- 1405/03/29
- نوشته شده توسط مدیر سایت
مدلسازی معادلات ساختاری با PLS و Amos
خلاصه پاسخ
اگر مدل شما پیچیده، اکتشافی یا دارای دادههای غیرنرمال است، SmartPLS (رویکرد واریانسمحور) انتخاب کنید. اگر به دنبال تأیید یک نظریه تثبیتشده با دادههای نرمال و نمونه بالا هستید، Amos (کوواریانسمحور) ابزار دقیقتری است. PLS برای توسعه نظریه و Amos برای آزمون نظریه.
✅ نکات کلیدی که قبل از خواندن مقاله باید بدانید
- ✓ PLS یک رویکرد اکتشافی برای مدلهای پیچیده است.
- ✓ Amos برای تأیید نظریههای موجود طراحی شده است.
- ✓ نرمال بودن دادهها در Amos الزامی و در PLS اختیاری است.
- ✓ مدلهای تکوینی فقط توسط PLS پشتیبانی میشوند.
- ✓ حداقل نمونه در PLS انعطافپذیر و در Amos سختگیرانه است.
- ✓ شاخص SRMR اکنون در هر دو نرمافزار کاربرد دارد.
- ✓ گزارشدهی خروجیها برای مجلات ISI بسیار متفاوت است.
- ✓ انتخاب نادرست نرمافزار میتواند به ریجکت مقاله منجر شود.
01 تفاوت فلسفی PLS و Amos: جنگ واریانس و کوواریانس
در قلب این دو نرمافزار، دو فلسفه کاملاً متفاوت آماری نهفته است. Amos (Analysis of Moment Structures) نماینده نسل قدیمیتر SEM مبتنی بر کوواریانس (CB-SEM) است. هدف CB-SEM بازتولید ماتریس کوواریانس مشاهدهشده توسط ماتریس کوواریانس مدل نظری است. به عبارت ساده، Amos به دنبال کمینه کردن تفاوت بین دادههای واقعی و پیشبینیهای تئوریک است.
در مقابل، SmartPLS بر پایه واریانس (PLS-SEM) کار میکند. این روش به دنبال بیشینه کردن واریانس تبیینشده (R²) در متغیرهای وابسته است. PLS به جای تأکید بر برازش کلی مدل، بر قدرت پیشبینی تمرکز دارد. این تفاوت بنیادین باعث میشود PLS برای پژوهشهای اکتشافی که هدفشان شناسایی محرکهای کلیدی یک پدیده است، ایدهآل باشد.
02 پیشفرضهای آماری: گلوگاه اصلی انتخاب
بزرگترین تفاوت عملی بین این دو ابزار به پیشفرضهای دادهها بازمیگردد:
- نرمال بودن چندمتغیره: Amos برای تخمین حداکثر درستنمایی (ML)، نیاز به توزیع نرمال چندمتغیره دارد. اگر دادههای شما چولگی و کشیدگی بالا نشان دهند، خروجی Amos قابل اعتماد نخواهد بود. PLS از آنجا که مبتنی بر واریانس و رگرسیونهای کمترین مربعات معمولی (OLS) است، هیچ پیشفرض نرمالیتی برای دادهها ندارد.
- مقیاس اندازهگیری: هر دو از دادههای پیوسته پشتیبانی میکنند، اما PLS انعطاف بیشتری در برخورد با متغیرهای سنجشی (مانند لیکرت 5 گزینهای) دارد.
- استقلال مشاهدات: این پیشفرض در هر دو الزامی است. نقض آن (مثلاً دادههای خوشهای) نیازمند تکنیکهای پیشرفتهتری است.
برای یادگیری عمیقتر نحوه بررسی این پیشفرضها در SPSS، میتوانید به راهنمای تحلیل دادههای پرسشنامهای با SPSS مراجعه کنید.
03 حجم نمونه: قانون 10 برابر یا قواعد پیچیده؟
در PLS، یک قاعده سرانگشتی معروف "10 برابر" وجود دارد: حجم نمونه باید حداقل 10 برابر تعداد مسیرهای ساختاری که به یک سازه درونی (Endogenous) میرسند یا تعداد گویههای بیشترین سازه تکوینی باشد. اما این حداقل است! برای توان آماری مناسب (0.80) و تشخیص اندازه اثر (R²) متوسط، نرمافزار G*Power میگوید گاهی به بیش از 100 نمونه نیاز دارید.
Amos (CB-SEM) نیازمند نمونههای بزرگ است. حداقل 200 تا 400 نمونه معقول است، زیرا در نمونههای کم، تخمینهای Maximum Likelihood ناپایدار میشوند و خطای استاندارد افزایش مییابد. اگر در مسیر نوشتن فصل سوم پایاننامه (طراحی روششناسی) هستید و نمونه کمی دارید، PLS ناجی شماست.
05 شاخصهای برازش: چرا CFI همیشه در PLS نیست؟
Amos گزارش کاملی از شاخصهای برازش Chi-Square, CFI, TLI, RMSEA ارائه میدهد. این شاخصها مبتنی بر اختلاف ماتریسهای کوواریانس هستند. PLS سنتی این شاخصها را ندارد، زیرا منطق آن بر پایه Residuals کوواریانسی نیست. تلاش برای تولید این شاخصها در PLS اغلب مصنوعی است.
با این حال، امروزه SRMR و NFI در PLS نیز گزارش میشوند. اگر داور مجله از شما بخواهد CFI و RMSEA را برای PLS گزارش دهید، نشان میدهد که داور با فلسفه PLS آشنا نیست و شما باید مؤدبانه با رفرنسهای معتبر (مثلاً مقاله Joe F. Hair) پاسخ دهید.
07 جدول مقایسه تخصصی PLS در برابر Amos
| ویژگی |
SmartPLS (PLS-SEM) |
IBM Amos (CB-SEM) |
| هدف تحقیق |
اکتشاف و پیشبینی |
تأیید و آزمون نظریه |
| توزیع دادهها |
غیرنرمال (بدون پیشفرض) |
نرمال چندمتغیره |
| حجم نمونه |
منعطف (حداقل 30-50) |
بزرگ (ترجیحاً >200) |
| سازههای تکوینی |
پشتیبانی کامل |
محدود و پیچیده |
| برازش مدل |
SRMR، R²، f² |
Chi², CFI, RMSEA, TLI |
| رابط کاربری |
کلیک-محور، مدرن |
ترسیمی (Drag & Drop) |
| مخاطب اصلی |
مدیریت، بازاریابی |
روانشناسی، علوم اجتماعی |
مقایسه مبتنی بر نیازهای پژوهشی رایج | منبع: Hair et al. (2019)
08 اشتباهات رایج در تحلیل SEM با PLS و Amos
-
اشتباه مهلک ۱: گزارش R² بهعنوان شاخص برازش در Amos. R² تنها قدرت پیشبینی را نشان میدهد و جایگزین CFI نیست.
-
اشتباه مهلک ۲: استفاده از PLS به دلیل عدم توانایی در برآورده کردن نرمالیتی. این یک "راه فرار" محسوب میشود. اگر نظریه قوی دارید، باید ابتدا Transform داده را امتحان کنید یا از تخمینهای مقاوم در Amos استفاده کنید.
-
اشتباه مهلک ۳: فراموشی بررسی Discriminant Validity. در PLS معیار HTMT و در Amos مقایسه AVE با مجذور همبستگیها بسیار حیاتی است.
-
اشتباه مهلک ۴: بارهای عاملی پایین. نگه داشتن گویهای با بار عاملی 0.4 در مقاله ISI فاجعه است. حداقل 0.7 نیاز است.
09 نکات طلایی برای دفاع و چاپ مقاله
هنگامی که روششناسی خود را در فصل سوم پایاننامه مینویسید، حتماً توجیه انتخاب نرمافزار را فراتر از "چون دادهها نرمال نبودند" ببرید. به فلسفه پژوهش (توسعه در برابر آزمون نظریه) اشاره کنید.
اگر از PLS استفاده میکنید، در فصل چهارم (تحلیل دادهها) حتماً گزارش VIF برای بررسی همخطی، مقادیر f² برای اندازه اثر، و Q² برای ارتباط پیشبینی را فراموش نکنید. داوران رساله دکترا به دنبال این جزییات هستند.
برای آمادهسازی مقاله، نحوه گزارشدهی متفاوت است. مجلات ISI اغلب تمایل به CB-SEM دارند، اما مجلات بازاریابی و MIS به خوبی PLS را پذیرفتهاند. راهنمای چاپ مقاله ISI میتواند شانس پذیرش شما را افزایش دهد.
10 سوالات متداول (FAQ)
PLS بهتر است یا Amos؟
هیچکدام "بهتر" نیستند. انتخاب بستگی به استراتژی تحقیق دارد. اگر قصد دارید یک نظریه جدید را توسعه دهید و دادههای شما پیچیده یا غیرنرمال است، PLS گزینه مناسبتری است. اگر مدل شما مبتنی بر یک نظریه قوی و دادههای نرمال است، Amos ابزار قدرتمندتری برای تأیید فرضیات شما خواهد بود.
آیا میتوان از PLS برای نمونههای خیلی کوچک (زیر 50) استفاده کرد؟
بله، PLS به لطف الگوریتم تکراری خود میتواند با نمونههای کوچک کار کند، اما این کار بدون ریسک نیست. توان آماری پایین میآید. توصیه میشود از نرمافزار G*Power برای محاسبه حداقل حجم نمونه مورد نیاز بر اساس تعداد پیشبینیکنندهها استفاده کنید، نه صرفاً قانون سرانگشتی 10 برابر.
شاخص HTMT در PLS چیست و چرا مهم است؟
HTMT (Heterotrait-Monotrait Ratio) معیار جدید روایی افتراقی در PLS است. اگر مقدار HTMT بین دو سازه از 0.85 تجاوز کند (برای سازههای مشابه مفهومی 0.90)، نشاندهنده همپوشانی بیش از حد است. این معیار از معیار قدیمی Fornell-Larcker دقیقتر عمل میکند.
آیا Amos فقط با SPSS ادغام میشود؟
Amos بسته نرمافزاری مستقلی است که میتواند ماتریس کوواریانس را از منابع مختلف بخواند، اما ادغام تنگاتنگ آن با SPSS یک مزیت بزرگ محسوب میشود. شما میتوانید فایل داده SPSS را مستقیماً در Amos بارگذاری کنید. این موضوع کار را برای دانشجویانی که تحلیل مقدماتی را در SPSS انجام دادهاند، بسیار ساده میکند.
تفاوت بین SmartPLS و WarpPLS چیست؟
هر دو مبتنی بر PLS هستند، اما WarpPLS ادعا میکند که روابط غیرخطی (U شکل یا S شکل) را نیز به خوبی تشخیص میدهد. SmartPLS رایجتر، کاربرپسندتر و منابع آموزشی (مثل کتاب Hair) بسیار بیشتری دارد. برای شروع، SmartPLS انتخاب امنتری است.
چگونه در Amos مدل خود را شناسایی (Identify) کنم؟
شناسایی مدل در Amos به این معناست که تعداد پارامترهای مجهول کمتر از معادلات موجود باشد. راه سریع: به هر متغیر پنهان یک "Identifying Constraint" بدهید (معمولاً بار عاملی یکی از گویهها را روی 1 ثابت کنید). اگر خروجی خطای "Minimization was unsuccessful" گرفتید، باید بررسی کنید آیا مدل شما از نظر تئوری قابل حل است یا خیر.
برای چاپ مقاله ISI کدام قابل قبولتر است؟
هر دو کاملاً در مجلات معتبر پذیرفته میشوند، اما بستگی به حوزه دارد. روانشناسی و جامعهشناسی بیشتر به CB-SEM (Amos, LISREL) اعتماد دارند. حوزههای مدیریت سیستمهای اطلاعاتی (MIS) و بازاریابی به PLS (SmartPLS) علاقه نشان میدهند. کلید ماجرا توجیه علمی قوی در بخش متدولوژی است.
نرمافزار رایگان PLS معرفی کنید.
بستههای SEMinR و plspm در زبان برنامهنویسی R رایگان و بسیار قدرتمند هستند. همچنین بسته lavaan در R برای CB-SEM کاربرد دارد. این ابزارها انعطاف بینظیری دارند اما نیازمند کدنویسی هستند. SmartPLS نرمافزار تجاری و پولی است که امکانات گرافیکی فوقالعادهای دارد.
بار عاملی منفی در PLS به چه معناست؟
اگر بار عاملی یک گویه منفی باشد، یعنی آن گویه در جهت عکس سازه عمل میکند. معمولاً این اتفاق زمانی میافتد که مقیاس یک سوال را فراموش کردهاید Reverse کنید. باید آن گویه را بازبینی کنید یا در صورت اشتباه بودن، recode کنید. حذف کورکورانه گویه کار درستی نیست.
آیا میتوانم تحلیل SEM را خودم یاد بگیرم؟
قطعاً بله. با مطالعه کتاب "A Primer on Partial Least Squares" نوشته Hair و کتاب "Multivariate Data Analysis" میتوانید شروع کنید. اما مراقب باشید: یادگیری ناقص منجر به خطاهای جبرانناپذیر در دفاع میشود. برای پروژههای حساس، استفاده از خدمات مشاوره تخصصی مدلسازی معادلات ساختاری ریسک شما را صفر میکند.
سخن پایانی: پل زدن بین تئوری و دادهها
انتخاب بین PLS و Amos صرفاً یک تصمیم فنی نیست، یک تصمیم فلسفی و روششناختی است. شناخت عمیق تفاوتهای رویکرد واریانسمحور و کوواریانسمحور، شما را از یک تحلیلگر داده به یک پژوهشگر بالغ تبدیل میکند. چه در حال نوشتن فصل اول پایاننامه، که در کلیات تحقیق باید چارچوب نظری را بنا کنید، چه در فصل پنجم که نتایج را به بحث میگذارید، همواره به این سوال فکر کنید: "آیا ابزار من متناسب با هدف من است؟"
تحلیل دادهها را به متخصصین بسپارید
انجام کلیه تحلیلهای آماری PLS و Amos برای پایاننامه و مقالات شما با بالاترین کیفیت.
ثبت سفارش تحلیل آماری