مدل یابی معادلات ساختاری مبتنی بر حداقل مجذورات جزیی (PLS)

پیدایش رویکرد PLS به زمانی بر می گردد که هرمان والد (1975) دو روش از سرگیری با استفاده از برآورد کم ترین مجدورات برای مدل های یک مولفه ای و چند مولفه ای و همبستگی بنیادی را معرفی کرد. انگیزه رشد PLS توسط والد یافتن وضعیتی بود که بین تحلیل داده ها و مدل های سنتی باشد زیرا مدل یابی سنتی دارای مفروضه سختگیرانه در مورد توزیع احتمالی داده ها بود ولی رویکرد PLS نابسته به توزیع بود.

کم ترین مجذورات جزیی روش نسبتاً جدیدی از معادلات ساختاری رگرسیونی است. این روش هم برای رگرسیون تک متغیری و هم چند متغیری و با چند متغیر وابسته کاربرد دارد. برای بررسی ارتباط بین متغیرهای وابسته و متغیرهای مستقل، PLS متغیرهای تبیینی یا مستقل جدیدی ایجاد می کند که غالبا عامل، متغیر مکنون یا مولفه نامیده می شوند. این مولفه ها ترکیب خطی از نشانگرهای خود هستند.

PLS بر اساس برآورد کمترین مجذورات با هدف اولیه بهینه ساختن تبیین واریانس در سازه های وابسته مدل های بسیار پیچیده ای به کار می رود که اطلاعات نظری کمی در مورد آن ها وجود دارد یا این که هدف از آزمون این مدل ها پیش بینی یا کاربرد است.

بر خلاف مدل یابی معادلات ساختاری مبتنب بر کوواریانس که میزان برازش مدل مفروض را ارزیابی می کند و در نتیجه برآورد مدل در جهت تبیین، آزمون و تایید نظریه است، روش PLS پیش بینی مدار بوده، به نظریه قوی نیاز ندارد و به عنوان روش ساخت نظریه می تواند به کار رود (وینزی و همکاران، 2010).

PLS در ابتدا برای استفاده در رشته اقتصادسنجی توسعه یافت اما در رشته شیمی نیز برای استفاده در تحقیقات شیمی تجزیه، فیزیک و پزشکی مورد استقبال قرار گرفت. هم چنین در رشته های مدیریت و بازاریابی نیز کاربردهای فراوان دارد. PLS در علوم پایه بویژه شیمی، یعنی در علومی که تعداد زیادی از متغیرهای همبسته و تعداد محدودی از مشاهده شده ها وجود دارند، کاربرد فراوانی دارد.

هدف والد (1975) توجه به نظریه ها و داده ها ضعیف بود. به همین دلیل PLS را به وجود آورد. PLS برای مقابله با مشکلات داده های خاص مانند حجم اندک داده ها، وجود داده های گمشده و هم خطی بین متغیرهای مستقل طراحی شده است. در مقابل کم ترین مجذورات متداول (OLS) نسبت به حجم اندک داده ها، داده های گمشده و هم خطی بودن چندگانه مقاوم نبوده و نتایج بی ثباتی را ایجاد می کند، زیرا این شرایط باعث تورم خطای استاندارد ضرایب برآورد شده می گردد.

PLS به دنبال کشف بهترین پیش بین متغیرهای وابسته از روی متغیرهای مستقل است. این روش گاهی "مدل یابی نرم" نامیده می شود زیرا در آن با فرض های سخت گیرانه ای مانند عدم وجود هم خطی چندگانه بین متغیرهای مستقل، برخورد انعطاف پذیرانه ای دارد.

PLS به عنوان یک روش خطی، پیش بینی و تبیینی و نه تفسیری معرفی می شود. استفاده از این روش  قبل از استفاده از روش های تفسیری مانند رگرسیون خطی چندگانه یا SEM توصیه می گردد. PLS به عنوان گسترش یافته رگرسیون خطی چندگانه فرض های مشابه زیادی با آن دارد مثلاً خطی بودن و نداشتن داده های پرت. باید توجه کرد که به دلیل آن­که توزیع کم ترین مجذورات ناشناخته است، آزمون معناداری متداولی وجود ندارد. در هر صورت معناداری مسیرها از طریق روش های خودگردان سازی یا بوت استرپ و یا برش متقاطع جک نایف که روش های باز نمونه گیری هستند، آزمون می شوند.

بر خلاف مدل یابی معادلات ساختاری مبتنی بر کوواریانس، PLS به جای باز تولید ماتریس کوواریانس تجربی بر بیشترین واریانس تبیین شده متغیرهای وابسته به وسیله متغیرهای مستقل تمرکز دارد. همانند هر مدل یابی معادلات ساختاری، PLS از یک بخش ساختاری که ارتباط بین متغیرهای پنهان را نشان می دهد و یک قسمت اندازه گیری که ارتباط بین متغیرهای پنهان و نشانگرهای آن را منعکس می کند، تشکیل شده است. افزون بر این PLS دارای بخش سومی به نام "نسبت وزنی" است که برای برآورد مقادیر موردها یا نمره های عاملی افراد نمونه در متغیرهای پنهان به کار می رود (چین و نیوستد، 1999).

منبع: سید عباس زاده، میرمحمد؛ امانی ساری بگلو، جواد؛ خضری آذر، هیمن و پاشوی، قاسم. (1391). مقدمه ای بر مدل یابی معادلات ساختاری به روش PLS و کاربرد آن در علوم رفتاری با معرفی نرم افزار. ارومیه: دانشگاه ارومیه.