Smart PLS (اسمارت پی ال اس)

Smart PLS (اسمارت پی ال اس) نرم افزاری است که برای مدل سازی معادلات ساختاری مبتنی بر واریانس است. این نرم افزار از محبوب ترین نرم افزارهای مورد استفاده در این نوع مدل سازی است و پژوهشگران و دانشجویان زیادی برای انجام پروژه و پایان نامه خود از آن استفاده می کنند.

مدل سازی معادلات ساختاری (SEM) با اسمارت پی ال اس (smartpls)

اسمارت پی ال اس چیست؟

نام این نرم افزار از ابتدای کلمات Partial Least Square به معنای کمترین مربعات جزئی گرفته شده است. این نام در واقع اشاره به روش مدل سازی معادلات ساختاری در این نرم افزار دارد.

اسمارت پی ال اس (SmartPLS) در کنار SPSS، LISREL و AMOS جز پرطرفدارترین نرم افزارهای آماری است .این نرم‌ افزار برای مدل سازی معادلات ساختاری (SEM) از رابط کاربری گرافیکی و روش مدل سازی مسیر کوچکترین مربعات جزئی (PLS) استفاده می کند. شرکت سازنده، پی ال اس را در سال 2005 به میدان تحلیل‌های آماری عرضه کرد.

نرم افزار می تواند علاوه بر برآورد مدل های مسیر با متغیرهای پنهان با استفاده از الگوریتم PLS-SEM ، معیارهای ارزیابی نتایج استاندارد را هم محاسبه کند. همچنین برخی دیگر از تحلیل های آماری را نیز پیشتیبانی می کند.

نحوه کار با Smart PLS

برای بسیاری از پژوهشگران و دانشجویان این سوال پیش می آید که ما چه زمانی برای تحلیل آماری پروژه یا پایان نامه خود به نرم افزار پی ال اس مراجعه می کنیم؟

واقعیت این است که smart PLS برای هر نوع مسئله مدل سازی معادلات ساختاری کاربرد دارد. یعنی شما با هر حجم از نمونه و نرمال یا غیرنرمال بودن داده ها می توانید از این نرم افزار استفاده کنید. اما به طور معمول ما تنها برای داده های با حجم نمونه پایین به سراغ این نرم افزار می رویم و در صورتی که حجم نمونه ما بالا باشد گزینه های آموس و لیزرل جذاب تر هستند.

قابلیت دیگر نرم افزار این است که امکان استفاده از مدل‌های اندازه‌گیری با یک شاخص (سوال) هم فراهم است و شما می توانید در مدل پژوهشی خود از مدل های اندازه گیری با یک سوال هم استفاده کنید.

در Smart PLS شما می توانید با استفاده از ابزارهای گرافیکی، معادله ساختاری مد نظر خود را ترسیم کنید و نیازی به نوشتن کدهای دستوری خاص نیست. این رابط کاربری گرافیکی استفاده از این نرم افزار را بسیار ساده کرده است.

برخی از مزایای PLS

Smart PLS کاربردهای فراوانی دارد. در این بخش برخی از جذاب‌ترین‌های آن را آورده ایم:

  • محیط قدرتمند مدل‌سازی به شما امکان می دهد یک مدل مسیر را در عرض چند دقیقه ایجاد کنید.
  • Project Manager به شما کمک می کند تا امکان پیگیری تمام تجزیه و تحلیل ها و فایل های خود را داشته باشید.
  • می توانید مدل خود را با رنگ ها، حاشیه‌ها و فونت های خود سفارشی کنید تا ایده های خود را منحصر‌به‌فرد ترسیم کنید!
  • گزارش های سازمان یافته، بینش کاملی در مورد نتایج به شما ارائه می دهند.
  • این امکان را دارید تا نتایج خود را به طور دائمی به عنوان گزارش HTML یا فایل اکسل ذخیره کنید.
  • با ساختن گروه های داده ای می توانید به سادگی تحلیل های چندگروهه را اجرا کنید.

مدل سازی معادلات ساختاری

اهمیت روزافزون تجزیه و تحلیل داده ها در تحقیقات علمی، باعث توجه هر چه بیشتر جامعه علمی به این مقوله شده است. همانگونه که یک پژوهش علمی بدون مروری بر ادبیات موضوع و کنکاش در نظریه ها، ناقص می ماند، اضافه نمودن تحقیق میدانی به تئوریهای مطالعه شده جلوه ی دیگری به پژوهش داده و اعتبار آن را دو صد چندان می کند. در این راستا، داده هایی که محقق از اعضای نمونه آماری تحقیق خود جمع آوری می نماید، احتیاج به تحلیل دارند تا بتوانیم یافته‌های پژوهش را تفسیر کرد و نتایج را تعمیم داد.

در مطالعات حوزه علوم انسانی و اجتماعی، تجزیه و تحلیل داده‌های پژوهش طبق فرآیندی با قالب کلی مشخص و یکسان صورت می پذیرد که روش های تحلیل آماری متعددی در ارتباط با این فرآیند معرفی شده است. در این میان، مدلسازی معادلات ساختاری (SEM) که در اواخر دهه شصت میلادی معرفی شد، ابزاری در دست محققین جهت بررسی ارتباطات میان چندین متغیر در یک مدل فراهم می ساخت. قدرت این تکنیک در توسعه نظریه ها باعث کاربرد وسیع آن در علوم مختلف از قبیل بازاریابی، مدیریت منابع انسانی، مدیریت استراتژیک و سیستم های اطلاعاتی شده است. یکی از مهمترین دلایل استفاده زیاد پژوهشگران از SEM، قابلیت آزمودن تئوری ها در قالب معادلات میان متغیرهاست. دلیل دیگر لحاظ نمودن خطای اندازه گیری توسط این روش است که به محقق اجازه می دهد تا تجزیه و تحلیل داده های خود را با احتساب خطای اندازه گیری گزارش دهد.

مدل های معادله ساختاری به طور معمول ترکیبی از مدل های اندازه گیری و مدل های ساختاری هستند. بر مبنای مدل های اندازه گیری، محقق تعریف می کند که کدام متغیرهای مشاهده شده (Observed Variables) یا معرف ها (Indicators)، اندازه گیرنده‌ی کدام متغیرهای پنهان (Latent Variables) هستند و بر پایه مدل های ساختاری مشخص می شود که کدام متغیرهای مستقل بر کدام متغیرهای وابسته تاثیر دارند و یا این که کدام متغیرها همبسته هستند.

مدل سازی معادلات ساختاری برای تببین پدیده های فرهنگی و اجتماعی از قدرت بالایی برخوردار است. چه داده های گردآوری شده مقطعی باشند و چه طولی، مدل سازی این امکان را فراهم می آورد تا پژوهشگر بر مبنای چارچوب نظری، پیشینه تجربی و همچینین دیدگاه های شخصی به تدوین انواع روابط میان انواع متغیرها و ارزیابی آنها بپردازد.

این که متغیرها از چه مسیرهایی بر یکدیگر اثر می گذارند و این که اثرگذاری با چه شدت و جهتی است از جمله موارد معمولی است که در مدل سازی به آنها پرداخته می شود. با این حال نباید تصور کرد که مدل سازی قابل تقلیل به تحلیل مسیر معمول است.

با وجود پیچیدگی‌‎های مدل سازی معادلات ساختاری، اصل حاکم بر آن بسیار ساده است. این اصل می گوید “اگر بتوان داده های ورودی را با استفاده از مدل تدوین شده و پارامترهای برآوردشده بر مبنای همان داده‌ها مجددا بازتولید کرد می توان مدل را قابل قبول دانست”.

این روش در عین حال که همه مزیت‌های روشهایی نظیر رگرسیون خطی و تحلیل مسیر را داراست از نقاط قوت قابل‌توجهی در مقایسه با آنها برخوردار است که نمی توان از آن صرف نظر کرد. یکی از مهم ترین تفاوت ها توجه به خطای اندازه گیری است.

مدل سازی معادلات ساختاری با Smart Pls

مدل سازی معادلات ساختاری (Structural Equation Modeling) با دو نسل روشهای تجزیه و تحلیل داده ها معرفی شده است.

نسل اول مدل سازی معادلات ساختاری

نسل اول روش های مدل سازی معادلات ساختاری روشهای کواریانس محور هستند که هدف اصلی این روشها تأیید مدل بوده و برای این کار به نمونه هایی با حجم بالا نیاز دارند. نرم افزارهای EQS AMOS LISREL و MPLUS از پرکاربردترین نرم – افزارهای این نسل هستند.

نسل دوم مدل سازی معادلات ساختاری

چند سال پس از معرفی روش کواریانس محور، بدلیل نقاط ضعفی که در این روش وجود داشت (از قبیل احتیاج به تعداد زیاد نمونه، نرمال بودن توزیع داده ها، لزوم حداقل سه شاخص برای هر سازه و …)، نسل دوم روش های مدل سازی معادلات ساختاری که مولفه محور بودند، معرفی شدند. روش های مولفه محور که بعدا به روش حداقل مربعات جزئی یا PLS (Partial least squares) تغییر نام دادند، برای تحلیل داده ها فرآیند متفاوتی از روشهای نسل اول به کار می بردند که شامل دو مرحله اصلی بودند: ۱) بررسی برازش مدل های اندازه گیری، مدل ساختاری و مدل کلی. ۲) آزمودن روابط میان سازه ها. PLS مزایای مهمی نسبت به روش نسل اول داشت که مهمترین آن عدم نیاز به حجم بالای نمونه و نرمال بودن توزیع داده ها بود. همچنین سازه ها حتی با یک شاخص نیز می توانستند در مدل ترسیم شوند.

پس از معرفی روش PLS استفاده از آن به سرعت در میان پژوهشگران رواج یافت و به تبع آن نرم افزارهای متعددی برای اجرای مدل به روش PLS معرفی شدند که نرم افزار Smart PLS (معرفی شده در سال ۲۰۰۵) یکی از بهترین های آنهاست.

انجام پروژه های SEM با پی ال اس

در صورتی که برای انجام پروژه یا پایان نامه خود با نرم افزار Smart PLS نیاز به راهنمایی و مشاوره دارید می توانید با کارشناسان گروه پژوهشی 2020 تماس بگیرید. کارشناسان ما با تسلط کامل بر مباحث تحلیل آماری، ضمن بررسی صورت مسئله شما و معرفی نرم افزار مناسب، این امکان را در اختیار شما قرار می دهند تا با برونسپاری تحلیل آماری و بهره گیری از یک تیم مجرب، فرآیند رسیدن به پاسخ را تسهیل نمایید.