این نوشتار در خصوص تحلیل آماری PLS می باشد. قابل ذکر است در علوم مختلف گاهی اوقات فرضیههایی مطرح میشود که در آن نیاز به بررسی تعامل چندین متغیر با یکدیگر وجود دارد. در این موارد معمولاً از مدلسازی استفاده میشود و برای تحلیل یک مدل نرم افزارهای مختلفی در دسترس میباشد. مدلهای بسیار ساده را میتوان با نرم افزارهایی مانند SPSS نیز انجام داد اما معمولاً از سه نرم افزار شناخته شده یعنی لیزرل، ایموس و پی ال اس بیشتر استفاده میشود.
نرم افزار Smart PLS در سال ۲۰۰۵ معرفی شد و برخلاف نرم افزارهای دیگر مانند لیزرل و ایموس که از روش کوواریانس محور استفاده میکردند، در PLS از روش حداقل مربعات جزئی استفاده میشود. در تحلیل آماری pls سعی براین است که با استفاده از نشانگرهای گرافیکی به جای نوشتن فرامین بلند و پیچیده، طراحی مدل معادلات ساختاری انجام گیرد. با توجه به کاربرد روز افزون این نرم افزار در مدلسازی، موسسه نیتیو پیپر خدمات کاملی را در زمینه تحلیل آماری با PLS ارائه میدهد که در ادامه با آنها آشنا خواهید شد.
در مدل سازی معادلات ساختاری (SEM) می توان از دو شیوه مدل سازی که تکیه بر کوواریانس (CBSEM) و مدل سازی مبتنی بر واریانس استفاده کرد. در روش CBSEM ، هدف تقریبی ماتریس تئوری کوواریانس با ماتریس کوواریانس دیده شده در نمونه است و برای این منظور از روشهای تخمین حداکثر احتمال تعمیم یافته و حداقل مربعات تعمیم یافته استفاده می شود. فرضهایی مانند توزیع طبیعی معرفهای مشاهده شده و اندازه نمونه نسبتاً زیاد ضروری است. یک روش جایگزین برای شکستن این فرضیات استفاده از روش حداقل مربعات جزئی (PLS) است. هر یک از این روش ها می توانند پارامترهای مدل را به روشی کاملاً متفاوت تخمین بزنند. بنابراین، انتخاب روش صحیح تحلیل داده ها ضروری به نظر می رسد. بنابراین ، اگر مدل شما دارای شرایط زیر است ، توصیه می شود از روش تحلیل آماری pls برای تجزیه و تحلیل مدل استفاده کنید:
روش PLS (حداقل مربعات جزئی) دربردارنده یک سری رگرسیون های متوالی OLS است و نیازی به توزیع عادی مشاهدات نیست.
استفاده از روش حداقل مربعات سازگاری روش حداقل مربعات جزئی را با نمونه های کوچک نشان می دهد. در حالی که در روش CBSEM مبتنی بر ML یا GLS ، حداقل ۲۰۰ نمونه مورد نیاز است.
با توجه به اینکه تجزیه و تحلیل PLS فرض می کند که همه بلوک ها ترکیبی خطی از معرفهای خود هستند ، مشکلات رایج مانند محلولهای غیرخطی و عدم اطمینان عواملی هستند که گاهی اوقات در تکنیکهای CBSEM رخ می دهد.
SMART PLS یکی دیگر از برنامه های پر کاربرد در علوم انسانی و پزشکی و همچنین کشاورزی برای تجزیه و تحلیل آماری و داده ها است. بسیاری از دانشجویان علوم انسانی ، علوم پزشکی و کشاورزی از نرم افزار PLS برای تحلیل داده های جمع آوری شده استفاده می کنند. PLS مخفف Partial Least Squares است که خود مخفف Least Squares است. این روش روش جدیدی برای ساخت معادلات رگرسیون است (به تجزیه و تحلیل آماری با سایر نرم افزارها مراجعه کنید).
ویژگیهای PLS در انجام تحلیل آماری pls
PLS نمرات متغیرهای نهفته را تخمین می زند، یعنی ساختارهایی که با یک یا چند شاخص اندازه گیری می شوند (متغیرهای صریح).
وقتی اندازه نمونه کم است ممکن است از PLS استفاده شود. بنابراین ، می تواند در شرایطی که نمی توان از روش های دیگر استفاده کرد ، استفاده شود.
PLS قادر به تخمین مدلهای پیچیده با بسیاری از متغیرهای نهفته و آشکار است.
PLS در مورد توزیع متغیر و خطا فرضیات سختگیرانه کمتری دارد.
PLS نسبت به داده های عادی حساس نیست.
تجزیه و تحلیل آماری با PLS در بخشهای مختلف
گروه علمی پژوها نیز با استفاده از تیمی از پژوهشگران برجسته در رشتههای مختلف، آماده انجام تمامی پروژههای پژوهشی است که قصد مدلسازی با نرم افزار PLS را دارند. همکاران ما در رشتههای مختلف از جمله رشتههای روانشناسی و مشاوره، علوم تربیتی، علوم اجتماعی، مدیریت، اقتصاد، حسابداری، علوم پزشکی و سایر رشتهها، آمادگی دارند تحلیل آماری با PLS را مبتنی بر پروپوزال یا موضوع مقاله به انجام برسانند.