فرضیهٔ پژوهش و مسیرهای علّی
فرضیهٔ پژوهش یعنی «کدام سازه روی کدام سازهٔ دیگر اثر دارد». هر فلش بین دو سازه یک فرضیه است.
الگوی آماده (سطح متوسط) Template
بهجای طراحی از صفر، یکی از سه الگوی آماده را انتخاب میکنی:
- ساده: کیفیت خدمات ← رضایت مشتری (یک فرضیه)
- زنجیرهای: کیفیت خدمات ← رضایت مشتری ← وفاداری مشتری (میانجیگری)
- شاخهای: کیفیت خدمات ← رضایت، کیفیت خدمات ← وفاداری، رضایت ← وفاداری (اثر مستقیم + غیرمستقیم همزمان)
فرضیهٔ دلخواه (سطح متوسط و پیشرفته) Custom Hypotheses
بهجای الگوی آماده، خودت اسم سازهها را مینویسی و با چند کلیک مشخص میکنی کدام سازه به کدام سازه فلش دارد.
چطور تنظیم میشود: «فرضیهٔ جدید» را بزن، اسمش را بنویس (مثلاً «امنیت ادراکشده»)، بعد در بخش «مسیرها» انتخاب کن این سازه از کدام سازهها اثر میگیرد.
- مثال ۱: «کیفیت وبسایت» ← «اعتماد» ← «قصد خرید مجدد»
- مثال ۲: «آموزش کارکنان» ← «رضایت شغلی»، «آموزش کارکنان» ← «بهرهوری»، «رضایت شغلی» ← «بهرهوری»
هر فلش یک فرضیه است؛ عدد β («بتا») قدرت آن رابطه را نشان میدهد — بزرگتر یعنی اثر قویتر.
گویهها و طیف پاسخ
تعداد گویهٔ هر سازه Item Count
هر سازه (مفهوم) با چند «گویه» (سؤال پرسشنامه) سنجیده میشود، نه با یک سؤال تنها.
چطور تنظیم میشود: عددی بین ۳ تا ۷ انتخاب کن.
- ۳ گویه: کمترین حالت قابلقبول آماری — برای سازههای ساده
- ۴ گویه: رایجترین انتخاب در مقالات فارسی و بینالمللی
- ۷ گویه: برای سازههای پیچیدهتر که چند بُعد دارند
طیف پاسخ (لیکرت) Scale
تعداد گزینههای پاسخ به هر گویه — طیف بزرگتر جزئیات بیشتری از تفاوت پاسخدهندهها نشان میدهد.
- ۱ تا ۵: ساده، رایج در پرسشنامههای فارسی (کاملاً مخالفم … کاملاً موافقم)
- ۱ تا ۷: استاندارد رایج در PLS-SEM
- ۰ تا ۱۰ (NPS): برای سؤالات نوع «چقدر احتمال دارد توصیه کنی؟»
حجم نمونه و هدفگذاری پایایی
حجم نمونه Sample Size
تعداد پاسخدهندگان شبیهسازیشده. حجم بیشتر → برآوردها (آلفا، بار عاملی) پایدارتر و به مقدار واقعی نزدیکتر.
- سطح متوسط: ۱۰۰ تا ۳۰۰ نفر — اندازهٔ معمول یک پایاننامهٔ کارشناسی/ارشد کوچک
- سطح پیشرفته: ۳۰۰ تا ۲۰۰۰ نفر — برای پروژههای میدانی بزرگتر
هدفگذاری آلفای کرونباخ Alpha Target
بازهای که میخواهی آلفای واقعیِ محاسبهشده روی نمونه (نه فقط پارامتر جامعه) در آن بیفتد. موتور بار عاملی لازم را حساب میکند و در صورت نیاز دوبارهسازی میکند تا برآورده شود.
چطور تنظیم میشود: با دو نوار لغزنده، کف و سقف بازه را مشخص کن (مثلاً ۰.۷۵ تا ۰.۹۳).
- ۰.۷۰ تا ۰.۸۰: پایایی «قابلقبول» — برای تمرین تشخیص یک ساختار نهچندان قوی
- ۰.۸۰ تا ۰.۹۵: پایایی «خوب تا عالی» — برای نمایش یک ابزار اندازهگیری سالم
ایرادهای عمدی داده
این بخش عمداً «ایراد آماری» داخل داده میگذارد تا در گزارش نهایی یاد بگیری چطور تشخیصش بدهی. سطح متوسط ۴ ایراد اول را دارد؛ سطح پیشرفته همهٔ ۶ تا را.
نرمال نبودن توزیع هر دو سطح
چقدر توزیع پاسخها از حالت نرمالِ متقارن فاصله بگیرد. داده لیکرت واقعی بهندرت کاملاً نرمال است.
- مقدار کم: توزیع تقریباً متقارن — در آزمون نرمالیته مشکوک به «خیلی تمیز»
- مقدار زیاد: واقعیتر، ولی آزمون Shapiro-Wilk رد میشود (که خودش هدف تمرین است)
مقادیر گمشده هر دو سطح
درصد پاسخهای خالی، بههمراه مکانیزم گمشدن.
- نرخ ۱ تا ۳٪ + MCAR: کاملاً تصادفی — سادهترین حالت برای پاکسازی
- نرخ ۵ تا ۱۰٪ + MNAR: وابسته به خود مقدار پاسخ — واقعیترین ولی سختترین حالت (فقط پیشرفته)
پاسخدهندگان بیدقت هر دو سطح
درصد پاسخدهندگانی که مثلاً همهجا یک گزینه را زدهاند (Straightlining) — دقیقاً چیزی که باید در غربالگری شناسایی و حذف شود.
- ۲ تا ۳٪: نرخ واقعنما برای یک نمونهٔ آنلاین معمولی
داده پرت هر دو سطح
درصد سلولهایی که مقدار حداکثری/حداقلیِ غیرمنتظره میگیرند.
- ۰.۵ تا ۲٪: نرخ طبیعی — نبود کامل داده پرت خودش مشکوک است
سوگیری روش مشترک فقط پیشرفته
یک عامل پنهانِ مشترک (مثل خستگی یا سبک پاسخدهی) که روی همهٔ گویهها همزمان اثر میگذارد و همبستگی بین سازههای نامرتبط را مصنوعاً بالا میبرد.
- شدت ۳۰٪: قابلتشخیص با آزمون تکعاملی هارمن، ولی نه فاجعهبار
- شدت ۶۰٪: اثر خیلی واضح — برای تمرین یک نمونهٔ آشکار
نقض روایی واگرا فقط پیشرفته
دو سازهٔ انتخابی را عمداً بههم نزدیک میکند تا آزمونهای روایی واگرا (HTMT، فورنل-لارکر) شکست بخورند.
- مثال: «رضایت مشتری» و «وفاداری مشتری» را انتخاب کن و شدت را ۸۵٪ بگذار — نسبت HTMT از آستانهٔ مجاز رد میشود
متغیرهای جمعیتشناختی سفارشی
ستونهای جمعیتشناختی دلخواه به خروجی اضافه میکند — برای تحلیلهای تعدیلگری یا مقایسهٔ چندگروهی در مراحل بعدی. روی آلفا یا بار عاملی گویهها اثری ندارد.
چطور تنظیم میشود
برای هر متغیر: یک اسم بگذار، چند «مقدار» تعریف کن، و درصد هرکدام را مشخص کن (آخری خودکار باقیماندهٔ تا ۱۰۰٪ میشود).
- جنسیت: زن (۵۰٪) / مرد (۵۰٪)
- تحصیلات (۵ سطح): دیپلم (۱۰٪) / کاردانی (۱۵٪) / کارشناسی (۴۰٪) / کارشناسیارشد (۲۵٪) / دکتری (۱۰٪)
- سن (۵ ردهٔ سنی): زیر ۱۸ (۵٪) / ۱۸ تا ۲۵ (۳۰٪) / ۲۶ تا ۳۵ (۳۵٪) / ۳۶ تا ۴۵ (۲۰٪) / بالای ۴۵ (۱۰٪)
- گروه پژوهش: گروه آزمایش (۵۰٪) / گروه کنترل (۵۰٪)
دیاگرام کاملاً آزاد (فقط پیشرفته)
برخلاف سطح متوسط (که از الگوهای آماده یا فرضیهٔ دلخواهِ ساده استفاده میکنی)، سطح پیشرفته هیچ محدودیتی روی تعداد سازه، تعداد گویه، یا شکل مسیرها ندارد — دقیقاً مثل کشیدن دیاگرام از صفر در SmartPLS واقعی.
دستیار هوش مصنوعی
نوشتن گویهها با هوش مصنوعی
اسم سازه را که نوشتی، دکمهٔ «✨ نوشتن گویهها با هوش مصنوعی» متن کامل گویهها را برایت پیشنهاد میدهد.
- ورودی: «امنیت ادراکشده»
- خروجی نمونه: «احساس میکنم اطلاعات شخصیام در این سامانه امن است.»
پیشنهاد کل مدل از روی عنوان مقاله
عنوان مقالهات را بنویس تا هوش مصنوعی یک مدل مفهومی کامل (۳ تا ۵ سازه + مسیرهای علّی) پیشنهاد بدهد — سازههایی که خودت از قبل نوشتهای دستنخورده میمانند.
- ورودی: «تأثیر کیفیت خدمات الکترونیک بر وفاداری مشتریان با نقش میانجی اعتماد»
- خروجی نمونه: کیفیت خدمات الکترونیک ← اعتماد ← وفاداری مشتری
سقف استفاده: سطح متوسط ۱۰ بار، سطح پیشرفته ۱۵ بار برای هر حساب.