การใช้โปรแกรม smart PLS สำหรับการวิจัยด้วยตัวแบบสมการโครงสร้าง · การใช้โปรแกรม

การใชโปรแกรม smart PLS สาหรบการวจยดวยตวแบบสมการโครงสราง

บรรยายในงาน มหกรรมวจยแหงชาต 2562 (Thailand Research Expo 2019)

10 เมษายน 2562 ณ โรงแรมเซนทาราแกรนด เซนทรลเวลด กรงเทพมหานคร

โดย

รองศาสตราจารย ดร.มนตร พรยะกล

ภาควชาสถต คณะวทยาศาสตร มหาวทยาลยรามคาแหง

Email: [email protected] line ID: mpiriyakul

รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 1

mailto:[email protected]

PLS คออะไร

PLS (partial least square) เปนซอฟทแวรทรนชดของสมการถดถอยวนเวยนจนไดรบคาตอบ (convergence) ดวยวธ least square พฒนาอลกอรธมโดย Herman Wold (1982) โปรแกรม Smart PLS พฒนาโดย Christian M. Ringle, Sven Wende, and Alexander Will เวอรชน 2.0 ในป 2005


Smart PLS คออะไร

โปรแกรม smart PLS 3 เปนหนงในหลายโปรแกรมในกลม variance-based SEM ดาวนโหลดมาทดลองใชไดฟรนาน 1 เดอนจาก https://www.smartpls.com/downloads แต smart PLS 2 สามารถดาวนโหลดมาใชไดนาน 3 เดอนและจะตอไลเซนสใหฟร

หมายเหต Variance-based คอสถานการณทเราหาคาประมาณการถดถอยจากการ minimize ∑in ei2

ei2 = (Yi − �Yi)2 โดยท �Yi= �βo+�β1X1+�β2X2 + �β3X3 + ⋯+ �β1X1 + uiทงน∑in ei2 คอ sum square error ถาหารดวย degree of freedom คอ n-(k-1) กคอ variance เรยกวา error variance


โปรแกรม PLS บางสวนPLS-Graph (Chin, 2003),

Visual PLS (Fu, 2006),

SPAD-PLS (Test & Go, 2006),

XLSTAT (Henseler & Dijkstra, 2015),

PLS-GUI (Hubona, 2015),

Warp PLS (Kock, 2015),

Smart PLS (Ringle et al., 2015),

semPLS (Monecke & Heisch, 2012),

plspm (Sanchez, Trinchera and Russolillo, 2015)

LVPLS (Lohm¨oller, 1984),

PLSPath (Sellin, 1989)


PLS algorithm

PLS จะการวนเวยนคานวณดวยวธ least square estimation ซ าจนกวาจะไดรบคาตอบโดยกระทากบสมการถดถอยทมจานวนมากเทากบจานวนสมการโครงสราง (structural model, inner model) และจานวนสมการมาตรวด (measurement model, outer model) รวมกน

1) ประมาณคาสมประสทธถดถอยสมการมาตรวดโดยรนทละบลอก 2) สรางคาของตวแปรแฝงของบลอก คาของ LV ถกสรางขนจาก MV ในบลอกของตนและให

นอรมอลไลซใหม SD =1 3) ประมาณคาสมประสทธเสนทางของสมการโครงสราง 4) พยากรณคาตวแปรแฝงขนมาใหมจากสมการโครงสราง 5) ประมาณคาสมประสทธถดถอยสมการมาตรวดใหมระหวาง LV คาใหมกบ MV เดม6) ทาขอ 2) ถง 5)


Formative-Reflective indicator

MV (manifest variable) หรอ indicator มได 2 แบบคอ formative indicator กบ reflective indicator1. formative indicator ตวชวดจะเปนตวแทนจากทกสวน (domain/dimension/reality/parcel) ของตวแปรแฝงนน ขอถามตองมาจากตางสวนกนของตวแปรแฝง จงไมสมพนธกนและตดทงไมไดเพราะเทากบกบตดโดเมนทงไป ขอทเหลอไมอาจใหสารสนเทศแทนกนได



2. reflective indicator ตวชวดจะเปนตวแทนของตวแปรแฝง เปนตวอยางสวนหนงของตวชวดของแปรแฝงจงมความสมพนธกนสง (co-vary) เพราะวดเรองเดยวกนและสามารถทดแทนกน (interchangeability) ได คอตดทงไปบางขอไดโดยขอทเหลออยซงสมพนธกนกบขอทถกตดทงไป (ทจรงคอสมพนธกบตวแปรแฝง) กสามารถใหสารสนเทศแทนขอทตดทงไปได เรากาหนดวาตวชวดแบบนมความสมพนธทางบวกกบตวแปรแฝง คา loading จงตองเปนปรมาณบวก



ตวอยางเชน มาตรวดความพงพอใจในโรงแรมทพก กรณ reflective indicator จะวดรวมๆ ทวไปหมด เชน ความชอบ ความรสกสะดวกสบาย ความตงใจบอกตอ แตในกรณ formative indicator จะวดแยกเปนโดเมน เชนดานพนกงาน ดานหองพก ดานความสงบ ดานสงบรการเสรมเชนฟตเนส


Research Design

1. Causality ตวแปรแฝงโยงถงกนเปนเครอขายโดยแตละเสนทางมทฤษฎกากบ


Research Design

2. non-recursive model/reciprocal model ตวแปรแฝงโยงถงกนเปนเครอขายโดยทแตละเสนทางมทฤษฎกากากบ บางเสนทางเปนความสมพนธยอนกลบ


Research Design

3. Second order model ตวแปรแฝงโยงถงกนเปนเครอขายโดยแตละเสนทางมทฤษฎกากากบ ตวแปรแฝงบางตวหรอทกตวม sub-construct ซงกคอ sub-domain ของเนอหา


Research Design

4. Mediation model ตวแบบมตวแปรคนกลาง ตวแปรคนกลางเปนตวแปรทซอนเรนเชอมโยงระหวางตวแปรตนทางกบตวแปรปลายทาง (hidden transmitting variables) ซงนกวจยขดคนนามาแสดงใหประจกษ เปนตวแปรทมอทธพลตอตวแปรปลายทางแตอาจไมคอยเกยวของกบตวแปรตนทาง ถามหลายตวเรยกวา multiple mediation model อาจเปน parallel mediation หรอ serial mediation ขนอยกบทฤษฎหรอ sequential exploratory analysis


Research Design5. Moderation model ตวแบบมตวแปรกากบ ตวแปรกากบเปนตวแปรทซอนเรนควบคมความสมพนธระหวางตวแปรตนทางกบตวแปรปลายทาง คอมปฏสมพนธกบตวแปรตนทางแลวสงผลตอตวแปรปลายทางซงนกวจยขดคนนามาแสดงใหประจกษ ตวแปรกากบมกขนอยกบ sequential exploratory analysis มไดหลายลกษณะตามประสบการณของผเชยวชาญ

ถาเปนตวแปรนามบญญตใหวเคราะหแบบพหกลม ถาเปนตวแปรปรมาณใหวเคราะหตามปกตแตตองจดรปกรอบการวจยเปน statistical model เสยกอนและตองวเคราะห conditional effect ดวย


PLS running process


การรน smart PLS 3

1. การเตรยมขอมล อาจเตรยมผาน SPSS หรอ Excel ไฟลใชงานจะเปน text file จงใหเซฟเปน filename.csv หรอ filename.raw

2. ตองไมม missing data หากมใหแกปญหาใหเสรจกอน


เกณฑคณภาพ


Cronbach’s alpha และ Composite reliability

1. Cronbach’s alpha

Cronbach’s alpha ≥ 0.60 for exploratory purpose

Cronbach’s alpha ≥ 0.70 acceptable scale

Cronbach’s alpha ≥ 0.80 good scale

2. Composite reliability (CR)

CR ≥ 0.60 for exploratory purpose

CR ≥ 0.70 acceptable confirmatory purpose

CR ≥ 0.80 good confirmatory purpose

CR ≥ 0.90 check for minor wording invariant


Average Variance Extract (AVE)

3. Average variance extracted (AVE) = 1mi∑jmi loadingj2 คอคาเฉลยความผนแปรใน

กลมตวชวดท LV สามารถอธบายตวชวดได

AVE ใชแสดง LV reliability

เกณฑคอ AVEi ≥ 0.50 และตองมากกวา cross loading

AVEi = 0.50 แสดงวา LV อธบายความผนแปรตวชวดไดโดยเฉลยรอยละ 50

(Note: Reliability is a capability to measure the right concept. Reliability is the accuracy in measurements when the measurements are repeated)


Loading

4. Loading คออทธพลท LV ถายทอดไปยงตวชวด

1) ตองเปนปรมาณบวก เพราะ SEM ถอวา MV ตองมความสมพนธทางบวกกบ LV

2) ตองมคาขนตา 0.707 และตองมนยสาคญ (Henseler, Ringle and Sarstedt, 2012)

อาจตากวา 0.707 ไดแตตองไมตากวา 0.50 และ AVEi ตองไมตากวา 0.50 (Hair et al., 2014)

ทงน loadingj2 ใชแสดง indicator reliability เฉพาะขอท j (Hair et al., 2014)


loading

5. Indicator reliability ใหพจารณาทง loading และ weigh รวมกน

1) Loading ตองมคาไมตากวา 0.707 และมนยสาคญ (คอ loadingj2 ≥ 0.50)

2) ถา loading ตากวา 0.50 แตมนยสาคญ และ weight ไมมนยสาคญใหทง

ขอถามนนถาเหนวาไมใชขอทมความสาคญ (theoretical importance)

3) ถา loading สงและมนยสาคญ แต weight ไมมนยสาคญใหคงขอถามนนถา

เหนวามความสาคญ (theoretical importance)

หมายเหต ตวอยางของ theoretical importance เชนมาตรวดของความตงใจจะตองม

เงอนไขอยดวย ถามบางขอไมมเงอนไขอยในเนอความกใหพจารณาตดทง


data cleaning

โดยปกต เมอพบเหตการณตามขอ 2) นกวจยตองพจารณาดาเนนการ data cleaning กอน เชน

แกปญหา outlier ตามวธ Winsorizing หรอแทนทขอมลสญหายดวยวธทเหมาะสมกวาเดม หรอพจารณาตดหนวยวเคราะหทมขอมลไมนาเชอถอทงไป เชนกรณแบบสอบถาม

เปนชนดไลเกอรท 5 คาตอบ ถาขอมลรายการใด (case, record) มคาเฉลยประมาณ 3 และ CV ตามากใหตดหนวยนนทง


Standardized Root Mean Square Residual

6. Standardized Root Mean Square Residual (SRMR) คอ mean square ของผลตางของสหสมพนธระหวาง observed correlation กบ model-implied correlation เกณฑ

ขนสงคอ SRMR ≤ 0.08 (Smart PLS กาหนดใหใช SRMR ≤ 0.12)


Cross –loading

7. Cross –loading ใชเปนทางเลอกของการใช AVE ในการวเคราะหความเทยงตรง

เชงจาแนก (discriminant validity)

เกณฑคอ cross-loading ≤ 0.30, 0.40

ถามากกวานแสดงวามาตรวดขาดความเทยงตรงเชงจาแนก ทงนเพราะตวแบบทดนน

ตวชวดจะตองสมพนธ (load) กบ LV ของตนเองมากกวากบ LV อน คา cross-loading

จงควรมคาตา


Heterotrait-Monotrait Correlation Ratio (HTMT)

8. Heterotrait-Monotrait Correlation Ratio (HTMT) ใชวดความเทยงตรงเชงจาแนกโดยเปรยบเทยบเปนคๆระหวางคตวแปรแฝง คานตองนอยกวา 1 ถามากกวา 1 แสดงวาขาดความเทยงตรงเชงจาแนก

HTMT(ij ) ≤ 1.00, 0.90, 0.85; i ≠ j


Fornell-Larcker Criterion

9. Fornell-Larcker Criterion

Average variance extracted (AVE) = 1mi∑jmi loadingj2

loadingj2 คอคาเฉลยของ indicator reliability ใชเปน LV reliability

ถาให rij คอสหสมพนธของคะแนนปจจยระหวางตวแปรแฝงท i กบตวแปรแฝงท j ดงนน rij2 คอสดสวนความผนแปรทตวแปรแฝงทงสองตางอธบายกนและกน


การแปลผล Fornell-Larcker Criterion

1. AVEi > rij ; all i ≠ j แสดงวาความสมพนธระหวางตวชวดภายในกลมเดยวกนสง

กวาความสมพนธระหวางคะแนนปจจยของตวแปรแฝงทสนใจกบตวแปรแฝงอน

แสดงวามความเทยงตรงเชงจาแนก หรอ

2. AVEi > rij2 แสดงถง indicator reliability (คอคาถวเฉลย loadingj2ภายในกลมตวแปร

แฝงท i คอ AVEi) สงกวาสดสวนความผนแปรทตวแปรแฝงท i กบตวแปรแฝงท j ตาง

ควบคมความผนแปรของกนและกน แสดงวามความเทยงตรงเชงจาแนก


multicollinearity

10. ภาวะรวมเสนตรงพห (multicollinearity) ใชแสดงใหเหนวาตวแบบมตวแปรสาเหตทสมพนธกนสงเกนไป ถาปรบแกแลวจงจะเปน well-fitting model เกณฑคอ

VIFj = 11−Rj

2 < 4 หรอ 5

เกณฑนกาหนดคอนขางเครงครดเพราะกาหนดให Rj2= 0.75, 0.80 (สามารถผอนผน

ลงไดเปน 0.90) โดยวดกบตวแปรผลลพธทกตวในตวแบบ


multicollinearity

Multicollinearity คอความสมพนธเชงเสนระหวางปจจยสาเหต หากเกดปญหานขนแสดงวาปจจยสาเหตมความสมพนธกนสงเกนระดบยนยอม

ผลกระทบ เราไมอาจใชปจจยสาเหตนนเปนสงอธบายปจจยผลลพธไดอยางถกตอง และไมอาจแนใจไดวาตวแปรสาเหตคทสมพนธกนสงนนตวใดกนแนทมอทธพลตอตวแปรผลลพธ หรอหรอตวชวดคทสมพนธกนสงนนตวใดกนแนทมอทธพลตอตวแปรแฝง (formative measurement model) หรอเปนผลสะทอนของตวแปรแฝง (reflective measurement model)

อาการทแสดงออก คอ t-statistics มคาตา (เพราะ SE มคาสงมากจงทาให tj=βjse�βj

มคาตา)

ทาใหสมประสทธเสนทางหลายเสนทางไมมนยสาคญ หรอเครองหมายผด


วธแกปญหา multicollinearity

วธแกปญหา multicollinearity คอ1) รวมตวแปรแฝงทสมพนธกนสงเปนกลมเดยวกน อาจรวมในชอใหมและจด

ใหตวแปรแฝงเดมแตละตวทาหนาทเปน parcel/sub-construct/sub-domain คอแกใหเปนการวจยแบบ second order model

2) ตดตวแปรแฝงทซ าซอนกนทงไป 3) ตามไปด multicollinearity ของตวชวดแลวหาทางตดตวชวดทสมพนธกน

สงเกนไปทง (item/indicator/MV) 4) ตดรายการขอมล (case/record) 5) ถาเปน path model อาจใชวธ mean-centered


Residual variance

12. Residual variance ตองมคาตาและไมมนยสาคญ (Ho:σe2 = 0 vs H1:σe2 ≠ 0) ถามคาสงและมนยสาคญแสดงวาตกหลนตวแปรสาคญ ใหตรวจสอบวรรณกรรม


Goodness of fit ของ PLS-PM

Goodness of fit ของ PLS-PM วดแบบเดยวกบในสมการถดถอย ดงน

1. R2 เรยกวา overall effect size เกณฑคอ R2 = 0.19, 0.33, 0.67 แสดงวาปจจยสาเหตมอทธพลรวมกนตอปจจยผลลพธตา ปานกลาง และสงตามลาดบ (Chin, 1998; Hock and Ringle, 2006)

2. Effect size (f2) ใชแสดงอทธพลของตวแปรสาเหตทมตอตวแปรผลลพธเดยวกน คานสามารถใชรวมกบคาสมประสทธเสนทาง (โดยปกตจะเสนอเปนคาปรบมาตรฐาน) ตวแปรใดมคาสมประสทธเสนทางสงกวาแสดงวามอทธพลตอตวแปรผลลพธมากกวา


Effect size

Effect size ของปจจยใดมคา fi2 สงกวาแสดงวาปจจยนนมอทธพลมากกวา เกณฑ

ระดบอทธพลคอ fi2 = 0.02, 0.15, 0.35 แสดงวามอทธพลนอย ปานกลาง และสง

ตามลาดบ (Cohen, 1988)

ขอควรระวง การตดตวแปรกรณ multicollinearity โดยเฉพาะตวแปรทมคา fi2 สงจะ

กอใหเกดความเสยหายมาก


ตวอยางการคานวณหาคา fi2

antecedent R2 ∆Ri2 fi2

X1, X2 0.4308 - -

X1 (X2 omitted) 0.3828 0.4328-0.3828 = 0.0480 0.04800.5692

= 0.0843

X2 (X1 omitted) 0.2186 0.4328-0.2186 = 0.2122 0.21220.5692

= 0.3728

1 − Roriginal2 = 1- 0.4308 = 0.5692

รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง

จากสมการ Y= f(X1, X2) + u สามารถคานวณหาคา fi2 ตามสตร fi2= Roriginal2 −Romitted

2

1−Roriginal2 ไดดงน

33

residual

3. Standardized residual ถาพบวามคาเกนขอบเขต ±1.96 คอม outlier แสดงวาตกหลน

ตวชวดทสาคญ

4. Residual covariance ควรมคาตาและไมมนยสาคญ หากมคาสงและมนยสาคญแสดง

วาตกหลนตวชวดทสาคญ


Vanishing Tetrad/Confirmatory Tedtrad Analysis (CTA-PLS)

5. Vanishing tetrad ใชรวมพจารณาตดสนวาตวชวดควรเปนแบบใด

1) ถา Vanishing tetrad ไมมนยสาคญแสดงวาตวชวดเปน reflective indicator

2) ถา Vanishing tetrad มนยสาคญแสดงวาวาตวชวดเปน formative indicator

สมมตทางสถตคอ Ho: reflective indicator vs H1: formative indicator


Stone-Gleisser Q2

6. Stone-Gleisser Q2 ใชชวยประเมนวาตวแปรสาเหตตวใดมผลในทางชวยพยากรณคาตวชวด

ของตวแปรผลลพธ (predictive relevance) มากนอยเพยงใด

Q2 = 1 − SSESSO

โดยท SSE = sum square error และ SSO = sum square observed

เกณฑตดสนใจคอ Q2 = 0.02, 0.15, 0.35

(เรยกวา effect size) แสดงวาตวแปรสาเหตมผลในทางชวยการพยากรณคาตวชวดของตวแปร

ผลลพธ (indicator cross-validated redundancy) หรอตวแปรผลลพธ (construct cross-validated

redundancy) ไดนอย ปานกลาง และมาก ตามลาดบ

Q2 ≤ 0 แสดงวาตวแปรสาเหตไมมสวนชวยคาดคะเนเลย


Stone-Gleisser Q2

เราจะคานวณหาคา Q2 ของทกตวแปรทเปนสาเหตของทกตวแปรผลลพธทมในตวแบบ

กระบวนการวเคราะหใชวธ blindfolding cross validation โดย

1. ทาใหคาสงเกตจรงของตวชวดทกตวของตวแปรผลลพธหายไปชวคราว D หนวย

2. แทนท missing data ดวย mean

3. รน SEM แลวพยากรณคาทสญหายไปนดวยคาตวแปรตนทางคณกบคาสมประสทธเสนทาง

แลวพยากรณตอไปจนถงคาของตวชวดทเปนคาสญหายแลวหาคาผลตางระหวางคาจรง (ทสง

ใหหายไปชวคราวเรยกวาคา observe) กบคาทพยากรณได เรยกวา error

4. วนทาเชนนทกระยะเวนระหวาง case โดยแนะนาใหเวน D = 7 case วนเวยนเรอยไปจน

สนสดไฟลและครบทก case

5. คานวณหา Q2 = 1 − SSESSO


𝐐𝐐𝟐𝟐 vs 𝐑𝐑𝟐𝟐

Q2 ใชแสดงวาตวแปรสาเหตทกตวชวยกนพยากรณคาของตวชวดของตวแปรผลลพธไดดเพยงใด

q2 ใชแสดงวา ตวแปรสาเหตแตละตวสามารถพยากรณคาของตวชวดของตวแปรผลลพธไดดเพยงใด

Q2 และ q2 คดตามแนวทางเดยวกบกบ R2 และ f2 ตางกนท

R2 ใชแสดงวาตวแปรสาเหตทกตวชวยกนอธบายความผนแปรของตวแปรผลลพธไดดเพยงใด

f2 ใชแสดงวาตวแปรสาเหตแตละตวอธบายความผนแปรของตวแปรผลลพธไดดเพยงใด


Importance-Performance Map Analysis (IPMA)

7. Importance-Performance Map Analysis (IPMA) ใชชวยตรวจสอบวาตวแปรสาเหต

ตวใดมความสาคญหรอไม

ตวแปรท large Importance แต low performance จะตองไดรบการปรบปรงแกไข



Importance = absolute total effect (คอไมตองสนใจเครองหมายวาลบหรอบวก สนใจ

แตปรมาณ) ของตวแปรสาเหตของตวแปรผลลพธ

Performance = คาเฉลยของ unstandardized latent variable score ทได normalize และ

ทาเปนรอยละแลว กลาวคอ

Normalized latent score variable = x−minmax−min

* 100




Construct performance

Incentives 16.558

SES 33.030

Construct importance

Incentives 0.502

SES -0.628

41

Goodness of Fit (GoF)

8. GoF = R2 com (Tenenhaus et al., 2005) โดยท com = AVE เปน global criteria และ R2 คอ global effect size

ใชแสดงวาตวแปรตนทางทงหมดสามารถคาดคะเนความผนแปรตวชวดของตวแปรผลลพธไดดเพยงใด

จดออน ไมเหมาะใชแสดงความเหมาะสมของตวแบบ (Henseler & Sarstedt, 2013) และใชไมดกบตวแบบทไมถกตอง (mispecified model) (Hair et al., 2014)


Goodness of Fit (GoF)

GoF มเกณฑดงน

GoF = R2 com = 0.19 ∗ 0.50 = 0.308 ตวแบบมความเหมาะสมตา

GoF = R2 com = 0.35 ∗ 0.50 = 0.406 ตวแบบมความเหมาะสมปานกลาง

GoF = R2 com = 0.67 ∗ 0.50 = 0.578 ตวแบบมความเหมาะสมสง


Redundancy

9. Redundancy ของตวแปรผลลพธท i ใชแสดงวาตวแปรตนทางสามารถคาดคะเน

ความผนแปรตวชวดของตวแปรผลลพธท i ไดดเพยงใด

Redundancyi = Comi*Ri2


Redundancy criterion

Redundancy of ith endogenous variable

ตวแปรตนทางสามารถคาดคะเน

ความผนแปรตวชวดของตวแปร

ผลลพธท i ได

Redundancyi = Comi*Ri2 = 0.50 * 0.19 = 0.095 ตา

Redundancyi = Comi*Ri2 = 0.50* 0.35 = 0.175 ปานกลาง

Redundancyi = Comi*Ri2 = 0.50 * 0.67 = 0.335 สง


หมายเหต Redundancy และ GoF ไมมแสดงใน smart PLS3

45

การรนโปรแกรม Smart PLS


คลกทไอคอนซอฟทแวร จะพบหนาซอฟทแวร ม 3 หนาตาง


กด New Project > พมพชอโครงการ


ม 2 ไอคอนเพมเขามาคอ Double click to import data กบ ไอคอนชอโปรเจค


Dbl click ทไอคอน double click to import data > ใสชอแฟมขอมล


คลกไอคอนชอแฟมขอมลจะแสดงขอมล ถาไมแสดงแปลวาแฟมขอมลมปญหา missing data หรอมขอมลผดปกต เชนมขอความปนอย


คลกไอคอนชอโปรเจค ขอมลหนาตางท 2 จะแสดงเปนชอตวแปรและหนาตางท 3 พรอมใชงาน ถาหนาตางท 2 ไมแสดงอะไรแปลวามปญหาเรองขอมลหรอไลเซนต


Shift click ตวชวดของตวแปรในหนาตางท 2 แลวลากไปวางในหนาตางท 3 เชอมโยงและตงชอตวแปรแฝง


กด calculation แนะนาใหเลอกใช Consistent PLS Algorithm


ไดอะลอก setting เปดขนใหกาหนดเอง ถาไมประสงคจะกาหนดกปลอยใหทางานตาม default แตควรกาหนดจานวนการวนหาคาตอบเปน 5,000-10,000 รอบ


กด start calculation จากนใหดผลจากภาพและ report วาตรงตามเกณฑคณภาพหรอไม ถาไมตรงเกณฑตองปรบแกใหตรงเกณฑและตรงตามวรรณกรรม

ผลการรน consistent PLS Algorithm ปรากฏดงน


ผลการรน consistent PLS Algorithm


กด calculation เลอก Bootstrapping


ผลการรน Bootstrapping


ผลการรน Bootstrapping


เอกสารอางองChin, W. W. (1998). The partial least squares approach for structural equation modeling. Pp. 295-336 in

Macoulides, G. A., ed. Modern methods for business research. Mahwah, NJ: Lawrence Erlbaum Associates.

Cohen, J. (1988). Statistical power analysis for the behavioral sciences. Mahwah, NJ: Lawrence Erlbaum

Garson, G. D. (2016). Partial Least Squares: Regression and Structural Equation Models. Asheboro, NC:

Statistical Associates Publishers.

Hair, Joseph F., Jr.; Hult, G. Tomas M.; Ringle, Christian M.; & Sarstedt, Marko (2014). A primer on

partial least squares structural equation modeling (PLSSEM). Thousand Oaks, CA: Sage Publications.

Henseler, Jörg; Ringle, C. M.; & Sarstedt, M. (2016). Testing measurement invariance of composites using

partial least squares. International Marketing Review. Forthcoming


เอกสารอางองHenseler, Jörg & Sarstedt, Marko (2013). Goodness of fit indices for partial least squares path modeling.

Computational Statistics 28(2): 565-580.

Höck, Michael & Ringle, Christian M. (2006). Strategic networks in the software industry: An empirical

analysis of the value continuum. IFSAM VIIIth World Congress, Berlin 2006. Retrieved 2/22/2009 from

http://www.iblunihh.de/IFSAM06.pdf.

Tenenhaus M., Esposito Vinzi V., Chatelin Y.M., Lauro N.C. (2005): PLS Path Modeling. Computational

Statistics and Data Analysis, 48, 159-205.

Temme, D., Kreis and Hildebrandt, L. (2010). A Comparison of Current PLS Path Modeling Software:

Features, Ease-of-Use, and Performance. In book: Handbook of Partial Least Squares.

Wold, Herman (1982). Soft modeling: The basic design and some extensions. Pp. 1-54 in Jöreskog, K. G. & Wold, H., eds., Systems under indirect observations:, Part II. Amsterdam: North-Holland.


http://www.iblunihh.de/IFSAM06.pdf

Documents

การใช้โปรแกรม smart PLS สำหรับการวิจัยด้วยตัวแบบสมการโครงสร้าง · การใช้โปรแกรม