تحلیل چند گروهی در نرم افزار SmartPLS3 به منظور بررسی اثر تعدیلگر متغیر طبقه بندی استفاده می شود. برای بررسی اثر تعدیلگر یک متغیر در نرم افزار SmartPLS3  دو حالت وجود دارد. براساس نوع متغیر تعدیلگر، تحلیل آن متفاوت است. حالت اول اثر متقابل (Interaction Effect) برای  متغیر  تعدیلگر پیوسته (با طیف لیکرت ۵ تایی یا ۷ تایی)، استفاده می شود. حالت دوم اثر تحلیل چند گروهی (Multi Group Analysis)،که برای متغیر تعدیلگر طبقه ای (جنسیت، وضعیت تأهل، تحصیلات)، استفاده می شود.

تجزیه و تحلیل چند گروهی تاثیر گروه بندی یک متغیر را در برآورد مدل مشخص می کند. SmartPLS نتایج سه رویکرد مختلف را ارائه می دهد که بر اساس نتایج بوت استرپینگ از هر گروه است. در مقالات سرستد و همکاران (۲۰۱۱) و همچنین هیر و همکاران (۲۰۱۸) روش های تجزیه و تحلیل چند گروهی را به تفصیل شرح داده شده است.

انواع تحلیل چند گروهی در SmartPLS

۱-تصحیح نااریبی فاصله اطمینان

این روش بازه‌های اطمینان تصحیح‌شده نااریب را برای تخمین‌های گروهی خاص از پارامترها در مدل حداقل مربعات جزئی PLS محاسبه می‌کند. به عبارت دیگر به روش بوت استراپینگ، اریبی یا نااریبی متغیر طبقه ای را در مدل مربعات جزئی بررسی می کند. اگر متغیر طبقه ای نااریب باشد، تغییرات متفاوتی را در نتایج مدل نشان می دهد.

۲-تجزیه و تحلیل چند گروهی جزئی حداقل مربعات (PLS-MGA)

این روش یک تکنیک ناپارامتری برای تعیین تأثیر یک متغیر چند گروهی در مدل حداقل مربعات جزئی است. اگر متغیر در مدل سطح معناداری کمتر از ۰.۵ داشت، به صورت چندگروهی نیز مورد سنجش قرار می گیرد. روش PLS-MGA (هنسلر و همکاران، ۲۰۰۹)، همانطور که در SmartPLS پیاده سازی شده است، توسعه ای از روش ناپارامتریک اصلی هنسلر MGA است. این تکنیک برای بررسی تاثیر یک متغیر تعدیلگر طبقه ای استفاده می شود.

۳-آزمون پارامتریک

این روش با فرض برابری واریانس در طبقه های مختلف متغیر، تاثیر متغیر چندگروهی را در مدل به صورت مستقیم مشخص می کند.

۴-آزمون ولچ سترتویت  (Welch-Satterthwait)

این روش یک آزمون پارامتریک معناداری برای تفاوت نتایج PLS-SEM مخصوص گروه است که در آن فرض برابری واریانس وجود ندارد.

آموزش تحلیل چندگروهی در SMARTPLS

برای تحلیل چندگروهی در نرم افزار SMARTPLS 3 از منوی CALCULATE گزینه Multi Group Analysis  را انتخاب می کنیم. در شکل ۱ نشان داده شده است.

پس از این مرحله، ۴ گزینه وجود دارد که گزینه Partial Least Square را انتخاب می کنیم. در شکل ۲ نشان داده شده است.

نتایج به دست آمده بیانگر تاثیر گروه بندی متغیر در مدل است. نتایج براساس تعداد گروه ها، چند مدل مانند تحلیل حداقل مربعات جزئی ساده، است. بنابراین به تعداد گروه های موجود، مدل حداقل مربعات جزئی ایجاد می شود. در تمامی منابع موجودی که به بررسی تحلیل چند گروهی پرداخته اند، مقاله هنسلر و همکاران (۲۰۰۹)، جامعیت دارد. در ادامه با کلیک بر روی لینک زیر می توانید این مقاله را دانلود نمایید.

آموزش PLS-MGA-مقاله هنسلر

منابع

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.

Henseler, J., Ringle, C. M., and Sinkovics, R. R. 2009. The Use of Partial Least Squares Path Modeling in International Marketing, Advances in International Marketing, ۲۰: ۲۷۷-۳۲۰.

Sarstedt, M., Henseler, J., and Ringle, C. M. 2011. Multi-Group Analysis in Partial Least Squares (PLS) Path Modeling: Alternative Methods and Empirical Results, Advances in International Marketing, ۲۲: ۱۹۵-۲۱۸