آزمون بار عرضی (Cross Loading)، یک روش برای محاسبه روایی واگرا در مدل سازی معادلات ساختاری حداقل مربعات جزئی است. چین (۱۹۹۸)، این شاخص را برای محاسبه روایی واگرای هر سازه در مدل حداقل مربعات جزئی پیشنهاد داد. در تحلیل کمترین مربعات جزیی که معمولا با نرم افزار SMARTPLS تحلیل می شود برای روایی واگرا یا تشخیصی که بیانگر وجود همبستگی های جزیی بین شاخص های یک سازه و شاخص های سازه های دیگر است از معیار فورنل و لارکر، آزمون بار عرضی و شاخص HTMT استفاده می شود.
آزمون بار عرضی روایی واگرا را در سطح متغیرهای مشاهده پذیر می سنجد. هنسلر و همکاران (۲۰۱۴)، نشان دادند که در مقالات و تحقیقات انجام شده با نرم افزار SMARTPLS، تنها ۷.۷۹ درصد مقالات تحلیل شده از آزمون بار عرضی برای شناسایی روایی واگرا یا روایی تشخیصی استفاده کردند.
براساس این آزمون، در صورت وجود روایی واگرا، بارهای عاملی هر یک از متغیرهای مشاهده پذیر موردنظر در یک مدل انعکاسی بیشتر از بارهای عاملی متغیرهای مشاهده پذیر دیگر مدل معادلات ساختاری اندازه گیری شده است. بار عاملی هر متغیر مشاهده پذیر (آشکار)، بر روی متغیر پنهان متناظرش، باید حداقل ۰.۱ بیشتر از بارهای عاملی همان متغیر مشاهده پذیر بر متغیرهای پنهان دیگر باشد.
آزمون بار عرضی یکی از خروجی های نرم افزار SMRATPLS 3 است. در نرم افزارهای ورژن پایین تر این شاخص محاسبه می شود. اما در این مقاله به جدیدترین ورژن نرم افزار SMARTPLS توجه شده است. صحت روایی واگرا از طریق این معیار، به این صورت است که مقادیر موجود در روی قطر اصلی ماتریس، باید از کلیه مقادیر موجود در ستون مربوطه بزرگتر باشد.
پس از اجرای مدل، دو صفحه در نرم افزار ظاهر می شود. در صفحه اول، مدل گرافیکی است. در صفحه دوم شاخص های ارزیابی مدل نشان داده شده است. پایین صفحه، ستون Quality Criteria وجود دارد. بر روی گزینه چهارم، Discriminant Validity کلیک کنید. در شکل ۱ این گزینه نشان داده شده است.
یک پنجره باز می شود که روایی های واگرای بار عرضی و آزمون فورنل و لارکر و شاخص HTMT را نشان داده است. آزمون بار عرضی گزینه دوم در این صفحه است. در شکل ۲ این گزینه نشان داده شده است. همان طور که پیش بینی می شود که بارهای عاملی هرکدام از متغیرهای پژوهش بیشتر از بارهای عاملی مشاهده پذیرهای دیگر مدلهای اندازه گیری موجود در مدل باشد. از طرف دیگر بار عاملی هر متغیر مشاهده پذیر بر روی متغیرپنهان متناظرش حداقل ۱.۰ بیشتر از بارهای عاملی همان متغیر مشاهده پذیر بر متغیرهای پنهان دیگر باشد.
آزمون بار عرضی در عمل برای متغیرهای ناهمگن با اندازه نمونه بالا روایی همگرا را تشخیص می دهد. محققان بیان کردند که آزمون بار عرضی آزادی بیشتری در نشان دادن روایی واگر دارد اما کارایی لازم را در نشان دادن روایی واگرا یا تشخیصی ندارد. این آزمون زمانی که روش فورنل و لارکر نیز توانایی نشان دادن روایی واگرا را ندارد، جوابگو است.
بارگذاری متقاطع زمانی اتفاق میافتد که یک متغیر مشاهده شده دارای بارگذاری (همبستگی) بالایی بر روی بیش از یک عامل باشد، که نشان میدهد تحت تأثیر چندین متغیر پنهان است. عوامل پیچیده عواملی هستند که دارای متغیرهای بارگذاری متقاطع زیادی هستند که تفسیر و نامگذاری آنها را دشوار می کند. بارگذاری متقاطع و عوامل پیچیده می تواند وضوح و سادگی راه حل عامل شما را کاهش دهد و تعیین معنی به عوامل و متغیرهای شما را دشوارتر کند.
بارگذاری متقاطع و عوامل پیچیده می توانند از علل مختلفی ناشی شوند. به عنوان مثال، داده ها ممکن است الزامات تحلیل عاملی مانند خطی بودن، نرمال بودن، چند خطی بودن یا اندازه نمونه را برآورده نکنند، یا ممکن است ساختار عاملی قابل تشخیصی نداشته باشند. علاوه بر این، روش استخراج عامل، تعداد فاکتورها یا روش چرخش ممکن است برای داده ها نامناسب باشد، که منجر به استخراج بیش از حد یا کم عوامل یا همسویی ضعیف عوامل و متغیرها می شود. علاوه بر این، اگر متغیرهای مشاهده شده به درستی تعریف، اندازهگیری یا عملیاتی نشده باشند، میتواند منجر به ابهام یا همپوشانی در معنا و محتوای آنها شود. در نهایت، متغیرها یا عوامل پنهان میتوانند همبسته یا چند بعدی باشند، اگر متمایز یا متعامد نباشند، که نشاندهنده پیچیدگی و تنوع ساختارهای زیربنایی است.
به منظور شناسایی عوامل بارگذاری متقاطع و پیچیده در تحلیل عاملی خود، می توانید ماتریس بار عاملی یا ماتریس الگو (در صورت استفاده از چرخش مورب) را برای متغیرهایی با بارگذاری بالا (معمولا بالای ۰.۳ یا ۰.۴) روی بیش از یک عامل بررسی کنید. علاوه بر این، ماتریس همبستگی عاملی (در صورت استفاده از چرخش مورب) باید برای عواملی با همبستگی بالا (معمولاً بالای ۰.۳ یا ۰.۴) بررسی شود. نمودار اسکری یا مقادیر ویژه می تواند به شما کمک کند تا تعداد بهینه فاکتورها را برای استخراج تعیین کنید، و از استخراج بیش از حد یا کم فاکتورها اجتناب کنید. در نهایت، مقادیر اشتراک باید برای متغیرهایی با اشتراک کم (معمولاً زیر ۰.۵) بررسی شود، که نشان میدهد آنها به خوبی توسط عوامل توضیح داده نمیشوند.
Henseler, J., & Sarstedt, M. (2013). Goodness-of-fit indices for partial least squares path modeling. Computational Statistics, 28(2), 565– ۵۸۰.
برای آموزش آزمون بار عرضی بر روی لینک زیر کلیک کنید.
