نسل اول مدل سازی معادلات ساختاری با رویکرد مبتنی بر کواریانس با حجم نمونه بالا، نرمال بودن داده­ها جمع­آوری شده و انعکاسی بودن مدل­های اندازه­گیری به دنبال تأئید مدل­ بوده است. نرم افزارهایی نظیر Lisrel، Amos، EQS و MPlus چهار نرم افزار متداول و پرکاربرد در این رویکرد و نسل اول مدلسازی معادلات ساختاری به شمار می­آیند. این روش به دلیل برخی محدودیت­هایش که ما آن را ضعف نمی­نامیم، باعث گردید؛ محققان به دنبال رویکرد دیگری برای برطرف نمودن محدودیت­های رویکرد مذکور باشند. رویکردی که به نسل دوم مدلسازی معادلات ساختاری یا PLS-SEM معروف شده است.

نسل دوم مدلسازی معادلات ساختاری معروف به رویکرد حداقل مربعات جزئی یا رویکرد مبتنی بر واریانس برای تحلیل داده­های جمع­آوری شده فرآیندی مشابه ولی متفاوت با تکیه بر محدودیت های رویکرد مبتنی بر کواریانس ارائه نمود. توانایی این رویکرد در کار با داده­های اندک، عدم حساسیت به نرمال بودن داده­ها، توانایی در پیش بینی و پشیتبانی از مدل های بسیار پیچیده و همچنین قابلیت مدل اندازه­گیری ترکیبی و انعکاسی به سرعت در میان پژوهشگران رواج یافت و به تبع آن نرم افزارهای متنوعی برای اجرای این رویکرد معرفی شدند؛ نرم افزارهایی نظیر Visual-PLS، PLS-Graph، Warp-PLS، XLSTAT و Smart-PLS که نرم افزار آخر که در سال ۲۰۰۵ معرفی گردید، معروفترین و پرکاربردترین آنها می­باشد.

 

smartpls-icon

 

روش تحلیلی PLS  یا همان حداقل مجذورات جزئی(Partial Least Squares) برای آزمون مدلهای تحلیل مسیر، مدل معادلات ساختاری و مدلهای اندازه گیری است. روش تحلیلی PLS در ابتدا برای استفاده در رشته اقتصاد سنجی توسعه یافت اما رفته رفته در روش شناختی رشته های مدیریت بازرگانی، مدیریت صنعتی، مدیریت مالی و حسابداری، مدیریت منابع انسانی، مهندسی صنایع، مدیریت فناوری اطلاعات، تحلیل های علوم اجتماعی و جامعه شناختی، زیست شناسی، شیمی، پزشکی و پرستاری، کشاورزی و…. مورد استقبال قرار گرفت. کمترین مجذورات جزئی برای مقابله با مشکلات ها در داده های خاص مانند حجم اندک داده ها، وجود داده های گم شده و هم خطی بین متغیرهای مستقل طراحی شده است. در مقابل کمترین مجذورات متداول (OLS) نسبت به حجم اندک داده ها، داده های حاصل نشده، هم خطی چند تائی مقاوم نبوده و نتایج بی ثباتی را ایجاد می کند زیرا این شرایط باعث تورم خطای استاندارد ضرایب برآورد شده می گردد. ویژگیهای اصلی روش تحلیلی PLS :

  • چندین متغیر مستقل و وابسته را بصورت همزمان تببین می کند.

  • امکان دستکاری هم خطی چندگانه متغیرهای مستقل

  • حفظ دقت با وجود داده های پارازیت و داده های حاصل نشده

  • بررسی متغیرهای مکنون تشکیل دهنده و انعکاسی را ممکن می سازد.

  • در نمونه های کوچک به کار می رود.

  • نابسته به توزیع نرمال

  • با داده های اسمی، ترتیبی و پیوسته بکار می رود.

نرم افزار های پی ال اس(PLS)

نرم افزارهای مختلفی برای تجزیه و تحلیل مدلهایPLS ارائه شده است که در ایم میان نرم افزارهایی مانند اسمارت پی ال اس(Smart PLS)، رپ پی ال اس(Warp PLS)ویژوال پی ال اس(Visual PLS)، پی ال اس گراف(PLS Graphing) محبوبیت بیشتری دارند.

 

تصاویری از نمای پنجره وخروجی برنامه:

 

copy-past-duplicate

cr_in_smartpls2