⏱ زمان مطالعه: 10 دقیقه
انتخاب میان دو ابزار قدرتمند مدلسازی معادلات ساختاری، یعنی ایموس (AMOS) و اسمارت پی‌ال‌اس (SmartPLS)، یکی از چالش‌های بنیادین پژوهشگران علوم رفتاری، مدیریت و مهندسی صنایع است. هر دو نرم‌افزار برای بررسی ساختار روابط پیچیده میان متغیرهای مکنون طراحی شده‌اند، اما تفاوت‌های عمیقی در الگوریتم‌های محاسباتی، الزامات توزیع آماری و اهداف علمی با یکدیگر دارند. درک این تفاوت‌ها مانع از انتخاب نادرست روش تحلیل آماری و رد شدن فصول تحلیلی در داوری دانشگاهی یا مجلات معتبر علمی میشود.
مقایسه رویکرد کوواریانس‌محور و واریانس‌محور در مدلسازی ساختاری
هسته اصلی تمایز ایموس و اسمارت پی‌ال‌اس در فلسفه محاسباتی آن‌ها نهفته است. نرم‌افزار ایموس بر رویکرد کوواریانس‌محور (CB-SEM) متکی است، در حالی که اسمارت پی‌ال‌اس از شیوه واریانس‌محور یا حداقل مربعات جزئی (PLS-SEM) پیروی می‌کند. این تمایز ساختاری، نحوه برخورد هر نرم‌افزار با ماتریکس کوواریانس داده‌ها را به کل تغییر می‌دهد.
در مدلسازی کوواریانس‌محور، هدف الگوریتم کمینه‌سازی تفاوت میان ماتریکس کوواریانس نظری برخاسته از مدل مفهومی و ماتریکس کوواریانس حاصل از داده‌های تجربی نمونه است. ایموس با برآورد حداکثر درستی‌نمایی (Maximum Likelihood)، پارامترهایی را بازتولید می‌کند که توزیع کل داده‌ها را پوشش دهد. در مقابل، الگوریتم پی‌ال‌اس با تمرکز بر بیشینه‌سازی واریانس تبیین‌شده متغیرهای مکنون وابسته، به صورت مقطعی و بر پایه رگرسیون OLS به برآورد ضرایب اقدام می‌کند.
برای مثال، فرض کنید پژوهشگری در حال ارزیابی یک مدل ساختاری است که تاثیر پنج بعد بازاریابی حسی را بر تصویر برند می‌سنجد. اگر پژوهشگر قصد داشته باشد نشان دهد ساختار کوواریانس‌های مشاهده‌شده در جامعه آماری دقیقاً با فرمول نظری پیشنهادی منطبق است، ایموس روش اصلی خواهد بود. اما اگر قصد پژوهش پیش‌بینی میزان وفاداری به برند بر مبنای ترکیب عوامل حسی و بالا بردن توان پیش‌بینی مدل باشد، سازوکار واریانس‌محور اسمارت پی‌ال‌اس کارایی دقیق‌تری ارائه می‌دهد.
راهنمای جامع این موضوع: تحلیل آماری SPSS، AMOS، Smart PLS
اشتباه رایج در این زمینه زمانی روی می‌دهد که محققان بدون توجه به توان رگرسیونی، تمام بارهای عاملی و ضرایب مسیر را در ایموس اجرا می‌کنند و با خطای عدم همگرایی ماتریس یا منفی شدن واریانس خطاها (پدیده هیوود) مواجه می‌شوند. وارسی سریع همبستگی میان سازه‌ها پیش از ورود به مدلسازی نشان می‌دهد که آیا ساختار پیوستگی داده‌ها توان بازتولید ماتریس کامل در ایموس را دارد یا خیر.
تفاوت پیش‌فرض نرمال بودن توزیع داده‌ها در ایموس و اسمارت پی‌ال‌اس
یکی از سخت‌گیرانه‌ترین فرضیه‌های آماری در الگوریتم‌های کوواریانس‌محور ایموس، لزوم برقراری نرمال بودن چندمتغیره (Multivariate Normality) داده‌ها است. ایموس برای تولید نتایج قابل اتکا بر پایه روش Maximum Likelihood، نیازمند آن است که توزیع توام متغیرهای مشاهده‌پذیر چولگی و کشیدگی شدیدی نداشته باشند.
اسمارت پی‌ال‌اس یک روش ناپارامتریک یا بدون توزیع (Distribution-Free) به شمار می‌رود. این الگوریتم هیچ فرضی پیرامون توزیع نرمال متغیرها ندارد و داده‌های با چولگی بالا یا دارای کشیدگی افراطی را به راحتی پردازش می‌کند. تعیین معناداری ضرایب در اسمارت پی‌ال‌اس نه با آزمون‌های کای‌اسکوئر وابسته به نرمال، بلکه از طریق فرآیند نمونه‌گیری مکرر یا بوت‌استرپینگ (Bootstrapping) با حداقل پنج تا ده هزار بار جایگزینی محاسبه میشود.
مطلب مرتبط: کاور لتر مقاله چیست و چگونه نوشته میشود
به عنوان نمونه، در پرسشنامه‌ای که از کارکنان سازمان‌های بحران‌زده تهیه شده و سوالات مربوط به فرسودگی شغلی را می‌سنجد، نمرات تمایل بسیار زیادی به سمت گزینه‌های انتهایی طیف لیکرت نشان می‌دهند. در چنین شرایطی که شاخص مردیا (Mardia’s Coefficient) نرمال نبودن چندمتغیره را تایید می‌کند، تحلیل داده‌ها با ایموس خروجی‌های تحریف‌شده، خطاهای استاندارد متورم و بارهای عاملی غیرواقعی ایجاد خواهد کرد. در همین وضعیت، اسمارت پی‌ال‌اس گزینه‌ای ایمن و استوار به حساب می‌آید.
یک خطای ساختاری میان محققان، اکتفا به بررسی آزمون کولموگروف-اسمیرنوف برای هر گویه به صورت تک‌متغیره و نادیده گرفتن شاخص مردیا برای ورود به ایموس است. برای پیشگیری از استنتاج‌های نادرست، در صورتی که داده‌ها آزمون نرمال بودن چندمتغیره را پاس نکنند، باید یا از تبدیل داده‌ها و تکنیک‌های برآورد جایگزین نظیر Bollen-Stine در ایموس سود برد یا به طور مستقیم فرایند تحلیل را به اسمارت پی‌ال‌اس منتقل ساخت.
ایموس یا پی‌ال‌اس بر مبنای هدف پژوهش: تایید تئوری در برابر پیش‌بینی
مسیر پژوهش و جهت‌گیری فرضیه‌ها معیار قطعی دیگری برای گزینش ابزار محاسباتی مناسب است. اگر تئوری زمینه پژوهش بسیار پخته، تثبیت‌شده و دارای چارچوب‌های نظری مستحکم باشد، پژوهشگر به دنبال تایید یا رد تئوری (Confirmatory / Theory Testing) خواهد بود. در چنین موقعیتی، ایموس استاندارد دانشگاهی بی‌چون‌وچرا به شمار می‌رود.
چنانچه تحقیق در مرحله اکتشافی یا گسترش مرزهای نظریه باشد، یا هدف اصلی مدل کاربردی ساختن پیش‌بینی متغیر نهایی به جای اثبات کل چارچوب باشد، اسمارت پی‌ال‌اس اولویت می‌یابد. پی‌ال‌اس به ویژه در پژوهش‌هایی که متغیرهای جدید، ترکیب حوزه‌های بین‌رشته‌ای یا فرضیه‌های نوآورانه را می‌آزمایند، کارایی فراتری دارد زیرا درصد خطای کمتری را به فرضیه‌های نوپا تحمیل می‌کند.
مطلب مرتبط: قوانین حذف رفرنس از درصد همانندی
- ایموس برای تایید: آزمون نظریه‌های استاندارد رفتار مصرف‌کننده مانند مدل پذیرش فناوری (TAM) زمانی که متغیرهای اصلی دست‌نخورده باقی مانده‌اند.
- پی‌ال‌اس برای توسعه: ترکیب مفاهیم اقتصاد رفتاری با ویژگی‌های الگوریتمی هوش مصنوعی و افزودن چند سازه نوپا به مدل برای دستیابی به بیشترین R² در متغیر تصمیم‌گیری کاربر.
اشتباه معمول، نادیده گرفتن ماهیت فرضیه‌ها و صرفاً انتخاب نرم‌افزار بر پایه سهولت کاربری منوها است. اگر هدف رساله یا مقاله آزمون تناسب کل مدل بر ساختار داده برای اثبات یک نظریه بنیادین باشد، داوران سخت‌گیر تراز اول استفاده از پی‌ال‌اس را مورد نقد قرار خواهند داد، چرا که پی‌ال‌اس به دنبال آزمون جامعیت مدل (Fit) به سیاق کوواریانس نیست بلکه بر ارزیابی متغیر به متغیر تمرکز دارد.
نحوه مواجهه با مدل‌های انعکاسی و سازنده (Reflective vs Formative)
ماهیت رابطه میان سازه‌های پنهان و سنجه‌های آشکار (گویه‌های پرسشنامه) تفاوت بارز دیگری در جریان تحلیل ایموس و پی‌ال‌اس رقم می‌زند. سنجه‌ها در روش‌شناسی به دو گروه انعکاسی (Reflective) و تکوینی یا سازنده (Formative) تفکیک می‌شوند. در سنجه‌های انعکاسی، جهت فلش‌ها از متغیر مکنون به سمت گویه‌هاست؛ یعنی تغییر در مفهوم کلی، خود را در پاسخ به تمام گویه‌ها نشان می‌دهد.
در مقابل، در سازه‌های تکوینی یا سازنده، جهت فلش‌ها از سمت گویه‌ها به سوی متغیر پنهان است؛ یعنی گویه‌ها اجزای تشکیل‌دهنده آن سازه هستند و لزوماً نباید همبستگی درونی بالایی با یکدیگر داشته باشند. نمونه شاخص آن سازه «وضعیت اجتماعی-اقتصادی» است که از تجمیع گویه‌های غیرهمبسته نظیر درآمد، سطح تحصیلات و محل سکونت شکل می‌گیرد و کاهش یکی لزوماً به معنای کاهش دیگری نیست.
مطلب مرتبط: ترجمه مقاله با هوش مصنوعی یا مترجم انسانی
ایموس برای پردازش مدل‌های تکوینی با محدودیت‌های ریاضی جدی روبرو است. برای شناسایی مدل‌های دارای سازه سازنده در ایموس، باید قواعد سخت‌گیرانه‌ای مانند پیوند دادن آن سازه با دست‌کم دو سازه انعکاسی دیگر یا اجرای محدودیت‌های قید پارامتری پیاده شود، امری که اغلب فرآیند برآورد را به بن‌بست شناسایی (Identification Problem) می‌کشاند. اسمارت پی‌ال‌اس سازه‌های تکوینی را به صورت بومی و بدون نیاز به تمهیدات پیچیده در دو گام ساده حل و وزن‌های بیرونی (Outer Weights) را محاسبه می‌کند.
اشتباه خطرناک زمانی رخ می‌دهد که پژوهشگر سنجه‌های تکوینی را بدون بازتعریف تئوریک وارد ایموس می‌کند و برای حل مشکل عدم همگرایی، گویه‌ها را به عنوان خطاهای اندازه‌گیری مرتبط با یکدیگر در نظر می‌گیرد. پیش از انتخاب نرم‌افزار، حتماً ساختار سنجه‌ها را با طرح این پرسش تحلیل کنید: آیا گویه‌ها پیامد سازه هستند یا علت آن؟ اگر سازه‌ها فرماتیو هستند، اسمارت پی‌ال‌اس مسیر منطقی‌تر است.
شاخص‌های برازش مدل و معیارهای ارزیابی در دو نرم‌افزار
رویکرد ارزیابی صحت محاسبات در این دو سیستم از مبنا متفاوت است. ایموس به مجموعه گسترده‌ای از شاخص‌های برازش کلی مدل (Global Fit Measures) مجهز است که کل پیکره مدل اندازه‌گیری و ساختاری را به طور همزمان می‌سنجند. اسمارت پی‌ال‌اس بر ارزیابی مجزای مدل اندازه‌گیری و سپس مدل ساختاری از طریق معیارهای کیفیت پیش‌بینی متکی است.
مطلب مرتبط: علت ایراد گرامری ژورنال به ترجمه مقاله
در ایموس، پژوهشگر به گزارش و تحلیل شاخص‌های زیر وابسته است:
- نسبت کای‌اسکوئر به درجه آزادی (CMIN/DF) که ترجیحاً باید کمتر از ۳ باشد.
- شاخص ریشه میانگین مجذورات خطای برآورد (RMSEA) که مقادیر کمتر از ۰.۰۸ پذیرفته است.
- شاخص‌های تطبیقی مانند CFI و TLI که معمولاً باید بالای ۰.۹۰ قرار گیرند.
در اسمارت پی‌ال‌اس، ارزیابی در دو گام مجزا صورت می‌پذیرد:
- مدل اندازه‌گیری: پایایی ترکیبی (Composite Reliability)، پایایی سازگاری درونی (رو آلفا و دیلون-گلدشتاین)، روایی همگرا (AVE بالای ۰.۵۰) و روایی واگرا با معیارهای فورنل-لارکر و به ویژه نسبت هتروترِیت-مونوتریت (HTMT کمتر از ۰.۸۵ یا ۰.۹۰).
- مدل ساختاری: ضریب تعیین متغیرهای وابسته (R²)، اندازه اثر مسیرها (f²)، روایی ارتباط پیش‌بینی (Q² حاصل از Blindfolding) و در نسخه‌های جدیدتر معیار شاخص تناسب ریشه مربعات خطای استاندارد باقیمانده (SRMR).
گزارش شاخص‌های برازش تطبیقی کوواریانس نظیر CFI برای تحلیل‌های اسمارت پی‌ال‌اس در مقالات علمی یک خطای روش‌شناختی آشکار است؛ چرا که شاخص‌های برازش کل در پی‌ال‌اس هنوز در جامعه آمار کاربردی دارای اعتبار بنیادین برای قضاوت صحت ساختار نیستند و داوران آگاه از شما معیارهای کیفیت پیش‌بینی و روایی را مطالبه می‌کنند.
تفاوت در مدیریت پیچیدگی مدل، متغیرهای میانجی و حجم نمونه
شمار سازه‌ها، لایه‌های واسطه‌ای و حجم داده‌های گردآوری‌شده نقش تعیین‌کننده‌ای در انتخاب میان ایموس و اسمارت پی‌ال‌اس دارند. زمانی که مدل مفهومی حاوی متغیرهای میانجی سلسله‌مراتبی، ساختارهای مرتبه دوم و سوم (Higher-Order Constructs) و تعدیل‌کننده‌های متعدد پیوسته باشد، محاسبات ریاضی ایموس به دلیل کمبود درجات آزادی و بالا رفتن شدید شمار پارامترهای برآوردی، آسیب‌پذیر می‌گردد.
مطلب مرتبط: سفارش شبیه سازی هایسیس
اسمارت پی‌ال‌اس در باز کردن گره‌های ساختارهای پیچیده با ده‌ها متغیر میانجی و تعدیل‌گر کارایی فوق‌العاده‌ای بروز می‌دهد. فرآیند تعریف مدل‌های مرتبه بالاتر با روش دو مرحله‌ای (Two-Stage Approach) یا روش گویه‌های تکراری (Repeated Indicators Approach) در اسمارت پی‌ال‌اس بسیار سازمان‌یافته طراحی شده است، در حالی که اجرای همین فرایند در ایموس مستلزم ایجاد معادلات پیچیده متغیر پنهان بر پایه متغیر پنهان است.
از منظر حجم نمونه، اگرچه قاعده سرانگشتی «ده برابر حداکثر تعداد مسیرهای ورودی به یک سازه» برای پی‌ال‌اس گاهی دست‌کم گرفته میشود، اما واقعیت آماری نشان می‌دهد اسمارت پی‌ال‌اس در مواجهه با نمونه‌های محدود (مثلاً ۶۰ تا ۱۲۰ پرسشنامه در جامعه‌های محدود نظیر مدیران ارشد صنایع نفت) پایداری محاسباتی بسیار بالاتری از خود نشان می‌دهد. ایموس در چنین اندازه‌هایی با خطای عدم همگرایی یا ماتریس معین نامثبت متوقف میشود، زیرا برآورد حداکثر درست‌نمایی برای تامین توان آماری مناسب در ایموس معمولاً نیازمند نمونه‌های بالای ۲۰۰ مورد است.
جدول مقایسه جامع ویژگی‌های کلیدی ایموس و اسمارت پی‌ال‌اس
مرور تطبیقی ویژگی‌های بنیادی این دو نرم‌افزار به صورت متمرکز در جدول زیر، ابعاد فنی و اجرایی هر یک را مشخص می‌کند:
مطلب مرتبط: بهترین نرم افزارهای رفرنس نویسی مقاله
| معیار ارزیابی | ایموس (AMOS) | اسمارت پی‌ال‌اس (SmartPLS) |
|---|---|---|
| رویکرد ریاضی پایه | کوواریانس‌محور (CB-SEM) | واریانس‌محور / حداقل مربعات جزئی (PLS-SEM) |
| پیش‌فرض نرمال بودن | الزام قوی به نرمال بودن چندمتغیره | ناپارامتریک، بدون نیاز به توزیع نرمال |
| هدف محوری پژوهش | تایید تئوری، آزمون ساختار کلی و برازش مدل | اکتشاف، توسعه نظریه و بیشینه‌سازی پیش‌بینی |
| نوع سازه‌های قابل ارزیابی | عمدتاً انعکاسی (مدل‌های سازنده با محدودیت) | پشتیبانی منعطف و آسان از مدل‌های سازنده و انعکاسی |
| معیارهای تایید خروجی | شاخص‌های برازش کلی (CMIN/DF, RMSEA, CFI) | شاخص‌های روایی، پایایی، R²، Q²، HTMT و SRMR |
| پیچیدگی مدل و میانجی‌ها | محدودیت محاسباتی در مدل‌های بسیار تو در تو | قدرت بالا در تحلیل مدل‌های چندلایه‌ای و مرتبه بالا |
| حساسیت به حجم نمونه | نیازمند نمونه بزرگ (ترجیحاً بیش از ۲۰۰) | پایدار در نمونه‌های کوچک‌تر بدون توقف الگوریتم |
پرسش‌های متداول درباره انتخاب بین ایموس و اسمارت پی‌ال‌اس
تفاوت اصلی ایموس و اسمارت پی‌ال‌اس چیست؟
تفاوت اصلی در الگوریتم برآورد و هدف آماری است. ایموس بر مبنای بازتولید ماتریس کوواریانس نمونه برای اثبات یک نظریه از پیش تایید شده فعالیت می‌کند و نیازمند توزیع نرمال است؛ در حالی که اسمارت پی‌ال‌اس متمرکز بر تفکیک و بیشینه‌سازی واریانس متغیرهای مکنون برای پیش‌بینی دقیق‌تر بوده و نسبت به نرمال نبودن داده‌ها کاملاً انعطاف‌پذیر است.
برای داده‌های غیرنرمال ایموس بهتر است یا پی‌ال‌اس؟
قطعاً اسمارت پی‌ال‌اس مناسب‌تر است. نرم‌افزار ایموس بر پیش‌فرض نرمال بودن چندمتغیره استوار بوده و خروج از این پیش‌فرض خطاهای برآورد و ضریب کای‌اسکوئر را مخدوش می‌سازد. از آنجا که پی‌ال‌اس از شبیه‌سازی بوت‌استرپینگ برای محاسبه معناداری استفاده می‌کند، نقض نرمال بودن داده‌ها تاثیری بر اعتبار نتایج آن نمی‌گذارد.
آیا می‌توان تمام مدل‌ها را با اسمارت پی‌ال‌اس اجرا کرد و از ایموس بی‌نیاز شد؟
خیر؛ اگر مدل پژوهشی شما کاملاً آزمایشی و تاییدکننده یک تئوری پایه‌ای است، متغیرهای مدل اندک و مشخص هستند، سنجه‌ها کاملاً انعکاسی بوده و داده‌ها توزیع نرمال دارند، استفاده از ایموس وزن علمی بالاتری به دستاوردهای فصل تحلیلی و مقالات استخراج‌شده از آن می‌بخشد و داوران علمی انتظار مشاهده شاخص‌های برازش کوواریانس‌محور را دارند.
آیا عدم ارائه شاخص‌های برازش نظیر RMSEA در پی‌ال‌اس نقص محسوب میشود؟
خیر، این یک تفاوت مفهومی در ماهیت روش است نه ضعف نرم‌افزار. از آنجا که هدف پی‌ال‌اس بازتولید ساختار ماتریس کوواریانس نیست، بهره‌گیری از معیارهایی چون RMSEA یا CFI در منطق آن جایگاهی ندارد و تکیه بر مقادیر پایایی، ماتریس HTMT و قدرت تبیین R² کفایت روش‌شناختی آن را تکمیل می‌کند.
