spss-pasw
الگوریتمPLSوزنی(WPLS)، آنگونه که توسط بکر و اسماعیل (2016) ارائه شده، یک نسخه اصلاح شده از الگوریتم مدل سازی مسیر PLSاصلی است که اوزان نمونه گیری را ترکیب میکند
برنامه های کاربردیPLS-SEM معمولا بر روی پاسخ های تحقیق در مدیریت، علوم اجتماعی و تحقیقات بازار و محققانی که از نمونه های جمع آوری شده خود برای ارزیابی پارامترهای جامعه استفاده می کنند، تمرکز دارند. برای این منظور، نمونه باید نماینده جامعه باشد. با این حال، اعضای جامعه اغلب به طور مساوی به احتمال زیاد در نمونه گنجانده نمی شوند، که نشان می دهد واحدهای نمونه گیری احتمال متفاوت انتخاب شدن دارند از اینرو، هنگام ارزیابی پارامترهای جامعه، وزنهای نمونه برداری (بعد از طبقه بندی) باید برای دستیابی به برآوردهای سازگار استفاده شود.
استفاده از وزن نمونه گیری یک راه حل ممکن برای اصلاح نتایج با، به عنوان مثال، وزن و یا واریانس وزنی، هنگام برآورد پارامترهای جامعه است.نقص در نمونه نه تنها می تواند به دلیل احتمال نابرابر بودن انتخاب با استفاده از اعمال وزن مناسب اصلاح شود، بلکه نقایص از نظر عدم پاسخ و عدم پوشش واحد نیز، اصلاح می‌گردد.
PLS-SEMیک سیستم رگرسیون بر روی داده های شاخص استاندارد شده است و ترکیب های وزنی را به عنوان تقریبی از متغیرهای پنهان مفهومی در یک الگوریتم تکراری محاسبه می کند.یک رویکرد مناسب برای ترکیب کردن وزن نمونه در PLS-SEMبر اساس داده های متغیرهای مشاهده شده (یا آشکار) و یک متغیر وزنی است که برای احتمال نابرابری انتخاب اصلاح می شود و در نتیجه معرف بودن نمونه را با توجه به جامعه تضمین می کند.الگوریتم وزنPLS (WPLS)، آنگونه که توسط بکر و اسماعیل (2016) ارائه شده است، این وزن ها را با استفاده از همبستگی های وزن و نتایج رگرسیون وزن در هنگام برآورد مدل مسیرPLSدر نظر می گیرد. WPLS یک نسخه اصلاح شده از الگوریتم مدل سازی مسیرPLSاصلی است که اوزان نمونه گیری را ترکیب میکند در نتیجه، WPLS میانگین بهتری از برآوردهای پارامتر مدل جامعه از الگوریتمPLSپایه را فراهم می کند زمانی که وزن نمونه گیری مناسب در دسترس است (بکر و اسماعیل، 2016)
تنظیمات WPLS در SMARTPLS
پیشنیاز استفاده از الگوریتمWPLSدر دسترس بودن یک متغیر وزن در مجموعه داده های شما است.متغیر وزن متغیری در مجموعه داده های شماست که شامل وزن نمونه گیری برای هر مشاهده است.قبل از وارد کردن داده ها به SmartPLSاین متغیر وزن بایستی پیش از وارد کردن داده ها در smartpls توسط محقق ایجاد شوند (برای کسب اطلاعات بیشتر در مورد ایجاد اوزان نمونه گیری به مقالات مجلات و سایر پیشینههای پژوهشی در این زمینه مراجعه کنید)
هنگام اجرای الگوریتمPLSو PLScو همچنین تمامی الگوریتم های دیگر که مبتنی بر نتایج PLSوPLScدر SmartPLS هستند، گزینه ای برای انتخاب یک متغیر وزن نمایش داده می شود
فقط متغیر وزن را با استفاده از جعبه دسته کوچک (combo) در نوار وزن که در هنگام اجرای الگوریتم در SmartPLSظاهر می شود انتخاب کنید.پس از انتخاب یک متغیر وزن، SmartPLSبه طور خودکارWPLSرا اعمال می کند.تمام محاسباتPLSبعدی براساس این اوزان نمونه گیری است.به عنوان نتیجه، شما نتایجPLS وزنی را بدست می آورید.
اگر نوار وزن برای یک الگوریتم در SmartPLSدر دسترس نیست، روش هایWPLS(هنوز) برای این الگوریتم موجود نیست
منبع اول:
Becker, J.-M. & Ismail, I. R. 2016. Accounting for Sampling Weights in PLS Path Modeling: Simulations and Empirical Examples, European Management Journal, 34(6): 606-617.
منبع دوم:
نظرات