بررسی روایی در smartPLS

بررسی روایی در نرم افزار smartPLS

در smartPLS، بررسی‌های اعتبار به ارزیابی اعتبار اندازه‌گیری اشاره دارد، که میزانی را ارزیابی می‌کند که شاخص‌های مشاهده‌شده شما به‌طور دقیق و قابل اعتماد سازه‌های نهفته‌ای را که قرار است نشان دهند، اندازه‌گیری می‌کنند. روایی یک جنبه حیاتی از مدل سازی معادلات ساختاری (SEM) با استفاده از رویکرد حداقل مربعات جزئی (PLS) است.

در اینجا نحوه انجام بررسی اعتبار در smartPLS آمده است:

بارگذاری نشانگر:
اولین گام در ارزیابی اعتبار، بررسی بارهای شاخص است. بارهای شاخص نشان دهنده قدرت روابط بین سازه های پنهان و شاخص های مشاهده شده آنها است.
در smartPLS، پس از تخمین مدل خود، می توانید بارگذاری نشانگر را در جداول خروجی بررسی کنید.
بارگذاری های قوی نشانگر (نزدیک به 1) نشان می دهد که شاخص ها به خوبی با ساختارهایی که قرار است اندازه گیری کنند همسو هستند.

اعتبار همگرا:
روایی همگرا ارزیابی می کند که آیا شاخص های مختلف یک سازه مفهوم اساسی یکسانی را اندازه گیری می کنند یا خیر.
مقادیر میانگین واریانس استخراج شده (AVE) را برای هر سازه مرور کنید. AVE نشان دهنده مقدار واریانس ثبت شده توسط سازه نسبت به خطای اندازه گیری است.
مقادیر AVE باید بالای 0.5 (یا 0.7، بسته به فیلد) باشد تا اعتبار همگرای کافی را نشان دهد.

اعتبار تشخیصی:
اعتبار تمایز بررسی می کند که آیا سازه ها از یکدیگر متمایز هستند و یک چیز را اندازه گیری نمی کنند.
ریشه دوم مقادیر AVE را با همبستگی بین سازه ها مقایسه کنید. جذر AVE برای هر سازه باید بیشتر از همبستگی با سایر سازه ها باشد.
فقدان اعتبار تمایز ممکن است نشان دهد که سازه ها بسیار شبیه هستند یا اینکه شاخص ها به اندازه کافی متمایز نیستند.

بارگذاری متقاطع:
بارهای متقاطع بالقوه را بررسی کنید، جایی که یک نشانگر دارای بارهای بالایی در چندین ساختار است.
اگر یک اندیکاتور دارای بارهای قوی بر روی چندین سازه باشد، ممکن است نشان دهنده فقدان اعتبار تمایز باشد.

قابلیت اطمینان ترکیبی:
قابلیت اطمینان مرکب (CR) سازگاری داخلی و قابلیت اطمینان یک سازه را ارزیابی می کند.
مقادیر CR را برای هر سازه مرور کنید. مقادیر CR باید بالاتر از 0.7 باشد تا قابلیت اطمینان رضایت بخش را نشان دهد.

نسبت همبستگی ناهمسانی-تک صفتی (HTMT):
نسبت HTMT با مقایسه همبستگی های بین سازه ای با همبستگی های بین شاخص های درون سازه ها، اعتبار تمایز را با دقت بیشتری ارزیابی می کند.
مقادیر پایین تر HTMT (نزدیک یا کمتر از 1) اعتبار تفکیک بهتری را نشان می دهد.

نسبت آیتم به ساخت (ICR):
ICR تعادل بین تعداد شاخص ها و تعداد ساختارها را در مدل شما ارزیابی می کند.
به طور کلی توصیه می شود برای اطمینان از کیفیت اندازه گیری، شاخص های بیشتری در هر سازه داشته باشید.

اصلاح و ارزیابی مجدد:
اگر مسائل مربوط به اعتبار را شناسایی می کنید، مدل خود را با بازبینی مجدد شاخص ها، سازه ها یا چارچوب نظری خود اصلاح کنید.
پس از ایجاد تغییرات، اعتبار را از طریق یک سری بررسی برای اطمینان از بهبود ارزیابی کنید.

اعتبارسنجی مدل اندازه گیری شما برای اطمینان از اینکه سازه هایی که مطالعه می کنید به طور دقیق توسط شاخص های شما ثبت می شوند بسیار مهم است. توجه دقیق به این بررسی‌های اعتبار کمک می‌کند تا اعتبار تجزیه و تحلیل SEM و نتایجی که از آن می‌گیرید مشخص شود.

در بررسی روایی تشخیصی سازه ها باید دو ملاک را موردبررسی قرار دهید:

الف) بررسی بار تقاطعی گویه ها: بدین منظور از صفحه مرورگر اینترنتی با شده مربوط به آزمون Algorithm PLS و نتایج خروجی آن بر روی لینک Loading Cross در قسمت فهرست کلیک کنید. صفحه باز شده ، بار تقاطعی هر یک از گویه ها را بر سازه خود و سازه های دیگر نشان میدهد. بار عاملی هر گویه بر سازه خود باید حداقل 01/0 بیشتر از با ر عاملی آن بر دیگر سازه ها باشد(شکل شماره 1 ):

ب) بررسی همبستگی بین متغیرهای پنهان: بدین منظور از صفحه مرورگر اینترنتی با شده مربوط به آزمون Algorithm PLS بر روی لینک Correlations Variable Latent در قسمت فهرست کلیک کنید . صفحه باز شده، همبستگی های مربوط به متغیر های پنهان را نشان میدهد. در اینجا لازم است مقادیر ماتریس را در نرم افزار Word یا Excel کپی کرده و از مقادیر AVE جذر گرفته و آنها را جایگزین اعداد 1 یا قطر ماتریس کنید. جذر (نوشته شده در قطر ماتریس ) قابل قبول باید بیشتر از همبستگی یک سازه با سازه های دیگر باشد(شکل شماره 2):

مانند جدول زیر که ما از مقادیر AVE جذر گرفته و آنها را جایگزین اعداد 1 یا قطر ماتریس کرده ایم(شکل شماره 3)

آخرین آزمون در این بخش مربوط به بررسی کیفیت ابزارهای اندازه گیری است. بدین منظور لازم است بر روی گزینه Blindfolding از منوی Calculate کلیک نموده و چنانکه قبلا توضیح داده ایم، سازه های لازم را انتخاب نموده و سپس بر روی گزینه Finish کلیک کنید تا آزمون اجرا شود. رای ارائه گزارش از منوی ابزار ها بر روی گزینه Report کلیک نموده و از زبانه گزینه مزبور بر روی Report Html کلیک کنید تا صفحه مرورگر اینترنتی باز شده و نتایج خروجی آزمون را نشان دهد . صفحه باز شده ، فهرستی از ملاک ها را نشان می دهد . لذا در بخش فهرست بر روی لینک Communality Validated Cross Constructکلیک کنید.

نتایج آزمون بررسی اعتبار اشتراک را نمایش میدهد. در جدول اول یا Total نتایج کلی را نشان میدهد و در جداول بعدی نتایج مربوط به هر گروه یا بلوک را نشان میدهد. SSO مجموع مجذورات مشاهدات برای هر بلوک متغیر پنهان را، SSE مجموع مجذور خطاهای پیش بینی برای هر بلوک متغیر پنهان را ، SSO/SSE نیز شاخص اعتبار اشتراک یا com-CV را نشان می دهد.

اگر شاخص وارسی اعتبار اشتراک متغهیرهای پنهان مثبت باشد، مدل اندازه گیری کیفیت مناسب دارد. چنانکه مشاهده میکنید مدل ما نیز بر اساس این معیار یعنی مثبت بودن مقادیر، مناسب است(شکل شماره 4)