بخش بندی پیش بینی گرا Prediction-Oriented Segmentation (POS)  روش تقسیم‌بندی در معادلات ساختاری مبتنی بر فاصله است. بخش بندی پیش بینی گرا POS-PLS یک رویکرد خوشه‌بندی با تخصیص قطعی مشاهدات به گروه‌ها را دنبال می‌کند. از یک اندازه‌گیری فاصله برای تخصیص مجدد مشاهدات استفاده می‌کند. به این ترتیب، هیچ فرض توزیعی ندارد. بکر و همکاران (۲۰۱۳)، تکنیک  POS-PLSرا معرفی نمود.

الگوریتم PLS-POS سه ویژگی جدید را معرفی می کند:

(۱) از یک معیار هدف خاص PLS برای تشکیل گروه های همگن استفاده می کند.

(۲) این شامل یک اندازه‌گیری فاصله جدید است که برای مدل‌های مسیر PLS با معیارهای بازتابی و شکل‌دهنده مناسب است و می‌تواند ناهمگونی‌های مشاهده نشده را در معیارهای تکوینی کشف کند.

(۳) بهبود مستمر معیار هدف را در طول تکرارهای الگوریتم تضمین می کند (رویکرد تپه نوردی).

PLS-POS یک رویکرد خوشه‌بندی را با تخصیص قطعی مشاهدات به گروه‌ها دنبال می‌کند و از یک اندازه‌گیری فاصله برای تخصیص مجدد مشاهدات استفاده می‌کند. به این ترتیب، هیچ فرض توزیعی ندارد. هدف تقسیم‌بندی در یک مدل مسیر PLS، تشکیل گروه‌های همگن مشاهدات با افزایش قدرت پیش‌بینی (R2 متغیرهای پنهان درون‌زا) تخمین‌های مدل مسیر خاص گروه (در مقایسه با مدل نمونه کلی) است.

انجام بخش بندی پیش بینی گرا POS-PLS  در SMARTPLS

استفاده مکرر از PLS-POS  در نرم افزار SMARTPLS با پارتیشن های شروع مختلف برای جلوگیری از بهینه سازی مقطعی توصیه می شود. ابتدا مدل را در نرم افزار SMARTPLS تعریف کرده و در منوی CALCULATE گزینه هشتم یعنی Prediction-Oriented Segmentation (POS)  را انتخاب می کنیم.

یک پنجره تنظیمات روش بخش بندی پیش بینی گرا POS-PLS باز می شود. مورد اول تعداد بخش های از پیش تعریف شده ای که تقسیم بندی برای آنها انجام می شود. قسمت دوم حداکثر تعداد تکرارهایی که الگوریتم تقسیم بندی انجام می دهد. برای یک راه حل تقسیم بندی خوب باید به اندازه کافی بالا باشد. حداکثر عمق جستجو حداکثر تعداد مشاهدات در لیست مرتب شده مشاهدات منتخب برای تخصیص مجدد است که در صورت بهبود معیار هدف PLS-POS مورد آزمایش قرار خواهند گرفت. این تعداد ممکن است از تعداد مشاهدات در نمونه کلی بیشتر نباشد.

در مراحل اولیه تحقیق اکتشافی، ممکن است به دلایل عملکرد از عمق جستجوی کاهش یافته استفاده شود. با این حال، برای تعیین نتیجه تقسیم بندی نهایی، عمق جستجو باید با حداکثر تعداد مشاهدات برابر باشد تا اطمینان حاصل شود که راه حل تقسیم بندی معیار هدف PLS-POS را به حداقل می رساند.

جداسازی اولیه داده ها به تعداد از پیش تعیین شده گروه ها می تواند بر اساس یک تخصیص تصادفی به گروه ها یا بر اساس راه حل تقسیم بندی FIMIX قبلی باشد. در صورت انتخاب FIMIX Segmentation، کاربر همچنین باید تنظیمات ضروری FIMIX-PLS را در یک تب تنظیمات جداگانه مشخص کند.

در گزینه پیش تقسیم بندی، الگوریتم در دور اول یک پیش بخش بندی را انجام می دهد که همه واحدها را با توجه به اندازه گیری فاصله به بهترین گروه برازش خود اختصاص می دهد.

منبع

Becker, J.-M., Rai, A., Ringle, C. M., and Völckner, F. (2013). Discovering Unobserved Heterogeneity in Structural Equation Models to Avert Validity Threats, MIS Quarterly, ۳۷(۳): ۶۶۵-۶۹۴.

برای آموزش روش خوشه بندی پیش بینی گرا POS-PLS روی لینک زیر کلیک کنید.

آموزش روش بخش بندی پیش بینی گرا POS-PLS