آموزش SmartPLS در 100 دقیقه
Descriptive Statistics OF The Dissertation

اسمارت PLS نرم افزاری کاربردی برای طراحی مدل های معادلات ساختاری است که به کاربر این اجازه را می دهد به جای کدنویسی پیچیده از المان های گرافیکی استفاده نماید. این نرم افزار که در سال 2005 در دانشگاه هامبورگ آلمان طراحی شده است مبتنی بر جاوا می باشد و باعث می شود کاربران سیستم عامل های مختلف از آن استفاده نمایند. در حال حاضر 5 ویدیوی آموزشی که در مجموع 100 دقیقه است برای شما عزیزان آماده شده است.
علت انجام تحلیل آماری با استفاده از SmartPLS
اصلی ترین دلایل استفاده از نرم افزار Smartpls به شرح زیر است :
1– حجم نمونه کم باشد.
2- داده ها نرمال نباشند.
در صورتی که حجم دیتاها زیاد و یا داده ها نرمال باشند نیز میتوان از این روش استفاده کرد.
اما اگر بخواهیم به طور مفصل توضیح دهیم علت استفاده از نرم افزار اسمارت PLS را به صورت زیر بیان می کنیم :
چه زمانی از AMOS جهت انجام تحلیل آماری استفاده می شود ؟
ویژگی های انجام تحلیل آماری با نرم افزار AMOS و Lisrel
1-روش معادلات ساختاری مبتنی بر کوواریانس بر تایید روابط عوامل تمرکز دارد.
2-روش معادلات ساختاری مبتنی بر کوواریانس برای تایید تئوری پیشین کاربرد دارد.
3-نیازمند حجم نمونه بزرگ است.
4-برای مدل های انعکاسی کاربرد دارد.
5-به صورت ایده آل هر عامل حداقل باید 3 یا 4 گویه داشته باشد.
6-قبل از برازش باید داده های گم شده مشخص شوند.
7-درصورت وجود چند-همخطی، باید قبل از برازش مشخص شود.
تفاوت انجام تحلیل آماری با SmartPLS و AMOS
ویژگی های تحلیل آماری با نرم افزار SmartPLS
1-روش معادلات ساختاری مبتنی بر واریانس بر پیش بینی عوامل تمرکز دارد.
2-روش معادلات ساختاری مبتنی بر واریانس برای اکتشاف تئوری کاربرد دارد.
3-با حجم نمونه کوچک نیز قابل انجام است.
4-برای مدل های انعکاسی و تکوینی کاربرد دارد.
5-از عوامل با یک گویه پشتیبانی می کند.
6-مشکلی برای برازش داده ای که دارای مقادیر گم شده است، ندارد.
7-از داده های دارای چند-همخطی پشتیبانی می کند.
جدول تفاوت نرم افزار SmartPLS و AMOS و Lisrel
Lisrel, Amos, Eqs, Mplus | SmartPLS, PLS Graph | |
---|---|---|
تئوری | قوی | پیچیده |
توزیع | نرمال چندمتغیره | ناپارامتریک |
تعداد نمونه | بزرگ (حداقل 200 نمونه) | کوچک (بین 30-100) |
تمرکز تحلیل | تایید روابط فرض شده در تئوری | پیش بینی و شناسایی روابط میان عوامل |
تعداد نشان گرها در هر شاخص | به صورت ایده آل بیشتر از 4 | یک یا بیشتر |
نشانگرهای هر شاخص | در اصل انعکاسی | انعکاسی و تکوینی |
نوع اندازه گیری | فاصله ای یا نسبتی | داده های رسته ای، نسبتی |
نحوه ورود داده و رسم مدل در نرم افزار اسمارت PLS
صفحه اصلی نرم افزار اسمارت PLS پس از نصب به صورت زیر نشان داده میشود. پس از کلیک بر روی نوار ابزار File و انتخاب گزینه Create New Project میتوان پروژهی جدیدی را تعریف نمود.

پس از انتخاب اسم مورد نظر در کادر سمت چپ نرم افزار منویی با اسم انتخابی تشکیل میشود.

با دوبار کلیک بر روی گزینه Double-click to import data دیتای مورد نظر را به نرم افزار معرفی کنید. توجه داشته باشید که فایل دیتای مورد نظر باید دارای پسوند CSV و یا TXT باشد. اگر فایل دیتای شما در نرم افزار SPSS و یا نرم افزار اکسل موجود است. با استفاده از عملیات Save as و انتخاب فرمت CSV، دیتای مورد نظر را تغییر فرمت دهید.

پس از انتخاب فایل دادهها پنجره بالا نمایان میشود. پنجرهای که نمایی کلی از دیتاها و گزارش توصیفی (دادههای گمشده، میانگین، میانه، کمترین، بیشترین، چولگی و کشیدگی) را نشان میدهد.

با دوبار کلیک بر روی مدل نام گذاری شده پنجره زیر جهت رسم متغیرها و روابط نمایان میشود.

1– از این گزینه برای رسم متغیرهای پنهان (متغیری که از گویهها و یا متغیرهای آشکار دیگر ساخته میشود) و تعریف مدل استفاده میشود.
2- برای رسم روابط و یا پیکان یک سویه از متغیر مبدا به متغیر مقصد استفاده میشود.
3- برای بررسی رابطه غیرخطی میان متغیرها از این گزینه استفاده میشود.
4- برای معرفی متغیر تعدیلی به نرم افزار از این گزینه استفاده میشود.
5- تمامی محاسبات ضرایب، برآوردها، بوت استرت و …
6- تنظیم ظاهری مدلها، چپ چین، راست چین و مواردی از این قبیل استفاده خواهد شد.
7- این قسمت اسامی متغیرها، اطلاعات دیتاها و تیترهای خروجیهای گرفته شده مشاهده میشود.
در ادامه، مانند شکل زیر با انتخاب گزینه Latent Variable متغیرهای مورد نظر را در صفحه رسم مدل بوجود میآوریم.

با فعال کردن گزینه Latent Variable، با هر بار کلیک بر روی صفحه سفید رنگ Model Amouzeshi یک متغیر پنهان تشکیل میشود. همانطور که ملاحظه میشود در این صفحه 4 متغیر پنهان رسم کردهایم. برای تغییر نام متغیرها کافی است با راست کلیک بر روی متغیرها گزینه Rename را انتخاب شود تا پنجره زیر باز شود :

پس از اسم گذاری متغیرها وقت آن است مانند شکل زیر سوالات مرتبط با هر مولفه را برای نرم افزار مشخص کنیم.

در کادر مربوط به متغیرها (Indicators) سوالات مربوط به هرکدام از عامل ها را انتخاب کنید و با گرفتن و کشیدن، آنها را بر روی متغیرهای پنهان قرار دهید تا مانند فوق از هر عامل به سمت سوالاتش فلشی رسم شود. در اینجا سوالات مربوط به جهت گیری استراتژیک رقابتی (OEI1 تا OEI4) را انتخاب کرده و آنها را با کشیدن برروی متغیر جهت گیری استراتژیک رقابتی رها کردیم. این کار را برای تمام متغیرها انجام میدهیم.
پس از معرفی تمام سوالات هر مولفه به نرم افزار، میتوان برای جلوگیری از شلوغ شدن صفحه با کلیک برروی متغیر پنهان و انتخاب گزینه (Hides indicators of selected Constructs)، سوالات را پنهان نمود همانطور که ملاحظه میشود اینکار برای متغیر مدیریت دانش جهت جلوگیری از شلوغی صفحه انجام شده است (علامت + بالای متغیر). همانطور که ملاحظه میشود قرمز بودن متغیرها این مفهوم را به ما میرساند که هنوز مدل رسم شده به طور کامل برای نرم افزار قابل فهم نیست. آخرین مرحله ای که باید انجام شود این است که رابطه میان متغیرها مشخص شود. این کار با فعال کردن گزینه Connect و رسم فلش از متغیر مبدا به متغیر مقصد قابل انجام است.
حال مدل قابل اجراست و ضرایب قابل برآورد هستند.
نحوه برآورد مدل در نرم افزار SmartPLS
پس از آمادهسازی دادهها در نرم افزار SmartPLS و رسم مدل (همانطوری که 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.
اعداد نشان داده شده، ضرایب رگرسیونی متغیرهای برون زا (سطر) بر متغیرهای درونزا (ستون) است.
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.
معیارهای نیکویی برازش مدل در نرم افزار SmartPLS
پس از آموزش نحوه ورود داده ها و رسم مدل و برآورد ضرایب مدل و بررسی معنی داری آن نوبت به آن است که به بررسی درست بودن مدل و پیشفرضهای معادلات ساختاری با نرمافزار اسمارت PLS بپردازیم. از مهم ترین شاخص های نیکویی برازش نرم افزار اسمارت پی.ال.اس میتوان به موارد زیر اشاره نمود :
1-سازگاری درونی
آلفای کرونباخ شاخصی کلاسیک برای تحلیل پایایی و نشان دهنده یک سنت قوی در معادلات ساختاری میباشد که برآوردی را برای پایایی بر اساس همبستگی درونی گویهها ارائه میدهد و مقدار مناسب برای آن بزرگتر از 0/7 میباشد به منظور محاسبه پایایی معیار دیگری نیز وجود دارد که برتریهایی را نسبت به روش سنتی محاسبه آن به وسیله آلفا کرونباخ را به همراه دارد و به آن پایایی ترکیبی (CR) گفته میشود. برتری پایایی ترکیبی نسبت به آلفای کرونباخ در این است که پایایی سازه ها نه به صورت مطلق، بلکه با توجه به همبستگی سازه هایشان با یکدیگر محاسبه میگردد. همچنین برای محاسبه آن، شاخصهای با بارعاملی بیشتر اهمیت زیادتری دارند. در نتیجه برای سنجش بهتر پایایی، هر دوی این معیارها استفاده میشوند. برای پایایی مرکب میزان بالای 0/7 مناسب گزارش شده است.
2-روایی همگرا
سنجه رایج برای ایجاد روایی همگرا در سطح سازه، میانگین واریانس استخراج شده (AVE) است. این معیار به عنوان مقدار میانگین کل توان دوم بارهای معرف متناظر با هر سازه تعریف میشود (مجموع توان دوم بارها تقسیم بر تعداد معرفها). بنابراین AVE، معادل اشتراک یک سازه است. مقدار میانگین واریانس استخراجی برابر 0/5 یا بالاتر نشان می دهد که، به طور متوسط، سازه بیش از نیمی از واریانس معرف های متناظر را تشریح می کند. به طور معکوس، زمانی که AVE کمتر از 0/5 باشد، نشان دهنده این است که به طور میانگین، خطای بیشتری در آیتم ها نسبت به واریانس تشریح شده به وسیله سازه ها باقی می ماند.
3-روایی واگرا
جهت بررسی روایی واگرای مدل اندازه گیری، از معیار فورنل و لارکر استفاده میشود. بر اساس این معیار، روایی واگرای قابل قبول یک مدل حاکی از آن است که یک سازه در مدل، نسبت به سازههای دیگر تعامل بیشتری با شاخصهایش دارد. فورنل و لارکر (1981) بیان میکنند؛ روایی واگرا وقتی در سطح قابل قبولی است که میزان AVE برای هر سازه بیشتر از واریانس اشتراکی بین آن سازه و سازههای دیگر در مدل باشد. در PLS بررسی این امر به وسیله ماتریسی حاصل میشود.
برای بررسی سه معیار فوق در نرم افزار اسمارت PLS از طریق اجرای دستور PLS Algorithm از قسمت Calculate (همانطور که در پست قبل توضیح داده شد.) پنجره زیر نمایان میشود.
پس از انتخاب دستور Construct Reliability and Validity خروجی زیر نمایان میشود.
همانطور که در شکل فوق ملاحظه میشود اعدادی که به رنگ سبز هستند، از مناسب بودن آن معیار برای متغیر (سازه) مورد نظر خبر میدهند. برای مثال در مدل فوق میانگین واریانس استخراجی متغیر مدیریت دانش در رنج قابل قبولی قرار ندارد و به رنگ قرمز نمایش داده شده است. برای رفع این مشکل، از بازنگری دادهها و حذف سوالی که دارای کمترین بار عاملی است استفاده خواهیم کرد.
3-تناسب پیش بین
دومین شاخص برازش مدل ساختاری، شاخص (Q^2) است. این معیار که توسط استون و گیسر (۱۹۷۵) معرفی شد، قدرت پیش بینی مدل در سازههای درونزا را مشخص میکند. به اعتقاد آنها مدلهایی که دارای برازش ساختاری قابل قبول هستند، باید قابلیت پیشبینی متغیرهای درونزای مدل را داشته باشند. بدین معنی که اگر در یک مدل، روابط بین سازهها به درستی تعریف شده باشند، سازهها تاثیر کافی بر یکدیگر گذاشته و از این راه فرضیهها به درستی تائید شوند. هنسلر و همکاران (۲۰۰۹) سه مقدار 0/02، 0/15 و 0/35 را به عنوان قدرت پیش بینی کم، متوسط و قوی تعیین نموده اند.
برای بررسی سه معیار فوق در نرم افزار اسمارت PLS از طریق اجرای دستور Blindfolding از قسمت Calculate، پنجره زیر نمایان میشود.
بدون تغییر پیشفرض نرم افزار با کلیک بر روی گزینه Start Calculation پنجره زیر باز میشود.
با انتخاب گزینه Construct Cross-validated Commonality پنجره زیر که مربوط به خروجی تناسب پیشبین میشود نمایش داده میشود.
آموزش بهبود شاخص های روایی و پایایی
گاهی اوقات پس اجرای مدل متوجه می شویم که شاخص های روایی و پایایی مدل در حد مطلوبی قرار ندارند. راهکارهایی وجود دارد که در ویدیوی زیر به آن پرداخته ایم :
آموزش تکمیلی نرم افزار SPSS
همانطوری که می دانید موسسه آماری کوکرانا نرم افزار SmartPLS را برای اولین بار در ایران به صورت ویدیویی و متنی به صورت کاملا رایگان برای پژوهشگران و دانشجویان محترم آموزش داده است. در پست های قبلی به بررسی نحوه ورود داده، برآورد مدل و معیارهای نیکویی برازش و همچنین زمان استفاده از نرم افزار SmartPLS و تفاوت آن با سایر نرم افزارهای معادلات ساختاری شرح داده شد (دلیل استفاده از نرم افزار SmartPLS). در این پست قصد داریم به بررسی مطالب تکمیلی و ذکر نشده در رابطه با این نرم افزار بپردازیم. امیدواریم که مورد توجه شما علاقه مندان قرار گیرد.
رسم و آزمون متغیر میانجی در اسمارت پی ال اس
به طور خلاصه متغیر میانجی متغیری است که از متغیر مستقل به آن فلش رسم شده و از آن متغیر به متغیر وابسته فلش وارد می شود. رسم متغیر میانجی در نرم افزار SmartPLS تنظیمات خاصی ندارد. فقط کافیست مدل خود را همانطور که آموزش داده شد در نرم افزار رسم کرده و آن را اجرا کنید (آموزش نحوه ورود دیتا به نرم افزار و رسم مدل). در شکل زیر ساده ترین نوع ممکن یک مدل با متغیر میانجی رسم شده است که در آن متغیر توانمند سازی در رابطه میان ارزیابی عملکرد و عملکرد سازمان نقش میانجی را ایفا می کند (در صورت معنادار بودن ضرایب رگرسیونی).
مدل ساده با یک متغیر میانجی
پس از رسم مدل همانطوری که قبل تر آموزش داده شد (آموزش اجرا و برآورد پارامترها در SmartPLS) مدل را از طریق منوی Calculate قسمت بوت استرپینگ اجرا کرده تا پنجره زیر باز شود. پس از تعیین مسیرهای (A) و (B) از طریق آزمون سوبل به بررسی نقش میانجی متغیر توانمندسازی پرداخته می شود (آموزش آزمون سوبل و اجرای آنلاین). همانطوری که نشان داده شده، با کادر قرمز رنگ ورودی های مورد نیاز برای انجام آزمون سوبل مشخص شده است.
بررسی کامنت های شما
علیرضا : سلام بر جناب علی مردی. سوالم این هست که آیا با PLS میشه مدلی با ۲ متغیر میانجی طراحی کرد و وضعیت میانجی گری ۲ متغیر میانجی رو سنجید ؟ آیا ضرایب در خروجی نرم افزار برای هر متغیر میانجی بصورت مجزا گزارش میشه ؟ برای پاسخ به سوال در شکل زیر مدلی را معرفی می نماییم که در آن دو متغیر میانجی وجود دارد. قصد داریم که تمام حالات ممکن برای نقش میانجی آن ها را بررسی نماییم.
نقش میانجی رضایت شغلی در رابطه میان بازاریابی داخلی و رضایت مشتری
نقش میانجی رضایت شغلی در رابطه میان بازاریابی داخلی و کیفیت خدمات
نقش میانجی کیفیت خدمات در رابطه میان بازاریابی داخلی و رضایت مشتری
نقش میانجی کیفیت خدمات در رابطه میان رضایت شغلی و رضایت مشتری
بنابراین بر اساس نقش های میانجی متغیرهای کیفیت خدمات و رضایت شغلی می توان چهار فرضیه زیر را مطرح کرد و بر اساس آزمون سوبل هر کدام را جداگانه بر اساس ضرایب و پارامترهای برآورد شده آزمون نمود. 1- بازاریابی داخلي از طريق متغير ميانجي رضايت شغلي بر رضايت مشتري تاثير دارد. 2- بازاریابی داخلي از طريق متغير ميانجي كيفيت خدمات بر رضايت مشتري تاثير دارد. 3- بازاريابي داخلي از طريق متغير ميانجي رضايت شغلي بر كيفيت خدمات تاثير دارد. 4- رضایت شغلي از طريق متغير ميانجي كيفيت خدمات بر رضايت مشتري تاثير دارد.
نحوه رسم متغیر تعدیلی در نرم افزار SmartPLS
معمولا به این صورت است که برای نشان دادن متغیر تعدیل گر در مدل، از متغیر تعدیل گر فلشی به سمت وسط فلشی که قرار هست آن رابطه را تعدیل کند کشیده می شود. مدل زیر را ملاحظه بفرمایید؛ برای آن که نشان دهیم متغیر تعهد کارکنان زنجیره تامین در رابطه میان رهبری مبادله ای و عملکرد زنجیره تامین و همچنین در رابطه میان رهبری تحول آفرین و عملکرد زنجیره تامین نقش تعدیلی دارد، در مدل مفهومی فلش ها را به صورت زیر رسم می کنیم.
در صورتی که همانطوری که آموزش داده شد (ویدیو آموزشی رسم و اجرای مدل دارای متغیر تعدیلگر) در نرم افزار اسمارت PLS برای رسم متغیر تعدیل گر تنظیمات خاصی وجود دارد و شکل ظاهری مدلی که رسم می کنیم با شکل فوق متفاوت خواهد بود. برای رسم مدل دارای متغیر تعدیلگر ابتدا مانند شکل زیر مدل را در نرم افزار رسم می نماییم.
طریقه رسم متغیر تعدیلی در اسمارت پی ال اس
پس از رسم مدل از طریق انتخاب گزینه Moderating effect در کادر بالای نرم افزار و انتخاب متغیر وابسته پنجره زیر باز می شود. در منوی کشویی Moderator Variable متغیر تعهد کارکنان زنجیره تامین را که متغیر تعدیلگر ما هست انتخاب و در منوی کشویی Independent Variable متغیر رهبری تحول آفرین را که یکی از متغیرهای مستقل هست را انتخاب می نماییم. پس از انجام این مراحل بر روی گزینه OK کلیک کرده و مجدد همین کار را برای مستقل دیگر یعنی متغیر رهبری مبادله ای نیز انجام می دهیم.
پس از اجرای این تنظیمات بایستی به مدلی مانند شکل زیر دست یابید که در آن از تمامی متغیرها به متغیر وابسته فلش وارد شده است. همانطوری که مشخص است دو متغیر سبز رنگ به مدل اضافه می شود که در واقع ضرب متغیرهای مستقل در متغیر تعدیلی می باشد. شکل زیر نشان دهنده مدل پس از تعریف متغیرهای تعدیلی و تغییر نام آن ها می باشد. در مرحله بعد همانطوری که قبل تر آموزش داده شده مدل اجرا و پارامترها برآورد می شوند.
نمونه مدل دارای متغیر تعدیلی در SmartPLS
بنابراین بر اساس نقش تعدیلی متغیر تعهد کارکنان عملکرد زنجیره می توان دو فرضیه زیر را مطرح کرد و بر اساس آزمون مدل هر کدام را جداگانه بر اساس ضرایب و پارامترهای برآورد شده آزمون نمود.
1-رهبری تحول آفرین با نقش تعدیلی تعهد کارکنان بر عملکرد زنجیره تامین تاثیر دارد. 2-رهبری مبادله ای با نقش تعدیلی تعهد کارکنان بر عملکرد زنجیره تامین تاثیر دارد.
نحوه رسم مدل تحلیل عاملی مرتبه دوم در SmartPLS
در برخی موارد متغیری در پژوهش داریم که خود از چند زیر مقیاس تشکیل شده است و قصد داریم این متغیر را در نرم افزار رسم کنیم. برای جا افتادن مطلب فرض می کنیم متغیری تحت عنوان مدیریت ریسک داریم که از سه زیر مقیاس امنیت اطلاعات (دارای سه گویه)، تعمیر و نگهداری (دارای سه گویه) و نیروی انسانی (دارای چهار گویه) تشکیل شده است و هدفمان این است که تاثیر متغیر ایمنی آموزش را بر متغیر مدیریت ریسک بررسی کنیم. بنابراین طبق آنچه که آموزش داده شد مدل را به شکل زیر رسم می نماییم.
همانطور که ملاحظه می فرمایید متغیر مدیریت ریسک هنوز به رنگ قرمز می باشد و مدل قابل اجرا نیست. برای رفع این مشکل و تعریف متغیر مدیریت ریسک، تمام گویه های مربوطه (گویه های 1 تا 10) را مجددا برای متغیر مدیریت ریسک تعریف می نماییم.
حال بر روی متغیر مدیریت ریسک راست کلیک کرده و گزینه Hide indicators of selected constructs را انتخاب می نماییم. در نهایت مدل به شکل زیر در می آید و قابل اجرا است.
رسم فلش دو طرفه یا کوواریانس (Covariance) در نرم افزار SmartPLS
امکان رسم فلش دوطرفه یا فلشی که نشان دهنده ارتباط بین متغیرها می باشد در اسمارت PLS وجود ندارد. در واقع نرم افزار SmartPLS قابلیت اجرای مدل های غیر بازگشتی را ندارد که این یکی از نقاط ضعف این نرم افزار می باشد. در صورتی که این ویژگی در نرم افزارهای کوواریانس محور Amos و Lisrel وجود دارد.
بررسی خطاهای (Error) رایج هنگام کار با نرم افزار SmartPLS
این قسمت به زودی تکمیل خواهد شد.
نحوه گرفتن فایل بکاپ از پروژه انجام شده در SmartPLS
در نرم افزار اسمارت پی ال اس این قابلیت وجود دارد که از پروژه انجام شده همراه با داده ها اکسپورت یا بکاپ گرفته و خیلی راحت پروژه را بر روی کامپیوتر دیگری اجرا کنید. برای اینکار پروژه ای را که قصد دارید اکسپورت کنید را از کادر Project Explorer انتخاب کنید. سپس، بر روی پروژه انتخاب شده کلیک راست کنید. در منوی باز شده گزینه Export Project را انتخاب کنید.
حال به شما امکان می دهد پوشه ای را در سیستم خود برای ذخیره فایل بکاپ پروژه انتخاب کنید. همچنین می توانید نام فایل بکاپ پروژه را انتخاب کنید. در نتیجه، SmartPLS یک فایل zip از پروژه شما، در پوشه انتخاب شده ذخیره می کند.
نحوه مرتب سازی مدل و تغییر فونت
در نرم افزار معادلات ساختاری اسمارت پی ال اس (SmartPLS) ابزارهایی برای مرتب سازی مدل وجود دارد که از این نظر این نرم افزار را نسبت به نرم افزارهای اموس (Amos) و لیزرل (Lisrel) متمایز می نماید. اگر نرم افزار اسمارت PLS نسخه 3 را باز کنید سمت راست پنجره، کادر زیر نمایش داده می شود.
نحوه تغییر رنگ مدل در SmartPLS
همچنین این امکان جالب در نرم افزار SmartPLS وجود دارد که رنگ پیکان ها، متغیرهای پنهان و آشکار و همچنین حاشیه های آن را تغییر داده شده و به رنگ دلخواه درآیند. گوشه بالا سمت راست پنجره اصلی نرم افزار این قابلیت قرار داده شده است :
امیدوار هستیم این مطلب برای شما مفید واقع شده باشد، در صورت وجود هرگونه سوال می توانید از طریق کادر زیر نظرات و سوالات خود را مطرح نمایید.
هزینه انجام تحلیل آماری با نرم افزار SmartPLS
برآورد هزینه تجزیه و تحلیل آماری با استفاده از نرم افزارهای SmartPLS، AMOS و Lisrel معمولا بر اساس پیچیدگی مدل معادلات ساختاری انجام می شود. طبیعتا هر چه تعداد متغیرهای پنهان، متغیرهای تعدیلگر و میانجی در مدل بیشتر باشد کار تجزیه و تحلیل آماری نیز پیچیده تر می شود. با توجه به این که کوکرانا یک موسسه کاملا حرفه ای و با تجربه برای تحلیل آماری است و بدون واسطه است، تجزیه و تحلیل آماری را با هزینه منطقی انجام می دهد. برای مثال کوکرانا مدل های مشابه شکل زیر را یک مدل پیچیده تلقی کرده و برای تجزیه تحلیل آن هزینه بیشتری درخواست می کند.
نمونه مدل معادلات ساختاری پیچیده از نظر کوکرانا
سلام، متغیرهای من جوریه که مثلاً ۵ تا رو باید به صورت پکیج به یک متغیر دیگه متصل کنم چجوری این کار رو انجام بدم ؟
سلام وقت بخیر،
متوجه منظورتون از پکیج نشدم.
اگر منظورتون اینه که یه متغیر دارید که از 5 قسمت تشکیل شده خیلی راحت می تونید 5 قسمت رو به عنوان گویه براش تعریف کنید.
اگر منظورتون اینه که یه 5 متغیر دارید که بر یک متغیر دیگه تاثیر گذار هستند خب از اون 5 متغیر به متغیر دیگه فلش رسم کنید و تاثیر رو نشون بدید.