بوت استراپینگ در حداقل مربعات جزئی (Bootstrapping)، یک روش ناپارامتریک است که امکان آزمایش اعتبار آماری نتایج مختلف PLS-SEM مانند ضرایب مسیر، مقادیر آلفای کرونباخ، HTMT و R² را می دهد. این روش در گروه روش‌های آمار ناپارامتری و تکنیک‌های بازنمونه‌گیری طبقه‌بندی می‌شود. به منظور برآورد پارامتر جامعه آماری با استفاده از نمونه‌گیری با جایگذاری به کار می‌رود. بوت‌استراپینگ همچنین برای محاسبه فاصله اطمینان برای برآوردگر کاربرد دارد.

مدل معادلات ساختاری حداقل مرعبات جزئی فرض نمی‌کند که داده‌ها به طور توزیع نرمال ندارند. که به این معنی است که آزمون‌های پارامتریک را نمی‌توان برای آزمایش اینکه آیا ضرایبی مانند وزن بیرونی، بارهای بیرونی و ضرایب مسیر معنی‌دار هستند اعمال کرد. اروفن (۱۹۸۶)، برای برآوری پارامترها روش بوت استراپینگ را به عنوان یک روش ناپارامتریک پیشنهاد داد.

این روش نمونه ها را به دسته های کوچکتر (زیرنمونه) تقسیم بندی می کند. برآورد نهایی براساس دسته بندی های داخلی تکنیک انجام می شود. بوت استرپینگ، نمونه های فرعی را با مشاهداتی که به صورت تصادفی از مجموعه داده اصلی (با جایگزینی) ترسیم شده است، ایجاد می کند. تعداد مشاهدات در هر نمونه فرعی بوت استرپ با تعداد مشاهدات در نمونه اصلی یکسان است. برای اطمینان از ثبات نتایج، تعداد زیر نمونه ها باید زیاد باشد. برای ارزیابی اولیه، ممکن است بخواهید تعداد کمتری از نمونه های فرعی بوت استرپ را انتخاب کنید (به عنوان مثال ۵۰۰). با این حال، برای آماده سازی نتایج نهایی، باید از تعداد زیادی نمونه فرعی بوت استرپ (مثلاً ۱۰۰۰۰) استفاده کرد.

هیر و همکاران (۲۰۲۲)، جزئیات بیشتری در مورد این تکنیک در حداقل مربعات جزئی بیان کرده است.

انجام بوت استراپینگ در  SMARTPLS

ابتدا مدل اولیه در نرم افزار SMARTPLS طراحی می شود. پس از آن در منوی CALCULATE گزینه دوم Bootstrapping را انتخاب می کنیم.

پس از آن یک پنجره باز می شود. تنظیمات زیر نمونه گیری و سطح معناداری در این قسمت انجام می شود.

در نهایت با کلیک بر روی دکمه START CALCULATION خروجی های بوت استراپینگ نشان داده می شود. مهم ترین خروجی این تکنیک نمودار گرافیکی آماره تی است. در سطح اطمینان ۹۰ درصد، ۹۵ درصد و ۹۹ درصد این مقدار به ترتیب با حداقل آماره تی ۱.۶۴، ۱.۹۶ و ۲.۵۸ مقایسه می شود. اگر ضریب مسیر از مقادیر بیان شده بیشتر باشد، ضریب مسیر معنادار است.

خروجی های دیگر مدل، معیارهای برازش مدل حداقل مربعات جزئی را نشان می دهد.

منبع

Hair, J. F., Hult, G. T. M., Ringle, C. M., and Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM), ۳rd Ed., Sage: Thousand Oaks.

برای آموزش بیشتر در زمنیه بوت استراپینگ در حداقل مربعات جزئی بر روی لینک زیر کلیک نمایید.

آموزش بوت استراپینگ در حداقل مربعات جزئی