تحليل بيانات بحثية باستخدام SmartPls

يُعد تحليل البيانات البحثية من المراحل الأساسية في إعداد الرسائل الجامعية والبحوث العلمية، إذ يعتمد عليه الباحث في اختبار الفرضيات، ودراسة العلاقات بين المتغيرات، وقياس تأثير العوامل المختلفة، واستخلاص النتائج التي تساعد على الإجابة عن أسئلة الدراسة. ومع تطور الأساليب الإحصائية، أصبحت نمذجة المعادلات الهيكلية من الأدوات المهمة التي تتيح تحليل العلاقات المعقدة بين المتغيرات الظاهرة والكامنة ضمن نموذج بحثي متكامل.

ومن البرامج المتخصصة في هذا المجال SmartPLS، الذي يوفر بيئة متقدمة لتطبيق نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (Partial Least Squares Structural Equation Modeling – PLS-SEM). ويتيح البرنامج رسم النماذج البحثية، وربط المتغيرات بمؤشراتها، وتقدير العلاقات بينها، واختبار الفرضيات، وتقييم الصدق والثبات، إلى جانب تحليل التأثيرات المباشرة وغير المباشرة والقدرة التنبؤية للنموذج.

وتبرز أهمية استخدام SmartPLS في البحوث التي تتضمن نماذج متعددة المتغيرات، أو متغيرات كامنة، أو علاقات وسيطة ومعدلة، أو متغيرات تكوينية، خاصة في تخصصات الإدارة والتسويق والعلوم الاجتماعية ونظم المعلومات وبعض المجالات التطبيقية الأخرى.

ويستعرض هذا الدليل مفهوم SmartPLS، وطريقة استخدامه في تحليل البيانات البحثية، وخطوات بناء النموذج الإحصائي، وتقييم نموذج القياس والنموذج الهيكلي، وقراءة المؤشرات والنتائج، مع توضيح أهم المميزات والتحديات والأخطاء التي ينبغي للباحث تجنبها.

برنامج SmartPLS هو برنامج إحصائي متخصص في نمذجة المعادلات الهيكلية (Structural Equation Modeling – SEM)، ويُستخدم بصورة أساسية في تطبيق منهج المربعات الصغرى الجزئية (PLS-SEM)، كما تتضمن إصداراته الحديثة إمكانات تحليلية أخرى، منها النمذجة القائمة على التغاير (CB-SEM) وبعض أساليب التحليل الإضافية.

ويتيح البرنامج للباحث بناء نموذج يضم مجموعة من المتغيرات والعلاقات المفترضة بينها، ثم اختبار مدى دعم البيانات لهذه العلاقات من خلال تقدير المعاملات الإحصائية وتحليل جودة القياس والتفسير والتنبؤ.

ويعتمد SmartPLS على واجهة رسومية تفاعلية تساعد المستخدم على رسم المتغيرات الكامنة، وربطها بالمؤشرات، وتحديد اتجاه العلاقات بين المتغيرات، ثم تنفيذ التحليل وعرض النتائج في تقارير منظمة.

أهم وظائف برنامج SmartPLS

يوفر البرنامج مجموعة من الإمكانات التي تخدم مراحل متعددة من التحليل الإحصائي، ومن أبرزها:

• بناء نماذج المعادلات الهيكلية وتحليل العلاقات بين المتغيرات.

• تطبيق نموذج المربعات الصغرى الجزئية PLS-SEM.

• تقييم نماذج القياس الانعكاسية والتكوينية.

• اختبار الصدق والثبات للمقاييس البحثية.

• اختبار الفرضيات باستخدام أسلوب Bootstrap.

• تحليل التأثيرات المباشرة وغير المباشرة.

• اختبار الوساطة والتعديل بين المتغيرات.

• تقييم القدرة التفسيرية باستخدام R².

• قياس حجم التأثير باستخدام f².

• تقييم القدرة التنبؤية باستخدام PLSpredict.

• إجراء تحليل المجموعات المتعددة (MGA).

• تحليل النماذج ذات المستويات أو الرتب الأعلى (Higher-Order Constructs).

• إجراء تحليل أهمية الأداء (IPMA).

وتختلف بعض الوظائف المتاحة وفق إصدار البرنامج والترخيص المستخدم.

قبل استخدام SmartPLS، من الضروري فهم المنهج الإحصائي الذي يعتمد عليه التحليل، وهو نموذج المربعات الصغرى الجزئية (PLS-SEM).

يُعد PLS-SEM أحد أساليب نمذجة المعادلات الهيكلية، ويُستخدم لتحليل العلاقات بين المتغيرات الكامنة ومؤشراتها، مع التركيز على تفسير التباين في المتغيرات التابعة وتعزيز القدرة التنبؤية للنموذج.

وتكمن أهمية هذا المنهج في قدرته على التعامل مع نماذج بحثية متعددة العلاقات، تتضمن متغيرات مستقلة وتابعة ووسيطة ومعدلة، بالإضافة إلى إمكانية التعامل مع نماذج القياس التكوينية التي يصعب تمثيلها بالأساليب التقليدية بالطريقة نفسها.

ما الفرق بين PLS-SEM وCB-SEM؟

رغم انتماء المنهجين إلى نمذجة المعادلات الهيكلية، فإنهما يختلفان في الهدف الإحصائي وطريقة تقدير النموذج.

ولا يعني ذلك أن أحد المنهجين أفضل دائمًا من الآخر؛ فالاختيار يعتمد على أهداف البحث وطبيعة النموذج ونوع القياس والهدف من التحليل.

متى يكون PLS-SEM مناسبًا؟

يمكن أن يكون مناسبًا عندما يركز البحث على التنبؤ أو تفسير المتغيرات التابعة، أو عندما يتضمن متغيرات تكوينية ونموذجًا متعدد العلاقات، أو عندما يحتاج الباحث إلى تحليل القدرة التنبؤية خارج العينة.

أما إذا كان الهدف الأساسي هو التأكيد الصارم لنموذج نظري قائم على العوامل المشتركة وتقييم ملاءمة بنية التغاير، فقد يكون CB-SEM أكثر ملاءمة.

ومن الأخطاء المنهجية اختيار PLS-SEM لمجرد صغر حجم العينة أو عدم التوزيع الطبيعي للبيانات أو سهولة استخدام البرنامج؛ فهذه العوامل وحدها لا تكفي لتبرير اختيار المنهج.

يكون استخدام SmartPLS مناسبًا في البحوث التي تتطلب تحليل علاقات متشابكة بين المتغيرات، خاصة عندما تكون هناك حاجة إلى بناء نموذج يوضح تأثير مجموعة من العوامل في متغير أو أكثر.

ومن أبرز الحالات التي يمكن استخدامه فيها:

1. تحليل العلاقات بين المتغيرات الكامنة

إذا كان الباحث يدرس مفاهيم لا يمكن قياسها مباشرة، مثل الرضا الوظيفي أو جودة الخدمة أو الثقة أو الولاء، فيمكنه تمثيل كل مفهوم بمجموعة من المؤشرات أو العبارات التي تقيسه.

ويساعد SmartPLS على تقييم مدى ملاءمة هذه المؤشرات لقياس المتغيرات الكامنة، ثم تحليل العلاقات بينها.

2. اختبار التأثيرات المباشرة

يمكن استخدام البرنامج لدراسة تأثير متغير مستقل في متغير تابع.

مثال: دراسة تأثير جودة الخدمة في رضا العملاء.

3. تحليل التأثيرات غير المباشرة والوساطة

يُستخدم عندما يفترض الباحث أن تأثير متغير مستقل في متغير تابع يمر من خلال متغير وسيط.

مثال: دراسة دور رضا العملاء كمتغير وسيط في العلاقة بين جودة الخدمة والولاء للعلامة التجارية.

4. تحليل التأثيرات المعدلة

يساعد البرنامج على اختبار ما إذا كان متغير ثالث يغير قوة العلاقة أو اتجاهها بين متغيرين.

مثال: دراسة ما إذا كانت الخبرة المهنية تعدل العلاقة بين التدريب والأداء الوظيفي.

5. تحليل النماذج التكوينية

يمكن توظيف PLS-SEM عندما يُبنى المتغير الكامن من مجموعة مؤشرات تسهم مجتمعة في تكوينه، بدلًا من كونها انعكاسات له.

6. الدراسات التي تهدف إلى التنبؤ

يمكن استخدام إمكانات البرنامج في دراسة مدى قدرة النموذج على التنبؤ بقيم أو نتائج جديدة، وليس الاكتفاء بتفسير العلاقات داخل العينة المستخدمة.

قبل البدء في استخدام البرنامج، ينبغي تجهيز البيانات والتأكد من ملاءمتها لطبيعة النموذج البحثي.

1. تحديد مشكلة البحث والفرضيات

يبدأ التحليل بتحديد سؤال البحث والعلاقات النظرية التي يريد الباحث اختبارها.

ويجب أن تكون الفرضيات مستندة إلى الإطار النظري والدراسات السابقة، لا أن تُبنى بعد الاطلاع على النتائج الإحصائية لمجرد الحصول على علاقات دالة.

2. تحديد المتغيرات والمؤشرات

يحدد الباحث المتغيرات الكامنة التي يتضمنها النموذج، والمؤشرات أو العبارات التي تستخدم لقياس كل متغير.

ومن أمثلة المتغيرات الكامنة:

• جودة الخدمة.

• الرضا الوظيفي.

• الالتزام التنظيمي.

• الثقة.

• الأداء المؤسسي.

• نية الشراء.

• الولاء للعملاء.

ويجب أن يكون لكل مؤشر ارتباط نظري واضح بالمتغير الذي يقيسه.

3. تحديد نوع نموذج القياس

تُعد هذه الخطوة من أهم القرارات المنهجية؛ لأن الباحث يحتاج إلى تحديد ما إذا كانت العلاقة بين المتغير الكامن ومؤشراته انعكاسية أم تكوينية.

النموذج الانعكاسي (Reflective Measurement Model):

يفترض أن المتغير الكامن ينعكس على المؤشرات التي تقيسه؛ أي إن التغير في المتغير الكامن يرتبط بالتغير المتوقع في المؤشرات.

مثال: الرضا الوظيفي الذي يمكن قياسه من خلال عبارات متعددة تعكس مستوى الرضا لدى الموظف.

النموذج التكويني (Formative Measurement Model):

يفترض أن المؤشرات تسهم في تكوين المتغير الكامن، وقد يمثل كل مؤشر جانبًا مختلفًا لا يمكن الاستغناء عنه دون التأثير في معنى المتغير.

مثال: مؤشر مركب للوضع الاجتماعي والاقتصادي يمكن أن يتكون من الدخل والتعليم والمهنة.

ويجب اتخاذ هذا القرار استنادًا إلى النظرية وطبيعة المفهوم، وليس بمجرد تجربة اتجاه الأسهم في البرنامج للحصول على نتائج أفضل.

4. تجهيز ملف البيانات

يجب إعداد البيانات في ملف منظم، والتأكد من:

• وجود أسماء واضحة ومميزة للمتغيرات في الصف الأول.

• تخصيص كل عمود لمؤشر واحد.

• تخصيص كل صف لمشارك أو مشاهدة واحدة.

• توحيد ترميز الإجابات.

• التحقق من صحة القيم المدخلة.

• مراجعة القيم المفقودة.

• التأكد من عدم وجود أعمدة فارغة أو بيانات غير مطلوبة.

• فحص القيم المتطرفة والتكرارات وفق طبيعة الدراسة.

ويدعم SmartPLS استيراد ملفات CSV وTXT وSPSS بصيغة SAV، بالإضافة إلى ملفات Excel بصيغتي XLS وXLSX.

5. تحديد حجم العينة المناسب

يجب تقدير حجم العينة قبل جمع البيانات، بالاستناد إلى هدف الدراسة والنموذج وعدد المتغيرات وحجم التأثير المتوقع ومستوى الدلالة والقوة الإحصائية.

ولا يُنصح بالاعتماد على قاعدة العشرة أضعاف (10-Times Rule) باعتبارها مبررًا كافيًا لتحديد حجم العينة، لأنها قد تؤدي إلى تقديرات غير مناسبة.

ومن البدائل المنهجية استخدام تحليل القوة الإحصائية (Power Analysis) أو طرق تقدير الحد الأدنى للعينة، مثل طريقة الجذر التربيعي العكسي (Inverse Square Root Method).

كما ينبغي التمييز بين كفاية حجم العينة إحصائيًا ومدى تمثيلها لمجتمع الدراسة؛ فزيادة عدد المشاركين لا تضمن وحدها تمثيل المجتمع بصورة صحيحة.

بعد تجهيز البيانات وتحديد النموذج النظري، يمكن البدء في تنفيذ التحليل من خلال الخطوات التالية:

الخطوة الأولى: تثبيت البرنامج وإنشاء مشروع جديد

يبدأ الباحث بالحصول على إصدار SmartPLS المناسب، ثم تثبيته وتفعيله وفق شروط الترخيص المتاحة.

بعد تشغيل البرنامج، ينشئ مشروعًا جديدًا من خلال واجهة البرنامج، ويختار اسمًا يعكس موضوع الدراسة أو النموذج البحثي.

ويُفضل حفظ المشروع داخل مجلد منظم يضم ملف البيانات الأصلي والنسخ المعدلة والنتائج والتقارير.

الخطوة الثانية: استيراد ملف البيانات

بعد إنشاء المشروع، ينتقل الباحث إلى خيار استيراد ملف البيانات (Import Data File)، ثم يحدد الملف المطلوب.

يمكن استيراد البيانات من ملفات Excel أو CSV أو SAV أو TXT، بحسب التنسيقات التي يدعمها البرنامج.

وعند الاستيراد ينبغي مراجعة:

• أسماء المؤشرات.

• أنواع مقاييس البيانات.

• القيم الدنيا والعليا.

• طريقة ترميز القيم المفقودة.

• عدد المشاهدات والمؤشرات المستوردة.

ويجب التأكد من أن البرنامج يتعرف على القيم المفقودة بصورة صحيحة؛ لأن التعامل معها بطريقة غير مناسبة قد يؤثر في حجم العينة والتقديرات الإحصائية.

الخطوة الثالثة: إنشاء نموذج PLS Path Model

بعد إدخال البيانات، يبدأ الباحث في إنشاء نموذج المسار من خلال اختيار المتغيرات والمؤشرات التي ستدخل في التحليل.

ويتم ذلك وفق الخطوات الآتية:

1. فتح محرر النماذج (Model Editor).

2. اختيار المؤشرات من قائمة البيانات.

3. سحب المؤشرات وإفلاتها على مساحة العمل.

4. تجميع المؤشرات المرتبطة في متغير كامن واحد.

5. تسمية المتغيرات وفق مفاهيم الدراسة.

6. تحديد نوع نموذج القياس الانعكاسي أو التكويني.

7. ربط المتغيرات وفق الفرضيات البحثية.

الخطوة الرابعة: رسم العلاقات بين المتغيرات

يستخدم الباحث أداة الربط (Connect Tool) لإنشاء الأسهم التي توضح العلاقات المفترضة بين المتغيرات.

مثال تطبيقي:

لنفترض أن الدراسة تبحث في تأثير جودة الخدمة في ولاء العملاء، مع وجود رضا العملاء كمتغير وسيط.

يمكن بناء النموذج وفق العلاقات الآتية:

• جودة الخدمة ← تؤثر في رضا العملاء.

• رضا العملاء ← يؤثر في ولاء العملاء.

• جودة الخدمة ← تؤثر مباشرة في ولاء العملاء.

ويتيح هذا النموذج اختبار التأثير المباشر وغير المباشر لجودة الخدمة في ولاء العملاء من خلال المتغير الوسيط.

الخطوة الخامسة: تشغيل خوارزمية PLS-SEM

بعد الانتهاء من بناء النموذج، يبدأ الباحث في تشغيل خوارزمية PLS-SEM من قائمة الحسابات (Calculate).

ويختار خوارزمية PLS-SEM، ثم يراجع إعدادات التحليل ويبدأ الحساب.

وتقوم الخوارزمية بتقدير العلاقات بين المتغيرات والمؤشرات، وحساب الأوزان والتحميلات ومعاملات المسار، إلى جانب مجموعة من المؤشرات المرتبطة بتقييم النموذج.

الخطوة السادسة: اختبار الدلالة الإحصائية باستخدام Bootstrapping

بعد تقدير النموذج، يحتاج الباحث إلى اختبار مدى الدلالة الإحصائية للنتائج، ويمكن استخدام أسلوب Bootstrap أو إعادة المعاينة.

ويعتمد هذا الأسلوب على إنشاء عينات متكررة من البيانات الأصلية، ثم إعادة تقدير النموذج عليها، لاستخلاص الأخطاء المعيارية وقيم T وفترات الثقة وقيم P.

وفي التحليل النهائي، يُستخدم عادة عدد كبير من العينات المعاد سحبها، مثل 10,000 عينة، وفق إعدادات الدراسة ومتطلباتها.

وتساعد هذه الخطوة في اختبار دلالة:

• معاملات المسار.

• التحميلات الخارجية.

• الأوزان الخارجية.

• التأثيرات المباشرة وغير المباشرة.

• معاملات الوساطة والتعديل.

• بعض مؤشرات الصدق والثبات.

ولا ينبغي تفسير قيمة P وحدها بمعزل عن حجم التأثير وفترة الثقة والأهمية النظرية للعلاقة.

يُعد تقييم نموذج القياس من أهم مراحل التحليل باستخدام SmartPLS؛ لأنه يحدد مدى قدرة المؤشرات المستخدمة على قياس المتغيرات الكامنة بصورة موثوقة وصحيحة.

ويختلف التقييم وفق نوع القياس؛ فالنماذج الانعكاسية لها معايير تختلف عن النماذج التكوينية.

أولًا: تقييم النموذج الانعكاسي (Reflective Model)

يتضمن تقييم النموذج الانعكاسي مجموعة من المؤشرات الأساسية:

1. التحميلات الخارجية (Outer Loadings)

توضح قوة العلاقة بين كل مؤشر والمتغير الكامن الذي يقيسه.

وتُعد القيمة 0.70 أو أعلى معيارًا إرشاديًا شائعًا للتحميلات، لكنها لا تُستخدم بصورة آلية لاتخاذ قرار حذف المؤشر.

فقد يكون المؤشر الذي تتراوح قيمته بين 0.40 و0.70 قابلًا للاحتفاظ به إذا كان مهمًا من الناحية النظرية، وكان حذفه لا يقدم تحسنًا مبررًا في جودة القياس.

2. الثبات الداخلي (Internal Consistency Reliability)

يهدف إلى التحقق من مدى اتساق المؤشرات التي تقيس المتغير نفسه.

ومن أهم المقاييس المستخدمة:

• معامل كرونباخ ألفا (Cronbach's Alpha).

• معامل الثبات المركب rho_A.

• معامل الثبات المركب rho_C.

وتُستخدم قيمة 0.70 فأعلى كمرجع شائع للثبات المقبول، مع مراعاة طبيعة البحث ومرحلة تطوير المقياس.

كما أن القيم المرتفعة جدًا، خصوصًا التي تتجاوز 0.95، قد تشير إلى وجود تكرار أو تشابه زائد بين بعض المؤشرات.

3. متوسط التباين المستخرج (Average Variance Extracted – AVE)

يقيس مقدار التباين في المؤشرات الذي يستطيع المتغير الكامن تفسيره.

وتُستخدم قيمة 0.50 فأعلى عادةً بوصفها دليلًا على تحقق الصدق التقاربي، أي أن المتغير الكامن يفسر نصف تباين مؤشراته على الأقل.

4. الصدق التمييزي (Discriminant Validity)

يهدف إلى التحقق من أن المتغيرات الكامنة المختلفة تقيس مفاهيم متميزة بالفعل، وليست مجرد تعبيرات متشابهة عن مفهوم واحد.

ومن أبرز المؤشرات المستخدمة:

معيار HTMT:

يُستخدم لفحص مدى التمييز بين المتغيرات الكامنة، وتُستخدم قيمة 0.85 كحد إرشادي شائع، وقد تُستخدم قيمة 0.90 في بعض الحالات التي تكون فيها المفاهيم متقاربة نظريًا، مع ضرورة تقديم مبرر علمي.

ويُفضل أيضًا فحص فترات الثقة الناتجة عن Bootstrap عند تقييم الصدق التمييزي.

جدول إرشادي لمعايير تقييم النموذج الانعكاسي

هذه القيم إرشادية وليست قواعد جامدة؛ إذ ينبغي تفسيرها في ضوء النظرية وطبيعة المقياس وتصميم الدراسة.

ثانيًا: تقييم النموذج التكويني (Formative Model)

يختلف تقييم النموذج التكويني عن النموذج الانعكاسي؛ لأن المؤشرات في النموذج التكويني تسهم في تكوين المتغير الكامن، وليست بالضرورة انعكاسات لمفهوم واحد.

ومن أبرز معايير تقييمه:

1. التأكد من الصدق التقاربي: باستخدام تحليل التكرار (Redundancy Analysis) عند توافر مقياس انعكاسي مناسب للمفهوم نفسه.

2. فحص التداخل الخطي: باستخدام معامل تضخم التباين (VIF) بين المؤشرات التكوينية.

3. تقييم الأوزان الخارجية (Outer Weights): لتحديد مساهمة كل مؤشر في تكوين المتغير.

4. اختبار الدلالة الإحصائية: باستخدام Bootstrap لتقييم أهمية الأوزان.

5. تقييم أهمية المؤشرات نظريًا: حتى إذا لم تظهر بعض الأوزان دالة إحصائيًا، فلا ينبغي حذف المؤشر تلقائيًا إذا كان ضروريًا لتمثيل المفهوم.

ومن الأخطاء الشائعة تطبيق مؤشرات Cronbach's Alpha وAVE على النماذج التكوينية؛ فهذه المعايير لا تُعد مناسبة لتقييم هذا النوع من القياس.

بعد التحقق من جودة نموذج القياس، ينتقل الباحث إلى تقييم النموذج الهيكلي الذي يوضح العلاقات المفترضة بين المتغيرات الكامنة.

وتتضمن هذه المرحلة مجموعة من المؤشرات المهمة:

1. معامل تضخم التباين (VIF)

يُستخدم لفحص مشكلة التداخل الخطي بين المتغيرات المستقلة أو المؤشرات.

وقد تؤدي مستويات التداخل المرتفعة إلى التأثير في استقرار تقديرات معاملات المسار وصعوبة تحديد الأثر المستقل لكل متغير.

وتُستخدم قيم 3 أو أقل في كثير من التطبيقات كإشارة إلى انخفاض مشكلة التداخل، بينما تحتاج القيم الأعلى إلى مراجعة وفق طبيعة النموذج والمراجع المنهجية المعتمدة.

2. معاملات المسار (Path Coefficients)

توضح معاملات المسار اتجاه العلاقة وقوتها بين المتغيرات الكامنة.

وتساعد الباحث على معرفة ما إذا كان تأثير المتغير المستقل في المتغير التابع موجبًا أم سالبًا، ومدى قوة هذا التأثير.

ويجب تفسير المعاملات بالرجوع إلى فرضيات البحث والإطار النظري، وليس من خلال اتجاه الرقم وحده.

3. معامل التحديد (R-Square)

يُستخدم معامل R² لقياس نسبة التباين في المتغير التابع التي يمكن تفسيرها من خلال المتغيرات المستقلة المرتبطة به داخل النموذج.

فعلى سبيل المثال، إذا كانت قيمة R² لمتغير الرضا الوظيفي تساوي 0.60، فهذا يعني أن المتغيرات المستقلة في النموذج تفسر 60% من التباين في الرضا الوظيفي داخل بيانات الدراسة.

ويجب عدم التعامل مع قيمة R² باعتبارها معيارًا موحدًا للحكم على جودة جميع النماذج؛ إذ تختلف القيم المقبولة بحسب مجال البحث وطبيعته وتعقيده.

4. حجم التأثير (Effect Size – f²)

يقيس f² مقدار مساهمة متغير مستقل معين في تفسير التباين في متغير تابع، من خلال مقارنة التغير في R² عند إدخال المتغير أو استبعاده من النموذج.

ومن الحدود الإرشادية الشائعة:

ولا ينبغي تفسير هذه الحدود دون مراعاة السياق النظري والتطبيقي للدراسة.

5. القدرة التنبؤية (Predictive Assessment)

لا يكفي أن يحقق النموذج قيمة R² جيدة أو أن تكون بعض العلاقات دالة إحصائيًا للحكم على قدرته التنبؤية خارج العينة.

لذلك يوفر SmartPLS أدوات إضافية، منها:

• PLSpredict.

• CVPAT.

• مؤشرات Q²_predict.

وتساعد هذه الأدوات على تقييم قدرة النموذج على التنبؤ ببيانات لم تُستخدم في تقديره، ومقارنة أدائه بنماذج مرجعية مناسبة.

6. تقييم ملاءمة النموذج

يمكن الاستعانة ببعض مؤشرات ملاءمة النموذج مثل SRMR عند الحاجة ووفق منهجية الدراسة.

لكن ينبغي عدم الاعتماد على مؤشر واحد لتقديم حكم شامل على جودة نموذج PLS-SEM، كما لا يُنصح بالاعتماد على مؤشر GoF القديم باعتباره معيارًا عامًا وحاسمًا لملاءمة النموذج.

تُعد الوساطة والتعديل من التحليلات المهمة في البحوث التي تتناول العلاقات المعقدة بين المتغيرات.

1. تحليل الوساطة (Mediation Analysis)

يُستخدم تحليل الوساطة عندما يفترض الباحث أن تأثير متغير مستقل في متغير تابع يحدث جزئيًا أو كليًا من خلال متغير وسيط.

مثال تطبيقي:

إذا كان البحث يدرس تأثير جودة الخدمة في ولاء العملاء، فقد يفترض الباحث أن رضا العملاء يلعب دورًا وسيطًا في هذه العلاقة.

ويتم تحليل ذلك من خلال:

• تقدير العلاقة بين جودة الخدمة ورضا العملاء.

• تقدير العلاقة بين رضا العملاء وولاء العملاء.

• تقدير التأثير المباشر لجودة الخدمة في ولاء العملاء.

• حساب التأثير غير المباشر عبر المتغير الوسيط.

• اختبار دلالة التأثير غير المباشر باستخدام Bootstrap.

ولا يكفي ظهور تأثير مباشر دال أو غير دال وحده لتحديد نوع الوساطة؛ بل يجب فحص التأثير غير المباشر وتقديراته وفترات ثقته، ثم تفسير النتيجة وفق النموذج النظري.

2. تحليل التعديل (Moderation Analysis)

يهدف تحليل التعديل إلى معرفة ما إذا كان متغير معين يغير قوة العلاقة أو اتجاهها بين متغيرين آخرين.

مثال تطبيقي:

قد يرغب الباحث في دراسة تأثير التدريب في الأداء الوظيفي، مع افتراض أن الخبرة المهنية تعدل هذه العلاقة.

وفي هذه الحالة، يُضاف تأثير التفاعل بين التدريب والخبرة المهنية داخل النموذج، ثم يُختبر مدى دلالته الإحصائية.

وتساعد نتائج هذا التحليل على فهم الظروف التي تكون فيها العلاقة بين المتغيرات أقوى أو أضعف.

لنفترض أن باحثًا يعمل على دراسة بعنوان:

«أثر جودة الخدمات الإلكترونية في رضا العملاء وولائهم للمنصة الرقمية».

ويرغب في اختبار ثلاثة متغيرات رئيسية:

• جودة الخدمات الإلكترونية.

• رضا العملاء.

• ولاء العملاء.

ويفترض الباحث وجود تأثير مباشر لجودة الخدمات الإلكترونية في رضا العملاء وولاء العملاء، بالإضافة إلى تأثير رضا العملاء في ولاء العملاء.

المرحلة الأولى: تحديد الفرضيات

يمكن صياغة الفرضيات التالية:

• الفرضية الأولى: يوجد تأثير إيجابي لجودة الخدمات الإلكترونية في رضا العملاء.

• الفرضية الثانية: يوجد تأثير إيجابي لجودة الخدمات الإلكترونية في ولاء العملاء.

• الفرضية الثالثة: يوجد تأثير إيجابي لرضا العملاء في ولاء العملاء.

• الفرضية الرابعة: يتوسط رضا العملاء العلاقة بين جودة الخدمات الإلكترونية وولاء العملاء.

المرحلة الثانية: تصميم أداة الدراسة

يُعد الباحث استبيانًا يتضمن مجموعة من العبارات لقياس كل متغير.

ويجب التأكد من ملاءمة العبارات للتعريفات النظرية والإجرائية للمتغيرات.

المرحلة الثالثة: جمع البيانات وتجهيزها

تُجمع استجابات المشاركين، ثم تُنقل إلى ملف Excel أو CSV مع تنظيم أسماء المؤشرات، ومراجعة الاستجابات غير المكتملة والقيم المتطرفة والتكرارات.

المرحلة الرابعة: بناء النموذج في SmartPLS

يتم إنشاء ثلاثة متغيرات كامنة، ثم ربط كل متغير بالمؤشرات التابعة له، وبعد ذلك رسم العلاقات المفترضة بين المتغيرات وفق الفرضيات.

المرحلة الخامسة: تشغيل التحليل وتقييم القياس

يبدأ الباحث بتشغيل خوارزمية PLS-SEM، ثم يراجع التحميلات الخارجية والثبات الداخلي والصدق التقاربي والتمييزي، وفق نوع نموذج القياس المحدد لكل متغير.

المرحلة السادسة: تقييم النموذج الهيكلي

بعد التحقق من جودة القياس، ينتقل الباحث إلى فحص VIF ومعاملات المسار وقيم R² وحجم التأثير f².

المرحلة السابعة: اختبار الفرضيات والوساطة

يستخدم Bootstrap لفحص دلالة العلاقات المباشرة والتأثير غير المباشر لرضا العملاء في العلاقة بين جودة الخدمات الإلكترونية وولاء العملاء.

المرحلة الثامنة: إعداد النتائج

يُنظم الباحث النتائج في جداول توضح معاملات المسار ومستويات الدلالة وفترات الثقة ومؤشرات جودة القياس والتفسير، ثم يربط النتائج بفرضيات الدراسة والدراسات السابقة.

هذا المثال توضيحي، ولا يتضمن نتائج فعلية أو قيمًا إحصائية مفترضة؛ إذ تعتمد النتائج الحقيقية على بيانات الدراسة ومواصفات نموذجها.

لا تكتمل عملية التحليل بمجرد الحصول على الجداول والمؤشرات؛ بل يجب تفسير النتائج بطريقة علمية واضحة وربطها بمشكلة البحث وأهدافه وفرضياته.

ويُفضل تنظيم عرض النتائج في الرسالة أو البحث وفق الأقسام التالية:

1. وصف البيانات والعينة

يشمل عرض خصائص المشاركين، مثل النوع والفئة العمرية والمؤهل والخبرة، وفق المتغيرات التي تتضمنها الدراسة.

2. نتائج تقييم نموذج القياس

يتم عرض نتائج التحميلات والثبات والصدق التقاربي والصدق التمييزي، مع توضيح مدى توافقها مع المعايير المنهجية المناسبة.

3. نتائج تقييم النموذج الهيكلي

يُعرض معامل VIF ومعاملات المسار وR² وf²، إلى جانب مؤشرات القدرة التنبؤية عند استخدامها.

4. نتائج اختبار الفرضيات

يمكن عرض النتائج في جدول يتضمن:

ويجب ملء هذه الخانات بالقيم الفعلية المستخرجة من البرنامج، وعدم وضع نتائج تقديرية أو افتراضية على أنها نتائج حقيقية.

5. مناقشة النتائج

بعد عرض النتائج، ينتقل الباحث إلى تفسيرها في ضوء الإطار النظري والدراسات السابقة، وتوضيح أوجه الاتفاق والاختلاف، ومناقشة الأسباب المحتملة للنتائج، ثم تقديم الدلالات العلمية والتطبيقية.

يوفر البرنامج مجموعة من المميزات التي تجعله خيارًا مناسبًا للباحثين الذين يعملون على نماذج المعادلات الهيكلية.

1. سهولة بناء النماذج بصريًا

يتميز بواجهة تفاعلية تسمح برسم المتغيرات الكامنة والمؤشرات والعلاقات بينها، مما يسهل تصور النموذج البحثي ومراجعته.

2. دعم النماذج المعقدة

يستطيع التعامل مع نماذج تتضمن متغيرات متعددة وعلاقات مباشرة وغير مباشرة وتأثيرات وسيطة ومعدلة.

3. تحليل النماذج التكوينية والانعكاسية

يوفر إمكانات لتقدير وتقييم نوعي القياس، مع اختلاف المعايير الإحصائية المستخدمة في كل منهما.

4. اختبار الفرضيات باستخدام Bootstrap

يساعد على تقدير الدلالة الإحصائية للتحميلات والأوزان ومعاملات المسار والتأثيرات غير المباشرة من خلال إعادة المعاينة.

5. تقييم الصدق والثبات

يوفر مؤشرات متعددة تساعد الباحث على تقييم جودة أدوات القياس، مثل الثبات المركب وAVE وHTMT.

6. دعم التحليل التنبؤي

يتيح أدوات مثل PLSpredict وCVPAT لتقييم أداء النموذج التنبؤي، بدلًا من الاقتصار على تفسير العلاقات داخل العينة.

7. توفير تقارير قابلة للتصدير

يمكن حفظ تقارير التحليل والرجوع إليها، كما تتيح المنصة تصدير بعض النتائج إلى Excel أو HTML بما يسهل تنظيمها ومشاركتها.

على الرغم من إمكاناته، فإن استخدام البرنامج يتطلب فهمًا منهجيًا وإحصائيًا، وهناك بعض التحديات التي ينبغي مراعاتها:

1. الحاجة إلى معرفة إحصائية متخصصة

قد يتمكن المستخدم من رسم النموذج وتشغيل الخوارزمية، لكنه لن يستطيع تفسير النتائج بصورة سليمة دون فهم مفاهيم الثبات والصدق ومعاملات المسار والقدرة التنبؤية.

2. احتمال اختيار نموذج غير مناسب

قد يؤدي بناء نموذج غير مستند إلى نظرية أو إطار علمي واضح إلى نتائج إحصائية لا تعكس العلاقات البحثية المقصودة.

3. الحاجة إلى تجهيز البيانات مسبقًا

تؤثر القيم المفقودة والاستجابات غير الصحيحة والتكرارات والقيم المتطرفة في جودة التحليل، لذلك ينبغي فحص البيانات قبل تشغيل النموذج.

4. عدم كفاية حجم العينة دون دراسة القوة الإحصائية

لا يضمن استخدام PLS-SEM أن أي حجم عينة سيكون مناسبًا، كما لا ينبغي الاعتماد على قاعدة العشرة أضعاف وحدها لتحديد حجم العينة.

5. عدم دلالة النتائج على السببية تلقائيًا

قد تظهر علاقة إحصائية بين متغيرين، لكن ذلك لا يثبت وحده وجود علاقة سببية. ويتطلب الاستدلال السببي تصميمًا بحثيًا مناسبًا وضبطًا للعوامل المربكة وتبريرًا نظريًا.

6. الحاجة إلى مراجعة القرارات المتعلقة بالمؤشرات

قد يقترح البرنامج مؤشرات تحتاج إلى حذف أو مراجعة، لكن اتخاذ قرار حذف المؤشر ينبغي أن يستند إلى مبررات نظرية وإحصائية، وليس إلى تحسين الأرقام فقط.

7. اختلاف الإمكانات حسب الإصدار والترخيص

قد تختلف بعض الأدوات والوظائف بين إصدارات SmartPLS وفئات الترخيص، وهو ما يستلزم مراجعة خصائص الإصدار المستخدم قبل التخطيط للتحليل.

يقع بعض الباحثين في أخطاء منهجية عند استخدام البرنامج، وقد تؤثر هذه الأخطاء في صحة النتائج أو في تفسيرها.

ومن أبرزها:

1. اختيار PLS-SEM لمجرد أن حجم العينة صغير دون مبرر منهجي.

2. استخدام قاعدة العشرة أضعاف باعتبارها الطريقة الوحيدة لتحديد حجم العينة.

3. حذف مؤشرات القياس لمجرد أن تحميلاتها منخفضة دون مراجعة أهميتها النظرية.

4. تطبيق مؤشرات الثبات والصدق الانعكاسية على النماذج التكوينية.

5. الاعتماد على قيمة P وحدها دون فحص معاملات المسار وفترات الثقة.

6. تفسير قيمة R² المرتفعة على أنها دليل كافٍ على صحة النموذج.

7. اعتبار العلاقة الإحصائية دليلًا على السببية.

8. تجاهل القيم المفقودة وعدم توثيق طريقة التعامل معها.

9. استخدام مؤشرات ملاءمة النموذج دون فهم حدودها المنهجية.

10. عرض النتائج دون ربطها بفرضيات الدراسة والدراسات السابقة.

والأفضل أن يتعامل الباحث مع SmartPLS باعتباره أداة لتنفيذ منهج إحصائي، لا بديلًا عن التخطيط المنهجي وفهم طبيعة البيانات والنظرية التي يستند إليها البحث.

يتطلب تحليل البيانات باستخدام SmartPLS فهمًا لمشكلة البحث ومتغيراته وفرضياته، إلى جانب تحديد نوع نموذج القياس، واختيار الأسلوب الإحصائي المناسب، وتقييم الصدق والثبات، وتحليل العلاقات المباشرة وغير المباشرة، ثم تفسير النتائج بصورة علمية.

وفي هذا الإطار، يمكن أن تساعدك شركة دراسة للبحث العلمي والاستشارات في الجوانب المرتبطة بالتحليل الإحصائي وإعداد البحوث، وفق طبيعة الدراسة واحتياجات الباحث، ومن أبرزها:

• مراجعة نموذج الدراسة وتحديد المتغيرات والعلاقات المفترضة.

• المساعدة في تحديد متطلبات استخدام PLS-SEM.

• تنظيم البيانات وتجهيزها قبل التحليل.

• المساعدة في تقييم نموذج القياس الانعكاسي والتكويني.

• تحليل الثبات والصدق التقاربي والتمييزي.

• اختبار الفرضيات والتأثيرات المباشرة وغير المباشرة.

• تحليل الوساطة والتعديل عند الحاجة.

• تنظيم الجداول والنتائج الإحصائية.

• المساعدة في تفسير النتائج وكتابتها ضمن فصل النتائج ومناقشتها.

ويهدف هذا الدعم إلى مساعدة الباحث على فهم المخرجات الإحصائية وربطها بأهداف دراسته وفرضياتها، مع ضرورة أن تكون جميع القرارات التحليلية مستندة إلى منهجية واضحة ومراجعة علمية دقيقة.

هل تحتاج إلى مساعدة في تحليل بيانات بحثك باستخدام SmartPLS؟ تواصل مع شركة دراسة للبحث العلمي والاستشارات للتعرف على خدمات الدعم الإحصائي والبحثي المناسبة لدراستك.

نحن في شركة دراسة نسعى دائمًا لتقديم أفضل الخدمات الأكاديمية التي تلبي احتياجات الباحثين وطلاب الدراسات العليا. هنا بعض النماذج من الأعمال السابقة التي قمنا بتنفيذها بنجاح: يمكنك معرفة المزيد عن نماذج من أعمال سابقة 

نحن في شركة دراسة نحرص على تقديم خدمات أكاديمية متخصصة تلبي احتياجات الباحثين وطلاب الدراسات العليا، ونعتز بتجارب عملائنا وآرائهم حول الخدمات التي حصلوا عليها.

للاطلاع على المزيد من آراء العملاء وتجاربهم، يمكنك الضغط هنا: آراء العملاء وتجاربهم

نفخر في شركة دراسة بفريق أكاديمي متخصص يتميز بالخبرة والتنوع في مختلف التخصصات، ويضم:

• أساتذة جامعيين من مختلف التخصصات العلمية.
• حَمَلة درجات الدكتوراه ذوي خبرة أكاديمية متخصصة.
• خبرات أكاديمية تمتد لأكثر من 30 عامًا في دعم الباحثين وطلاب الدراسات العليا.
• متخصصون في مجالات البحث العلمي لمساعدة الباحثين وفق طبيعة كل دراسة واحتياجاتها.
• دعم أكاديمي متكامل يراعي متطلبات البحث العلمي والمعايير الأكاديمية.

يمثل SmartPLS أداة متقدمة لتحليل البيانات البحثية باستخدام نمذجة المعادلات الهيكلية، إذ يتيح للباحث بناء النماذج النظرية وتقدير العلاقات بين المتغيرات الكامنة، وتقييم جودة أدوات القياس، واختبار الفرضيات المباشرة وغير المباشرة، إلى جانب تحليل الوساطة والتعديل والقدرة التنبؤية.

ومع ذلك، فإن نجاح التحليل لا يعتمد على تشغيل البرنامج أو الحصول على مؤشرات إحصائية مقبولة فحسب، بل يبدأ من تحديد سؤال البحث واختيار المنهج المناسب، وتجهيز البيانات، وبناء نموذج يستند إلى أساس نظري واضح، ثم تقييم جودة القياس والنموذج الهيكلي وتفسير النتائج في ضوء أهداف الدراسة.

لذلك، احرص على التعامل مع SmartPLS باعتباره وسيلة لتنفيذ التحليل الإحصائي، مع الاهتمام بفهم المؤشرات وتوثيق الإجراءات ومراجعة النتائج قبل اعتمادها في الرسالة أو البحث العلمي.