آزمون ها و روش های آماری متعدد و متنوع هستند و متناسب با نوع پژوهش، فرضیه ها و ابزار اندازه گیری و . باید اقدام به انتخاب روش آماری مناسب نمود. در کنار این امر، آشنایی با چگونگی کار با نرم افزارهای آماری (SPSS-LISREL-AMOS-Smart PLS) به خصوص در آزمون های پیشرفته نیز حائز اهمیت است. همچنین یکی از مواردی که شاید در ابتدای امر چندان مهم به نظر نرسد (اما در واقع مهم ترین بخش یک کار آماری است)، توانایی تفسیر و تحلیل نتایج آماری و ارائه یک گزارش آماری مناسب و قابل قبول اساتید است.

قطعا همه پژوهشگران با همه نرم افزارهای آماری یا روش های آماری آشنا نیستند و در پژوهش های متنوع خود در پی کسب مهارت های لازم در زمینه نرم افزارها و روش های آماری هستند. مراجعه به کتب و مقالات آموزشی یک از راه های آشنایی است اما معمولا حل مسائل خاص آماری، با استفاده از کتاب و مقالات زمان بر بوده و وقت زیادی را می گیردو مهم تر از آن معمولا مسائل خاص آماری به دلیل پیچیدگی و یا کاربردهای خاصی که دارند عموما به شیوه روان و قابل فهمی در کتب آماری ارائه نمی شود و در این زمان یا پژوهشگران باید با آزمون و خطا و صرف زمان زیاد مشکل آماری خویش را حل کنند یا به کلاس های آموزشی بروند و یا با افراد مطلع و مسلط به آزمون ها و روش های آماری م کنند.

از زمانی که روش حداقل مربعات جریی مورد توجه و استفاده پژوهشگران در رشته های مختلف مدیریتی مانند مدیریت استراتژیک، مدیریت بازاریابی و مدیریت سیستم های اطلاعات قرار گرفته است، تا به حال یک چالش هنوز پیش روی محققین قرار داد که مطالعات زیادی نیز درباره آن انجام نشده است. این موضوع همان ناهمگنی داده ها(heterogeneity) است که باعث گردیده تا یک قسمت به طور مجزا در نرم افزارهای PLS به این موضوع اختصاص یابد.

به طور نمونه در نرم افزار Smart PLS قسمتی با نام FIMIX-PLS در منوی Calculate قرار داد. در حقیقت روش های تحلیل آماری از جمله PLS، فرض می کنند که داده های گردآوری شده برای تحلیل از یک جامعه آماری مشخص انتخاب می شوند در حالی که این فرض غیر واقعی بوده و نرم افزارهای تحلیل آماری در نسخه های جدیدتر به این موضوع توجه وییه ای کرده اند.

ناهمگنی به این موضوع اشاره دارد که ممکن است داده های رسیده به دست پژوهشگر همگی از یک جنس و از یک خانواده نباشند. بنابراین تحلیل آنها تحت یک گروه درست نیست زیرا نتایجی که بدست خواهد آمد دقیق نیست و محقق را دچار اشتباه و سردرگمی در تفسیر نتایج می سازد.

درباره اهمیت توجه به ناهمگنی داده ها محققین زیادی اطهار نموده اند. ویلیامز و همکاران(2002) ادعا نموده اند که عدم توجه به موضوع ناهمگنی داده ها در دو قسمت مدلسازی معادلات ساختاری یعنی بخش مدل اندازه گیری و بخش مدل های ساختاری، محقق را دچار مشکل می سازد. در مطالعات مربوط به سنجش رضایت مشتری، جدیدی و همکاران(1997)، هان و همکاران(2002) و همچنین سارستد و همکاران(2009) نشان داده اند که نتایج تحلیل داده ها در مواقعی که تفاوت معناداری بین مقادیر تخمین زده شده در گروه های مختلف وجود دارد، می تواند گمراه کننده باشد.

بنابراین توجه به این موضوع و بررسی ناهمگنی داده ها بسیار حائز اهمیت است و پژوهشگرانی که از روش مدل سازی معادلات ساختاری استفاده می کنند باید برای اطمینان از اینکه تحلیل کل داده ها در تحقیق آنها تحت تاثیر ناهمگنی داده ها قرار نگرفته است، از این روش استفاده کرد و نتایج را گزارش دهند.

یکی از نرم افزارهای معادلات ساختاری که به بررسی آزمون فرضیات مربوطه می پردازد، نرم افزار pls می باشد.  در سال 2005 توسط رینگل و همکاران وی در دانشگاه هامبورگ آلمان طراحی شده است. این نرم افزار قابلیت پردازش و تحلیل داده های خام را داراست. همچنین طراحی و آزمون مدل در آن به صورت کاملا گرافیکی انجام می شود. خروجی نرم افزار را می توان در قالب صفحات وب، اکسل و لاتکس مشاهده نمود.

از مدل‌یابی معادلات ساختاری با کمک روش حداقل مربعات جزیی و نرم افزار PLS، جهت آزمون فرضیات و صحّت مدل استفاده میشود. پی‌ال‌اس نگرشی مبتنی بر واریانس است که در مقایسه با تکنیکهای مشابه معادلات ساختاری همچون آموس و- لیزرل شروط کمتری دارد.  به طور مثال بر خلاف لیزرل، مدل‌یابی مسیر پی‌ال‌اس برای کاربردهای واقعی مناسب‌تر است، به ویژه هنگامی که مدلها پیچیده‌تر هستند، بهره‌گیری از این نگرش مطلوبتر خواهد بود. مزیت اصلی آن در این است که این نوع مدل‌یابی نسبت به لیزرل به تعداد کمتری از نمونه نیاز دارد. محدودیت حجم نمونه ندارد و نمونه انتخاب شده می تواند برابر یا کمتر از 30 باشد، که در این صورت نتایج نیز معتبر است. همچنین به عنوان متدی قدرتمند مطرح می‌شود، در شرایطی که تعداد نمونه‌ها و آیتم‌های اندازه‌گیری محدود است و توزیع متغیرها میتواند نامعین باشد.

روش حداقل مربعات جزئی (PLS) یک راهکار جایگزین برای رگرسیون چندگانه و مدل‌سازی معادلات ساختاری مبتنی بر کوواریانس است. در حقیقت ‍PLS اغلب به‌عنوان یک روش معادلات ساختاری مبتنی بر مؤلفه (Component-Based SEM) یا معادلات ساختاری مبتنی بر واریانس (Variance-Based SEM) برخلاف روش‌های مبتنی بر کوواریانس که توسط نرم‌افزارهای لیزرل، اموس انجام می‌گیرد، نامیده می‌شود. تحلیل ‍ PLS بر اساس مجموعه‌ای از متغیرهای مستقل که بر مجموعه‌ای متغیرهای وابسته تأثیر می‌گذارند، بکار گرفته می‌شود

روش PLS به‌عنوان یک مدل رگرسیونی جهت پیش‌بینی یک یا چند متغیر وابسته از طریق مجموعه‌ای از یک یا چند مؤلفه مستقل تعریف می‌شود و یا می‌توان به‌عنوان یک مدل مسیر جهت تفسیر تأثیرات متغیرهای مستقل بر متغیرهای وابسته (پاسخ) در نظر گرفت. 

روش PLS بیشتر مواقع برای اهداف پژوهشی که از نوع مدل‌های پیش‌بینی و اکتشافی است مناسب است. به‌طورکلی مدل‌سازی معادلات ساختاری مبتنی بر کوواریانس در مواقعی که اهداف پژوهش از نوع مدل‌های تأییدی (Confirmatory Modeling) است توصیه می‌شود. برخلاف مدل یابی معادلات ساختاری مبتنی بر کوواریانس که میزان برازش مدل مفروض را ارزیابی می‌کند و درنتیجه برآورد مدل در جهت تبیین، آزمون و تأیید نظریه است، روش PLS پیش‌بینی مدار بوده، به نظریه قوی نیاز ندارد و به‌عنوان روش ساخت نظریه می‌تواند به کار رود.

از مزایای روش PLS می‌توان به موارد زیر اشاره کرد:

–  توانایی مدل کردن متغیرهای وابسته چندگانه بر اساس متغیرهای مستقل چندگانه؛

–  توانایی کنترل هم خطی‌های متعدد بین متغیرهای مستقل؛

–  یک روش مقاوم در مقابل داده‌های مفقودشده؛

–  ایجاد متغیرهای پنهان مستقل تأثیرگذار بر متغیر (های) وابسته به‌منظور تعیین پیش‌بینی کننده‌های قوی‌تر.

 نحوه تفسیر نتایج ضریب مسیر و مقدار آماره  تی در نرم افزار smart pls

مدلسازی معادلات ساختاری به روش حداقل مربعات جزئی یا همان نرم افزار smart pls چند مدتی است که بعلت وجود  مزیت های این نرم افزار بسیار مورد توجه محققین، اساتید و دانشجویان قرار گرفته است.وقتی از این نرم افزار استفاده می شود دو خروجی بسیار مهم و حیاتی وجود دارد.

۱- مقدار آماره تی

۲- ضرایب مسیر(بارهای عاملی)

اگر مقدار بارعاملی بین سوالات پرسشنامه و متغیرهای مکنون بیشتر از ۰٫۴ باشد نتیجه می گیریم که سوالی که برای آن سازه به کار برده ایم به خوبی متغیر مکنون مورد نظر را سنجیده است.مقدار آماره تی در واقع ملاک اصلی تایید یا رد فرضیات است.اگر این مقدار آمار به ترتیب از ۱٫۶۴ ، ۱٫۹۶ و ۲٫۵۸ بیشتر باشد نتیجه می گیریم که آن فرضیه در سطوح ۹۰، ۹۵ و ۹۹ درصد تایید می شود.همچنین باید گفت که اگر مقدار ضریب مسیر بین متغیر مکنون مستقل و متغیر مکنون وابسته مثبت باشد نتیجه می گیریم که با افزایش متغیر مستقل شاهد افزایش در متغیر وابسته خواهیم بود.و بالعکس اگر مقدار ضریب مسیر بین متغیر مکنون مستقل و متغیر مکنون وابسته منفی باشد نتیجه می گیریم که با افزایش متغیر مستقل شاهد کاهش در متغیر وابسته خواهیم بود

در محاسبه اثرات متغیر میانجی و تعدیلگر نیز می توان از این نرم افزار استفاده کرد.

هزینه انجام تحلیل آماری با SmartPLS به عوامل زیر بستگی دارد :

• تعداد فرضیه ها و پیچیدگی مدل
• تعداد متغیرهای میانجی
• تعداد متغیرهای تعدیلی

SmartPLS multigroup analysis: Chean, J./ Ramayah, T./ Memon, M.A./ Chuah, F./ Ting, H.: Multigroup Analysis using SmartPLS: Step-by-Step Guidelines for Business Research, Asian Journal of Business Research, Volume 10 (2020), Issue 3, pp. 1-19

PLS-SEM and future time perspectives: Chaouali, W./ Souiden, N./ Ringle, C.M.: Elderly Customers’ Reactions to Service Failures: The Role of Future Time Perspctive, Wisdom and Emotional Intelligence, Journal of Services Marketing, forthcoming.

Predictive model selection test: Liengaard, B./ Sharma, P N./ Hult, G.T.M./ Jensen, M.B./ Sarstedt, M./ Hair, J.F./ Ringle, C.M.: Prediction: Coveted, Yet Forsaken? Introducing a Cross-validated Predictive Ability Test in Partial Least Squares Path Modeling, Decision Sciences, forthcoming.

Prediction Metrics: Hair, J.F.: Next-generation Prediction Metrics for Composite-based PLS-SEM, Industrial Management & Data Systems, forthcoming.

No need for PROCESS: Sarstedt, M./ Hair, J.F./ Nitzl, C./ Ringle, C.M./ Howard, M.C.: Beyond a Tandem Analysis of SEM and PROCESS: Use of PLS-SEM for Mediation Analyses!, International Journal of Market Research, forthcoming.

Weighted PLS-SEM (WPLS): Cheah, J.-H./ Roldán, J. L./ Ciavolino, E./ Ting, H./ Ramayah, T.: Sampling Weight Adjustments in Partial Least Squares Structural Equation Modeling: Guidelines and Illustrations, Total Quality Management & Business Excellence, forthcoming.

PLS-SEM in Higher Education: Ghasemy, M./ Teeroovengadum, V./ Becker, J.-M./ & Ringle, C. M.: This Fast Car Can Move Faster: A Review of PLS-SEM Application in Higher Education Research. Higher Education, forthcoming.

Predictive model selection: Sharma, P.N./ Shmueli, G./ Sarstedt, M./ Danks, N./ Ray, S.: Prediction-oriented Model Selection in Partial Least Squares Path Modeling, Decision Sciences (2020), forthcoming.

Causal-predictive PLS-SEM: Chin, W./ Cheah, J.-H./ Liu, Y./ Ting, H./ Lim, X.-J./ & Cham Tat, H.: Demystifying the Role of Causal-predictive Modeling Using Partial Least Squares Structural Equation Modeling in Information Systems Research, Industrial Management & Data Systems, Volume 120 (2020), Issue 12, pp. 2161-2209.

Necessary condition analysis (NCA) and PLS-SEM: Richter, N.F./ Schubring, S./ Hauff, S./ Ringle, C.M./ Sarstedt, M.: When Predictors of Outcomes are Necessary: Guidelines for the Combined Use of PLS-SEM and NCA, Industrial Management & Data Systems, Volume 120 (2020), Issue 12, pp. 2243-2267.

PLS-SEM results assessment: Sarstedt, M./ Ringle, C.M./ Cheah, J.H./ Ting, H./ Moisescu, O.I./ Radomir, L.: Structural Model Robustness Checks in PLS-SEM, Tourism Economics, Volume 26 (2020), Issue 4, pp. 531-554.

Fit criteria: Cho, G./ Hwang, H./ Sarstedt, M./ Ringle, C.M.: Cutoff Criteria for Overall Model Fit Indexes in Generalized Structured Component Analysis, Journal of Marketing Analytics, Volume 8 (2020), Issue 4, pp. 9-202.

PLS-SEM and GSCA: Hwang, H./ Sarstedt, M./ Cheah, J. H./ Ringle, C.M.: A Concept Analysis of Methodological Research on Composite-Based Structural Equation Modeling: Bridging PLSPM and GSCA, Behaviormetrika, Volume 47 (2020), pp. 219-241.

IPMA application in hospitality management: Nunkoo, R./ Teeroovengadum, V./ Ringle, C.M./ Sunnassee, V.: Service Quality and Customer Satisfaction: The Moderating Effects of Hotel Star Rating, International Journal of Hospitality Management, Volume 91(2020), Issue 102414.

More common factor issues: Rhemtulla, M./ van Bork, R./ Borsboom, D.: Worse Than Measurement Error: Consequences of Inappropriate Latent Variable Measurement Models, Psychological Methods, Volume 25 (2020), Issue 1, pp. 30-45.

Different views on CCA: Crittenden, V., Sarstedt, M., Astrachan, C., Hair, J., and Lourenco C. E.: Guest Editorial: Measurement and Scaling Methodologies. Journal of Product & Brand Management, Volume 29 (2020), Issue 4, pp. 409-414.

CCA: Hair, J.F./ Howard, M.C./ Nitzl, C.: Assessing Measurement Model Quality in PLS-SEM Using Confirmatory Composite Analysis, Journal of Business Research, Volume 109 (2020), pp. 101-110. Also take a look here: https://www.unibw.de/ciss-en/methodpaper-nitzl-et-al

PLS-SEM and GSCA: Hwang, H./ Sarstedt, M./ Cheah, J.H./ & Ringle, C.M.: A Concept Analysis of Methodological Research on Composite-based Structural Equation Modeling: Bridging PLSPM and GSCA, Behaviormetrika, Volume 47 (2020), pp. 219–241.

PLS-SEM in HRM: Ringle, C.M./ Sarstedt, M./ Mitchell, R./ Gudergan, S.P.: Partial Least Squares Structural Equation Modeling in HRM Research, The International Journal of Human Resource Management, Volume 31 (2020), Issue 12, pp. 1617-1643.

Common factor issue: Rigdon, E.E., Becker, J.-M./ Sarstedt, M.: Factor Indeterminacy as Metrological Uncertainty: Implications for Advancing Psychological Measurement, Multivariate Behavioral Research, Volume 54 (2019), Issue 3, 429-443.

PLS-SEM software review: Sarstedt, M./ Cheah, J.-H.: Partial Least Squares Structural Equation Modeling Using SmartPLS: A Software Review, Journal of Marketing Analytics, Volume 7 (2019), Issue 3, pp 196–202.

Higher-order models: Sarstedt, M./ Hair, J.F./ Cheah, J.-H./ Becker, J.-M./ Ringle, C.M.: How to Specify, Estimate, and Validate Higher-order Constructs in PLS-SEM, Australasian Marketing Journal, Volume 27 (2019), Issue 3, pp. 197-211.

How to use PLSpredict?! Shmueli, G./ Sarstedt, M./ Hair, J.F./ Cheah, J.-H./ Ting, H./ Vaithilingam, S./ Ringle, C.M.: Predictive Model Assessment in PLS-SEM: Guidelines for Using PLSpredict, European Journal of Marketing, Volume 53 (2019), Issue 11, pp. 2322-2347.

PLS-SEM research networks: Khan, G.F./ Sarstedt, M./ Shiau, W.L., Hair, J.F./ Ringle, C.M./ Fritze, M.P.: Methodological Research on Partial Least Squares Structural Equation Modeling (PLS-SEM): An Analysis Based on Social Network Approaches, Internet Research, Volume 29 (2019), Issue 3, pp. 407-429.

Some rethinking of the PLS-SEM rethinking: Hair, J.F. / Sarstedt, M. / Ringle, C.M.: Rethinking Some of the Rethinking of Partial Least Squares, European Journal of Marketing, Volume 53, Issue 4, pp. 566-584.

More on predictive model selection: Sharma, P.N./ Shmueli, G./ Sarstedt, M./ Thiele, K.O.: PLS-based Model Selection: The Role of Alternative Explanations in MIS Research, Journal of the Association for Information Systems, Volume 20 (2019), Issue 4, pp. 346-397.

PLS-SEM in marketing: Ahrholdt, D.C./ Gudergan, S./ Ringle, C.M.: Enhancing Loyalty: When Improving Consumer Satisfaction and Delight Matters, Journal of Business Research, Volume 94 (2019), Issue 1, pp. -27.

PLS-SEM in environmental management: Kotilainen, K./ Saari, U.A./ Mäkinen, S.J./ Ringle, C.M. Exploring the Microfoundations of End-user Interests Toward Co-creating Renewable Energy Technology Innovations, Journal of Cleaner Production, Volume 229 (2019), pp. 203-212.

Something for PLS-SEM haters: Petter, S.: Haters Gonna Hate”: PLS and Information Systems Research, ACM SIGMIS Database: the DATABASE for Advances in Information Systems, Volume 49, Issue 2, Haters Gonna Hate”: PLS and Information Systems Research, May 20.

Data from Experiments and PLS-SEM: Hair, J.F./ Ringle, C.M./ Gudergan, S.P./ Fischer, A./ Nitzl, C./ Menictas, C.: Partial Least Squares Structural Equation Modeling-based Discrete Choice Modeling: An Illustration in Modeling Retailer Choice, Business Research (20).

Convergent valdity: Cheah, J.-H./ Sarstedt, M./ Ringle, C. M./ Ramayah, T./ Ting, H.: Convergent Validity Assessment of Formatively Measured Constructs in PLS-SEM: On Using Single-item versus Multi-item Measures in Redundancy Analyses, International Journal of Contemporary Hospitality Management, Volume 30 (20), Issue 11, pp. 3192-3210.

Patient satisfaction: Rosenbusch, J./ Ismail, I.R./ Ringle, C.M.: The Agony of Choice for Medical Tourists: A Patient Satisfaction Index Model, Journal of Hospitality and Tourism Technology, Volume 9 (20), Issue 3, pp. 267-279.

Endogeneity in PLS-SEM: Hult, G.T.M./ Hair, J.F./ Proksch, D./ Sarstedt, M./ Pinkwart, A./ Ringle, C.M.: Addressing Endogeneity in International Marketing Applications of Partial Least Squares Structural Equation Modeling, Journal of International Marketing, Volume 26 (20), Issue 3, pp. 1-21.

Moderation: Becker, J.-M./ Ringle, C.M./ Sarstedt, M.: Estimating Moderating Effects in PLS-SEM and PLSc-SEM: Interaction Term Generation x Data Treatment, Journal of Applied Structural Equation Modeling, Volume 2 (20), Issue 2, pp. 1-21.

PLS-SEM in hospitality research: Ali, F./ Rasoolmanesh, S.M./ Sarstedt, M./ Ringle, C.M./ Ryu, K.: An Assessment of the Use of Partial Least Squares Structural Equation Modeling (PLS-SEM) in Hospitality Research, The International Journal of Contemporary Hospitality Management, Volume 30 (20), Issue 1, pp. 514-538.

PLS-SEM in finance: Avan, N.K./ Ringle, C.M. (20): Partial Least Squares Structural Equation Modeling: Recent Advances in Banking and Finance. Berlin: Springer.

Handbook article on PLS-SEM: Sarstedt, M./ Ringle, C.M./ Hair, J.F. (2017): Partial Least Squares Structural Equation Modeling. In Homburg, C., Klarmann, M., and Vomberg, A. (Eds.), Handbook of Market Research. Heidelberg: Springer, 1-40.

Mediation: Cepeda Carrión, G./ Nitzl, C./ Roldán, J.L. (2017): Mediation Analyses in Partial Least Squares Structural Equation Modeling: Guidelines and Empirical Examples. In H. Latan & R. Noonan (Eds.), Partial Least Squares Path Modeling: Basic Concepts, Methodological Issues and Applications. Cham: Springer, pp. 173-195.

Segmentation: Sarstedt, M./ Ringle, C.M./ Hair, J.F. (2017): Treating Unobserved Heterogeneity in PLS-SEM: A Multi-method Approach. In H. Latan & R. Noonan (Eds.), Partial Least Squares Path Modeling: Basic Concepts, Methodological Issues and Applications. Cham: Springer, pp. 197-217.

 CB-SEM and PLS-SEM: Rigdon/ E. E./ Sarstedt, M./ Ringle, C. M. (2017). On Comparing Results from CB-SEM and PLS-SEM. Five Perspectives and Five Recommendations. Marketing ZFP, 39(3), 4-16.

PLS-SEM performance: Hair, J.F./ Hult, G.T.M./ Ringle, C.M./ Sarstedt, M./ Thiele, K.O. Mirror, Mirror on the Wall: A Comparative Evaluation of Composite-based Structural Equation Modeling Methods, Journal of the Academy of Marketing Science, Volume 45 (2017), Issue 5, 616-632.

Prediction: Shmueli, G./ Ray, S./ Velasquez Estrada, J.M./ Chatla, S.B. The Elephant in the Room: Evaluating the Predictive Performance of PLS Models, Journal of Business Research, Volume 69 (2016), Issue 10, pp. 4552–4564.

PLS-SEM: Richter, N.F./ Cepeda Carrión, G./ Roldán, J.L./ Ringle C.M.: European Management Research Using Partial Least Squares Structural Equation Modeling (PLS-SEM): Editorial, European Management Journal, Volume 34 (2016), Issue 6, pp. 589-97.

CB-SEM and PLS-SEM: Sarstedt, M./ Hair, J.F./ Ringle, C.M./ Thiele, K.O./ Gudergan, S.P. Estimation Issues with PLS and CBSEM: Where the Bias Lies!, Journal of Business Research, 69 (2016), Issue 10, pp. 3998-4010.

Mediation: Nitzl, C./ Roldán, J.L./ Cepeda Carrión, G.: Mediation Analysis in Partial Least Squares Path Modeling: Helping Researchers Discuss More Sophisticated Models, Industrial Management & Data Systems, Volume 119 (2016), Issue 9, pp. 49-64.

Importance-performance map (IPMA): Ringle, C.M./ Sarstedt, M.: Gain More Insight from Your PLS-SEM Results: The Importance-Performance Map Analysis, Industrial Management & Data Systems, Volume 119 (2016), Issue 9, 65-86.

Measurement invariance: Henseler, J./ Ringle, C.M./ Sarstedt, M.: Testing Measurement Invariance of Composites Using Partial Least Squares, International Marketing Review, Volume 33 (2016), Issue 3, pp. 405-431.

Weigthed PLS: Becker, J.-M./ Ismail, I. R. Accounting for Sampling Weights in PLS Path Modeling: Simulations and Empirical Examples, European Management Journal, Volume 34 (2016), Issue 6, pp. 606-617.

FIMIX-PLS segmentation: Hair, J.F./ Sarstedt, M./ Matthews, L./ Ringle, C.M.: Identifying and Treating Unobserved Heterogeneity with FIMIX-PLS: Part I – Method, European Business Review, Volume 28 (2016), Issue 1, pp. 63-76.

FIMIX-PLS tutorial: Matthews, L./ Sarstedt, M./ Hair, J.F./ Ringle, C.M.: Identifying and Treating Unobserved Heterogeneity with FIMIX-PLS: Part II – A Case Study, European Business Review, Volume 28 (2016), Issue 2, pp. 208-224.

Dynamic PLS: Schubring, S./ Lorscheid, I./ Meyer, M./ Ringle, C.M.: The PLS Agent: Predictive Modeling with PLS-SEM and Agent-based Simulation, Journal of Business Research, Volume 69 (2016), Issue 10, pp. 4604–4612.

Weighted regression segmentation: Schlittgen, R./ Ringle, C.M./ Sarstedt, M./ Becker, J.-M.: Segmentation of PLS Path Models by Iterative Reweighted Regressions, Journal of Business Research, Volume 69 (2016), Issue 10, pp. 4583–4592.

 HTMT: Henseler, J./ Sarstedt, M./ Ringle, C.M. A New Criterion for Assessing Discriminant Validity in Variance-Based Structural Equation Modeling. Journal of the Academy of Marketing Science, Volume 43 (2015), Issue 1, pp. 115-135.

Uncovering heterogeneity and prediction-oriented segmentation: Becker, J.-M./ Rai, A./ Ringle, C.M./ Völckner, F. Discovering Unobserved Heterogeneity in Structural Equation Models to Avert Validity Threats, MIS Quarterly, Volume 37 (2013), Issue 3, pp. 665-694.

The future of PLS-SEM! Sarstedt, M./ Ringle, C.M./ Henseler, J./ Hair, J.F. On the Emancipation of PLS-SEM: A Commentary on Rigdon (2012), Long Range Planning, 47 (2014), Issue 3, pp. 154-160.

Creating myths when chasing myths! Rigdon, E.E./ Becker, J.-M./ Rai, A./ Ringle, C.M./ Diamantopoulos, A./ Karahanna, E./ Straub, D.W./ Dijkstra, T.K. Conflating Antecedents and Formative Indicators: A Comment on Aguirre-Urreta and Marakas, Information Systems Research, Volume 25 (2014), Issue 4, pp. 780-784.

The silver bullet! Hair, J.F./ Ringle, C.M./ Sarstedt, M. PLS-SEM: Indeed a Silver Bullet, Journal of Marketing Theory and Practice, 19 (2011), Issue 2, pp. 139-152.

منبع: محسن مرادی و آیدا میرالماسی

آکادمی تحلیل آماری ایران https://analysisacademy.com/

در این آموزش فرض بر اینه که Amos روی رایانه شما نصب شده است. اگر هنوز نرم افزار Amos را نصب نکردید، نرم افزار را نصب کنید و حتما مراحل را یک بار خودتان در نرم افزار انجام دهید. همچنین،  تصور بر این هست که شما تجربه اساسی استفاده از برنامه های ویندوز را دارید. بدین معنی که شما می دانید که چگونه یک مورد را از منو انتخاب کنید، چگونه نشانگر ماوس را حرکت دهید، ماوس را کلیک کنید و دوبار کلیک کنید و …

پیش نیازها :

1-نصب نرم افزار Amos روی سیستم ویندوز

2-آشنایی با محیط ویندوز و کار با منوهای نرم افزاری

با مطالعه مطلب آموزش Amos می توانید :

1- با نرم افزار Amos به طور کامل آشنا شوید.

2- تحلیل آماری پایان نامه و یا مقاله تان را انجام دهید.

3- راه حل اشکالات و خطاهایی که در هنگام استفاده از نرم افزار اموس مشاهده می کنید؛ برطرف نمایید.

و …

پیش فرض های نرم افزار Amos

همونطور که میدونیم مهم ترین پیش فرض های انجام معادلات ساختاری در نرم افزار Amos به شرح زیر است :

1. مناسب بودن تعداد نمونه ها
2. رابطه خطی بین متغیرها
3. عدم وجود کوواریانس با مقدار صفر در بین متغیرها
4. عدم وجود همخطی بین متغیرها
5. دیتاها بایستی از نوع فاصله ای باشند.
6. نرمال بودن توزیع داده ها (گارسون، 2009)

آموزش رسم مدل معادلات ساختاری در نرم افزار Amos

آموزش رسم مدل در نرم افزار اموس

فرض کنید می خواهیم مدل معادلات ساختاری زیر را در نرم افزار Amos رسم کنیم :

اولش لازمه که بدونیم هر متغیر چندتا گویه یا زیر مقیاس داره که این اطلاعات رو این پایین آوردم

گویه ها و زیر شاخص های متغیرها جهت رسم در نرم افزار Amos به شرح زیر است :

• زیر مقیاس های متغیر شدت یائسگی شامل : نشانه های جسمانی، نشانه های روانی و نشانه های ادراری
• زیر مقیاس های متغیر افکار اتوماتیک شامل : افکار سوء استفاده، بدنی، فقدان، ، انفعال، شکست
• زیر مقیاس های متغیر طرحواره ها شامل : نا مطلوبیت و طرد شدگی، بی کفایتی، خود ارزشمندی، تنهایی و درماندگی
• زیر مقیاس های متغیر عملکرد جنسی شامل : میل، تحریک، رطوبت، ارگاسم، رضایت و درد

برای رسم مدل معادلات ساختاری یاد شده مثل شکل زیر از طریق گزینه نشان داده شده تک تک متغیرهای تحقیق را رسم می کنیم. در این شکل با توجه به این که متغیر عملکرد جنسی دارای 6 زیر مقیاس است پس از انتخاب دکمه (Draw a latent variable) 6 بار بر روی صفحه سفید رنگ کلیک چپ می کنیم (تا بتونیم زیر مقیاس های مربوطه را بعدا جایگزین کنیم. در واقع الان داریم قالب متغیرها و زیر شاخص ها رو درست می کنیم.)

نحوه رسم متغیر پنهان به همراه متغیرهای آشکار

آموزش تصویری اموس (Amos)

مانند تصویر بالا تمام متغیرها را رسم می کنیم. برای این که جهت متغیرها رو تغییر بدیم می تونیم از دکمه (Rotate the indicators) استفاده کنیم. همچنین برای جا به جایی متغیرها می تونیم از دکمه (Move Objects) استفاده کنیم :

البته بهتره که برای جا به جایی متغیر پنهان با گویه های مربوط به خودش، دکمه (Preserve) را فعال کنیم تا با همدیگه قابلیت جا به جا شدن را داشته باشند. حالا وقتشه که اسم متغیرها رو مشخص کنیم. برای اینکار بایستی بر روی متغیر مورد نظر کلیک راست کرده و از منوی باز شده، گزینه (Object properties) را انتخاب کنیم. حال از طریق پنجره باز شده در کادر (Variable name)، به شرح زیر نامگذاری متغیرها رو انجام میدیم.

توجه داشته باشید که در کادر (Variable name) امکان درج حروف فارسی وجود ندارد. برای نامگذاری فارسی بایستی از کادر (Variable label) استفاده کنیم. این کار را برای تمام متغیرها انجام می دهیم. در ادامه با استفاده از دکمه (draw paths) جهت فلش ها را مشخص می نماییم.

پس از رسم پیکان ها در Amos می توان از طریق دکمه (Touch up a variable) (یا همون چوب جادویی خودمون) فلش های رسم شده را مرتب کرد. توجه داشته باشید که هنوز کار رسم مدل تموم نشده، مثل شکل زیر بایستی برای متغیرهایی که بهشون فلش وارد شده ارور بار تعریف کنیم. این کار رو با استفاده از دکمه (add a unique variable) انجام میدیم.

در حال حاضر رسم مدل نهایی شده و کافیه که زیر مقیاس ها و یا گویه های مربوطه رو برای هر شاخص تعریف کنیم. برای این کار لازمه که ابتدا دیتاهای مورد نظر را به نرم افزار معرفی کنیم.

نحوه ورود دیتا به نرم افزار Amos

نحوه ورود داده در نرم افزار اموس

• در مرحله اول برای ورود دیتا بر روی گزینه (Select data file) همانطور که در شکل زیر نشان داده شده است کلیک کنید.
• در پنجره باز شده بر روی گزینه (File name) کلیک کنید.
• در پنجره جدید فایل دیتا مورد نظر با فرمت مخصوص SPSS (sav) را پیدا کرده و آن را انتخاب کنید.

پس از انتخاب دیتای مورد نظر با فرمت گفته شده بر روی گزینه OK کلیک می کنیم. تا به صفحه اصلی نرم افزار AMOS برگردیم.

حال بر روی گزینه List Variables in Data set کلیک کرده و متغیرهای مورد نیاز را سر جای خود جایگذاری می نماییم.

پس از این که تمامی متغیرها را در جای خود قرار دادیم. لازم است متغیرهای مربوط به خطاها نام گذاری شوند.

برای نام گذاری خودکار متغیرها از طریق منوی Plugins گزینه Name Unobserved Variables را انتخاب می کنیم. با انتخاب این گزینه متغیرهای بدون اسم، نام گذاری می شوند.

در شکل زیر مدل معادلات ساختاری مورد نظر پس از نام گذاری نهایی، ملاحظه می شود.

توجه داشته باشید که پس از قرار دادن متغیرهای موجود در داده ها در جای خود، به دلیل زیاد بودن طول نوشته متغیرها، از مخفف آنها در مدل استفاده کردیم. (ظاهر مدل با توجه به این که نوشته ها از کادرشون بیرون می زنند خراب میشه. البته می تونیم اندازه مستطیل و دایره ها را بزرگتر کنیم. اما بهتره که همیشه از مخفف متغیرها استفاده کنیم).

حال همه چیز آماده برای اجرای مدل و برآورد پارامترها می باشد.

منبع: موسسه آماری کوکرانا 

پایایی ترکیبی با استفاده از فرمولی که توسط یورسکاگ ارائه شده نیز قابل محاسبه است. ضریب Rho نیز برای سنجش پایایی درونی سازه‌ها است. همچنان که چین (۱۹۹۸) معتقد است ضریب Rho نسبت به آلفای کرونباخ از اطمینان بیشتری برخوردار است. به ضریب Rho گاهی ضریب دایلون-گولداشتین Dillon-Goldstein نیز گفته می‌شود. مقدار این ضریب باید بیش از ۰/۷ باشد. در نسخه شماره سه از نرم افزار Smart PLS این مقدار گزارش می‌شود.

منبع: کتاب مدلسازی معادلات ساختاری، نوشته آرش حبیبی، 1397