دوره آموزش اسمارت پی ال اس (SmartPLS)

توضیحات

در دوره جامع و صفر تا صد آموزش اسمارت پی ال اس (SmartPLS) همراه من باشید تا به صورت کامل مدل معادلات ساختاری و تحلیل داده ها را در نرم‌ افزار SmartPLS بیاموزید. من در دوره آموزش تحلیل آماری با SmartPLS سعی کرده ام جامع ترین آموزش تحلیل آماری و مدل سازی با SmartPLS در ایران را آموزش بدهم. برای مشاهده نمونه تدریس ها و فضای تدریس دوره ویدیوی زیر را مشاهده نمایید:

ابتدا نگاهی به نحوه ارایه دوره و بخش هایی از تدریس دوره SmartPLS بیاندازیم:

فصل های دوره آموزشی اسمارت پی ال اس

1. فصل اول: مقدمه و مباحث نظری SmartPLS :

2. فصل دوم: وارد کردن دیتا در spss و اکسل :

3. فصل سوم : آموزش آمار توصیفی در SPSS :

فصل پیش نیاز: دستکاری داده ها:

4. فصل چهارم : شروع مدل سازی و رگرسیون با PSL :

5. فصل پنجم: تحلیل عاملی اکتشافی با SPSS و R :

6.فصل ششم: تحلیل عاملی تاییدی با SMART PLS

7. فصل هفتم: مدل عمومی معادلات ساختاری

8. فصل هشتم: بررسی پایایی در SPSS و R و PLS

9. فصل نهم: بررسی روایی در مدل معادلات ساختاری

10. فصل دهم: مدل انعکاسی (مدل Reflective در SMART PLS)

11. فصل یازدهم: مدل تکوینی و ترکیبی (مدل Formative در SMART PLS)

12.فصل دوازدهم: مدل ساختاری

13. فصل سیزدهم: بررسی متغیر میانجی در SMART PLS

14. فصل چهاردهم: بررسی متغیر تعدیل کننده در SMART PLS

15.فصل پانزدهم: بررسی متغیر کنترلی

16. فصل شانزدهم : تحلیل چندگروهی (MGA)

17. فصل هفدهم: مدل میانجی-تعدیل کننده در PLS

آموزش روش تحلیل آماری smart pls

مهم است که یک پوشه Workspace را انتخاب کنید که به راحتی در دسترس شما باشد، زیرا هر زمان که می خواهید روی یک پروژه SmartPLS کار کنید باید به آن دسترسی داشته باشید. پوشه Workspace می تواند در هارد دیسک محلی شما قرار داشته باشد یا می تواند پوشه ای در درایو ابری (مانند Google Drive یا Dropbox) باشد.

اگر می خواهید از چندین دستگاه یا مکان به پروژه های خود دسترسی داشته باشید، این می تواند مفید باشد. همچنین دوره شامل کتاب آموزشی به صورت pdf نیز می باشد.

بهترین دوره آموزش اسمارت پی ال اس (SmartPLS)

در بسیاری از پروژه های آماری، محقق نیاز دارد یک مدل آماری را ترسیم کند. مثلا زمانی که شما یک متغیر تعدیل کننده یا میانجی دارید باید با استفاده از یک نرم افزار مدل سازی آماری ، این بررسی را انجام بدید. به نظر من بهترین و راحت ترین نرم افزار مدل معادلات ساختاری ، نرم افزار SmartPLS است. خصوصا این نرم افزار در ورژن 4 خود نشان داده که می تواند به جای همه نرم افزارهای دیگر فقط از SmartPLS استفاده شود.  من در این دوره سعی کردم کامل ترین و با کیفیت ترین تدریس SmartPLS در کشورمان ایران را ارایه دهم و خوش حال می شوم در این مسیر همراه هم باشیم.

مدل مسیر PLS

اولین فایل PLS-SEM خود را ایجاد کنید برای ایجاد اولین مدل مسیر PLS خود، این مراحل را دنبال کنید:

• پروژه خود را در لیست پروژه انتخاب کنید.
• روی PLS-SEM در نوار ابزار اصلی کلیک کنید. گفتگوی زیر باز خواهد شد.
• در این گفتگو، یک نام برای فایل مدل خود وارد کنید (به عنوان مثال، اولین مدل SmartPLS من) و سپس دکمه ذخیره را فشار دهید.
• سپس ویرایشگر Model باز می شود و به شما امکان می دهد کار با مدل جدید خود را شروع کنید.
• مدل مسیر PLS را رسم کنید
• برای ایجاد ساختار، نشانگرها را بکشید و رها کنید

برای ایجاد ساختار در مدل:

• نشانگرها را در لیست Indicators در سمت چپ انتخاب کنید
• این نشانگرها را روی بوم Modeling در سمت راست بکشید و رها کنید
• یک فیلد متنی ظاهر می شود که به شما امکان می دهد ساختار جدید را نامگذاری کنید.
• در صورت نیاز، نام پیشنهادی را اصلاح کنید.
• ENTER را روی صفحه کلید خود فشار دهید.

شما گزینه های مختلفی برای تراز کردن شاخص ها و سازه های خود در بوم مدلسازی دارید:

• عناصر را به اطراف بکشید
• عناصر را انتخاب کنید و از اقدامات تراز در نوار ابزار سمت راست استفاده کنید.
• روی یک ساختار کلیک راست کنید تا منویی با اقدامات اضافی باز شود، مانند قابلیت Align نشانگرها.
• با فشار دادن ALT + SHIFT، روی یک ساختار کلیک کنید و سپس به بالا، چپ، پایین یا راست بکشید تا نشانگرها تراز شوند.
• برای باز کردن یک دیالوگ با تنظیمات بیشتر، روی یک ساختار دوبار کلیک کنید.

ساختارها را به هم متصل کنید: برای ایجاد روابط بین ساختارهای خود در مدل:

• ابزار Connect را در نوار ابزار اصلی انتخاب کنید
• با دکمه سمت چپ ماوس روی ساختار شروع کلیک کنید.
• به ساختار هدف حرکت کنید.
• دکمه سمت چپ ماوس را رها کنید.
• این یک رابطه با یک فلش از ساختار شروع به سازه هدف ایجاد می کند.

پس از ایجاد مدل خود، نوبت به تخمین نتایج با استفاده از الگوریتم مدل سازی معادلات ساختاری حداقل مربعات جزئی (PLS-SEM) می رسد:

• روی دکمه محاسبه در نوار ابزار اصلی کلیک کنید.
• لیستی از الگوریتم های موجود در نرم افزار ظاهر می شود که از بین آن ها باید گزینه PLS-SEM algorithm را انتخاب کنید.
• گفتگوی الگوریتم باز می شود و به شما امکان می دهد پارامترهای خاصی را تنظیم کنید.
• برای شروع فقط تنظیمات پیش فرض را بدون تغییر رها کنید.
• مطمئن شوید که چک باکس Open Report علامت زده شده باشد
• روی شروع محاسبه کلیک کنید
• پس از انجام محاسبات، نمای نتایج به طور خودکار باز می شود.

مدل سازی با نرم افزار پی ال اس

در این بخش آموزش هایی در زمینه نرم افزار اسمارت پی ال اس برای شما قرار داده ام:

اجرای مدل انعکاسی در اسمارت پی ال اس

تعدادی از مقالات تحقیقاتی و رساله های دکتری نیاز به این دارند که مدل ها دارای سطح پیچیدگی بیشتری باشند. از این رو، محققان اغلب سعی می کنند مدل هایی با ساختارهای مرتبه بالاتر متعدد در یک مدل توسعه دهند. این مدل ها ممکن است ساختارهای بازتابی، بازتابی-تشکیل دهنده و مرتبه پایین تر در یک مدل واحد داشته باشند. ساخت چنین مدل هایی می تواند پیچیده باشد.

بررسی متغیر تعدیل کننده در اسمارت پی ال اس

متغیر تعدیل کننده شرایطی را توصیف می کند که در آن رابطه بین دو سازه ثابت نیست، بلکه به مقادیر متغیر سوم بستگی دارد که به آن متغیر تعدیل کننده می گویند. متغیر تعدیل کننده (یا سازه) قدرت یا حتی جهت رابطه بین دو سازه را در یک مدل تغییر می دهد.

بررسی اعتبار در مدل سازی آماری

• معیار فورنل و لارکر
• Heterotrait Monotrait Ratio
• بار متقاطع
• معیار فورنل و لارکر

فورنل و لارکر (1981) متریک سنتی را پیشنهاد کردند و پیشنهاد کردند که ریشه مربع ، میانگین واریانس استخراج شده هر سازه باید با همبستگی بین سازه (به عنوان معیار واریانس مشترک بین سازه ها) همان سازه و سایر سازه ها مقایسه شود. سازه های اندازه گیری بازتابی در مدل ساختاری-واریانس مشترک بین تمام سازه های مدل نباید بزرگتر از میانگین واریانس استخراج شده آنها باشد. از این رو، یک جذر بالاتر میانگین واریانس استخراج شده یک سازه در مقایسه با همبستگی آن سازه با تمام سازه‌های دیگر در مطالعه، اعتبار متمایز را ایجاد می‌کند.

تحلیل داده ها با اسمارت پی ال اس

اسمارت پی ال اس نرم افزاری با رابط کاربری گرافیکی برای مدل سازی معادلات ساختاری مبتنی بر واریانس با استفاده از روش مدل سازی مسیر حداقل مربعات جزئی است. به طور فزاینده ای تعدادی از محققین و دانشگاهیان از اسمارت پی ال اس برای تجزیه و تحلیل داده ها در مطالعات تحقیقاتی خود استفاده می کنند. در معادلات ساختاری، یک مدل برای کیفیت معیارها (مدل اندازه‌گیری) و بعد برای رابطه متقابل بین متغیرها آزمایش می‌شود.

مدل اندازه گیری در اسمارت پی ال اس

اگر داده ها را جمع آوری کرده اید و می خواهید تجزیه و تحلیل داده ها را با استفاده از اسمارت پی ال اس شروع کنید. این آموزش می تواند به رفع هرگونه سردرگمی کمک کند. هنگامی که یک محقق داده ها را جمع آوری کرد و قصد استفاده از ابزارهای مبتنی بر مدل سازی معادلات ساختاری را داشت.

مدل سازی معادلات ساختاری با پی ال اس

بارهای شاخص، همبستگی های دو متغیره بین یک سازه و شاخص ها هستند. آن ها سهم مطلق یک مورد را در ساختار اختصاص داده شده آن تعیین می کنند. بارگذاری‌ها در ارزیابی مدل‌های اندازه‌گیری بازتابی مورد توجه اولیه هستند، اما زمانی که معیارهای شکل‌دهنده درگیر هستند، تفسیر می‌شوند. به آنها بارهای بیرونی نیز گفته می شود. مقدار بارگذاری توصیه شده 0.70 است.

تحلیل متغیر میانجی با اسمارت پی ال اس

تاثیر میانجی زمانی اتفاق می‌افتد که یک سازه، که به آن سازه میانجی گفته می‌شود، بین دو سازه مرتبط دیگر مداخله کند. به طور دقیق تر، تغییر در ساختار برون زا باعث تغییر در ساختار واسطه می شود که به نوبه خود منجر به تغییر در ساختار درون زا در مدل مسیر اسمارت پی ال اس می شود. هنگامی که چنین تأثیری وجود دارد، میانجیگری می‌تواند یک تحلیل آماری مفید باشد، اگر توسط نظریه پشتیبانی شود و به درستی انجام شود.

روایی تشخیصی با اسمارت پی ال اس

روایی تمایز به میزانی اشاره دارد که یک آزمون با آزمون های دیگری که سازه های مختلف را اندازه گیری می کنند، مرتبط نیست. در اینجا، یک سازه یک رفتار، نگرش یا مفهوم است، به ویژه آنچه که مستقیماً قابل مشاهده نیست.

سازه تکوینی با اسمارت پی ال اس

در مورد مدل های تکوینی، تغییر در شاخص ها منجر به تغییر در سازه مورد مطالعه می شود. عملاً همه مقیاس‌ها در تجارت و متون روش‌شناختی مرتبط در توسعه مقیاس از یک رویکرد بازتابی برای اندازه‌ گیری استفاده می‌کنند.

بار عاملی در اسمارت پی ال اس

بار عاملی نشان می دهد که یک آیتم تا چه اندازه ساختار زیربنایی را نشان می دهد. به طور معمول، بار عامل بیش از 0.70 توصیه می شود (وینزی، چین، هنسلر، و وانگ، 2010).

متغیرهای کیفی در اسمارت پی ال اس

گاهی ممکن است محقق(ها) نیاز داشته باشند که متغیرهای پیش بینی کننده طبقه بندی را در مدل خود بگنجانند. توجه به این نکته ضروری است که متغیرهای طبقه‌بندی را نمی‌توان مستقیماً به مدل اضافه کرد. از آن جایی که دسته ها با اعداد نشان داده می شوند و افزایش یا کاهش اعداد نشان دهنده افزایش یا کاهش در متغیر درون زا نیست، دسته بندی های موجود در متغیر باید تبدیل شوند.

تحلیل نتایج اسمارت پی ال اس (SmartPLS)

نتایج را تجزیه و تحلیل کنید:

1. می توانید گزارش را برای استفاده بعدی در پروژه خود ذخیره کنید یا آن را به اکسل یا HTML برای اشتراک گذاری با دیگران اشتراک گذاری کنید.
2. برای بازگشت به نمای مدل، روی دکمه Edit کلیک کنید.
3. روی دکمه محاسبه در نوار ابزار اصلی کلیک کنید.
4. گزینه Bootstrapping را انتخاب کنید، در صورت نیاز تنظیمات را انجام دهید و روی Start Calculation کلیک کنید.
5. گزارش نتیجه بوت استرپینگ باز می شود و تمام اطلاعات لازم برای انجام آزمایش اهمیت مبتنی بر بوت استرپینگ در نتایج PLS-SEM شما را ارائه می دهد.

آموزش ایجاد پروژه جدید در SmartPLS

برای ایجاد یک پروژه جدید در SmartPLS، مراحل زیر را دنبال کنید:

• از منوی اصلی، Files و سپس New project را انتخاب کنید. همچنین می‌توانید روی دکمه پروژه جدید در نوار ابزار کلیک کنید.
• یک کادر محاوره ای باز می شود که به شما امکان می دهد پروژه جدید خود را نامگذاری کنید. نامی توصیفی و معنی دار مانند تحلیل رگرسیون من اولین انتخاب کنید.
• روی Create کلیک کنید. اکنون پروژه جدید در اکسپلورر Workspace در سمت چپ ظاهر می شود.

وارد کردن داده در SmartPLS

برای وارد کردن اولین مجموعه داده خود:

1. پروژه خود را در لیست پروژه انتخاب کنید. یا اگر ندارید باید از نرم افزار SPSS دیتا را خروجی بگیرید.
2. Files > Import Data File را از منوی اصلی اجرا کنید.
3. به پوشه Downloads خود بروید و فایل corporate_reputation_data.csv را انتخاب کنید
4. گفتگوی زیر باز خواهد شد
5. SmartPLS می تواند داده ها را در قالب های مختلف از جمله فایل های EXCEL، SPSS، TXT و CSV وارد کند.
6. مقادیر از دست رفته را شناسایی کنید: اگر مجموعه داده خام شما حاوی مقادیر گم شده ای است که با یک مقدار خاص مشخص می شوند (به عنوان مثال، 99- یا 9999-)، باید این را در بخش درمان مقدار گمشده مشخص کنید. مقداری را که نشان دهنده داده های از دست رفته را در فیلد متنی ارائه شده وارد کنید و روی دکمه اعمال نشانگر کلیک کنید. سپس بخش درمان ارزش از دست رفته تعداد کل مقادیر از دست رفته در مجموعه داده شما را نیز نمایش می دهد.
7. بررسی دقیق بودن مقیاس متغیرهای شما (متریک، ترتیبی، طبقه‌بندی یا باینری) و بررسی مقادیر حداقل و حداکثر ضروری است. اگر حداقل مقدار مقیاس شما 1 است و هیچ مشاهده ای در آن سطح وجود ندارد، باید حداقل را مطابق با آن تنظیم کنید.

مدلسازی معادلات ساختاری حداقل مربعات جزئی (PLS-SEM)