته شاید این فکر به ذهن برسد که می توان برای تمامی نشانگرها وزن برابری را در نظر گرفت، اما این امر دو مشکل اساسی دارد: اولا، هیچ تبیین نظری و منطقی وجود ندارد که تمامی نشانگرها وزن یکسانی داشته باشند. زیرا در این صورت پارامترهای برآورد شده مدل ساختاری بر اساس نوع وزن دهی تغییر می کند که این امر نیز موجب کسب نتایج قراردادی و دلبخواهی می شود (هین لاین و کاپلان، ۲۰۰۴). ثانیا، همان طور که چین، مارکولین و نیوستد (۲۰۰۳) تأکید می کنند، این راه حل این واقعیت را نادیده می گیرد که بعضی از معرف ها در مدل دارای پایایی بیشتر نسبت به معرفهای دیگر هستند، بنابراین این معرفها وزن های بیشتری می گیرند. با توجه به این مطالب، رویکرد (PLS) از فرآیند دو مرحله ای برآورد پیچیده تری برای تعیین وزنها (wi) استفاده می کند. در ابتدا، تخمین بیرونی)Outside approximation صورت می گیرد. در این مرحله، مقادیر موردهای هر متغیر مکنون (مانند  در مدل نظری شکل ۱) بر اساس میانگین وزنی نشانگرهای خود برآورد می شود (= ۲ = w1y3 + w2y4). برای تعیین این وزن ها در مدل های انعکاسی از تحلیل مولفه های اصلی استفاده شده و در مدل های تشکیلی از تحلیل رگرسیون استفاده می شود.

در مرحله بعدی، تخمین دورنی صورت می گیرد. در این مرحله نمرات موردهای بهبود یافته از طریق میانگین وزنی متغیرهای پنهان مجاور تعیین می شود. . برای حصول نتیجه در این مرحله، سه طرح مختلف وزن دهی در دسترس است (سنتروئید (Centroid)، عاملی (Factor) و طرح وزن دهی مسیر (Path weighting scheme)).

والد (۱۹۸۳) طرح اصلی سنتروئید را ارائه داد و لوهمولر نیز طرح های وزن دهی عاملی و مسیر را ارائه داد. طرح سنتروئید از علامت همبستگی های بین یک متغیر مکنون و متغیرهای مجاور آن استفاده می کند. طرح وزن دهی عاملی از همبستگی ها استفاده می کند و طرح وزن دهی مسیر به جهت مسیرها در مدل مسیر توجه می کند. شایان ذکر است که انتخاب هر یک از این طرح های وزن دهی فقط تأثیر اندکی در نتایج نهایی دارد، اما متخصصان استفاده از طرح وزن دهی مسیر را به خاطر این که این طرح تنها طرح برآوردی است که صریحا جهت ارتباطات مسیر پیش بینی معین را در نظر می گیرد، پیشنهاد می کنند وینزی و همکاران با استفاده از برآورد ثانویه مقادیر موردها، نسبت های وزنی تغییر پیدا می کند . فرآیند تخمین بیرونی و درونی تا زمانی تکرار می شود که همگرایی مقادیر موردها به دست آید. سپس بارهای عاملی و ضرایب رگرسیون محاسبه می شوند. همچنین برای محاسبه ضرایب مسیر هر متغیر مکنون درون زاد از رگرسیون خطی چندگانه استفاده می شود.

مزایا و معایب (PLS)

 (PLS) در ارتباط با مدل یابی معادلات ساختاری دارای چندین مزیت و عیب می باشد. مزیت این رویکرد به نیرومندی (Robustness) آن مربوط می شود، این مفهوم بدین معنا است که با استفاده از این رویکرد می توانیم برای مسائل جوابی پیدا کنیم، حتی اگر رویکرد مبتنی بر کوواریانس قادر به پاسخگویی به آنها نباشد. اولین و اساسی ترین مسئله مربوط به اندازه گیری ضعیف می شود که دست یابی به پاسخ براساس رویکرد مبتنی بر کوواریانس را با مشکل مواجه می کند. برای مثال، وقتی پژوهشگر سعی در آزمون مدل ساختاری با نشانگرهای تک گویهای یا ترکیبی از سنجه های تک گویهای و دو گونه ای دارد. در این حالت (PLS) گزینه مناسبی به حساب می آید، زیرا در صورت استفاده از رویکرد مبتنی بر کوواریانس با مشکل عدم تعیین Identification مدل مواجه می شویم. با توجه به این مطالب، (PLS) در تمام مدل های بازگشتی (Recursive) حتی با سنجه های تک گویهای، تعیین شده یا همانند می باشد. بنابراین بررسی اعتبار سنجه های تک گویه ای و دو گویه براساس نظریه های سنجش در رویکرد مبتنی بر کوواریانس بی معنی می باشد، اما این مسئله در رویکرد (PLS) وجود ندارد.

علاوه بر این توانایی، (PLS) قابلیت پذیرش و بررسی سازه های انعکاسی و تشکیلی را به صورت همزمان دارد. بسیاری از محققان از (PLS) به خاطر همین قابلیت استفاده می کنند، زیرا آزمون مدل های تشکیلی در رویکرد مبتنی بر کوواریانس با مشکلات زیادی مواجه است (مانند عدم تعیین، بررسی روایی و پایایی مدل اندازه گیری به دلیل عدم وجود همبستگی بین نشانگرها). همچنین (PLS) رویکرد سریع و مفیدی است برای شناسایی مجموعه ای از متغیرها) مولفه های اصلی که می توانند چند متغیر پی آمد یا نتیجه (Outcome) را پیش بینی کنند. در این حالت (PLS) برخلاف رویکرد مبتنی بر کوواریانس با مشکل پیچیدگی مدل مواجه نیست و قادر است تعداد زیادی از متغیرهای اندازه گیری شده و یا سازه ها را در مدل خود شامل کند. به باور والد در مدل های پیچیده با متغیرهای پنهان، (PLS) بدون رقیب می باشد (چین، مارکولین و نیوستد، ۱۹۹۶). علاوه بر این مطالب رویکرد (PLS) رویکردی نیرومند جهت بررسی اثرات تعاملی (Interaction effects) یا مدل هایی که در آنها متغیرهای تعدیل کننده (Moderators) می باشد، است. به باور چین، مار کولین و نیوستد (۱۹۹۶) رویکردهای مبتنی بر کوواریانس هنگام برآورد اثرات تعاملی با مشکلات عدم تعیین مقیاس و بروز مشکلات در برآورد مدل های ساختاری پیچیده هستند. از طرف دیگر بررسی روایی و پایایی مدل های اندازه گیری متغیرهای مکنون تعدیل کننده در رویکرد مبتنی بر کوواریانس با مشکل مواجه می باشد و در نهایت (PLS) به اندازه نمونه حساس نمی باشد. روش برآورد این رویکرد نمونه های بسیار کم و بسیار زیاد را شامل می شود، در حالی رویکرد مبتنی بر کوواریانس نیاز به نمونه های زیاد برای برآورد پارامترهای مدل دارد. این رویکرد هنگامی که حجم نمونه بسیار کم باشد (۳۰ مورد یا کمتر)، قادر به برآورد نتایج است، در حالی که رویکرد مبتنی بر کوواریانس در این حالت غیر قابل کاربرد است. با وجود این مزایا، (PLS) دارای محدودیت ها و معایبی نیز می باشد. اولین محدودیت آن مربوط به تأکید آن بر پیش بینی به جای تبیین است. این امر موجب سردرگمی پژوهشگر در درک معنی و مفهوم نتایج و چگونگی تفسیر آنها می شود. با مثالی این امر را توضیح میدهیم. چین (۱۹۸۸) با مثالی LISREL و (PLS) را مورد مقایسه قرار می دهد. در این مثال او از دو سازه که هر کدام با دو معرف سنجیده شده اند استفاده می کند. در شکل ۳ این مثال نشان داده شده است.

همانطوری که در شکل می بینید تفاوت زیادی بین نتایج این دو روش وجود دارد. بر اساس روش لیزرل ضریب مسیر بین دو سازه ۸۳/۰ برآورد شده است که بسیار بیشتر از همبستگی بین دو سازه می باشد. اما بر اساس برآورد (PLS) ضریب مسیر بین این دو سازه ۲۲/۰ می باشد که به همبستگی بین دو سازه نزدیک می باشد. علاوه بر آن بارهای عاملی در برآورد (PLS) بسیار بالا بوده ولی در برآورد لیزرل هیچ کدام از بارهای عاملی سطح قابل قبول (۶/۰) را کسب نکرده اند. با توجه به این مطلب می توان گفت که اعتبار سازه در رویکرد لیزرل با مشکل مواجه می باشد.

با توجه به مثال بالا می توان نتیجه گرفت که رویکرد (PLS) زمانی مناسب است که اندازه گیری ضعیف باشد. ولی باید به این نکته توجه کنیم که هدف این رویکرد پیش بینی می باشد. برای درک تفاوت این رویکرد با لیزرل و تأکید آن بر تبیین به نتایج مدل اندازه گیری توجه کنید. نتایج لیزرل نشان میدهند که هر دو سازه معیارهای مناسب جهت داشتن اعتبار همگرا (یعنی نشانگرها با چه دقتی سازه مورد نظر خود را می سنجند) را ندارند. تمامی بارهای عاملی بر اساس برآورد لیزرل پایین تر از حد قابل پذیرش هستند. اما این عدم پذیرش مربوط به تکنیک نمی شود بلکه بر این واقعیت استوار است که سازه های موجود در مدل دارای شرایط لازم جهت استفاده از رویکرد لیزرل نیستند. یکی از مهم ترین شرطها تعداد معرف های سازه می باشد. در رویکرد لیزرل حداقل تعداد معرف ها باید بیشتر از ۳ باشد. بنابراین در صورت استفاده از رویکرد لیزرل برای برآورد مدل حاضر، مدل غیرقابل حل خواهد بود. در حالی که براساس رویکرد (PLS) تعداد معرفها مشکلی در برآورد مدل ایجاد نمی کند. این از مثال هایی می باشد که نشان می دهد مدل اندازه گیری ضعیف بر روابط ساختاری تأثیر می گذارد.

حال به این پرسش توجه کنید: آیا به خاطر اینکه بارهای عاملی بر اساس رویکرد (PLS) در حد قابل پذیرش هستند، سازه های مکنون معتبر هستند؟ این تفاوت بر اساس این واقعیت قرار دارد که بارهای عاملی متغیرهای اندازه گیری برای سازه های برون زاد در (PLS) بر اساس میزان پیش بینی متغیرهای اندازه گیری شده درون زاد قرار دارند. این امر متفاوت از رویکرد لیزرل می باشد که در آن واریانس مشترک بین متغیرهای اندازه گیری شده مربوط به همان سازه مورد نظر است. بنابراین در رویکرد (PLS) میزان بارهای عاملی بستگی به توانایی آنها در برآورد ضرایب مسیر دارند. این امر به رویکرد لیزرل شباهت دارد منتهی با این تفاوت که در رویکرد (PLS) بارهای عاملی به سازه های برون زادی بستگی دارند که به آن وابسته اند. بنابراین این بارها در صورت تغییر مدل، یا افزوده شدن ای مکنون دیگر به مدل تغییر می کنند. این امر با رویکرد لیزرل متفاوت می باشد که در آن بر اعتبار سازه ها در مدل اهمیت داده میشود. در جدول ۱ این دو رویکرد با یکدیگر مقایسه شده اند.

جدول ۱: مقایسه رویکرد PLS با رویکرد مبتنی بر کوواریانس

انتخاب (PLS) در مقابل رویکرد مبتنی بر کوواریانس

به صورت مفهومی و تجربی، (PLS) شباهت زیاد به استفاده از تحلیل رگرسیون چند متغیری برای بررسی روابط احتمالی بین متغیرها با تأکید کمتر بر مدل اندازه گیری به عنوان زیرمدلی جدا و متمایز دارد. رویکرد (PLS) قادر به پاسخگویی به دامنه وسیعی از مسائل به خاطر قابلیت آن در کار با دامنه وسیعی از نمونه های مختلف و پیچیدگی مدل می باشد. همچنین این رویکرد دارای فرضهای محدود کننده کمتر در مورد داده های زیربنایی می باشد. علاوه بر آن تأکید کم این رویکرد بر خصوصیات مدل اندازه گیری مانند روایی و پایایی موجب شده تا پژوهشگران کارشناسی ارشد یا دکتری در مقاله یا فصل چهارم پایان نامه بتوانند از مدل های اندازه گیری تک گویه یا دو گونه ای استفاده کنند که کمتر از تعداد قابل قبول برای رویکرد لیزرل می باشد. بنابراین در موارد خاص، مخصوصا زمانی که مقیاس ها مشکل دار بوده یا به جای تأیید مدل، تأکید بیشتر بر اکتشاف و پیش بینی می باشد، استفاده از رویکرد (PLS) به عنوان رویکردی جذاب و جالب پیشنهاد می شود. البته باید توجه داشت که در صورتی که کیفیت مدل اندازه گیری در پایان نامه ارشد یا دکتری مدیریت برای پژوهشگر مهم است یا سنجه های چندگویه ای برای سازه های مکنون موجود می باشد، استفاده از رویکرد (PLS) پیشنهاد نمی شود. علاوه برآن (PLS) قادر به دستیابی به نتیجه حتی با نمونه های کوچک می باشد (تعداد نمونه های کمتر از تعداد متغیرها). این امر برای اهداف اکتشافی مفید بوده اما قابلیت تعمیم نتایج نه به خاطر نوع رویکرد آماری مورد استفاده، بلکه به خاطر تعداد نمونه کم با محدودیت مواجه است.

حجم نمونه مورد نیاز برای تحلیل (PLS)

با توجه به توانایی تحلیل PLS با حجم نمونه های کمتر، ممکن است این سوال برای خوانندگان پیش بیاید که حجم نمونه کافی برای انجام تحلیل (PLS) چیست؟ چین، مارکولین و نیو ستد (۱۹۹۶) پیشنهاد می کنند که تعداد نمونه باید برابر یا بیشتر از مقادیر مقابل باشد: ۱- ۱۰ برابر بیشتر از تعداد معرف های سازه موجود در مدل با بیشترین تعداد معرف های تشکیلی و ۲- ۱۰ برابر بیشتر از بیشترین تعداد مسیرهای علی که به طرف متغیر وابسته نشانه رفته اند. در توضیح می توان گفت که پس از تدوین مدل، دقت می کنیم کدام سازه بیشترین معرفهای تشکیلی را به خود اختصاص داده است. سپس این تعداد را در ۱۰ ضرب میکنیم تا حجم نمونه به دست آید. یا این که در مدل به روی کدام متغیر وابسته بیشترین مسیر کشیده شده است. برای به دست آوردن حجم نمونه مورد نیاز این تعداد را در ۱۰ ضرب می کنیم. البته اسرایت قاعده دیگری نیز مطرح کرده است. او پیشنهاد می کند که ابتدا سازه با بیشترین تعداد نشانگرهای انعکاسی در مدل را تشخیص داده سپس این تعداد را در ۱۰ ضرب کنید.

 تا با چنیک و فیدل  نیز پیشنهاد می کنند که برای بالابردن قابلیت تعمیم یافته به ازای هر متغیر مشاهده شده در مدل ۵ تا ۱۰ مورد داده گردآوری شود

آزمون مدل های نظری در (PLS)

 بر خلاف رویکرد مبتنی بر کوواریانس، رویکرد (PLS) فاقد شاخص برازش مبتنی بر خی دو جهت بررسی میزان مطابقت مدل نظری با داده های گردآوری شده می باشد. این امر به ماهیت پیش بین محور (PLS) بستگی دارد. بنابراین شاخص های برازشی که به همراه این رویکرد توسعه یافته اند مربوط به بررسی کفایت مدل در پیش بینی متغیرهای وابسته می شوند، مانند شاخصهای افزونگی (Communality) و حشو (Redundancy) با شاخص (Goodness Of Fit: GOF) که آن نیز شامل شاخص (GOF) مطلق (Absolute)، نسبی (Relative)، مدل اندازه گیری و مدل ساختاری می باشد. در واقع این شاخصها نشان می دهند که مثلا برای مدل اندازه گیری معرفها تا چه حد توانایی پیش بینی سازه زیربنایی خود را دارند و برای مدل ساختاری، متغیرهای مستقل تا چه حد و با چه کیفیتی توانایی پیش بینی متغیرهای مستقل مدل را دارند. از طرف دیگر به علت عدم وابستگی این رویکرد به شکل توزیع، استفاده از آزمون های پارامتری برای بررسی معنی داری ضرایب مسیر غیرممکن می باشد. بنابراین مختصصان روش هایی را برای بررسی معنی داری مسیرها از قبیل آزمون بوت استراپ (Boot strap) و جک نایف (Jack knife) ایجاد نموده اند.

منبع: امانی، ج.، خضری آذر، ه. و محمودی، ح.، ۱۳۹۱، معرفی مدل یابی معادلات ساختاری به روش حداقل مجذورات جزئی (PLS – PM) و کاربرد آن در پژوهش های رفتاری، مجله برخط دانش روان شناختی، شماره ۱

عنوان دقیق:

معرفی مدل یابی معادلات ساختاری به روش حداقل مجذورات جزئی (PLS – PM) و کاربرد آن در پژوهش های رفتاری