مدل سازی معادلات ساختاری

 الگوهای معادله ساختاری، مجموعه هایی از معادلات خطی هستند که برای تعیین یک پدیده برحسب متغیرهای علت و معلول از پیش فرض شده به کار می روند. کلی ترین شکل این الگوها امکان اندازه گیری متغیرهایی که نمی توانند مستقیماً اندازه گیری شوند را فراهم می کند. الگوهای معادله ساختاری به ویژه در علوم اجتماعی و رفتاری مفیدند و برای مطالعه رابطه بین وضعیت های اجتماعی و حصول آن ها، تصمیم های مربوط به قابلیت سوددهی شرکت ها، کارایی برنامه های رفتار اجتماعی و دیگر مکانیسم ها مورد استفاده قرار می گیرد. تدوین مدل : قبل از هر نوع جمع آوری داده و تحلیل، پژوهشگر بایستی مدلی را تدوین نماید که به نظر می رسد مقادیر واریانس- کواریانس آن را تأیید نمایند. به بیان دیگر تدوین مدل تصمیم در این باره است که کدام متغیرها در مدل نظری قرار گیرند و این که این متغیرها چگونه با هم در ارتباط هستند.

اینکه مدل تدوین شده توسط محقق بر مبنای چارچوب نظری و پیشینه تئوریک آن تا چه اندازه با واقعیت انطباق دارد؟ سوالی است که هر پژوهشگری که مدل خود را بر اساس مدل سازی معادلات ساختاری تدوین نموده است، با آن روبرو بوده و در تلاش برای اثبات آن است.این امر توسط شاخص هایی تحت عنوان شاخص های برازش تعیین می گردد. دکتر هایر بیان می دارد که اگر مدلی به صورت کامل اجرا شد و تمام بارهای عاملی و ضرایب مسیر هم تایید گردید ولی از نقطه نظر برازش ایراد داشت، هیچ ارزش علمی نخواهد داشت چرا که برشی از واقعیت نخواهد بود.یکی از مهمترین دسته های شاخص های برازش ، شاخص های مقتصد یا اقتصاد مدل است که در این مطلب به آن پرداخته ایم.

این دو شاخص اولین بار توسط Joreskog& Sorbom به عنوان شاخص جایگزین کای اسکوئر در سال 1989 به وجود امد به حجم  نمونه بستگی نداشته و نسبت واریانس باز تولید شده را به کمک برآورد مقدار کواریانس مشاهده شده محاسبه می نماید(Tabachnick&fidell,2007).  با مشاهده واریانس و کواریانس باز تولید شده توسط مدل شاخص GFI بیانگر میزان دقت مدل در تکرار ماتریس کواریانس مشاهده شده است(Hooper et al.,2008:54).

از زمانی که روش حداقل مربعات جریی مورد توجه و استفاده پژوهشگران در رشته های مختلف مدیریتی مانند مدیریت استراتژیک، مدیریت بازاریابی و مدیریت سیستم های اطلاعات قرار گرفته است، تا به حال یک چالش هنوز پیش روی محققین قرار داد که مطالعات زیادی نیز درباره آن انجام نشده است. این موضوع همان ناهمگنی داده ها(heterogeneity) است که باعث گردیده تا یک قسمت به طور مجزا در نرم افزارهای PLS به این موضوع اختصاص یابد.

تجزيه و تحليل چند سطحي جهت تحقيقاتي به كار مي روند كه در آن دو يا سه سطح مختلف در ايجاد يك مشكل و يا يك پديده مطلوب دخالت دارند. نحوه دخالت نيز به گونه اي است كه يك عامل يا علت از سطح بالاتر به عنوان متغير تعديل كننده در رابطه اثر گذاري دو متغير مستقل و وابسته در سطح پايين تر اثر گذاشته و موجب تشديد و يا تضعيف اين رابطه مي شود.

تحليل مسير يا path analysis روش آماري كاربرد ضرايب بتاي استاندارد رگرسيون چند متغيرى در مدل هاى ساختاري است هدف تحليل مسير به دست آوردن برآوردهاى كمى روابط علّى ( همکنشي يکجانبه يا کواريته) بين مجموعه اى از متغيرهاست.ساختن يک مدل علّي لزوماً به معناي وجود روابط علّي در بين متغيرهاي مدل نيست بلکه اين عليت بر اساس مفروضات همبستگي و نظر و پيشينه تحقيق استوار است.

در روش PLS پژوهشگر به  مشکلات سایر روش ها برخورد نمی کند. عدم حساسیت PLS به حجم نمونه تا آنجاست که حتی تعداد نمونه می تواند کمتر از تعداد کل متغییرهای پژوهش باشد . به طور مثال ولد(1989) در مقاله خود مدلی را به کار می برد که دارای تعداد کل 27 متغییر است و این در حالی است که تعداد نمونه 10 عدد برای تحلیل استفاده شده است. یکی از قواعد شناخته شده برای تعیین حجم نمونه لازم در روش PLS، توسط بارکلای و همکاران (1995) ارائه شده است. این نویسندگان اظهار می دارند که حداقل حجم نمونه لازم برای استفاده از روش PLS، برابر است با بزرگترین مقدار حاصل از دو قاعده: