نتایج آزمون، بررسی کیفیت مدل و نتیجه در smartPLS

نتایج آزمون در smartPLS

نتایج آزمون در smartPLS : بخش ششم آموزش نرم افزار smartPLS . دوستان و پژوهشگران عزیز جهت مشاهده بخش های بعدی نرم افزار pls به آخرین قسمت متن مراجعه فرمایید .

نتایج آزمون، بررسی کیفیت مدل و نتیجه در smartPLS

در smartPLS، پس از تخمین مدل معادلات ساختاری خود با استفاده از رویکرد حداقل مربعات جزئی (PLS)، می توانید نتایج را ارزیابی کنید، بررسی های کیفیت مدل را انجام دهید و نتایج را تفسیر کنید.

در اینجا نحوه بررسی نتایج تست و ارزیابی کیفیت مدل در smartPLS آمده است:

بررسی نتایج آزمون:
پس از تخمین مدل، smartPLS خروجی ها و آمارهای مختلفی را ارائه می دهد که می توانید برای درک نتایج تحلیل خود مرور کنید.
برای دسترسی به جداول خروجی و نمودارهای مختلف تولید شده توسط smartPLS، برگه «نتایج» را باز کنید.

ضرایب مسیر و آزمون اهمیت:
به ضرایب مسیر (وزن رگرسیون) برای هر مسیر بین سازه های پنهان نگاه کنید. این ضرایب نشان دهنده قدرت و جهت روابط است.
اهمیت ضرایب مسیر را با استفاده از مقادیر t ارائه شده بررسی کنید. مسیرهایی با مقادیر t بیشتر از یک آستانه بحرانی (معمولاً 1.96 برای فاصله اطمینان 95٪) از نظر آماری معنی دار در نظر گرفته می شوند.

نتایج بوت استرپ:
جدول نتایج بوت استرپ را بررسی کنید که میانگین و خطای استاندارد ضرایب مسیر و همچنین سطوح اهمیت آنها را نشان می دهد.
فواصل اطمینان را بررسی کنید تا ببینید آیا آنها شامل صفر هستند یا خیر. مسیرهای با فواصل اطمینان بدون احتساب صفر از نظر آماری معنادار هستند.

مقادیر R-Squared و Q²:
به مقادیر R-squared (R²) برای ساختارهای درون زا نگاه کنید. این مقادیر نشان دهنده نسبت واریانس در ساختار توضیح داده شده توسط مدل است.
مقادیر Q² را برای ارزیابی ارتباط پیش‌بینی‌کننده مدل بررسی کنید. مقادیر Q2 مثبت نشان می دهد که مدل دارای ارتباط پیش بینی کننده است.

شاخص های تناسب خوب:
شاخص‌های برازش (به عنوان مثال، GoF، AGoF) را بررسی کنید تا میزان مطابقت مدل با داده‌ها را ارزیابی کنید. مقادیر بالاتر نشان دهنده تناسب بهتر است.
به خاطر داشته باشید که این شاخص‌های برازش مختص PLS-SEM هستند و ممکن است مستقیماً با شاخص‌های برازش مورد استفاده در سایر رویکردهای SEM مطابقت نداشته باشند.

نتایج تأیید متقابل:
برای ارزیابی پایداری و ارتباط پیش‌بینی‌کننده مدل، نتایج اعتبارسنجی متقاطع، مانند اعتبارسنجی متقاطع ترک یک خروجی (LOOCV) و چشم‌بند را بررسی کنید.

تجسم ها:
از تجسم های ارائه شده توسط smartPLS، مانند نمودار مسیر و نمایش های گرافیکی نتایج مدل، برای درک بهتر روابط در مدل خود استفاده کنید.

بررسی کیفیت مدل:
برای شناسایی مشکلات احتمالی مدل خود، مانند هم خطی یا مسیرهای ناپایدار، تشخیص و تحلیل حساسیت مدل را انجام دهید.
چند خطی بودن را با بررسی عوامل تورم واریانس (VIFs) برای شاخص ها بررسی کنید.

تفسیر و بحث:
بر اساس نتایج آزمون و بررسی کیفیت مدل، یافته ها را در چارچوب اهداف تحقیق و چارچوب نظری خود تفسیر کنید.
در مورد پیامدهای نتایج بحث کنید و اصلاحات بالقوه یا تجزیه و تحلیل های بیشتر را در نظر بگیرید.

به یاد داشته باشید که تفسیر نتایج و بررسی کیفیت مدل باید با اهداف خاص تحقیق شما همسو باشد. داشتن درک قوی از مفاهیم نظری و تکنیک های آماری مورد استفاده در تجزیه و تحلیل شما بسیار مهم است. اگر در مورد هر یک از جنبه های نتایج نامطمئن هستید، مشورت با متخصصان در این زمینه را در نظر بگیرید یا از مشاوران علمی یا تحقیقاتی خود راهنمایی بخواهید.

نتایج آزمون

اعداد روی خطوط مسیر و نیز خطوط مربوط به بارهای عاملی مقادیر t مربوط به آزمون Bootstrapp هستند و همانند آزمون t تفسیر می شوند؛ یعنی اگر أعداد نمونه بیش از 120 نفر باشند و مقادیر بیش از 96/1 باشسد در سطح 05/و اگر مقادیر بیش از 58/2 باشند در سطح01/معنادار هستند. (شکل شماره1)

: این تصویرنیز فقط نتایج خطوط مسیر بین متغیرهای پنهان را نشان می دهد.( شکل شماره 2)

بررسی کیفیت مدل:

از منوی Calculate گزینه Blindfolding را انتخاب کنید . در اینجا در قسمت Distance Omission فاصله حذف را تعیین کنید که عدد پیشفرض آن عدد 7 است. بدین معنی که ماتریس داده ها به 7 گروه تقسیم شده و در هر بار محاسبه، یکی ا این گروه ها حذف می شود و توانایی مدل در پیش بینی متغیرهای وابسته بررسی می شود. در قسمت سازه ها Construct نیز که ناظر بر محاسبه شاخص های اشتراک و حذف سازه هایی است که می خواهید محاسبه شوند. میتوان همه سازه ها را انتخاب نمود و سپس بر روی Finish کلیک کنید تا آزمسون اجرا شود.( شکل شماره3)

نتایج آزمون در smartPLS

عدد مقابل Red-CV شاخص بررسی اعتبار حشو یا افزونگی Redundancy- CV است که کیفیت مدل ساختاری را نشان میدهد و اعدادی که در مقابل Com-CV نوشته شده اند، شاخص بررسی اعتبار اشتراک یا روایی متقاطعCommunality-CV را نشان می دهند. اعداد مثبت نشانگر کیفیت مناسب مدل هستند . این شاخص ها همچنین به طور خلاصه در قاب خلاصه یا Outline نیز قابل مشاهده اند.(شکل شماره4)