نرم افزار smartpls  چیست؟

تکنیک Partial Least Squares یا حداقل مربعات جزئی یکی از موضوعاتی است که برای دانشجویان مدیریت و مهندسی صنایع بسیار ناشناخته است. برتری لیزرل که مطمئناً شناخته شده ترین ابزار برای انجام این گونه تحلیلهاست، ناشی از این مسأله است که تمامی محققین از تکنیکهای جایگزین مدلسازی معادلات ساختاری از جمله؛ حداقل مربعات جزئی آگاه نیستند.

یکی از عمده‌ترین دلایل گرایش دانشجویان به استفاده از تکنیک حداقل مربعات جزئی این است که این تکنیک به فرض نرمال بودن جامعه و همچنین حجم نمونه متکی نیست. این در حالی است که برای انجام تکنیک معادلات ساختاری و نرم‌افزار لیزرل به حجم انبوهی از داده‌ها نیاز است. برای حل مسائل حداقل مربعات جزئی یا PLS می توانید از نرم افزار SmartPLS استفاده کنید. نرم افزار smartpls یک نرم افزار رایگان است .

بطور کلی دو نوع رویکرد برای برآورد پارامترهای یک مدل معادلات ساختاری وجود دارد که عبارتند از: رویکرد مبتنی بر کوواریانس و رویکرد مبتنی بر واریانس. رویکرد اول در تلاش است تا اختلاف بین کوواریانسهای نمونه و آنچه که مدل نظری پیشبینی کرده است را حداقل کند. بخاطر شهرت فراوان مدلسازی معادلات ساختاری مبتنی بر کوواریانس، مطالعات متعددی وجود دارند که از این تکنیک تعریفی ارائه کرده اند. برخلاف رویکرد اول، رویکرد حداقل مربعات جزئی در ابتدا توسط اچ. ولد تحت عنوان حداقل مربعات جزئی تکراری غیرخطی معرفی شد که هدف از آن حداکثرکردن واریانس متغیرهای وابستهای است که توسط متغیرهای مستقل تعریف می شوند. همانند سایر مدلهای معادلات ساختاری، مدل حداقل مربعات جزئی نیز دارای بخش ساختاری است که منعکس کننده ارتباط بین متغیرهای پنهان (مکنون) و یک جزء اندازه گیری است.

برای آزمون مدل مفهومی پژوهش می توان از PLS که یک فن مدل سازی مسیر واریانس محور است، استفاده کرد. این تکنیک امکان بررسی روابط متغیرهای پنهان و سنجه ها (متغیرهای قابل مشاهده) را بصورت همزنان فراهم می سازد. از این روش زمانی که حجم نمونه کوچک بوده و یا توزیع متغیرها نرمال نباشد استفاده می شود. در مدل های PLS دو مدل آزمون می شود: مدل‌های بیرونی و مدل های درونی. مدل بیرونی یا Outer Model مشابه اندازه گیری (CFA) و مدل درونی یا Inner Model مشابه تحلیل مسیر در مدل های معادلات ساختاری است . پس از آزمون مدل بیرونی لازم است تا مدل درونی که نشانگر ارتباط بین متغیرهای مکنون پژوهش است، ارایه شود. با استفاده از مدل درونی می توان به بررسی فرضیه های پژوهش مدل پرداخت.

مدل معادلات ساختاری = تحلیل عامل تائیدی + تحلیل مسیر

حداقل مربعات جزئی= مدل درونی + مدل بیرونی

ابزار مدل سازی معادلات ساختاری SEM

در مطالعات حوزه ي علوم انساني و اجتماعي، تجزيه و تحليل داده هاي پژوهش طبق فرآيندي با قالب کلي مشخص و يکسان صورت مي پذيرد که مرتبط با آن روش تحليل آماري متعددي تا به حال معرفي شده است. در اين ميان، مدل سازي معادلات ساختاري (SEM) که در اواخر دهه شصت ميلادي معرفي شد، ابزاري در دست محققين جهت بررسي ارتباط ميان چندين متغير در يک مدل را فراهم مي ساخت. قدرت اين تکنيک در توسعه نظريه ها باعث کاربرد وسيع آن در علوم مختلف از قبيل بازاريابي، مديريت منابع انساني،‌ مديريت استراتژيک و سيستم اطلاعاتي شده است.

دلایل استفاده از SEM

يکي از مهمترين دلايل استفاده زياد پژوهشگران از SEM، قابليت آزمودن تئوري ها در قالب معادلات ميان متغيرهاست. دليل ديگر لحاظ نمودن خطاي اندازه گيري توسط اين روش است که به محقق اجازه مي دهد تا تجزيه و تحليل داده هاي خود را با احتساب خطاي اندازه گيري گزارش دهد.

دو نسل از مدل سازی معادلات ساختاری

مدل سازي معادلات ساختاري تا اين زمان، با دو نسل روش هاي تجزيه و تحليل داده ها معرفي شده است. نسل اول روش هاي مدل سازي معادلات ساختاري روش هاي کوواريانس محور هستند که هدف اصلي اين روش ها تاييد مدل بوده و براي کار به نمونه هايي با حجم بالا نياز دارند. نرم افزارهاي LISREL، AMOS،  EQS و MPLUS  چهار عدد از پرکاربردترين نرم افزارهاي اين نسل هستند.

چند سال پس از معرفي روش کوواريانس محور، به دليل نقاط ضعفي که در اين روش وجود داشت، نسل دوم روش هاي معادلات ساختاري که مولفه محور بودند، معرفي شدند. روش هاي مولفه محور که بعدا به روش حداقل مربعات جزئي تغيير نام دادند، براي تحليل داده ها روش هاي متفاوتي نسبت به نسل اول ارائه دادند.

پس از معرفي روش حداقل مربعات جزئي، اين روش از علاقه مندان بسياري برخوردار شد و پژوهشگران متعددي تمايل به استفاده از اين روش پيدا کردند. مهمترين نرم افزار براي اين روش Smart PLS   مي باشد.

دلايل استفاده از روش pls و SmartPls در پایان نامه ها

محققين دلايل متعددي را براي استفاده از روش پي ال اس (PLS) ذکر نموده اند. مهمترين دليل، برتري اين روش براي نمونه هاي کوچک ذکر شده است. دليل بعدي داده هاي غيرنرمال است که محققين و پژوهشگران در برخي پژوهش ها با آن سر و کار دارند در نهايت دليل آخر استفاده از روش پي ال اس (PLS)، روبرون شدن با مدل هاي اندازه گيري سازنده است.

دلايل استفاده از روش معادلات ساختاري پي ال اس (PLS – SEM) به شرح زير است:

حجم کم نمونه

داده هاي غير نرمال

مدلهاي اندازه گيري از نوع سازنده

قدرت پيش بيني مناسب

پيچيدگي مدل ( تعداد زياد سازه ها و شاخص ها)

تحقيق اکتشافي

توسعه تئوري و نظريه

استفاده از متغيرهاي طبقه بندي شده

بررسي همگرايي

آزمودن تئوري و فرضيه

آزمودن فرضيات شامل متغيرهاي تعديلگر

بهترين دليل استفاده از PLS

با توجه به موارد بالا، حجم نمونه اندک بهترين دليل استفاده از PLS است. روش هاي نسل اول مدل سازي معادلات ساختاري که با نرم افزارهايي نظير LISREL، EQS و AMOS اجرا مي شدند،‌ نياز به تعداد نمونه زياد دارند، در حالي که PLS (پي ال اس)  توان اجراي مدل با تعداد نمونه خيلي کم را دارا مي باشد.

حداقل مربعات جزئی

حداقل مربعات جزئی راهکاری برای آزمون فرضیه ها است و زمانی بکار میرود که حجم نمونه محدود باشد یا داده ها نرمال نباشند. بدون اینکه فرض هایی مانند فرضهای توزیع، و یا مقیاسهای اسمی، ترتیبی، و فاصلهای برای متغیرها، وجود داشته باشند، نتایج کار قابل استفاده میباشد. البته باید این نکته را نیز در ذهن داشت که حداقل مربعات جزئی هم همانند تمامی تکنیکهای آماری، نیازمند فرضهای خاصی است. مهمترین فرضیه، تشخیص “پیش بینی کننده” است. این الزام عنوان میکند که باید بخش سیستماتیک رگرسیون خطی را از روی انتظارات موقعیتی از متغیر وابسته تعریف کرد تا بتوان بر اساس رگرسیون نتیجه گیری کرد. با این حال، مشکل ثبات و پایداری در مقیاس بزرگ همچنان وجود دارد.

با توجه به مشکل سازگاری در نمونه های بزرگ، میتوان در مورد مناسب بودن حداقل مربعات جزئی دچار تردید شد و پرسید که چرا این تکنیک نمیتواند یکی از خصوصیت های کلیدی یک مدل آماری (پایداری برآوردکننده ) را تضمین کند. پاسخ این است که این رویکرد با اصول خودش وارد وضعیتهای مختلف میشود .هدف از مدلسازی معادلات ساختاری مبتنی بر کوواریانس ، تعیین ماتریس پارامترهای مدل Φ است که ماتریس کوواریانس پیش بینی شده توسط مدل نظری Σ(Φ)احتمال بسیار نزدیکی به ماتریس کوواریانس نمونه S دارد. برای این منظور باید تابع F(S, Σ) تعریف شود. وقتی S=Σ است، این تابع ارزش صفر را به خود اختصاص میدهد سایر موارد که ارزش تابع مثبت است، تفاوت بین Σ و S افزایش مییابد. با توجه به اینکه ماتریس کوواریانس نمونه، مبتنی بر احتمال شاخص اندازهگیری شده است، تابعی که بسیار در این خصوص استفاده می شود، تابع حداکثر کردن نرمال نظری است.

علت انجام تحلیل آماری با استفاده از SmartPLS

اصلی ترین دلایل استفاده از نرم افزار Smartpls به شرح زیر است :

1- حجم نمونه کم باشد.

2- داده ها نرمال نباشند.

در صورتی که حجم دیتاها زیاد و یا داده ها نرمال باشند نیز میتوان از این روش استفاده کرد.

ویژگی های تحلیل آماری با نرم افزار SmartPLS

1-روش معادلات ساختاری مبتنی بر واریانس بر پیش بینی عوامل تمرکز دارد.

2-روش معادلات ساختاری مبتنی بر واریانس برای اکتشاف تئوری کاربرد دارد.

3-با حجم نمونه کوچک نیز قابل انجام است.

4-برای مدل های انعکاسی و تکوینی کاربرد دارد.

5-از عوامل با یک گویه پشتیبانی می کند.

6-مشکلی برای برازش داده ای که دارای مقادیر گم شده است، ندارد.

7-از داده های دارای چند-همخطی پشتیبانی می کند.

جدول تفاوت نرم افزار SmartPLS و AMOS و Lisrel

	Lisrel, Amos, Eqs, Mplus	SmartPLS, PLS Graph
تئوری	قوی	پیچیده
توزیع	نرمال چندمتغیره	ناپارامتریک
تعداد نمونه	بزرگ (حداقل 200 نمونه)	کوچک (بین 30-100)
تمرکز تحلیل	تایید روابط فرض شده در تئوری	پیش بینی و شناسایی روابط میان عوامل
تعداد نشان گرها در هر شاخص	به صورت ایده آل بیشتر از 4	یک یا بیشتر
نشانگرهای هر شاخص	در اصل انعکاسی	انعکاسی و تکوینی
نوع اندازه گیری	فاصله ای یا نسبتی	داده های رسته ای، نسبتی

 مراحل تحلیل آماری با  SmartPLS

• رسم مدل و براورد ضرایب رگرسیون
• اندازه گیری مقادیر آماره تی-استودنت و مقایسه آن با عدد 1.96
• بررسی پایایی(آلفای کرونباخ و ضریب پایایی ترکیبی) مدل معادلات ساختاری
• بررسی روایی همگرا مدل(شاخص AVE)
• بررسی روایی افتراقی(شاخص فورنل-لارکر)
• بررسی شاخص های نیکویی برازش مدل معادلات ساختاری
• بررسی شاخص استون-گیسر جهت تایید تناسب پیش بین مدل معادلات ساختاری

برگرفته از یونی تحلیل

تحلیل  داده های آماری با نرم افزار های کمی و کیفی  SPSS ، Amos, PLS, maxquda, NVivo   با قیمت ارزان و کیفیت بالا

نقش عوامل دموگرافیک  (جمعیت شناختی) در پژوهش

اطلاعات دموگرافیک یا ویژگی‌های جمعیت‌‌شناختی به خصوصیات یک جمعیت مانند سن، جنسیت، نژاد، ملیت، محل سکونت، وضعیت تأهل، وضعیت اشتغال، درآمد و مواردی از این قبیل اشاره دارد. این اطلاعات در پژوهش های کمی و کیفی می تواند اطلاعات مهمی به محقق بدهد، در آمار استنباطی محق می تواند بر اساس این عوامل به گروهبندی یا مقایسه یک متغیر در گروه های مختلف جمعیت آماری پژوهش بپردازد. پس این عوامل می توانند سطح کیفیت پژوهش را بالا ببرند. در آمار توصیفی نیز این عوامل می توانند اطلاعات مهمی به پژوهشگر بدهد و زیبایی و ارزش کار او را بالا ببرد. گزارش پژوهش بدون گزارش اطلاعات جمعیت شناختی آن تقریباً مانند بدن بدون روح است و برای خواننده همیشه این سوال مطرح خواهد بود که این  نمونه هایی که در باره آن ها استنباط صورت گرفته چه ویژگی هایی داشته اند. لذا پیشنهاد می شود این عوامل را در تحقیق خودتان بگنجانید. اما این نکته مهم را هم در نظر داشته باشید که بعضی از افراد ممکن است نخواهند طلاعات جمعیت شناختی شان را در اختیار شما بکذارند و شما باید این حق را به آن ها بدهید و در این رابطه اجباری نداشته باشید! همچنین محقق باید محرم اسرار افراد نمونه ی خود باشد و اطلاعات جمعیت شناختی افراد را به صورت موردی در اختیار هیچ کس قرار ندهد و در واقع این حق را هم ندارد، بلکه باید این اطلاعات فقط به صورت گروهی گزارش شوند! ما در سایت روا20 برای کارکنان عوامل دموگرافیک زیر را پیشنهاد می کنیم، که می توانیددر پژوهشتان از آن استفاده کنید! راستی نظر شما چیست! دیدگاه یادتان نرود! چون با دیدگاه ها و پیشنهاد های شما زنده ایم!

پرسشنامه وفاداری مشتری بانک امین و همکاران(2011)

نوشته

تعهد سازمانی و نقش آن در رشد و پایداری سازمان‌ها

نوشته

نشریات ومجلات معتبربین المللی(ISI) درحوزه پزشکی، پژوهشی و تجربی

نوشته

اعتبار سنجی پرسشنامه چیست؟ و چه روش هایی دارد؟

نوشته

روایی پرسشنامه چیست؟ و از چه راه هایی بررسی می شود؟