آزمون مدل ساختاری در smartPLS

تست مدل ساختاری در smartPLS

SmartPLS یک ابزار نرم افزاری است که معمولا برای مدل سازی معادلات ساختاری (SEM) در زمینه تحقیقات و آمار استفاده می شود. این به محققان اجازه می دهد تا روابط پیچیده بین متغیرها را تجزیه و تحلیل کنند و فرضیه ها را در یک مدل ساختاری آزمایش کنند.

برای انجام تست مدل ساختاری در SmartPLS، این مراحل کلی را دنبال کنید:

آماده سازی داده ها:
داده های خود را به SmartPLS وارد کنید. داده های شما باید در قالبی باشد که SmartPLS بتواند تشخیص دهد، مانند فایل های CSV یا Excel.
مقادیر و مقادیر پرت را در داده های خود بررسی کنید. در صورت نیاز به این مسائل رسیدگی کنید.

ساخت مدل اندازه گیری:
ساختارهای پنهان و شاخص های مشاهده شده را برای هر سازه تعریف کنید.
از SmartPLS برای ایجاد مدل های اندازه گیری بازتابی یا شکل دهنده برای سازه های خود استفاده کنید. مدل‌های انعکاسی فرض می‌کنند که شاخص‌ها ساختار پنهان را اندازه‌گیری می‌کنند، در حالی که مدل‌های شکل‌دهنده نشان می‌دهند که سازه توسط شاخص‌ها شکل می‌گیرد.

ارزیابی اعتبار مدل اندازه گیری:
پایایی و اعتبار مدل اندازه گیری خود را با استفاده از تکنیک هایی مانند آلفای کرونباخ، پایایی ترکیبی و میانگین واریانس استخراج شده (AVE) ارزیابی کنید.
تأیید کنید که شاخص های شما به طور قابل توجهی در ساختارهای مربوطه بارگذاری می شوند و اعتبار همگرا و تفکیک خوبی دارند.

ساخت مدل سازه ای:
فرضیه های تحقیق و روابط جهت دار بین سازه های نهفته را تعریف کنید.
مسیرهای (مستقیم و غیر مستقیم) بین سازه ها را بر اساس چارچوب نظری خود مشخص کنید.

ارزیابی برازش مدل سازه:
الگوریتم PLS را برای تخمین پارامترها و اهمیت مدل اجرا کنید.
نتایج را برای ارزیابی اهمیت و جهت مسیرهای بین سازه ها تجزیه و تحلیل کنید.
خوب بودن تناسب را با استفاده از معیارهایی مانند مقدار R-squared، Q-squad مقدار و ارتباط پیش بینی ارزیابی کنید.

بوت استرپینگ و تست اهمیت:
برای ایجاد فواصل اطمینان برای تخمین پارامترهای خود، bootstrapping را انجام دهید.
از این فواصل اطمینان برای ارزیابی اهمیت مسیرها و مدل کلی استفاده کنید.

اصلاح و بهبود مدل:
در صورت لزوم، مدل خود را بر اساس نتایج و بازخوردها اصلاح کنید.
مسیرها را تغییر دهید، روابط غیر مهم را حذف کنید یا متغیرهای اضافی را اضافه کنید.

گزارش نتایج:
نتایج مدل خود را در چارچوب سؤالات و فرضیه های تحقیق خود تفسیر و بحث کنید.
بینش هایی در مورد قدرت و جهت روابط و همچنین مفاهیم مدیریتی یا نظری آنها ارائه دهید.

به یاد داشته باشید که SmartPLS یک رابط کاربر پسند ارائه می دهد که شما را از طریق این مراحل راهنمایی می کند. با این حال، درک کامل مفاهیم SEM و تجزیه و تحلیل آماری برای تفسیر دقیق و نتیجه گیری معنادار ضروری است. همیشه به ادبیات مربوطه مراجعه کنید و در صورت نیاز با کارشناسان مشورت کنید.

(چنانکه قبلا در بخش 5 یا آزمون های آماری مناسب در smartPLS ذکر شد ):آ زمون الگوی ساختاری با استفاده از بررسی ضرایب مسیر(Beta )یعنی اعداد روی مسیر، معنی داری ضرایب مسیر و R مقادیر 2 یا واریانس تابیین شده ، فرضیه های پژوهش را می آزماید(شکل شماره 1).

و چنانکه در توضیحات بخش 5 یا آزمون های آماری مناسب در smartPLS مشخص شد ، پس از آزمون Bootstrapp مقادیر t نیز بر روی خطوط مسیر نشان داده میشوند که در مورد آن در بخش مربوطه توضیح داده ایم.

1-برای بررسی آزمون مدل ساختاری و مشاهده ی جزییات آن می توانید پس از اجرای آزمون PLS Algorithm و تهیه گزارش آن، در بخش فهرست بر روی لینک Coefficients Path کلیک نموده و از جدول مربوطه که در آن متغیرهای وابسته در قسمت بالایی جدول و متغیرهای مستقل در اولین ستون سمت چپ آن قرار دارند، ضرایب مربوطه را مشاهده و استخراج نمایید(شکل شماره 2).

2-همچنین می توانید با کلیک بر روی لینک Effects Total در بخش گزارش آزمون PLS Algorithmاثرات کل را نیز مشاهده و استخراج نمایید(شکل شماره 3)

3- علاوه بر آن لازم است از میزان واریانس تبیین شده (جهت آگاهی از درصد تغییرات پیشبینی شده توسط هرکدام از متغیرها) برای هر متغیر پنهان نیز آگاه شد . لذا از جدول نتایج آزمون Algorithm PLS بر روی لینک Squares R کلیک کنید تا نتایج واریانس تبیین شده ی هر متغیر پنهان وابسته را نشان دهد (شکل شماره 4)

داده های جدول فوق گویای این است که واریانس تبیین شده میزان مشارکت 25/0 است و متغیرهای تمایل به مشارکت و میزان استفاده از رسانه 42 درصد ا تغییرات متغیر وابسته را پیشبینی میکنند.

3- سپس جهت آزمون معنی داری مسیرها، از جدول گزارش Html ا بخش آزمون Bootstrapp بر روی لینک Statistic-T Model Inner کلیک کنید و آمارهی t هر مسیر را مشاهده کنید(شکل شماره 5)

5- برای بررسی اثرات کل نیز میتوانید در جدول گزارش Html ا بخش آزمون Bootstrapp بر روی لینک

effects Total (Values-T, STDEV, Mean کلیک کرده و معنی داری اثرات کل همه ی متغیرهای پنهان را مشاهده نموده و استخراج کنید(شکل شماره 6)

اصلاح مدل پس از آزمون:

درصورتیکه پس آزمون ابتدایی مدل مشخص گردد که ابزارهای اندازه گیری ، روایی لازم را نداشته یا متغیرهای مستقل، از توان پیشبینی متغیرهای وابسته ناتوان هستند . می توان از طریق حذف گویه هایی که کمترین بار عاملی را بر متغیر پنهان مربوط به خود را دارند، آزمون مجدد به عمل آورده و تا رسیدن به حد مطلوب این کار را تکرار نموده و اصلاحات لازم را به عمل آورد. ضمناً می توانید از خرده مقیاس ها به عنوان متغیر مشاهده شده نیز به جای گویه ها استفاده کرد.

منبع:

1 -آذر، عادل و همکاران(1391 )مدلسازی مسیری – ساختاری در مدیریت: کاربرد نرم افزار SmartPLS

2- Chin, W. W. (2001): PLS – Graph user, s Guide, version 3, Hoston, TX: Soft Modeling.

3-Haenlein, Michael & Kaplan, Andreas M. (2004): A Beginner’s Guide to Partial Least Squares Analysis, in: UNDERSTANDING STATISTICS, 3(4)

4- Temme, Dirk & Kreis,H, and Lutz,L (2006):PLS Path Modeling – A..Software Review, SFB 649 Discussion Paper 2006-08