پس از آماده‌سازی داده‌ها در نرم افزار SmartPLS و رسم مدل (همانطوری که در پست قبل نشان داده شد) نوبت آن است که به برازش مدل بپردازیم و پارامترها و ضرایب رگرسیونی را برآورد کنیم. برای این کار از دستور زیر مانند شکل استفاده خواهیم کرد :

Calculate/ PLS Algorithm

پس از اعمال دستور PLS Algorithm پنجره زیر نمایان می‌شود.

بدون عوض کردن پیش فرض‌های برآورد پس از اجرای دستور Start Calculation، خروجی به دو صورت متنی و تصویری قابل مشاهده است که در شکل زیر نشان داده شده است.

خروجی متنی

اعداد نشان داده شده، ضرایب رگرسیونی متغیرهای مستقل (سطر) بر متغیرهای مستقل (ستون) است.

خروجی تصویری

1- بارهای عاملی : هریک از اعدادی که بر فلش‌های رسم شده از متغیرهای پنهان (متغیرهای آبی رنگ) به متغیرهای آشکار (متغیرهای زرد رنگ) بدست آمده؛ نشانگر بارهای عاملی می‌باشد. بارهاي عاملي از طريق محاسبه مقدار همبستگي شاخص‌هاي يك سازه با آن سازه محاسبه مي‌شوند كه اگر اين مقدار برابر و يا بيشتر از مقدار 0/4 شود، مؤيد اين مطلب است كه واريانس بين سازه و شاخص‌هاي آن از واريانس خطاي اندازه‌گيري آن سازه بيشتر بوده و پايايي در مورد آن مدل اندازه‌گيري قابل قبول است (هولاند، 1999). نكته مهم در اينجا اين است كه اگر محقق پس از محاسبه بارهاي عاملي بين سازه و شاخص‌هاي آن با مقاديري كمتر از 0/4 مواجه شد، بايد آن شاخص‌ها (سؤالات پرسش‌نامه) را اصلاح نموده و يا از مدل تحقيق خود حذف نمايد.

2-ضریب رگرسیونی استاندارد : ضریب رگرسیونی استاندارد نشان دهنده میزان تاثیر متغیر مستقل بر متغیر وابسته می‌باشد و در بازه 1- تا 1+ قرار دارد. هرچه این عدد به یک نزدیک تر باشد نشان دهنده تاثیر قوی و مستقیم، هر چه به منفی یک نزدیک باشد نشان دهنده تاثیر قوی و غیر مستقیم و زمانی که به صفر نزدیک تر باشد نشان دهنده‌ی تاثیر نامحسوس و غیر معناداری است.

3- ضریب تعیین (R به توان دو) : نسبت تغييرات (متغيرهای) تعريف شده، به کل تغييرات (متغيرها) مي‌باشد. اين اندازه گيری به ما اين امکان را مي‌دهد که تعيين کنيم چقدر ميتوان به به پيش بينی مدل مطمئن بود. ضریب تعیین میزان بیان واریانس متغیر وابسته به وسیله متغیرهای مستقل را نشان می‌دهد. برای مثال در مدل فوق 72/4 درصد از تغییرات خلاقیت سازمانی به وسیله متغیرهای مدیریت دانش، جهت گیری استراتژیک رقابتی و نوآوری بیان می‌شود و 28/6 درصد بقیه مربوط به عواملی است که یا قابل اندازه گیری است و در مدل در نظرگرفته و یا قابل اندازه گیری نیست.