‫توضیحات و مسیر بدست آوردن‬ ‫مقدار مجاز‬ ‫معیار‬ ‫نوع مدل‬

‫‪PLS algoritm->over view‬‬ ‫بزرگتر از ‪0.7‬‬ ‫آلفای کرونباخ‬

‫مدل اندازه گیری‬

‫‪PLS algoritm->over view‬‬ ‫بزرگتر از ‪0.7‬‬ ‫پایایی ترکیبی‬

‫‪PLS algoritm->over view‬‬ ‫بزرگتر از ‪0.5‬‬ ‫‪AVE‬‬ ‫روایی همگرا‬
‫‪PLS algoritm-> Latent variable‬‬ ‫روش فورنل و الرکر (توضیح پایین صفحه)‬ ‫روایی واگرا‬
‫‪PLS algoritm-> Cross loading‬‬ ‫و ماتریس بارهای عاملی متقابل‬

‫‪2‬‬
‫‪PLS algoritm‬‬ ‫بزرگتر از ‪0.33‬‬ ‫معیار ‪R2‬‬
‫مدل ساختاری‬

‫‪3‬‬
‫توضیحات مکمل پایین صفحه‬ ‫بزرگتر از ‪0.15‬‬ ‫معیار ‪F2‬‬
‫‪Blindfolding-> construct crossvalidated Re‬‬ ‫بزرگتر از ‪0.15‬‬ ‫معیار ‪Q2‬‬
‫مقدار ‪communality×R2‬‬ ‫هرچه بیشتر‬ ‫معیار ‪Redundancy‬‬
‫‪4‬‬
‫فرمول بدست آوردن پایین صفحه‬ ‫باالی ‪0.25‬‬ ‫معیار ‪GOF‬‬ ‫مدل کلی‬

‫روایی همگرا با معیار ‪ :AVE‬میانگین واریانسهای به اشتراک گذاشته شده بین هر سازه با شاخصهای خودش است و درواقع میزان همبستگی یک سازه با‬
‫شاخصهای خودش می باشد‪.‬‬
‫روایی واگرا به دو روش قابل محاسبه می باشد‪ :‬الف) مقایسه میزان همبستگی شاخصهای یک سازه با آن ساز ئر مقابل همبستگی آن شاخصها با سازه های‬
‫دیگر (ماتریس بارهای عاملی متقابل )‪ .‬ب) مقایسه میزان همبستگی یک سازه با شاخصهایش در مقابل همبستگی آن سازه با سازه های دیگر (روش فورنل و‬
‫الرکر)‪.‬‬

‫روش فورنل و الرکر‪ :‬برای بدست آوردن ماتریس فورنل و الرکر به جای مقادیر ‪ 1‬قطر اصلی‪ ،‬جذر‪ ave‬را قرار دهید‪ .‬مقدار مجذور ‪ ave‬یک سازه باید از مقدار‬
‫همبستگی آن سازه با سازه های دیگر بیشتر باشد‪ .‬و این یعنی آن سازه تعامل بیشتری با شاخصهای های خود دارد تا با سازه های دیگر‪.‬‬

‫‪ :R2‬تاثیری که یک متغیر برونزا بر یک متغیر درونزا می گذارد‪.‬‬

‫‪ :F2‬معیار اندازه تاثیر برای تعیین شدت رابطه های میان سازه های می باشد‪ .‬فرض کنید می خواهیم ‪ F2‬بین متغیر ‪ a‬و ‪ b‬را محاسبه کنیم و ‪ b‬متغیر وابسته ما‬
‫می باشد‪ .‬برای بدست آوردن ‪ F2‬که شدت رابطه میان متغیرها را نشان می دهد باید ابتدا باید مدل را با همه متغیرها اجرا کرد و مقدار ‪ R2‬را محاسبه نمود‪ .‬سپس‬
‫مدل را بدون متغیری که می خواهیم شدت تاثیر آن را محاسبه کنیم که اینجا ‪ a‬است اجرا می کنیم و مجددا ‪ R2‬را محاسبه می کنیم‪ .‬سپس مقادیر را در فرمول زیر‬
‫جاگذاری کرده و مقدار ‪ F2‬را محاسبه می کنیم‪ ’’R2 .‬بعد از حذف متغیر مورد نظر می باشد‪.‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪2‬‬ ‫‪R included−R excluded‬‬
‫= ‪f‬‬ ‫‪2‬‬
‫‪1−Rincluded‬‬

‫‪ :Q2‬قدرت پیش بینی مدل را بیان می کند‪ .‬مدلهایی که دارای برازش بخش ساختاری قابل قبولی هستند باید قابلیت پیش بینی شاخصهای مربوط به سازه های‬
‫درونزا را داشته باشند‪ .‬به عبارتی دیگر اگر روابط به درستی تبیین شده باشند سازه های قادر خواهند بود تا تاثیر کافی بر شاخصهای یکدیگر داشته و‬
‫فرضیات را تایید کنند‪.‬‬
‫‪1‬‬
‫برای ‪ 50‬پرسشنامه ‪ 200‬عدد برای بخش نمونه و برای ‪ 1000 ،500 ،200‬مقدار ‪ 500‬و ‪ 750‬و ‪ 1500‬را وارد کنید‬
‫‪2‬‬
‫بزرگتر از ‪ 0.67‬عالی محسوب می شود‬
‫‪3‬‬
‫بزرگتر از ‪ 0.35‬عالی محسوب می شود‬
‫‪4‬‬
‫بزرگتر از ‪ 0.36‬عالی محسوب می شود‬
 ‫‪ :Redundancy‬تغییر پذیری ی شاخصهای یک سازه درون زا که از یک یا چند سازه برونزا تاثیر می پذیرد‪.‬‬
‫‪ :Gof‬برازش کلی مدل را ارزیابی می کند‪ .‬و از طریق فرمول زیر محاسبه می شود‪.‬‬

‫‪GoF =√ Communalities × R 2‬‬

‫اگه یادتون باشه توکالس درباره یک نوع خاص مدل گفتم که نقطه قوت نرم افزار ‪ spls‬هست اما باید برخی شاخصها به صورت دستی محاسبه بشوند که در ادامه به‬
‫فرمولها پرداختیم‪.‬‬

‫‪2‬‬
‫) جمع بارهای عاملی کلیه شاخص های یک سازه(‬
‫=‪CR‬‬
‫) جمع واریانس خطای کلیه شاخص های یک سازه(‪ )2+‬جمع بارهای عاملی کلیه شاخص های یک سازه (‬
‫‪:‬توجه‪ :‬واریانس خطای شاخص با فرمول زیر محاسبه می گردد‬ ‫پایائی ترکیبی (‬
‫‪)CR‬‬
‫‪ )2‬بار عاملی شاخص (‪=1−‬واریانس خطای شاخص‬

‫میانگین مقادیراشتراکی =‪AVE‬‬ ‫محاسبه ‪AVE‬‬

‫‪ 2‬بار عاملی= مقادیراشتراکی ) ‪( communality‬‬