تجزیه و تحلیل شرایط لازم (NCA) یک روش تجزیه و تحلیل داده ها برای شناسایی شرایط لازم (اما کافی) در مجموعه داده ها است. این تجزیه و تحلیل داده های مبتنی بر رگرسیون سنتی از جمله حداقل مربعات جزئی از معادلات ساختاری (PLS-SEM) و همچنین روشهایی مانند تجزیه و تحلیل مقایسه ای کیفی (QCA) را تکمیل می کند.

توضیح مختصر

در ابتدا توسط DUL (2016) توسعه یافته است ، تجزیه و تحلیل شرایط لازم (NCA) یک روش نسبتاً جدید و روش تجزیه و تحلیل داده ها است که شناسایی شرایط لازم در مجموعه داده ها را امکان پذیر می کند (DUL ، 2020). این می تواند برای مدل های رگرسیون و مدل سازی معادلات ساختاری حداقل مربعات جزئی (PLS-SEM) استفاده شود ، همانطور که در جزئیات توسط Richter ، Schubring ، Hauff ، Ringle و Sarstedt (2020) توضیح داده شده است. SmartPLS کاملاً از NCA برای مدل های رگرسیون پشتیبانی می کند (یعنی برای مدل های رگرسیون از طریق الگوریتم تجزیه و تحلیل شرایط لازم (NCA)). با استفاده از نمرات متغیر نهفته غیر استاندارد یا نمرات متغیر نهفته IPMA در مقیاس 0 تا 100 ، می توان NCA را در PLS-SEM برای مدلهای رگرسیون جزئی مدل ساختاری اجرا کرد (شکل زیر را ببینید).

به جای تجزیه و تحلیل متوسط روابط بین متغیرهای وابسته و مستقل ، NCA قصد دارد مناطقی را در توطئه های پراکنده از متغیرهای وابسته و مستقل آشکار کند که ممکن است نشان دهنده وجود یک شرط لازم باشد. در حالی که تکنیک های مبتنی بر رگرسیون حداقل مربعات معمولی (OLS) یک عملکرد خطی را در مرکز نقاط داده مربوطه ایجاد می کنند ، NCA یک خط سقف را در بالای داده ها تعیین می کند. شکل زیر دو خط سقف پیش فرض را نشان می دهد: (1) خط سقف-خط دفع رایگان (CE-FDH) ، که یک خط خطی گام به گام غیر کاهش دهنده (عملکرد مرحله) است. و (2) رگرسیون سقف-خط دفع آزاد (CR-FDH) ، که یک خط رگرسیون خطی ساده از طریق خط CE-FDH است.

خط سقف فضا را با مشاهدات از فضای بدون مشاهدات جدا می کند. هرچه فضای خالی بزرگتر باشد، محدودیتی که X روی Y اعمال می کند بزرگتر است. خط سقف همچنین نشان دهنده حداقل سطح X است که برای به دست آوردن سطح مشخصی از Y لازم است. این نتیجه NCA با تفسیر رگرسیون خطی که در آن افزایش می یابد متفاوت است. از X به طور متوسط منجر به افزایش Y می شود. از طرف دیگر، جدول گلوگاه نتایج خط سقف را به شکل جدولی ارائه می دهد (شکل زیر را ببینید). ستون اول جدول نتیجه را نشان می دهد، در حالی که ستون بعدی نشان دهنده (و ستون های اضافی نشان دهنده) شرایطی است که برای دستیابی به نتیجه باید ارضا شود. نتایج هر دو نتیجه و شرایط (شرایط) ممکن است به مقادیر واقعی، مقادیر درصد دامنه و صدک ها اشاره داشته باشد.

دو پارامتر کلیدی NCA عبارتند از دقت سقف و اندازه اثر ضرورت d. دقت سقف نشان دهنده تعداد مشاهداتی است که روی خط سقف یا زیر آن هستند تقسیم بر تعداد کل مشاهدات، ضرب در 100. در حالی که دقت خط سقف CE-FDH در تعریف 100٪ است، دقت خطوط دیگر. به عنوان مثال CR-FDH، می تواند کمتر از 100٪ باشد. هیچ قانون خاصی در مورد سطح قابل قبول دقت وجود ندارد. با این حال، مقایسه دقت برآورد شده با یک مقدار معیار (به عنوان مثال، 95٪) می تواند به ارزیابی کیفیت راه حل تولید شده کمک کند. اندازه اثر ضرورت d و معنی داری آماری آن نشان می دهد که آیا یک متغیر یا سازه شرط لازم است یا خیر. d با تقسیم فضای خالی (که منطقه سقف نامیده می شود) بر کل منطقه ای که می تواند مشاهدات داشته باشد (به نام scope) محاسبه می شود. بنابراین، طبق تعریف، d بین 0 ≤ d ≤ 1 است. Dul (2016) پیشنهاد کرد که 0

تنظیمات NCA در SmartPLS

الگوریتم تجزیه و تحلیل شرایط ضروری (NCA) برای مدل های رگرسیون در SmartPLS تنها به یک تنظیم پارامتر نیاز دارد، که تعداد مراحل برای جداول گلوگاه است. بدین ترتیب، می توانید تعداد مراحلی را که متغیر وابسته برای جداول گلوگاه NCA تقسیم می شود، مشخص کنید. مقدار پیش فرض 10 است که نتایج نمایش داده شده را به 10% مراحل از 0% تا 100% تقسیم می کند. با این حال، می توانید نمایش نتایج دقیق تری را نیز انتخاب کنید. به عنوان مثال، مقدار 20 نتایج را به 5٪ مراحل از 0٪ تا 100٪ تقسیم می کند.

علاوه بر این ، هنگام اجرای NCA ، اطمینان حاصل کنید که مقیاس شاخص های شما همانطور که انتظار می رود باشد. به عنوان مثال ، مقیاس فاصله ای از 1 تا 7 باید حداقل مقدار 1 و حداکثر مقدار 7 را نشان دهد (به عنوان مثال ، اگر هیچ پاسخ دهنده 1 را انتخاب نکند ، ممکن است اینگونه نباشد). این برای اطمینان از صحت نتایج مهم است.

تنظیمات جابجایی NCA در SmartPls

الگوریتم جابجایی NCA برای مدل های رگرسیون در SmartPLS نیاز به تنظیماتی دارد که در موارد زیر شرح داده شده است.

زیر نمونه

تعداد مجوزها تعیین می کند ، چند بار مجموعه داده کلی به طور تصادفی در دو گروه مجاز می شود تا توزیع مرجع غیر پارامتری برای فرضیه تهی تقریبی شود.

برای اطمینان از پایداری نتایج ، تعداد مجوزها باید به اندازه کافی بزرگ باشد. برای یک ارزیابی اولیه سریع ، ممکن است تعداد کمتری از نمونه های جابجایی (به عنوان مثال ، 1000) را انتخاب کنید. با این حال ، برای به دست آوردن نتایج نهایی ، باید از تعداد زیادی از مجوزها استفاده کنید (به عنوان مثال ، حداقل 5000).

پردازش موازی انجام دهید

در صورت انتخاب الگوریتم bootstrapping بر روی چندین پردازنده انجام می شود (اگر رایانه شما بیش از یک هسته را ارائه می دهد). از آنجا که هر نمونه می تواند به صورت جداگانه محاسبه شود ، نمونه های زیر را می توان در حالت موازی محاسبه کرد. استفاده از محاسبات موازی باعث کاهش زمان محاسبه می شود.

سطح اهمیت

سطح اهمیت آمار آزمون را مشخص می کند.

ژنراتور شماره تصادفی

این الگوریتم به طور تصادفی نمونه هایی از مجموعه داده های اصلی را تولید می کند که به بذر نیاز دارد. شما می توانید بین یک دانه تصادفی و یک دانه ثابت انتخاب کنید.

بذر تصادفی تعداد تصادفی متفاوتی تولید می کند و بنابراین هر بار که الگوریتم اجرا می شود نتیجه می گیرد (این پیش فرض و تنها گزینه در SmartPLS 3 بود).

دانه ثابت از یک دانه از پیش تعیین شده استفاده می کند که برای هر اجرای الگوریتم یکسان است. بنابراین ، اگر همان تعداد زیر نمونه ها ترسیم شود ، نتایج مشابهی را تولید می کند. بدین ترتیب نگرانی های مربوط به تکرار یافته های تحقیق را برطرف می کند.

منابع

Dul ، J. (2016). تجزیه و تحلیل شرط لازم (NCA): منطق و روش علیت "ضروری اما کافی". روشهای تحقیق سازمانی ، 19 (1): 10-52.

Dul ، J. (2020). انجام تجزیه و تحلیل شرایط لازم. مریم گلی: لندن.

Richter ، N. F. ، Schubring ، S. ، Hauff ، S. ، Ringle ، C. M. ، and Sarstedt ، M. (2020). هنگامی که پیش بینی کننده نتایج ضروری است: دستورالعمل های استفاده ترکیبی از PLS-SEM و NCA. سیستم های مدیریت و داده های صنعتی ، 120 (12): 2243-2267.