آموزش smart pls

دو رویکرد مدل‌سازی معادلات ساختاریکه به طور خاص در تجزیه و تحلیل مسیر مورد استفاده قرار می‌گیرند، عبارتند از:
1. **مدل‌سازی معادلات ساختاری واریانس محور (Variance-Based Structural Equation Modeling، SEM-V)**: در این رویکرد، تمرکز بر روی واریانس و کوواریانس متغیرها و روابط بین آن‌ها است. مدل‌سازی از دیدگاه واریانس محور بر اساس ماتریس کوواریانس یا کوواریانس‌های نرمال شده انجام می‌شود. SEM-V معمولاً از روشهای مانند Maximum Likelihood (ML) یا Partial Least Squares (PLS) برای تخمین پارامترهای مدل استفاده می‌کند.

2. **مدل‌سازی معادلات ساختاری کوواریانس محور(Covariance-Based Structural Equation Modeling، SEM-C)**: در این رویکرد، تمرکز بر روی ماتریس کوواریانس یا کوواریانس‌های نرمال شده متغیرها و روابط بین آن‌ها قرار دارد. در SEM-C، از روش Maximum Likelihood (ML) برای تخمین پارامترهای مدل استفاده می‌شود.

حالا فرق اصلی بین این دو رویکرد به شرح زیر است:
1. **محور تخمین:**
   - در SEM-V، مدل‌سازی بر اساس واریانس متغیرها صورت می‌گیرد.
   - در SEM-C، مدل‌سازی بر اساس کوواریانس متغیرها صورت می‌پذیرد.
2. **استفاده از روش تخمین:**
   - در SEM-V، معمولاً از روشهایی مانند Partial Least Squares (PLS) برای تخمین پارامترهای مدل استفاده می‌شود.
   - در SEM-C، از روش Maximum Likelihood (ML) برای تخمین پارامترهای مدل استفاده می‌شود.
هر دو رویکرد مزایا و معایب خود را دارند و انتخاب بین آنها بستگی به ویژگی‌های داده و هدف مطالعه دارد. به طور کلی، SEM-V برای داده‌های غیرنرمال و مدل‌های پیچیده و SEM-C برای داده‌های نرمال و مدل‌های پایه مورد استفاده قرار می‌گیرد.

تجزیه و تحلیل حداقل مربعات جزیی
تجزیه و تحلیل حداقل مربعات جزیی (PLS) یک روش آماری است که برای مدل‌سازی رابطه‌های پیچیده بین متغیرها استفاده می‌شود. این روش به صورت خاص برای مدل‌سازی روابط بین متغیرهای مستقل (متغیرهای توضیح‌دهنده یا متغیرهای ورودی) و متغیرهای وابسته (متغیرهای پاسخ یا متغیرهای خروجی) کاربرد دارد. 
مفروضات اصلی مربوط به تجزیه و تحلیل حداقل مربعات جزیی عبارتند از:
1. **خطی بودن روابط:** فرض می‌شود که رابطه بین متغیرهای وابسته و مستقل به صورت خطی است، یعنی می‌توان رابطه را با یک معادله خطی تقریب زد.
2. **مستقل بودن مشاهدات:** فرض می‌شود که هر مشاهده باید مستقل از دیگر مشاهدات باشد، به این معنا که تغییر در یک مشاهده باید به تغییر در مشاهده‌های دیگر منجر نشود.
3. **فرض نرمال بودن توزیع خطاها:** فرض می‌شود که خطاها (تفاوت بین مقادیر واقعی و مقادیر پیش‌بینی شده توسط مدل) از توزیع نرمال پیروی می‌کنند.
4. **استقلال خطاها:** فرض می‌شود که خطاهای متعلق به مشاهدات مختلف از یکدیگر مستقل هستند.
5. **متغیرهای مستقل بودن:** فرض می‌شود که متغیرهای مستقل (ویژگی‌ها یا متغیرهای ورودی) باید مستقل از هم باشند. به عبارت دیگر، هیچ ارتباط خطی بین آن‌ها وجود ندارد.
6. **تعداد مشاهدات بیشتر از تعداد متغیرها:** تعداد مشاهدات باید بیشتر یا حداقل برابر با تعداد متغیرهای مستقل باشد.
نرم‌افزارهای مختلفی برای انجام تجزیه و تحلیل حداقل مربعات جزیی وجود دارد، اما یکی از معروف‌ترین‌ها نرم‌افزار SmartPLS است. این نرم‌افزار به کاربران اجازه می‌دهد تا مدل‌های PLS را بسازند، آن‌ها را ارزیابی کنند و نتایج را تفسیر کنند. از جمله قابلیت‌های این نرم‌افزار محاسبه معیارهای مختلف ارزیابی مدل (مانند R-squared، Q-squared، Path Coefficients و...) و همچنین ارائه گرافیک‌های مختلف برای نمایش نتایج است.
برازش مدل
مراحل برازش یا فرآیند برازش در تجزیه و تحلیل حداقل مربعات جزیی (PLS) به منظور ایجاد مدل است. در اینجا مراحل کلی برازش در PLS را توضیح می‌دهم:

1. **تعیین هدف‌ها و متغیرها:**
   - در این مرحله، ابتدا باید هدف یا اهداف مطالعه را مشخص کنید، به عنوان مثال، پیش‌بینی یک متغیر وابسته با استفاده از متغیرهای مستقل. سپس متغیرهای مورد استفاده در مدل (ورودی و خروجی) را تعیین می‌کنید.
2. **تجمیع داده‌ها:**
   - این مرحله شامل جمع‌آوری داده‌های مورد نیاز برای تحلیل است. اطمینان حاصل کنید که داده‌ها به صورت کامل و قابل اطمینان باشند.
3. **پیش‌پردازش داده‌ها:**
   - قبل از انجام تجزیه و تحلیل، داده‌ها نیاز به پیش‌پردازش دارند، مثلاً پر کردن مقادیر خالی، تبدیل متغیرها به مقیاس مشترک و حذف داده‌های پرت یا نامناسب.
4. **مدل‌سازی:**
   - در این مرحله، مدل مطلوب خود را تعریف می‌کنید. این شامل تعیین روابط بین متغیرها (وابسته به مستقل) است.
5. **ارزیابی مدل:**
   - پس از ساخت مدل، نیاز به ارزیابی دقت و کیفیت آن دارید. این شامل استفاده از معیارهای ارزیابی مانند R-squared، Q-squared، معیارهای فرآیند (Process Fit Measures) و ... است.
6. **تفسیر نتایج:**
   - در این مرحله، نتایج حاصله از مدل را تفسیر می‌کنید و به دنبال درک عمیق‌تر از روابط بین متغیرها هستید. این شامل تفسیر ضرایب مسیر، اهمیت وزن‌ها (Weights) و بارهای فاکتور (Factor Loadings) می‌شود.

7. **تحلیل حساسیت:**
   - بررسی تأثیر تغییرات در مدل (مانند حذف یا اضافه کردن متغیرها) بر پایداری و دقت مدل.
8. **تجزیه و تحلیل پیش‌بینی:**
   - در انتها، استفاده از مدل برای پیش‌بینی و یا ارائه راهکارها و توصیه‌هایی برای مسائل مورد مطالعه.
این مراحل به طور کلی نشان‌دهنده فرآیند برازش در PLS هستند. هر یک از این مراحل نیازمند دقت و توجه به جزئیات است تا مدل نهایی دقیق و قابل اعتماد باشد.

آزمون نرمالیتی چند متغیره
آزمون ماردیا در نرمال چندمتغیره یکی از روش‌های آماری است که برای بررسی نرمالیته یا توزیع نرمال داده‌های چند متغیره استفاده می‌شود. این آزمون معیاری از انحراف از توزیع نرمال را در داده‌های چند متغیره سنجیده و ارزیابی می‌کند.
مراحل انجام آزمون ماردیا در نرمال چندمتغیره عبارتند از:
1. **فرضیات آزمون:**
   - فرض صفر (H0): داده‌های چند متغیره از یک توزیع نرمال پیروی می‌کنند.
   - فرض جایگزین (H1): داده‌های چند متغیره از یک توزیع نرمال پیروی نمی‌کنند.
2. **محاسبه آماره آزمون:**
   - در این مرحله، آماره ماردیا محاسبه می‌شود. این آماره بر اساس انحرافات از توزیع نرمال است و برای محاسبه آن باید از فرمول‌های مختلف استفاده کرد. آماره ماردیا به عنوان یک معیار از شکل توزیع داده‌ها استفاده می‌شود؛ به عبارت دیگر، این آماره نشان می‌دهد که آیا داده‌ها به صورت متمرکز در اطراف میانه‌ی خود هستند یا نه.
3. **تصمیم‌گیری:**
   - با توجه به مقدار آماره ماردیا و مقدار p-value محاسبه شده، تصمیم‌گیری انجام می‌شود که آیا داده‌های چند متغیره از توزیع نرمال پیروی می‌کنند یا خیر. اگر مقدار p-value کمتر از سطح اهمیت معین شده (معمولاً 0.05) باشد، فرض صفر رد شده و می‌توان نتیجه گرفت که داده‌های چند متغیره از توزیع نرمال پیروی نمی‌کنند.
آزمون ماردیا یکی از روش‌های مهم برای بررسی نرمالیته داده‌های چند متغیره است و معمولاً قبل از انجام تحلیل‌های پیچیده‌تر بر روی داده‌ها انجام می‌شود.
آزمون ماردیا در نرم افزار کوواریانس محور IBM AMOS انجام می شود.

آزمون نرمالیتی آزمون Cramer-von Mises 
آزمون Cramer-von Mises یکی از آزمون‌های آماری برای بررسی تطابق توزیع داده‌ها با یک توزیع احتمالاتی خاص، مانند توزیع نرمال، استفاده می‌شود. این آزمون بر اساس فاصله کمینه مربعات بین توزیع تجربی و توزیع مورد انتظار (در اینجا، توزیع نرمال) محاسبه می‌شود.

مراحل انجام آزمون Cramer-von Mises به شرح زیر است:
1. **تعریف فرضیه‌ها:**
   - فرض صفر (H0): داده‌ها از توزیع مورد انتظار (معمولاً توزیع نرمال) پیروی می‌کنند.
   - فرض جایگزین (H1): داده‌ها از توزیع مورد انتظار پیروی نمی‌کنند.
2. **تهیه توزیع تجربی:**
   - در این مرحله، ابتدا توزیع تجربی داده‌ها بررسی می‌شود و سپس به صورت مرتب شده درآمدهای نرمال سازی شده محاسبه می‌شود.
3. **تهیه توزیع مورد انتظار:**
   - توزیع مورد انتظار به عنوان مقداری که داده‌ها از آن پیروی می‌کنند تعریف می‌شود. در مورد آزمون Cramer-von Mises، این توزیع معمولاً یک توزیع نرمال است.
4. **محاسبه فاصله مربعات:**
   - در این مرحله، فاصله مربعات بین توزیع تجربی و توزیع مورد انتظار محاسبه می‌شود. این فاصله معمولاً با استفاده از مربعات اختلاف میان دو توزیع محاسبه می‌شود.
5. **محاسبه آماره آزمون:**
   - با استفاده از فاصله مربعات محاسبه شده، آماره آزمون Cramer-von Mises محاسبه می‌شود.
6. **تعیین مقدار p-value:**
   - با استفاده از آماره آزمون محاسبه شده و توزیع آن زیر فرضیه صفر (توزیع مورد انتظار)، مقدار p-value محاسبه می‌شود.

7. **تصمیم‌گیری:**
   - با مقایسه مقدار p-value با سطح اهمیت مشخص شده (معمولاً 0.05)، تصمیم‌گیری درباره رد یا عدم رد فرض صفر انجام می‌شود. اگر مقدار p-value کمتر از سطح اهمیت باشد، فرض صفر رد می‌شود و نتیجه می‌گیریم که داده‌ها از توزیع مورد انتظار پیروی نمی‌کنند.
آزمون Cramer-von Mises یکی از آزمون‌های معمول برای بررسی نرمالیته داده‌هاست، به خصوص زمانی که توزیع داده‌ها از یک توزیع نرمال متمایز باشد.
این آزمون در نرم افزار واریانس محور SMARTPLS انجام می شود.

فایل WORD توضیحات در ادامه قابل دانلود است.