از عبارت PLS-SEM در مقابل CB-SEM استفاده نمی شود. هر دو روش مکمل هم هستند تا رقابتی. با وجود اینکه این موضوع کاملاً شناخته شده است (برای مثال به Jöreskog و Wold، 1982 مراجعه کنید)، بسیاری از محققان همچنان بر روی مقایسه تفاوتهای برآورد مدل در هنگام استفاده از مدلسازی معادلات ساختاری مبتنی بر کوواریانس (CB-SEM) و مدلسازی معادلات ساختاری حداقل مربعات جزئی(PLS-SEM) تمرکز میکنند.
به جای تمایز بین مدلهای عامل رایج و مدلهای ترکیبی (هنسلر و همکاران، 2014)، این بحثها بر قابلیتهای PLS-SEM از تقليد CB-SEM تمرکز دارند. اما PLS-SEM در شکل اصلی خود (Wold, 1982; Lohmöller, 1989) به عنوان يك كپي از CB-SEM ایجاد نشده است! محققان PLS-SEM باید فراخوان ریگدون (2012) را دنبال کنند و شروع به رهاسازی روش از خواهر و برادر CB-SEM خود کنند (همچنین رجوع کنید به Sarstedt و همکاران، 2014؛ Sarstedt و همکاران. 2016؛ Rigdon 2014؛ Rigdon و همکاران، 2017). به عنوان مثال، فورنل و بوکستاین (1982)، چین و نیستد (1999)، مو و همکاران. (2011)، مو و همکاران. (2012)، مو و همکاران. (2014)، Jöreskog و Wold (1982)، و Reinartz و همکاران (2009) توصیه هایی را برای استفاده از CB-SEM یا PLS-SEM ارائه می دهد. مهم ترین دلیل برای انتخاب CB-SEM یا PLS-SEM هدف تحقیق (ساختار یا پیش بینی) است: "هدف اولیه رویکرد ML مطالعه ساختار قابل مشاهده ها است. هدف اصلی رویکرد PLS پیشبینی شاخصها با استفاده از بسط مؤلفهها (1) است. Jöreskog و Wold، 1982; پ. 266). در راستای این مفهوم، Hair et al. (2011؛ ص 144) توصیه می کنند:
اگر هدف، پیشبینی سازههای هدف کلیدی یا شناسایی ساختارهای کلیدی «محرک» است، PLS-SEM را انتخاب کنید.
اگر هدف آزمون تئوری، تایید تئوری یا مقایسه نظریه های جایگزین است، CB-SEM را انتخاب کنید.
اگر تحقیق، اکتشافی یا بسط یک نظریه ساختاری موجود است، PLS-SEM را انتخاب کنید.
با این حال، اخیراً (2014) Bentler و Huang (2014)، Dijkstra و Dijkstra و Henseler (2015) روشهایی را معرفی کردند که برآوردهای PLS-SEM سازگار را ارائه میدهند. این برآوردهای PLS سازگار (PLSc) از مدلهای عامل مشترک برای تقلید از CB-SEM طراحی شدهاند (Sarstedt و همکاران، 2016). بنابراین، محققان می توانند از PLS-SEM برای مطالعه ساختار استفاده کنند (Rigdon et al., 2017). در نتیجه، شاهد دو پیشرفت PLS-SEM هستیم: یک جهت از PLS-SEM برای مطالعات پیشبینیمحور استفاده میکند و جهت دیگر از PLS-SEM (از طریق PLSc) برای تقلید از CB-SEM برای مطالعاتی استفاده میکند که بر تجزیه و تحلیل و آزمون ساختار مدل تمرکز دارند.
References
-
Arbuckle, J. L. 2006. "Amos (Version 7.0)." Chicago: SPSS.
-
Chin, W. W., and Newsted, P. R. 1999. "Structural Equation Modeling Analysis with Small Samples Using Partial Least Squares." In Statistical Strategies for Small Sample Research. Ed. R. H. Hoyle. Thousand Oaks: Sage, 307-341.
-
Jöreskog, K. G., and Wold, H. O. A. 1982. "The ML and PLS Techniques For Modeling with Latent Variables: Historical and Comparative Aspects." In Systems Under Indirect Observation, Part I. Eds. H. O. A. Wold and K. G. Jöreskog. Amsterdam: North-Holland, 263-270.
-
Lohmöller, J.-B. 1989. Latent Variable Path Modeling with Partial Least Squares. Heidelberg: Physica.
-
Ringle, C. M., Wende, S., and Becker, J.-M. 2022. "SmartPLS 4." Oststeinbek: SmartPLS GmbH.
-
Wold, H. O. A. 1982. "Soft Modeling: The Basic Design and Some Extensions." In Systems Under Indirect Observations: Part II. Eds. K. G. Jöreskog and H. O. A. Wold. Amsterdam: North-Holland, 1-54.
نظرات