Hướng dẫn sử dụng phần mềm 𝗦𝗺𝗮𝗿𝘁𝗣𝗟𝗦 𝟯.𝟮.𝟵 [𝗣𝗟𝗦 𝗦𝗘𝗠]

Hướng dẫn sử dụng phần mềm SmartPLS 3.2.9 [PLS SEM]

Nhóm SmartPLS Việt Nam xin hướng dẫn sử dụng phần mềm SmartPLS SEM, cách đọc kết quả smartpls, cách sử dụng smart pls, cách chạy smartpls mô hình cấu trúc PLS SEM.

Link tải phần mềm bản quyền cho Win và MacOS tại đây: https://phanmemsmartpls.com/tai-phan-mem-smartpls-moi-nhat.html

Hướng dẫn sử dụng phần mềm SmartPLS

Mô hình phương trình cấu trúc ( SEM ) là một dạng mô hình nhân quả bao gồm một tập hợp đa dạng các mô hình toán học, thuật toán máy tính và phương pháp thống kê phù hợp với các mạng của các cấu trúc với dữ liệu.  SEM bao gồm phân tích khẳng định yếu tố , phân tích tổng hợp khẳng định , phân tích con đường , một phần ít nhất người mẫu ô vuông con đường , và mô hình tăng trưởng tiềm ẩn .  Không nên nhầm lẫn khái niệm này với khái niệm liên quan của các mô hình cấu trúc trong kinh tế lượng , cũng như với các mô hình cấu trúc trong kinh tế học. Các mô hình phương trình cấu trúc thường được sử dụng để đánh giá các cấu trúc ‘tiềm ẩn’ không quan sát được. Họ thường gọi một mô hình đo lường xác định các biến tiềm ẩn bằng cách sử dụng một hoặc nhiều biến quan sát và mô hình cấu trúc áp đặt mối quan hệ giữa các biến tiềm ẩn. Liên kết giữa các cấu trúc của mô hình phương trình cấu trúc có thể được ước tính bằng các phương trình hồi quy độc lập hoặc thông qua các phương pháp liên quan nhiều hơn như các phương pháp được sử dụng trong LISREL.

Link tải phần mềm SmartPLS Professional 3.2.9

Link tải phần mềm SmartPLS Professional 3.2.8

Link tải phần mềm SmartPLS 2.0 M3

Kích hoạt phần mềm SmartPLS Full Crack Bản Quyền

Việc sử dụng SEM thường được biện minh trong các ngành khoa học xã hội vì khả năng áp đặt mối quan hệ giữa các cấu trúc không quan sát được (các biến tiềm ẩn) từ các biến quan sát được.  Để đưa ra một ví dụ đơn giản, khái niệm trí thông minh của con người không thể được đo lường trực tiếp vì người ta có thể đo chiều cao hoặc cân nặng. Thay vào đó, các nhà tâm lý học phát triển một giả thuyết về trí thông minh và viết các công cụ đo lường với các vật phẩm (câu hỏi) được thiết kế để đo lường trí thông minh theo giả thuyết của họ.  Sau đó, họ sẽ sử dụng SEM để kiểm tra giả thuyết của mình bằng cách sử dụng dữ liệu được thu thập từ những người tham gia bài kiểm tra trí thông minh của họ. Với SEM, “thông minh” sẽ là biến tiềm ẩn và các mục kiểm tra sẽ là các biến quan sát.

Sách PLS SEM của Hair (2017) Bản quyền miễn phí trị giá 42$ - Tiếng Anh

Sách hướng dẫn sử dụng phần mềm SmartPLS Nâng cao - Tiếng Việt (Dạng sách in)

Sách hướng dẫn sử dụng phần mềm SmartPLS Cơ bản - Tiếng Việt (Dạng sách in)

Một mô hình đơn giản cho thấy trí thông minh (được đo bằng bốn câu hỏi) có thể dự đoán kết quả học tập (được đo bằng SAT, ACT và GPA trung học) được hiển thị ở trên (trên cùng bên phải). Trong sơ đồ SEM, các biến tiềm ẩn thường được hiển thị dưới dạng hình bầu dục và các biến quan sát là hình chữ nhật. Biểu đồ trên cho thấy lỗi (e) ảnh hưởng đến từng câu hỏi thông minh và điểm SAT, ACT và GPA, nhưng không ảnh hưởng đến các biến tiềm ẩn. SEM cung cấp các ước tính bằng số cho từng tham số (mũi tên) trong mô hình để chỉ ra độ mạnh của các mối quan hệ. Do đó, ngoài việc kiểm tra lý thuyết tổng thể, SEM do đó cho phép nhà nghiên cứu chẩn đoán các biến quan sát nào là chỉ số tốt của các biến tiềm ẩn.

Các phương pháp khác nhau trong mô hình phương trình cấu trúc đã được sử dụng trong các ngành khoa học,  kinh doanh,  và các lĩnh vực khác. Sự phê phán các phương pháp SEM thường giải quyết các cạm bẫy trong công thức toán học, tính hợp lệ bên ngoài yếu của một số mô hình được chấp nhận và khuynh hướng triết học vốn có của các thủ tục tiêu chuẩn.

PLS: Hồi quy nhỏ nhất từng phần

Hồi quy bình phương nhỏ nhất một phần (hồi quy PLS) là một phương pháp thống kê mang một số liên quan đến hồi quy thành phần chính ; thay vì tìm các siêu phẳng có phương sai tối đa giữa phản ứng và biến độc lập, nó tìm thấy mô hình hồi quy tuyến tính bằng cách chiếu các biến dự đoán và các biến quan sát vào một không gian mới. Do cả dữ liệu X và Y được chiếu sang không gian mới, nên các phương thức PLS được gọi là mô hình nhân tố song tuyến. Phân tích phân biệt bình phương tối thiểu một phần (PLS-DA) là một biến thể được sử dụng khi Y là phân loại.

PLS được sử dụng để tìm các mối quan hệ cơ bản giữa hai ma trận ( X và Y ), tức là một cách tiếp cận biến tiềm ẩn để mô hình hóa các cấu trúc hiệp phương sai trong hai không gian này. Một mô hình PLS sẽ cố gắng tìm hướng đa chiều trong không gian X giải thích hướng phương sai đa chiều tối đa trong không gian Y. Hồi quy PLS đặc biệt phù hợp khi ma trận của các yếu tố dự đoán có nhiều biến hơn các quan sát và khi có tính đa hình giữa các giá trị X. Ngược lại, hồi quy tiêu chuẩn sẽ thất bại trong những trường hợp này (trừ khi nó được chính quy hóa ).

Các hình vuông nhỏ nhất được giới thiệu bởi nhà thống kê người Thụy Điển Herman OA Wold , người sau đó đã phát triển nó cùng với con trai của mình, Svante Wold. Một thuật ngữ thay thế cho PLS (và chính xác hơn theo Svante Wold  ) là chiếu cho các cấu trúc tiềm ẩn , nhưng thuật ngữ bình phương nhỏ nhất một phần vẫn chiếm ưu thế trong nhiều lĩnh vực. Mặc dù các ứng dụng ban đầu là trong khoa học xã hội, hồi quy PLS ngày nay được sử dụng rộng rãi nhất trong hóa học và các lĩnh vực liên quan. Nó cũng được sử dụng trong tin sinh học , cảm quan , khoa học thần kinh và nhân học.

Phương pháp & Ứng dụng PLS

LS-PM là một phương pháp ước lượng dựa trên thành phần khác với mô hình phương trình cấu trúc dựa trên hiệp phương sai . Không giống như các cách tiếp cận dựa trên hiệp phương sai cho mô hình phương trình cấu trúc, PLS-PM không phù hợp với mô hình nhân tố chung cho dữ liệu, nó phù hợp với mô hình tổng hợp. Khi làm như vậy, nó tối đa hóa lượng phương sai được giải thích (mặc dù điều này có nghĩa là từ quan điểm thống kê là không rõ ràng và người dùng PLS không đồng ý về cách mục tiêu này có thể đạt được).

Ngoài ra, bằng một điều chỉnh, phần mềm PLS SEM cũng có khả năng ước tính nhất quán các tham số nhất định của các mô hình nhân tố chung, thông qua một cách tiếp cận được gọi là PLS nhất quán (PLSc). Một phát triển liên quan nữa là PLS dựa trên yếu tố (PLSF), một biến thể sử dụng PLSc làm cơ sở cho việc ước tính các yếu tố trong các mô hình nhân tố chung; phương pháp này làm tăng đáng kể số lượng tham số mô hình nhân tố phổ biến có thể ước tính, thu hẹp hiệu quả khoảng cách giữa PLS cổ điển và mô hình phương trình cấu trúc dựa trên hiệp phương sai.

Hơn nữa, PLS-PM có thể được sử dụng cho mục đích dự đoán ngoài mẫu, và có thể được sử dụng như một công cụ ước tính trong phân tích tổng hợp xác nhận .

Mô hình phương trình cấu trúc PLS bao gồm hai mô hình con: mô hình đo lường và mô hình kết cấu. Mô hình đo lường biểu thị mối quan hệ giữa dữ liệu được quan sát và các biến tiềm ẩn . Mô hình cấu trúc thể hiện mối quan hệ giữa các biến tiềm ẩn.

Một thuật toán lặp giải quyết mô hình phương trình cấu trúc bằng cách ước tính các biến tiềm ẩn bằng cách sử dụng mô hình đo lường và cấu trúc trong các bước xen kẽ, do đó tên của thủ tục, một phần. Mô hình đo lường ước tính các biến tiềm ẩn là tổng trọng số của các biến số biểu hiện của nó. Mô hình cấu trúc ước tính các biến tiềm ẩn bằng phương pháp hồi quy tuyến tính đơn giản hoặc đa biến giữa các biến tiềm ẩn được ước tính bởi mô hình đo lường. Thuật toán này lặp lại cho đến khi đạt được sự hội tụ.

Với sự sẵn có của các ứng dụng phần mềm, PLS-SEM trở nên đặc biệt phổ biến trong các ngành khoa học xã hội như kế toán, kinh doanh gia đình, tiếp thị, hệ thống thông tin quản lý, quản lý hoạt động, quản lý chiến lược, và du lịch. Gần đây, các lĩnh vực như kỹ thuật , khoa học môi trường ,  y học ,  và khoa học chính trị sử dụng rộng rãi hơn PLS-SEM để ước tính các mô hình mối quan hệ nguyên nhân phức tạp với các biến tiềm ẩn. Qua đó, họ phân tích, khám phá và kiểm tra các mô hình và lý thuyết khái niệm của họ .

PLS được xem xét nghiêm túc bởi một số nhà nghiên cứu phương pháp.  Một điểm gây tranh cãi lớn là tuyên bố rằng PLS luôn có thể được sử dụng với các cỡ mẫu rất nhỏ. Một nghiên cứu gần đây cho thấy rằng yêu cầu này nói chung là không chính đáng, và đề xuất hai phương pháp để ước tính cỡ mẫu tối thiểu trong PLS. Một điểm gây tranh cãi khác là cách quảng cáo trong đó PLS đã được phát triển và thiếu bằng chứng phân tích để hỗ trợ tính năng chính của nó: phân phối lấy mẫu các trọng số PLS. Tuy nhiên, PLS-SEM vẫn được coi là thích hợp hơn (so với CB-SEM) khi không biết bản chất của dữ liệu là yếu tố chung hay dựa trên tổng hợp.

Nguồn: https://luanvancaohoc.com/