دانلود مقالات ISI درباره حداقل مربعات جزئی + ترجمه فارسی

حداقل مربعات جزئی (به انگلیسی: Partial Least Square ) به عنوان یک جایگزین برای روش های OLS رگرسیون، Canonical رگرسیون و مدل سازی معادلات ساختاری (SEM) در پژوهش هایی که متغیرهای مستقل و وابسته وجود دارد، بکار گرفته می شود. روش PLS در اغلب اوقات، معادلات ساختاری مبتنی بر مولفه (Component-Based SEM) نامیده می شود در حالی که روش معادلات ساختاری مبتنی بر کواریانس است(Covariance-Based SEM). در واقع، حداقل مربعات جزئی از فرآیند پیچیده تر و دو مرحله ای برای برآورد و تعیین وزن ها استفاده میکند. علاوه بر این، با استفاده از روش اطلاعات محدود در حداقل مربعات جزئی، هیچ فرضیه ای برای جامعه و یا مقیاس اندازهگیری وجود ندارد. بدون اینکه فرض هایی مانند فرضهای توزیع، و یا مقیاسهای اسمی، ترتیبی، و فاصلهای برای متغیرها، وجود داشته باشند، نتایج کار قابل استفاده میباشد. البته باید این نکته را نیز در ذهن داشت که حداقل مربعات جزئی هم همانند تمامی تکنیکهای آماری، نیازمند فرضهای خاصی است. مهمترین فرضیه، تشخیص "پیش بینی کننده" است. این الزام عنوان میکند که باید بخش سیستماتیک رگرسیون خطی را از روی انتظارات موقعیتی از متغیر وابسته تعریف کرد تا بتوان بر اساس رگرسیون نتیجه گیری کرد. با این حال، مشکل ثبات و پایداری در مقیاس بزرگ همچنان وجود دارد. بنابراین چنانچه مدل شما دارای شرایط ذیل می باشد، استفاده از روش PLS برای تحلیل مدل مورد نظر پیشنهاد می شود: روش PLS (حداقل مربعات جزئی) شامل مجموعه ای از رگرسیون های متوالی OLS می باشد و ضرورتی در نرمال بودن توزیع مشاهدات وجود ندارد. استفاده از روش OLS نشان از سازگاری روش حداقل مربعات جزئی با نمونه های کوچک دارد. درحالیکه در روش CBSEM مبتنی بر ML یا GLS حداقل ۲۰۰ نمونه مورد نیاز است. با توجه به اینکه در PLS فرض بر این است که تمام بلوک ها ترکیباتی خطی از معرف هایشان هستند، مشکلات شایعی همچون راه حل های ناسره و مشخص نبودن عوامل که برخی مواقع در تکنیک های CBSEM روی می دهد، بروز نمی کند. این روش زمانی استفاده می شود که می خواهیم تاثیرات چندین متغیر مستقل را بر یک یا چند متغیر وابسته بررسی کنیم اما پیش فرض های انجام رگرسیون یا معادلات ساختاری بر قرار نیست و یا اینکه در پژوهش به مشکلات زیر مواجه شویم: چندین متغیر وابسته داشته باشیم. تعداد متغیرهای مستقل زیاد باشد و شناسایی متغیرهای تاثیر گذار مشکل باشد. در متغیرهای مستقل هم خطی وجود داشته باشد(Multicollinearity) حجم نمونه کم باشد. در رگرسیون توزیع فروانی متغیرها نرمال نباشد و یا در روش معادلات ساختاری نرمال بودن چند متغیره برقرار نباشد.