تکنیک‌های مدل‌سازی معادلات ساختاری حداقل مربعات جزئی (PLS-SEM) با استفاده از SmartPLS

این نرم افزار از زمان راه اندازی آن در سال 2005، نه تنها به این دلیل که به صورت رایگان در اختیار دانشگاهیان و محققان قرار دارد، بلکه به این دلیل که رابط کاربری دوستانه و ویژگی های گزارش گیری پیشرفته ای دارد، محبوبیت پیدا کرده است.

اگرچه تعداد زیادی مقاله در مجلات با موضوع مدل سازی PLS منتشر شده است، اما مقدار مواد آموزشی موجود برای این نرم افزار محدود است.

این مقاله برای پرداختن به این شکاف دانش و کمک به مبتدیان برای درک چگونگی استفاده از PLS-SEM در تحقیقات بازاریابی نوشته شده است.

مدل‌سازی معادلات ساختاری (SEM) یک روش تحلیل داده‌های چند متغیره نسل دوم است که اغلب در تحقیقات بازاریابی مورد استفاده قرار می‌گیرد، زیرا می‌تواند مدل‌های علّی خطی و افزایشی را از نظر نظری مورد آزمایش قرار دهد.

با SEM، بازاریابان می توانند به صورت بصری روابط موجود بین متغیرهای مورد علاقه را بررسی کنند تا منابع را برای ارائه خدمات بهتر به مشتریان خود اولویت بندی کنند.

این واقعیت که متغیرهای پنهان غیرقابل مشاهده و اندازه گیری سختی را می توان در SEM استفاده کرد، آن را برای مقابله با مشکلات تحقیقات تجاری ایده آل می کند.

دو مدل فرعی در یک مدل معادلات ساختاری وجود دارد. مدل داخلی2 روابط بین متغیرهای پنهان مستقل و وابسته را مشخص می کند، در حالی که مدل بیرونی3 روابط بین متغیرهای پنهان و شاخص های مشاهده شده آنها را مشخص می کند.

در SEM، یک متغیر یا برون زا یا درون زا است.

یک متغیر برون زا دارای فلش های مسیری است که به سمت خارج هستند و هیچ کدام به آن منتهی نمی شوند.

در همین حال، یک متغیر درون زا5 حداقل یک مسیر منتهی به آن دارد و اثرات متغیر(های دیگر) را نشان می دهد.

چندین رویکرد متمایز برای SEM وجود دارد:

اولین رویکرد SEM مبتنی بر کوواریانس به طور گسترده کاربردی (CB-SEM)6 است که از بسته‌های نرم‌افزاری مانند AMOS، EQS، LISREL و MPlus استفاده می‌کند.

رویکرد دوم حداقل مربعات جزئی (PLS) است که بر تحلیل واریانس تمرکز دارد و می تواند با استفاده از PLS-Graph، VisualPLS، SmartPLS و WarpPLS انجام شود.

همچنین می توان آن را با استفاده از ماژول PLS در بسته نرم افزاری آماری “r” به کار گرفت.

رویکرد سوم، یک SEM مبتنی بر مولفه است که به عنوان تجزیه و تحلیل اجزای ساختار یافته تعمیم یافته (GSCA) شناخته می شود.

از طریق VisualGSCA یا یک برنامه مبتنی بر وب به نام GeSCA پیاده سازی می شود.

روش دیگری برای انجام SEM، مدلسازی رابطه ای ساختاری جهانی غیرخطی (NEUSREL) نام دارد که با استفاده از نرم افزار NEUSREL’s Causal Analytics. در مواجهه با رویکردهای مختلف برای مدل‌سازی مسیر، باید مزایا و معایب آن‌ها را برای انتخاب رویکرد مناسب در نظر گرفت.

CB-SEM در چندین دهه گذشته به طور گسترده در زمینه علوم اجتماعی به کار گرفته شده است و امروزه نیز روش ترجیحی تجزیه و تحلیل داده ها برای تأیید یا رد نظریه ها از طریق آزمون فرضیه ها است، به ویژه زمانی که حجم نمونه بزرگ است، داده ها به طور معمول توزیع می شوند و مهمتر از همه، مدل به درستی مشخص شده است.

به این معنا که متغیرهای مناسب در فرآیند تبدیل یک نظریه به مدل معادلات ساختاری انتخاب و به هم مرتبط می‌شوند.

با این حال، بسیاری از دست اندرکاران و محققان صنعت خاطرنشان می کنند که در واقعیت، یافتن مجموعه داده ای که این الزامات را برآورده کند، اغلب دشوار است. علاوه بر این، هدف تحقیق ممکن است اکتشافی باشد، که در آن ما اطلاعات کمی در مورد روابط موجود بین متغیرها داریم. در این مورد، بازاریابان می توانند PLS را در نظر بگیرند.

یک رویکرد مدلسازی نرم برای SEM بدون فرضیات در مورد توزیع داده است.

بنابراین، PLS-SEM جایگزین خوبی برای CB-SEM می شود که با موقعیت های زیر مواجه شود:

1. حجم نمونه کوچک است.

2. کاربردها تئوری کمی در دسترس دارند.

3. دقت پیش بینی بسیار مهم است.

4. مشخصات مدل صحیح را نمی توان تضمین کرد.

توجه به این نکته مهم است که PLS-SEM برای همه انواع تحلیل های آماری مناسب نیست.

بازاریابان همچنین باید از برخی نقاط ضعف PLS-SEM آگاه باشند، از جمله:

1. اگر حجم نمونه کوچک باشد، ضرایب مسیر ساختاری با ارزش بالا مورد نیاز است.

2. مشکل چند خطی اگر به خوبی رسیدگی نشود.

3. از آنجایی که فلش ها همیشه تک سر هستند، نمی تواند همبستگی بدون جهت را مدل کند.

4. فقدان بالقوه سازگاری کامل در نمرات متغیرهای پنهان ممکن است منجر به تخمین مولفه ها، بارگذاری ها و ضرایب مسیر شود.

5. ممکن است خطاهای متوسط مربع بزرگی در تخمین بارگذاری ضریب مسیر ایجاد کند.

علی‌رغم این محدودیت‌ها، PLS برای مدل‌سازی معادلات ساختاری در پروژه‌های تحقیقاتی کاربردی مفید است، به‌ویژه زمانی که شرکت‌کنندگان محدودی وجود داشته باشد و توزیع داده‌ها ناهنجار باشد.

تحلیل آماری، انجام فصل چهارم پایان نامه، انجام فصل 4 پایان نامه، اسمارت PLS.