جستجو
بلایندفولدینگ (Blindfolding) یک تکنیک استفاده مجدد نمونه است. این روش محاسبه شاخص Q² Stone-Geisser را فراهم می کند. شاخص Q² یک معیار ارزیابی برای ارتباط پیش بینی اعتبار متقابل مدل مسیر PLS را نشان می دهد. این معیار معروف به شاخص استون و گیسر (۱۹۷۵) است. شاخص Q² توسط استون و گیسر(۱۹۷۵) معرفی شده است و قدرت پیش بینی مدل در متغیرهای وابسته را مشخص می کند. این شاخص به دنبال سنجش قابلیت پیش بینی مدل PLS است و در آزمون blindfolding نرم افزار اسمارت پی ال اس به صورت جدولی و با نماد Q2 ارائه می شود.
علاوه بر ارزیابی بزرگی مقادیر R2 به عنوان معیاری برای دقت پیش‌بینی، محققان ممکن است بخواهند مقدار Q2 استون و گیسر را نیز بررسی کنند. مقدار Q2 متغیرهای پنهان در مدل مسیر PLS با استفاده از روش بلایندفولدینگ به دست می آید.
بلایندفولدینگ (Blindfolding) یک روش استفاده مجدد نمونه است که به طور سیستماتیک نقاط داده را حذف کرده و پیش بینی مقادیر اصلی آنها را ارائه می دهد. برای این منظور، این روش به فاصله حذف D نیاز دارد. هیر و همکاران (۲۰۱۷)، مقدار برای فاصله حذف D بین ۵ تا ۱۲ در ادبیات توصیه کرده است. فاصله حذف هفت (D=7) به این معنی است که هر پنجمین نقطه داده از شاخص های یک متغیر پنهان در یک دور بلایندفولدینگ حذف می شود.
از آنجایی که روش بلایندفولدینگ باید هر نقطه داده از شاخص های مورد استفاده در مدل اندازه گیری متغیر پنهان انتخاب شده را حذف و پیش بینی کند، فاصله حذف D=7 منجر به هفت دور بلایندفولدینگ می شود. بنابراین، تعداد دورهای بلایندفولدینگ همیشه با فاصله حذفی برابر است.
در دور اول بلایندفولدینگ (Blindfolding)، روش با اولین نقطه داده شروع می شود و هر D-امین نقطه داده شاخص های یک متغیر پنهان را حذف می کند. سپس، رویه مدل مسیر PLS را با استفاده از نقاط داده باقیمانده تخمین زده می شود. با داده های حذف شده، مانند داده های گم شده رفتار می شود. سپس از نتایج PLS-SEM برای پیش بینی نقاط داده حذف شده استفاده می شود. تفاوت بین نقاط داده حذف شده و موارد پیش بینی شده خطای پیش بینی است.
از مجموع مجذور خطاهای پیش بینی برای محاسبه مقدار Q2 استفاده می شود. بلایندفولدینگ (Blindfolding) براساس یک فرآیند تکرار انجام می شود. در دور دوم بلایندفولدینگ، الگوریتم با نقطه داده دوم شروع می شود، هر نقطه داده D را حذف می کند و همانطور که قبلا توضیح داده شد ادامه می یابد. پس از دور Dبلایندفولدینگ، هر نقطه داده حذف شده و پیش بینی شده است. هنگامی که PLS-SEM ارتباط پیش بینی را نشان می دهد، به خوبی نقاط داده شاخص ها را پیش بینی می کند.
یک مقدار Q2 بزرگتر از صفر برای یک متغیر پنهان درون زا نشان می دهد که مدل مدل مسیر PLS دارای ارتباط پیش بینی کننده برای این سازه است.
در بخش برازش مدل ساختاری، دستور بلایندفولدینگ (Blindfolding) را داریم. این دستور، از منوی محاسبه (Calculate) و انتخاب گزینه (Blindfolding) انجام می شود.
در این مرحله یک پنجره باز می شود. تنظیمات روش بلایندفولدینگ (Blindfolding) براساس فاصله حذفی D انجام می شود.
پس از مشخص کردن D، گزینه CALCULATE را انتخاب می کنیم. پنجره نهایی تحلیل نشان داده می شود. تمام خروجی ها براساس مقدار D نشان داده می شود.
براساس مقدار Q2 می توان در مورد مدل و برازش آن نظر داد. مقادیر منفی قابل قبول نیست و باید مقادیر مثبت باشتد. در آزمون استون گیسر دو مقدار ارایه میشود: افزونگی با روایی متقاطع و اشتراک (CV-COM) با روایی متقاطع (CV-RED). مقدار افزونگی با روایی متقاطع به ارزیابی مدل ساختاری و مقدار اشتراک با روایی متقاطع به ارزیابی مدل سنجش همان میانگین واریانس استخراج شده می باشد می پردازد. شاخص Q² مثبت و بزرگ، نشان از قابلیت بالای پیش بینی مدل دارد و مقادیر Q۲
منفی بیانگر تخمین بسیار ضعیف متغیر پنهان است.
Hair, J. F., Hult, G. T. M., Ringle, C. M., and Sarstedt, M. (2017). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM), ۲nd Ed., Sage: Thousand Oaks.
برای آموزش روش بلایندفولدینگ (Blindfolding) بر روی لینک زیر کلیک نمایید.
