حداقل مربعات جزئی PLS (Partial Least Square)، مدل معادلات ساختاری مبتنی بر واریانس است. تکنیک PLS یک تکنیک SEM بر اساس یک رویکرد تکراری که واریانس توضیح داده شده سازه های درون زا را به حداکثر می رساند. توانایی این رویکرد در کار با داده های اندک، عدم حساسیت به نرمال بودن داده ها، توانایی در پیش بینی و پشیتبانی از مدل های بسیار پیچیده است.

محبوبیت مدل سازی معادلات ساختاری (SEM) به دلیل نیاز به آزمایش کامل نظریه ها و مفاهیم افزایش یافته است. موفقیت روش SEM را می توان  به توانایی آن برای ارزیابی هم زمان متغیرهای پنهان و روابط بین متغیرهای پنهان نسبت داد. دو نسل مدل معادلات ساختاری وجود دارد. در مطلب مدل معادلات ساختاری در مورد نسل اول و دوم این مدل ها توضیح داده شد. حداقل مربعات جرئی نسل دوم از مدل های معادلات ساختاری است.

برخلاف CB-SEM که هدف آن تایید نظریه ها توسط براساس ماتریس کوواریانس است، PLS-SEM بسیار شبیه به تحلیل رگرسیون چندگانه عمل می کند. زمانی که داده ها نرمال نباشند و حجم نمونه کم باشد، می توان از تکنیک مدل معادلات ساختاری حداقل مربعات جزئی استفاده کرد.

اگر داده ها نرمال باشند یا حجم نمونه زیاد باشد، می توان از حداقل مربعات جزئی PLS استفاده کرد.

ارزیابی مدل معادلات ساختاری حداقل مربعات جزئی PLS-SEM

نرم افزارهایی مانند Smart PLS و XLSTAT ،Warp-PLS ،PLS-Graph ،Visual-PLS مدل SEM نسل دوم را اجرا می کنند. نرم افزار SMARTPLS  در سال ۲۰۰۵ معرفی گردید، معروفترین و پرکاربردترین آنها است. طراحی مدل PLS-SEM دارای سه مرحله است:

۱-تعیین مدل

۲-ارزیابی مدل درونی

۳-ارزیابی مدل بیرونی

تعیین مدل

از مهم­ترین تفاوت­های عمده بین مدل­های کوواریانس محور و PLS در شاخص‌های انعکاسی (Reflective) و ترکیبی (Formative) می‌باشد. در روش‌های کوواریانس محور، مدل ترکیبی وجود ندارد. تعیین مدل به تنظیم شکل مدل می پردازد. چگونگی رابطه بین متغیرها در این گام مشخص می شود. در این قسمت متغیرها و گویه های پرسشنامه در مدل تعریف می شوند. دایره های آبی متغیرهای مدل و مستطیل های زرد گویه های پرسشنامه هستند.

اگر از یک دایره فلش خارج شود، متغیر مستقل و اگر بر آن فلش وارد شود، متغیر وابسته است. اگر از دایره آبی فلش خارج شود و فلشی بر آن وارد نشود، متغیر مستقل برون زا است. اگر همزمان از آن فلش خارج شود و بر آن فلش وارد شود، متغیر مستقل درون زا است.

ارزیابی مدل بیرونی

مدل بیرونی به ارزیابی متغیرهای مدل و  سازه های مرتبط با آنها می پردازد.  (روابط بین دایره های آبی) در این مرحله، روای و پایایی مدل برحسب نوع مدل یعنی انعکاسی یا ترکیبی بودن آن تعیین می‌شود. معیارهای ارزیابی مدل اندازه‌گیری در جدول زیر ارائه شده است. مدل بیرونی بیانگر تحلیل عامل تائیدی در نرم افزارهای نسل اول مدل معادلات ساختاری است. نرم افزارهایی نظیر Lisrel ،Amos ،EQS و MPlus چهار نرم افزار متداول و پرکاربرد در این رویکرد نسل اول مدلسازی معادلات ساختاری هستند.

ارزیابی مدل درونی

مدل درونی به ارزیابی رابطه بین سازه های درون مدل می پردازد.  (روابط بین مستطیل های زرد و دایره های آبی). در یک مدل مسیر فقط یک مدل ساختاری وجود دارد. پس از ارزیابی برآوردهای روایی و پایایی مدل‌های اندازه‌گیری نوبت به ارزیابی مدل ساختاری می‌رسد. مدل درونی، همان تحلیل مسیر است.

تفسیر مدل حداقل مربعات جزئی

برای شناسایی قدرت و جهت روابط میان عناصر از تخمین استاندارد استفاده می شود. این مقادیر که در شکل فوق نیز قابل مشاهده است باید بالای ۰/۳ باشند. هرچه میزان بارعاملی بیشتر باشد قدرت روابط بیشتر است.

برای بررسی معناداری باید آماره t برآورد شود. برای این منظور از خودگردان سازی (بوت استراپینگ) یا برش جک-نایف استفاده می شود. 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.

برازش مدل حداقل مربعات جزئی

مبحث برازش مدل معادلات ساختاری در یک مقاله به تشریح بیان شده است. در اینجا به صورت اختصار بیان می شود.د

عمده ترین شاخص‌های برازش مدل اندازه‌گیری بیرونی عبارتند از:

روایی همگرا

روایی واگرا

شاخص HTMT

پایایی ترکیبی

شاخص Rho

عمده ترین شاخص‌های برازش مدل اندازه‌گیری درونی عبارتند از:

ضریب تشخیص R^۲

شاخص GOF

شاخص بلایندفولدینگ Q^۲

شاخص اندازه اثر F^۲

منبع