الگوریتم جایگشت (Permutation)، بررسی می کند آیا گروه های داده از پیش تعریف شده تفاوت های آماری معنی داری در برآورد پارامترهای خاص گروه خود دارند یا خیر. الگوریتم جایگشت در نرم افزار SMARTPLS از روش MICOM رویه ناپذیری اندازه گیری مدل های ترکیبی (Measurement Invariance of Composite Models) برای تجزیه و تحلیل عدم تغییر اندازه گیری استفاده می کند. گزارش نتایج الگوریتم جایگشت در SmartPLS شامل نتایج تجزیه و تحلیل چند گروهی PLS (با استفاده از آزمون جایگشت) و نتایج MICOM برای ارزیابی عدم تغییر اندازه‌گیری است.

هدف از استفاده از الگوریتم جایگشت در SmartPLS دو مورد است:

مورد اول براساس نظر هیر و همکاران (۲۰۱۸)، تکنیک پرمیوتنیشن انجام یک تجزیه و تحلیل چند گروهی PLS-SEM را فراهم می کند. بنابراین، می توانید تصمیم بگیرید که آیا نتایج PLS-SEM  برای گروه دارای تفاوت های آماری معنی داری هستند یا خیر. مورد دوم این است که الگوریتم جایگشت امکان انجام ارزیابی عدم تغییر اندازه گیری PLS-SEM را فراهم می کند. بنابراین، می‌توان ثابت کرد که تفاوت‌های قابل توجه در نتایج PLS-SEM مخصوص گروه از تفاوت‌های ساختارهای بین گروه‌ها ناشی نمی‌شود.

مفهوم الگوریتم جایگشت (Permutation)

روش‌های تصادفی‌سازی یا جایگشت آزمون‌های با اهمیت برای داده‌های غیرنرمال هستند. این تکنیک ها تست های بدون توزیع در نظر گرفته می شوند، از این نظر که آنها به هیچ فرضیات پارامتری نیاز ندارند. پرمیوتیشن نباید به عنوان جایگزینی برای آزمون های آماری پارامتریک در نظر گرفته می شود، بلکه به عنوان پیش نیاز برای مدل معادلات ساختاری به شکل تجربی خاص مورد بررسی قرار می گیرند. نرم افزار SMARTPLS امکان اجرای الگوریتم جایگشت را حتی برای مجموعه‌های داده بزرگ به طور فزاینده‌ای فراهم کرده است.

الگوریتم های جایگشت نیازی به مفروضات خاصی در مورد توزیع های آماری ندارند. بنابراین پرمیوتیشن به طور فزاینده ای حتی در زمینه آزمون های آماری سنتی استفاده می شود.

اجرای الگوریتم جایگشت (Permutation) در SMARTPLS

ابتدا می بایست مدل اولیه در نرم افزار SMARTPLS طراحی شود. در مرحله بعد، گزینه دهم منوی CALCULATE یعنیPermutation  انتخاب می شود.

در این مرحله یک پنجره برای تنظیمات جایگشت (Permutation) باز می شود. گروه‌های انتخاب‌شده برای تفاوت‌های قابل‌توجه در برآورد پارامتر (به عنوان مثال، وزن‌های بیرونی، بارهای بیرونی و ضرایب مسیر) و عدم تغییر اندازه‌گیری (MICOM) ارزیابی خواهند شد.گروه داده انتخاب شده در گروه A با گروه داده انتخاب شده در گروه B مقایسه خواهد شد. اگر جعبه ترکیبی برای انتخاب گروه خالی است، باید روی مجموعه داده دوبار کلیک کنید (به پنجره پروژه SmartPLS مراجعه شود). سپس، از گزینه های موجود برای تولید گروه های داده برای تجزیه و تحلیل چند گروهی PLS-SEM استفاده کنید.

جایگشت ها با مشاهداتی که به طور تصادفی از مجموعه داده های اصلی (بدون جایگزینی) گرفته شده اند ایجاد می شوند.به طور دقیق تر، n مشاهده بدون جایگزینی ترسیم شده و به گروه A اختصاص داده شده است. تمام مشاهدات باقی مانده به گروه B اختصاص داده می شود. مهم است که توجه داشته باشید که n برابر است با تعداد مشاهدات گروه A در مجموعه داده اصلی. داده‌های باقی‌مانده که به گروه B اختصاص داده می‌شوند نیز دارای همان تعداد مشاهداتی هستند که گروه B در مجموعه داده اصلی دارد. در نتیجه، در هر اجرای جایگشت، اندازه‌های نمونه خاص گروه ثابت می‌ماند و با اندازه هر گروه در مجموعه داده اصلی برابری می‌کند.

تنظیمات الگوریتم جایگشت (Permutation)

برای اطمینان از پایداری نتایج، تعداد جایگشت ها باید زیاد باشد. برای ارزیابی اولیه سریع، می توان تعداد کمتری از نمونه های فرعی جایگشت را انتخاب کرد (به عنوان مثال، ۵۰۰ یا ۱۰۰۰). با این حال، برای آماده سازی نتایج نهایی، باید از تعداد زیادی جایگشت (به عنوان مثال، ۵۰۰۰) استفاده کرد. تعداد زیاد جایگشت زمان محاسبه را افزایش می دهد. مقدار پیش فرض ۱۰۰۰ است.

هنگام استفاده از نتایج الگوریتم جایگشت (Permutation)، برای ایجاد فواصل اطمینان، مهم است که تعیین کنید که آیا مایل به انجام آزمون اهمیت یک طرفه یا دو طرفه (یا یک طرفه یا دو طرفه) هستید. این انتخاب همچنین بر محاسبه مقدار سطح معناداری تأثیر می گذارد. مقدار پیش فرض دو دنباله است.

منبع

Hair, J. F., Sarstedt, M., Ringle, C. M., & Gudergan, S. P. (2018). Advanced Issues in Partial Least Squares Structural Equation Modeling (PLS-SEM), Thousand Oaks, CA: Sage.

برای آموزش الگوریتم جایگشت (Permutation)  روی لینک زیر کلیک نمایید.

آموزش الگوریتم جایگشت (Permutation) در PLS