مدل سازی حداقل مربعات جزئی با نرم افزار Smart ‍PLS

روش حداقل مربعات جزئی به عنوان یک جایگزین برای روش های OLS رگرسیون، Canonical‌ رگرسیون و مدل سازی معادلات ساختاری در پژوهش هایی که متغیرهای مستقل و وابسته وجود دارد، بکار گرفته می شود.

روش PLS در اغلب اوقات، معادلات ساختاری مبتنی بر مولفه (Component-Based SEM) نامیده می شود در حالی که روش معادلات ساختاری مبتنی بر کواریانس است(Covariance-Based SEM).

این روش زمانی استفاده می شود که می خواهیم تاثیرات چندین متغیر مستقل را بر یک یا چند متغیر وابسته بررسی کنیم اما پیش فرض های انجام رگرسیون یا معادلات ساختاری بر قرار نیست و یا اینکه در پژوهش به مشکلات زیر مواجه شویم:

• چندین متغیر وابسته داشته باشیم.
• تعداد متغیرهای مستقل زیاد باشد و شناسایی متغیرهای تاثیرگذار مشکل باشد.
• در متغیرهای مستقل هم خطی وجود داشته باشد.
• حجم نمونه کم باشد.
• در رگرسیون توزیع فراوانی متغیرها نرمال نباشد و یا در روش معادلات ساختاری نرمال بودن چند متغیره برقرار نباشد.

روش حداقل مربعات جزئی می تواند تاثیرات متغیرهای مستقل را بر متغیر وابسته بصورت یک مدل رگرسیونی یا مدل ساختاری برازش کند. چنانچه هدف پژوهشگر پیش بینی یا مدل سازی اکتشافی باشد استفاده از روش PLS توصیه می شود.

روش مدل سازی معادلات ساختاری(SEM) برای مقاصد تایید مدل کاربرد دارد و برای براورد پارامترهای مدل نیازمند حجم نمونه زیاد و برقرار بودن پیش فرض نرمال بودن چند متغیره است اما روش PLS چون برای مقاصد اکتشافی کاربرد دارد به هیچ گونه پیش فرضی احتیاج ندارد .

در برخی از منابع ذکر شده است روش PLS با حداقل 30 نمونه نیز قابل انجام است و نتایج در مقابل داده های مفقود شده(Missing value) پایدار است.

از لحاظ تکنیکی فرق روش PLS با سایر روش های رگرسیونی است این است که به جای در نظر گرفتن متغیرهای مستقل، از طریق تکنیک تحلیل مولفه های اصلی(PCA) متغیرهای مستقل در چند عامل کلی تر قرار می گیرند به گونه ای که این عامل ها بیشترین تغییرات متغیر(های) وابسته را تبیین کنند.