فتحت SmartPLS، ورسمت النموذج، وضغطت Calculate، فظهرت لك عشرات الجداول: أيها تقرأ أولًا، وأيها تضع في الرسالة؟ هذا هو التحدي الحقيقي مع SmartPLS؛ البرنامج سهل الاستخدام، لكن تقييم النموذج له ترتيب محدد توصي به أدبيات PLS-SEM: نموذج القياس أولًا، ثم النموذج البنائي، ولكل مرحلة مؤشرات وحدود. هذا الدليل يمر بك على الخطوات بالترتيب، من إعداد ملف البيانات إلى جدول قرارات الفرضيات، مع حدود كل مؤشر منسوبة لمصدرها، ومثال رقمي متسق يمكنك مقارنة مخرجاتك به.
هذا المقال جزء من دليل كتابة رسالة الماجستير الذي يُعدّه فريق Mastermind PhD، ويرتبط بخدمة التحليل الإحصائي. آخر تحقق من المصادر: نوفمبر 2026.
ما هو SmartPLS؟ برنامج بواجهة رسومية لتقدير نماذج المعادلات البنائية بطريقة المربعات الصغرى الجزئية (PLS-SEM). يقدّر النموذج بتعظيم التباين المفسر في المتغيرات الداخلية، ولا يفترض اعتدال التوزيع، ويختبر الدلالة بطريقة Bootstrapping. يُستخدم كثيرًا في رسائل الإدارة والتسويق ونظم المعلومات حين يكون الهدف التنبؤ أو تفسير التباين أو يكون النموذج معقدًا.
متى تختار SmartPLS بدل AMOS؟
يوصي Hair وآخرون في A Primer on PLS-SEM باختيار PLS-SEM حين يكون هدف البحث التنبؤ وتفسير التباين في المتغيرات الرئيسة، أو استكشاف امتداد لنظرية قائمة، أو حين يكون النموذج معقدًا بمتغيرات ومسارات كثيرة، أو حين تتضمن البنية متغيرات تكوينية (Formative)، أو حين تكون العينة محدودة نسبيًا. أما إن كان هدفك اختبار نظرية راسخة ومقارنة مطابقة نماذج بديلة فنهج التباين المشترك في AMOS أنسب. المهم أن تذكر سبب الاختيار في المنهجية، لا أن تختار SmartPLS لأن «النتائج فيه أفضل».
الخطوة الأولى: تجهيز البيانات وإنشاء المشروع
- جهّز ملف البيانات بصيغة CSV أو Excel: صف لكل مشارك وعمود لكل فقرة، بأسماء قصيرة بلا مسافات (SQ1، SQ2 …).
- عالج القيم المفقودة والاستجابات غير الجادة في SPSS أولًا، أو حدد رمز القيم المفقودة عند الاستيراد.
- أنشئ مشروعًا جديدًا (New project)، ثم استورد ملف البيانات، وتأكد من أن البرنامج تعرّف على كل الأعمدة كمتغيرات رقمية.
📱 اسأل مختصًا إحصائيًا عن بياناتك — أرسل وصف أداة الدراسة وحجم العينة على واتساب، ونرد عليك بخطة التحليل المناسبة. مع كل تحليل تستلم ملف SPSS الخام وتقرير النتائج.
الخطوة الثانية: رسم النموذج
ارسم المتغيرات الكامنة بأداة Latent variable، واسحب الفقرات إليها، ثم ارسم المسارات بين المتغيرات الكامنة وفق فرضياتك. تأكد من اتجاه القياس: في القياس الانعكاسي (Reflective) تتجه الأسهم من المتغير الكامن إلى الفقرات، وهو الشائع في مقاييس الاتجاهات والإدراكات. أما التكويني (Formative) فتتجه الأسهم من الفقرات إلى المتغير، وتقييمه مختلف تمامًا، ولا يُختار إلا بمبرر نظري.
الخطوة الثالثة: تشغيل خوارزمية PLS-SEM
شغّل PLS-SEM algorithm بالإعدادات الافتراضية غالبًا (مخطط الترجيح Path)، واطلب التقرير. هذه المرحلة تعطيك التشبعات والثبات وAVE وHTMT وR² ومعاملات المسار، لكنها لا تعطي الدلالة؛ الدلالة تأتي من Bootstrapping لاحقًا.
الخطوة الرابعة: تقييم نموذج القياس الانعكاسي
| المؤشر | الحد المقترح | المصدر |
|---|---|---|
| تشبع الفقرة | 0.708 فأكثر، وبين 0.40 و0.70 يُنظر في حذفها إن حسّن حذفها الثبات وAVE | Hair et al., A Primer on PLS-SEM |
| الثبات (ألفا، rho_A، الثبات المركب) | من 0.70 إلى 0.95، وما فوق 0.95 قد يعني تكرارًا في الفقرات | Hair et al., A Primer on PLS-SEM |
| متوسط التباين المستخلص AVE | 0.50 فأكثر | Fornell & Larcker (1981) |
| HTMT | أقل من 0.85، أو 0.90 للمفاهيم المتقاربة، ويُفضَّل اختبار أن فترته لا تبلغ 1 | Henseler, Ringle, & Sarstedt (2015) |
لماذا 0.708؟ لأن مربعه يساوي نحو 0.50، أي أن المتغير الكامن يفسر نصف تباين الفقرة على الأقل. وقد بيّن Henseler وزملاؤه (2015) بمحاكاة أن معيار Fornell-Larcker ضعيف في كشف مشكلات الصدق التمييزي في نماذج PLS، لذلك أصبح HTMT هو المعيار المعتمد، ويمكن عرض Fornell-Larcker معه.
الخطوة الخامسة: Bootstrapping واختبار الدلالة
شغّل Bootstrapping بعدد كبير من العينات الفرعية (5000 أو 10000 كما توصي أدبيات PLS-SEM)، واختر نوع فترة الثقة واختبارًا ثنائي الذيل ما لم تكن فرضياتك اتجاهية ومبررة. من المخرجات اقرأ لكل مسار: المعامل الأصلي (Original sample)، وقيمة t، وقيمة p، وفترة الثقة 95%. القاعدة: المسار دال إذا كانت p أقل من 0.05 وفترة الثقة لا تشمل الصفر. ومن Specific indirect effects تقرأ الآثار غير المباشرة للوسطاء.
الخطوة السادسة: تقييم النموذج البنائي
| المؤشر | ما يقيسه | الحد أو التفسير | المصدر |
|---|---|---|---|
| VIF الداخلي | التعدد الخطي بين المنبئات | يُفضَّل أقل من 3، والأعلى من 5 مشكلة | Hair et al., A Primer on PLS-SEM |
| معامل المسار ودلالته | قوة الأثر المباشر | دال إذا p < .05 وفترة الثقة لا تشمل الصفر | Hair et al., A Primer on PLS-SEM |
| R² | التباين المفسر | 0.75 كبير، 0.50 متوسط، 0.25 ضعيف، مع مراعاة التخصص | Hair et al., A Primer on PLS-SEM |
| f² | حجم أثر المنبئ في R² | 0.02 صغير، 0.15 متوسط، 0.35 كبير | Cohen (1988) |
| Q² أو PLSpredict | القدرة التنبؤية خارج العينة | Q² أكبر من صفر يدل على قدرة تنبؤية | Hair et al., A Primer on PLS-SEM |
وحساب f² يدويًا: f² = (R² مع المنبئ − R² بدونه) ÷ (1 − R² مع المنبئ).
مثال رقمي كامل: من المخرجات إلى جدول الفرضيات
نموذج على 280 عميلًا: جودة الخدمة (SQ) تؤثر في الرضا (SAT) وفي الولاء (LOY)، والرضا يؤثر في الولاء، أي أن الرضا وسيط.
نموذج القياس: تراوحت التشبعات بين 0.74 و0.88، والثبات المركب بين 0.88 و0.92، وAVE بين 0.62 و0.69، وأعلى قيمة HTMT كانت 0.71 بين الرضا والولاء، أي أقل من 0.85. القياس مقبول.
النموذج البنائي بعد Bootstrapping بـ10000 عينة:
| الفرضية | المسار | β | t | p | القرار |
|---|---|---|---|---|---|
| H1 | SQ → SAT | 0.62 | 14.8 | < .001 | مقبولة |
| H2 | SAT → LOY | 0.45 | 7.1 | < .001 | مقبولة |
| H3 | SQ → LOY | 0.28 | 4.2 | < .001 | مقبولة |
| H4 | SQ → SAT → LOY (غير مباشر) | 0.28 | فترة ثقة 95% [0.20، 0.36] | دال | مقبولة |
التحقق من الاتساق: الأثر غير المباشر 0.62 × 0.45 = 0.279. وR² للرضا = 0.62² = 0.38 لأن له منبئًا واحدًا. ولحساب R² للولاء: الارتباط الضمني بين الجودة والولاء = 0.28 + 0.279 = 0.559، وبين الرضا والولاء = 0.45 + (0.28 × 0.62) = 0.624؛ فـR² = (0.28 × 0.559) + (0.45 × 0.624) = 0.157 + 0.281 = 0.44. وVIF لمنبئَي الولاء = 1 ÷ (1 − 0.62²) = 1.62، فلا تعدد خطيًا.
أحجام الأثر: بدون الجودة يبقى R² للولاء = 0.624² = 0.389، فـf² للجودة = (0.437 − 0.389) ÷ 0.563 = 0.09، أي أثر صغير إلى متوسط. وبدون الرضا يبقى 0.559² = 0.313، فـf² للرضا = (0.437 − 0.313) ÷ 0.563 = 0.22، أي أثر متوسط.
الصياغة المقترحة: «أظهرت نتائج Bootstrapping (10000 عينة) أثرًا دالًا لجودة الخدمة في الرضا (β = .62، t = 14.8، p < .001) وفي الولاء (β = .28، t = 4.2، p < .001)، وللرضا في الولاء (β = .45، t = 7.1، p < .001)، وأثرًا غير مباشر دالًا لجودة الخدمة في الولاء عبر الرضا (β = .28، 95% CI [.20، .36]). وفسر النموذج 38% من تباين الرضا و44% من تباين الولاء».
أخطاء شائعة في SmartPLS
- قراءة الدلالة من خوارزمية PLS بدل Bootstrapping.
- استخدام عدد قليل من عينات Bootstrap (500 مثلًا) في التقرير النهائي.
- حذف فقرات كثيرة لرفع AVE دون مراعاة صدق المحتوى.
- طلب مؤشرات مطابقة كلية مثل CFI من نموذج PLS، أو تقديم SRMR وحده دليلًا على جودة النموذج.
- تحديد القياس تكوينيًا لأن نتائجه «أفضل» دون مبرر نظري.
- إغفال VIF وf² وQ² والاكتفاء بجدول المسارات.
📱 استفسر الآن على واتساب — 5 سنوات خبرة في كل التخصصات و14 خدمة أكاديمية. الدفع على مرحلتين (80/20)، والتعديلات مجانية حتى اعتماد المشرف في حدود 30% من الفصل.
الأسئلة الشائعة
كم عينة Bootstrap أستخدم في SmartPLS؟
توصي أدبيات PLS-SEM بعدد كبير مثل 5000 أو 10000 عينة فرعية للتقرير النهائي، ويمكن استخدام عدد أقل للتجربة السريعة أثناء بناء النموذج فقط.
هل أحذف الفقرة إذا كان تشبعها 0.65؟
ليس تلقائيًا. يقترح Hair وآخرون أن الفقرة بين 0.40 و0.70 تُحذف فقط إذا أدى حذفها إلى رفع الثبات المركب أو AVE فوق الحد، مع مراعاة أثر الحذف على صدق المحتوى.
هل يكفي SmartPLS لعينة من 120 مشاركًا؟
قد يكفي إذا كان النموذج بسيطًا وعدد المنبئات لكل متغير داخلي قليلًا. احسب الحد الأدنى بتحليل القوة الإحصائية بدل قاعدة «عشرة أضعاف» وحدها، واذكر صغر العينة ضمن حدود الدراسة.
ما الفرق بين HTMT وFornell-Larcker؟
كلاهما للصدق التمييزي، لكن Henseler وزملاءه (2015) أظهروا أن Fornell-Larcker لا يكشف المشكلات بدقة في نماذج PLS، وأن HTMT أدق. اعرض HTMT أساسًا ويمكن إضافة Fornell-Larcker للمقارنة.
كيف أعرض نتائج SmartPLS في الرسالة؟
جدول للتشبعات والثبات وAVE، وجدول HTMT، ثم جدول VIF، ثم جدول المسارات بمعاملاتها وقيم t وp وفترات الثقة وقرار الفرضيات، ثم جدول R² وf² وQ²، مع شكل النموذج النهائي من البرنامج.
المصادر
- Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (3rd ed.). SAGE.
- Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8
- Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50.
- Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum.
- SmartPLS. SmartPLS documentation. https://www.smartpls.com/documentation/
آخر تحقق من المصادر: نوفمبر 2026. المقال تعليمي عام ولا يغني عن لائحة جامعتك أو توجيهات مشرفك. كيف نُعد محتوانا.