تفاوت میان اسمارت PLS و لیزرل

تصاویر مرتبط با استفاده از نرم افزارهای SPSS ، Lisrel ، pls , amos

معادلات ساختاری روش حداقل مربعات جزئی از نوع واریانس محور بوده و از روش حداقل مربعات جزئی[1] استفاده میکند.

تفاوت روش واریانس محور(حداقل مربعات جزئی) با روش کوواریانس محور:

PLS و LISREL تا حدودی مشابه هستند ، اما معادل نیستند. نمی توانید انتظار داشته باشید که نتایج یکسان باشد. در برخی شرایط حتی می توانند به شدت متفاوت باشند. و حتی در مدلهای CB-SEM (LISREL) بسته به برآوردگر (ML ، GLS ، ULS و غیره) نتایج می توانند به شدت متفاوت باشند.

در کاربردهای بازاریابی مدل های معادلات ساختاری با متغیرهای غیرقابل مشاهده ، محققان تقریباً منحصر به LISREL برای برآورد پارامتر اعتماد کرده اند.

ظاهراً آنها نگران ناتوانی مکرر داده های بازاریابی در تأمین نیازهای تخمین حداکثر احتمال یا وقوع رایج راه حل های نامناسب در مدل سازی LISREL بوده اند.

نویسندگان نشان می دهند که می توان از حداقل مربعات جزئی (PLS) برای غلبه بر این دو مشکل استفاده کرد.

اسمارت PLS در تئوری آماری و روان سنجی سنتی تا حدودی از LISREL مستدل نیست.

با این حال ، نویسندگان نشان می دهند که تحت مشخصات خاص مدل ، این دو روش نتایج یکسانی را ارائه می دهند.

در موارد کلی تر ، این روش ها نتایجی را ارائه می دهند که به روش های خاص سیستماتیک از هم جدا می شوند. این تفاوت ها از نظر اهداف اساسی هر روش تجزیه و تحلیل و توضیح داده می شود.

روش واریانس محور توزیعی خاصی نیاز نداشته و با هر تعداد نمونه ای سازگار بوده و نتایج قابل اعتمادی به دست می دهد.

دارای محدودیت های کمتری بوده خصوصا در مواردی که به خاصیت پیش بینی بین متغیرها نیاز است، بسیار مناسب می باشد.

در مجموع قدرت این روش نسبت به مدل سازی کوواریانس محور بسیار بالاتر است.

این روش دارای شاخص های روایی فراوانی می باشد که برای سازه های ترکیبی استفاده می شود.

همچنین، در سطح آلفای 0.01 و کمتر مقادیر آماره ی تی بالاتر از 1.96 را معنی دار می داند.

منابع اطلاعاتی زیر اولین اطلاعاتی را درباره تفاوت بین CB-SEM (LISREL) و PLS ارائه می دهند:

https://www.smartpls.com/documentation/ … with-cbsem
https://www.smartpls.com/documentation/ … and-cb-sem
https://www.smartpls.com/documentation/ … d-when-not

[1] Partial least square(PLS)