نرم افزار Smart PLS و مدل سازی معادلات ساختاری واریانس محور

یکی از نرم افزارهای معادلات ساختاری که به بررسی آزمون فرضیات مربوطه می پردازد، نرم افزار pls می باشد.  در سال 2005 توسط رینگل و همکاران وی در دانشگاه هامبورگ آلمان طراحی شده است. این نرم افزار قابلیت پردازش و تحلیل داده های خام را داراست. همچنین طراحی و آزمون مدل در آن به صورت کاملا گرافیکی انجام می شود. خروجی نرم افزار را می توان در قالب صفحات وب، اکسل و لاتکس مشاهده نمود.

از مدل‌یابی معادلات ساختاری با کمک روش حداقل مربعات جزیی و نرم افزار PLS، جهت آزمون فرضیات و صحّت مدل استفاده میشود. پی‌ال‌اس نگرشی مبتنی بر واریانس است که در مقایسه با تکنیکهای مشابه معادلات ساختاری همچون آموس و- لیزرل شروط کمتری دارد.  به طور مثال بر خلاف لیزرل، مدل‌یابی مسیر پی‌ال‌اس برای کاربردهای واقعی مناسب‌تر است، به ویژه هنگامی که مدلها پیچیده‌تر هستند، بهره‌گیری از این نگرش مطلوبتر خواهد بود. مزیت اصلی آن در این است که این نوع مدل‌یابی نسبت به لیزرل به تعداد کمتری از نمونه نیاز دارد. محدودیت حجم نمونه ندارد و نمونه انتخاب شده می تواند برابر یا کمتر از 30 باشد، که در این صورت نتایج نیز معتبر است. همچنین به عنوان متدی قدرتمند مطرح می‌شود، در شرایطی که تعداد نمونه‌ها و آیتم‌های اندازه‌گیری محدود است و توزیع متغیرها میتواند نامعین باشد.

روش 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 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.

از مزایای روش PLS می‌توان به موارد زیر اشاره کرد:

–  توانایی مدل کردن متغیرهای وابسته چندگانه بر اساس متغیرهای مستقل چندگانه؛

–  توانایی کنترل هم خطی‌های متعدد بین متغیرهای مستقل؛

–  یک روش مقاوم در مقابل داده‌های مفقودشده؛

–  ایجاد متغیرهای پنهان مستقل تأثیرگذار بر متغیر (های) وابسته به‌منظور تعیین پیش‌بینی کننده‌های قوی‌تر.

 نحوه تفسیر نتایج ضریب مسیر و مقدار آماره  تی در نرم افزار smart pls

مدلسازی معادلات ساختاری به روش حداقل مربعات جزئی یا همان نرم افزار smart pls چند مدتی است که بعلت وجود  مزیت های این نرم افزار بسیار مورد توجه محققین، اساتید و دانشجویان قرار گرفته است.وقتی از این نرم افزار استفاده می شود دو خروجی بسیار مهم و حیاتی وجود دارد.

۱- مقدار آماره تی

۲- ضرایب مسیر(بارهای عاملی)

اگر مقدار بارعاملی بین سوالات پرسشنامه و متغیرهای مکنون بیشتر از ۰٫۴ باشد نتیجه می گیریم که سوالی که برای آن سازه به کار برده ایم به خوبی متغیر مکنون مورد نظر را سنجیده است.مقدار آماره تی در واقع ملاک اصلی تایید یا رد فرضیات است.اگر این مقدار آمار به ترتیب از ۱٫۶۴ ، ۱٫۹۶ و ۲٫۵۸ بیشتر باشد نتیجه می گیریم که آن فرضیه در سطوح ۹۰، ۹۵ و ۹۹ درصد تایید می شود.همچنین باید گفت که اگر مقدار ضریب مسیر بین متغیر مکنون مستقل و متغیر مکنون وابسته مثبت باشد نتیجه می گیریم که با افزایش متغیر مستقل شاهد افزایش در متغیر وابسته خواهیم بود.و بالعکس اگر مقدار ضریب مسیر بین متغیر مکنون مستقل و متغیر مکنون وابسته منفی باشد نتیجه می گیریم که با افزایش متغیر مستقل شاهد کاهش در متغیر وابسته خواهیم بود

در محاسبه اثرات متغیر میانجی و تعدیلگر نیز می توان از این نرم افزار استفاده کرد.

هزینه انجام تحلیل آماری با SmartPLS به عوامل زیر بستگی دارد :

• تعداد فرضیه ها و پیچیدگی مدل
• تعداد متغیرهای میانجی
• تعداد متغیرهای تعدیلی