حداقل مربعات جزئی (PLS) یک راهکار جایگزین برای رگرسیون چندگانه و مدل‌سازی معادلات ساختاری مبتنی بر کوواریانس است. در حقیقت PLS اغلب به‌عنوان یک روش معادلات ساختاری مبتنی بر مؤلفه (Component-Based SEM) یا معادلات ساختاری مبتنی بر واریانس (Variance-Based SEM) برخلاف روش‌های مبتنی بر کوواریانس که توسط نرم‌افزارهای لیزرل، اموس انجام می‌گیرد، نامیده می‌شود. تحلیل PLS بر اساس مجموعه‌ای از متغیرهای مستقل که بر مجموعه‌ای متغیرهای وابسته تأثیر می‌گذارند، بکار گرفته می‌شود. روش PLS به‌عنوان یک مدل رگرسیونی جهت پیش‌بینی یک یا چند متغیر وابسته از طریق مجموعه‌ای از یک یا چند مؤلفه مستقل تعریف می‌شود و یا می‌توان به‌عنوان یک مدل مسیر جهت تفسیر تأثیرات متغیرهای مستقل بر متغیرهای وابسته (پاسخ) در نظر گرفت. روش رگرسیونی PLS توسط نرم‌افزارهای SPSS و SAS قابل انجام است. نرم‌افزار Smart PLS نیز یکی از نرم‌افزارهای رایج درزمینه‌ی مدل‌سازی PLS کاربرد گسترده‌ای دارد که در این آموزش سعی می‌شود به‌صورت تصویری نحوه‌ی مدل‌سازی در نرم‌افزار Smart PLS و تفسیر خروجی‌های آن، آموزش داده شود.
از مزایای روش PLS می‌توان به موارد زیر اشاره کرد
کاربرد روش حداقل مربعات جزئی
هدف والد (1975) توجه به نظریه‌ها و داده‌های ضعیف بود. به همین دلیل PLS را به وجود آورد. حداقل مربعات جزئی برای مقابله با مشکلات داده‌های خاص مانند حجم اندک داده‌ها، وجود داده‌های گم‌شده و هم خطی بین متغیرهای مستقل طراحی‌شده است. در مقابل، حداقل مجذورات متداول (OLS) نسبت به حجم کم داده‌ها، داده‌های گم‌شده و هم خطی چندگانه مقاوم نبوده و نتایج بی‌ثباتی را ایجاد می‌کند، زیرا این شرایط باعث تورم خطای استاندارد ضرایب برآورد شده می‌گردد.
با این تفسیر می‌توان به این نتیجه رسید که روش PLS یک تکنیک پیش‌بینی کننده است تا یک تکنیک تفسیرکننده و بیشتر برای تحلیل‌های اکتشافی به‌عنوان یک مقدمه برای تکنیک‌های تفسیری مانند تحلیل رگرسیون خطی چندگانه و مدل‌سازی معادلات ساختاری کاربرد دارد.
روش PLS بیشتر مواقع برای اهداف پژوهشی که از نوع مدل‌های پیش‌بینی و اکتشافی است مناسب است. به‌طورکلی مدل‌سازی معادلات ساختاری مبتنی بر کوواریانس در مواقعی که اهداف پژوهش از نوع مدل‌های تأییدی (Confirmatory Modeling) است توصیه می‌شود. برخلاف مدل یابی معادلات ساختاری مبتنی بر کوواریانس که میزان برازش مدل مفروض را ارزیابی می‌کند و درنتیجه برآورد مدل در جهت تبیین، آزمون و تأیید نظریه است، روش PLS پیش‌بینی مدار بوده، به نظریه قوی نیاز ندارد و به‌عنوان روش ساخت نظریه می‌تواند به کار رود.
نرم‌افزار Smart-PLS
ساختن یک پروژه جدید و وارد کردن داده‌ها در نرم‌افزار Smart-PLS
در این آموزش تکنیک های زیر آورده شده است
- آموزش حداقل مربعات جزئی (Partial Least Squares)
- کاربرد حداقل مرابعات جزئی PLS
- تفسیر مدل‌های انعکاسی (Reflective) و سازنده (Formative)
- تفسیر مدل درونی (Inner model) و مدل بیرونی (Outer model)
- تفسیر متغیرهای مفهومی درون‌زا (Endogenous) و برون‌زا (Exogenous)
- آموزش نحوه محاسبه تأثیر مستقیم، تأثیر غیرمستقیم و تأثیر کل
- کار نرم‌افزار Smart-PLS
- ساختن یک پروژه جدید و واردکردن داده‌ها در نرم‌افزار Smart-PLS
- آموزش ساخت فایل داده در اکسل
- آموزش صحت داده ها
- رسم مدل در نرم‌افزار
- رسم مدل مسیر در نرم‌افزار Smart PLS
- محاسبه شاخص‌های برازش
- خروجی گرفتن از مدل اجراشده
- بررسی همگرایی مدل
- تفسیر پارامترهای مدل
- تخمین مقادیر T با روش خودگردان سازی (Bootstrapping)
- محاسبه سطح معناداری (P-value)
- بررسی برازندگی مدل
- محاسبه و تفسیر پایایی مرکب
- محاسبه و تفسیر آلفای کرونباخ
- محاسبه و تفسیر میانگین واریانس‌های استخراج‌شده (AVE)
- محاسبه و تفسیر ضریب تعیین (R-Square)
با مشاهده این آموزش قادر خواهید بود
این آموزش شامل 26 صفحه در قالب متن و عکس و ذکر جزئیات کاربردی و نکات تجربی است
یادگیری آزمون کای دو برای مقاطع فوق لیسانس و دکتری ضروری است
نحوه خرید
