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 Crossvalidated Communality پنجره زیر که مربوط به خروجی تناسب پیش‌بین می‌شود نمایش داده می‌شود.