Download præsentationen
Præsentation er lastning. Vent venligst
1
شهریار محسنین و دكتر محمدرحيم اسفيداني
بخش دوم معیارهای آزمون مدل در نرم افرار Smart-PLS شهریار محسنین و دكتر محمدرحيم اسفيداني دانشجوي دكتري مديريت بازاريابي و عضو هيأت علمي دانشگاه تهران
2
منبع مدل سازی معادلات ساختاری با رویکرد حداقل مربعات جزئی به کمک نرم افزار Smart-PLS شهریار محسنین (دانشجوی دکتری مدیریت بازاریابی) دکتر محمدرحیم اسفیدانی (عضو هیئت علمی دانشگاه تهران) ناشر: نشر مهربان تمام رنگی
3
آموزش نرم افزار Smart-PLS
بخش اول مقدمه ساختاربندی کتاب فهرست مطالب اهداف فصول کتاب آموزش نرم افزار Smart-PLS
4
آموزش نرم افزار Smart-PLS
مقدمه نسل اول مدل سازی معادلات ساختاری با رویکرد مبتنی بر کواریانس با حجم نمونه بالا، نرمال بودن دادهها جمعآوری شده و انعکاسی بودن مدلهای اندازهگیری به دنبال تأئید مدل بوده است. نرم افزارهایی نظیر Lisrel، Amos، EQS و MPlus چهار نرم افزار متداول و پرکاربرد در این رویکرد و نسل اول مدلسازی معادلات ساختاری به شمار میآیند. این روش به دلیل برخی محدودیتهایش که ما آن را ضعف نمینامیم، باعث گردید؛ محققان به دنبال رویکرد دیگری برای برطرف نمودن محدودیتهای رویکرد مذکور باشند. رویکردی که به نسل دوم مدلسازی معادلات ساختاری یا PLS-SEM معروف شده است. نسل دوم مدلسازی معادلات ساختاری معروف به رویکرد حداقل مربعات جزئی یا رویکرد مبتنی بر واریانس برای تحلیل دادههای جمعآوری شده فرآیندی مشابه ولی متفاوت با تکیه بر محدودیت های رویکرد مبتنی بر کواریانس ارائه نمود. توانایی این رویکرد در کار با دادههای اندک، عدم حساسیت به نرمال بودن دادهها، توانایی در پیش بینی و پشیتبانی از مدل های بسیار پیچیده و همچنین قابلیت مدل اندازهگیری ترکیبی و انعکاسی به سرعت در میان پژوهشگران رواج یافت و به تبع آن نرم افزارهای متنوعی برای اجرای این رویکرد معرفی شدند؛ نرم افزارهایی نظیر Visual-PLS، PLS-Graph، Warp-PLS، XLSTAT و Smart-PLS که نرم افزار آخر که در سال 2005 معرفی گردید، معروفترین و پرکاربردترین آنها میباشد. آموزش نرم افزار Smart-PLS
5
آموزش نرم افزار Smart-PLS
ساختاربندی کتاب به لحاظ ساختار بندی، کتاب مشتمل بر شش فصل و 3 پیوست است که هر فصل موضوع و هدف خواست خود را دارد. در این کتاب: مباحث مدلسازی معادلات ساختاری با هر دو رویکرد مبتنی بر کواریانس و واریانس در فصل اول به صورت مختصر و مفید در اختیار خوانندگان و محققان قرار گرفته است. انواع معیارهای آزموم مدل اعم از معیارهای آزمون مدل اندازهگیری انعکاسی، مدل اندازهگیری ترکیبی، مدل ساختاری و در نهایت معیار آزمون کلی مدل در نرم افزار Smart-PLS در فصل دوم تشریح شده است. آشنایی با نرمافزار Smart-PLS و منوهای آن نیز به طور مختصر در فصل سوم در اختیار خوانندگان قرار گرفته است. در فصل چهارم از این کتاب، شما را با نحوه ترسیم و محاسبه مدل در نرم افزار Smart-PLS اعم از وارد کردن داده، ترسیم، محاسبه و آزمون مدل آشنا خواهیم کرد. گزارش خروجی های نرم افزار به تفکیک گزارش الگوریتم حداقل مربعات جزئی، گزارش دستور راه اندازی خودکار و گزارش دستور Blindfolding در فصل پنجم تشریح شده است. در فصل ششم نیز شما را با نحوه اجرای مدل با متغیر تعدیلگر و همچنین نحوه تفسیر آن آشنا خواهیم نمود تمریناتی در پایان هر فصل برای آشنایی و یادگیری بهتر مدل سازی معادلات ساختاری به کمک نرم افزار آموزش داده شده به دو صورت عملی و نظری در نظر گرفته شده است. راهنمای نصب نرم افزار Smart-PLS، پرسشنامه استاندارد و نحوه گزارش دهی در یک کار تحقیقاتی با اضافه نمودن یک کار پژوهشی (پایان نامه کارشناسی ارشد) در پیوست کتاب در اختیار محققان عزیز قرار گرفته است. همچنین با توجه به هدف تحقیق و ابزار مورد استفاده برای رسیدن به نتایج مورد انتظار از این رویکرد بهره میبرند؛ یک مقاله علمی پژوهشی برای راهنمای عملی و آموزشی محققان در پیوسیت شماره 3 آورده شده است. همچنین نرمافزارهای LISREL 8.8، AMOS 21، EQS6.1، Visual-PLS و Smart-PLS در CD همراه کتاب برای محققان گرامی گنجانده شده است. آموزش نرم افزار Smart-PLS
6
آموزش نرم افزار Smart-PLS
فهرست مطالب تکنیک های نسل اول مدل سازی معادلات ساختاری مفاهیم و اصطلاحات رایج در مدلسازی معادلات ساختاری دیدگاه های رایج در مدلسازی معادلات ساختاری تحلیل عاملی مرتبه اول و دوم در مدل سازی معادلات ساختاری رویکردهای مدلسازی معادلات ساختاری دلایل استفاده از رویکرد حداقل مربعات جزئی فصل اول آموزش نرم افزار Smart-PLS
7
آموزش نرم افزار Smart-PLS
فهرست مطالب معیارهای آزمون مدل اندازه گیری انعکاسی معیارهای آزمون مل اندازه گیری ترکیبی معیارهای آزمون مدل ساختاری معیارهای آزمون کلی مدل مسیری تائیدی فصل دوم آموزش نرم افزار Smart-PLS
8
آموزش نرم افزار Smart-PLS
فهرست مطالب شروع کار با نرم افزار Smart-PLS آشنایی با محیط نرم افزار آشنایی با منوها و آیکون های نرم افزار فصل سوم آموزش نرم افزار Smart-PLS
9
آموزش نرم افزار Smart-PLS
فهرست مطالب وارد کردن داده به نرم افزار ترسیم مدل در نرم افزار محاسبه مدل در نرم افزار آزمون مدل در نرم افزار فصل چهارم آموزش نرم افزار Smart-PLS
10
آموزش نرم افزار Smart-PLS
فهرست مطالب آشنایی برا گزارشات الگوریتم حداقل مربعات جزئی آشنایی با گزارشات دستور Bootstrapping آشنایی با گزارشات دستور Blindfolding فصل پنجم آموزش نرم افزار Smart-PLS
11
آموزش نرم افزار Smart-PLS
فصل اول با مطالعه این فصل دانشجویان و کاربران گرامی، اطلاعات پایهای در زمینه مدل سازی معادلات ساختاری را که پایه و اساس موضوعات مورد بحث در فصلهای پیش رو میباشد را بدست خواهند آورد. همچنین در ادامه، دو رویکرد مبتنی بر کواریانس و واریانس با هم مقایسه شده و مفاهیم آن تشریح خواهد شد. در انتهای این فصل شش تمرین برای یادگیری بهتر این فصل طراحی شده است که سعی دارد توانایی شما را در یکپارچه سازی مطالب مدل سازی معادلات ساختاری بالا برد. آموزش نرم افزار Smart-PLS
12
آموزش نرم افزار Smart-PLS
فصل دوم مدلسازی معادلات ساختاری به روش حداقل مربعات جزئی (PLS-SEM) برخلاف روش کواریانس محور (نرم افزارهایی نظیر AMOS، LISREL و EQS) فاقد شاخصهای برازش مدل مبتنی بر کای دو جهت بررسی میزان مطابقت مدل نظری با دادههای گردآوری شده میباشد، این امر به ماهیت پیشبین محور PLS بستگی دارد. بنابراین شاخصهای برازش که به همراه این رویکرد توسعه یافتهاند مربوط به بررسی کفایت مدل در پیشبینی متغیرهای وابسته میشوند؛ مانند شاخصهای افزونگی (Communality) و حشو (Redundancy) یا شاخص GOF میباشد. در واقع این شاخصها نشان میدهند که برای مدل اندازهگیری معرفها تا چه حد توانائی پیشبینی سازه زیربنایی خود را دارند و برای مدل ساختاری، متغیرهای برونزا تا چه حد و با چه کیفیتی توانائی پیشبینی متغیرهای درونزا مدل را دارند هدف اصلی این فصل آشنایی شما با روشهای تحلیل مدل سازی مسیر به کمک نرمافزار Smart-PLS میباشد. در انتهای این فصل شما یاد خواهید گرفت که در یک کار تحقیقاتی از چه ابزارهایی برای تحلیل مدل خود استفاده نمائید. ابزارهای تحلیل مدل اندازهگیری انعکاسی و ترکیبی کدامند، چه تفاوتی با هم دارند. برای آزمون مدل ساختاری چه شاخصهایی وجود دارد و در نهایت مدل کلی PLS با چه شاخصی آزمون میشود. آموزش نرم افزار Smart-PLS
13
آموزش نرم افزار Smart-PLS
فصل سوم PLS نرم افزاری کاربردی برای طراحی مدلهای معادلات ساختاری است که به کاربر این اجازه را میدهد به جای نوشتن فرامین بلند و پیچیده از نشانگرهای گرافیکی استفاده نماید. این نرمافزار برای مدلسازی مسیر با متغیرهای مکنون پنهان و آشکار (مدل عمومی معادلات ساختاری) به کمک روش PLS طراحی شده است. از جمله قابلیتهای این نرمافزار FIMIX (زمانی که پژوهشگر علاقه دارد که وجود عدم تجانس (ناهمگونی) بین دادهها را مورد بررسی قرار دهد)، Blindfolding و سایر خصوصیاتی است که در ادامه کتاب با آنها آشنا خواهید شد. قابلیت گرافیکی ساده و آسان این نرم افزار به کاربر اجازه میدهد که مدل ساختاری خود را براحتی از طریق کشیدن و رها کردن (Drag & Drop) ایجاد نماید و روابط مدنظر را ایجاد کند. گزارشهای خروجی در قالب دو نسخه HTML و LATEX طراحی شده است. همچنین روش نمونهگیری مجدد آن شامل BT و BF است. هدف اصلی این فصل آشنایی شما با نوار ابزارها، منوها و آیکونهای موجود در نرم افزار Smart-PLS میباشد. در ادامه این فصل شما را با نحوه وارد کردن اطلاعات و شروع کار با نرم افزار آشنا خواهیم نمود. آموزش نرم افزار Smart-PLS
14
آموزش نرم افزار Smart-PLS
فصل چهارم پیشتر شما در فصلهای گذشته با مفهوم مدلسازی معادلات ساختاری و روش حداقل مربعات جزئی (PLS)، مفاهیم، کاربردها و تفاوتهای آن با سایر نرمافزارهای معادلات ساختاری آشنا نمودیم. نحوه آزمون گرفتن از مدل اندازهگیری و ساختاری را در Smart-PLS به شما آموزش دادیم. در فصل گذشته نیز شما را با منوهای نرم افزار و گزینههای آن آشنا نمودیم. حال در این فصل با بهرهگیری از دانش آموزش داده شده، به دنبال ترسیم، محاسبه و تفسیر یک نمونه عملی به صورت گام به گام و کاملاً ساده هستیم. در پایان این فصل شما خواهید توانست به راحتی یک مدل ساختاری را به کمک نرم افزار Smart-PLS اجرا نمائید. آموزش نرم افزار Smart-PLS
15
آموزش نرم افزار Smart-PLS
فصل پنجم در اینجا نگاهی اجمالی به خروجیها یا گزارش (Report) نرم افزار Smart-PLS میاندازیم. برای دسترسی به خروجی نرمافزار باید گامهای زیر را بردارید: تعریف پروژه (جدید) وارد کردن دادههای آماری با پسوند csv ترسیم مدل پژوهش (ایجاد متغیرهای پنهان، ایجاد روابط بین آنها و مشخص کردن متغیرهای مشاهدهپذیر مربوط به هر متغیر پنهان) محاسبه مدل ترسیم شده از طریق الگوریتمهای موجود (منوی Calculate) گرفتن خروجی یا گزارش از نرمافزار (منوی Report) به ترتیب سه خروجی الگوریتم حداقل مربعات جزئی (PLS Algorithm) برای دسترسی به ضرایب مسیر یا بارهای عاملی، دستور راهاندازی خودکار (Bootstrapping) برای دسترسی به اعداد معناداری و دستور Blindfolding برای دسترسی به اشتراک یا افزونگی با روایی متقاطع متغیرهای تحقیق را به صورت اجمالی تشریح مینمائیم آموزش نرم افزار Smart-PLS
16
آموزش نرم افزار Smart-PLS
فصل ششم هدف ما در این فصل آموزش نحوه ترسیم مدل با وجود متغیر تعدیلکننده در نرم افزار Smart-PLS، نحوه محاسبه و تفسیر خروجی بر اساس آنچه تاکنون توضیح داده شده، میباشد. در همین راستا با بهرهگیری از دادههای یک کار پژوهشی به صورت عملی و گام به گام شما را با دو رویکرد حاصلضربی و مرحلهای در تعیین میزان اثر متغیر تعدیلکننده به کمک نرم افزار Smart-PLS بیشتر و بهتر آشنا میکنیم. روشهای گوناگونی برای محاسبه میزان اثر متغیر تعدیل کنننده در رابطه بین دو متغیر (به اصطلاح صحیح تر اثر متغیر برون زا بر متغیر درونزا) در ادبیات مدل سازی معادلات ساختاری عنوان شده است (آذر و همکاران، 1391): رویکرد دو مرحلهای (2-Stage Approach) توسط Henseler & Fassott (2010) رویکرد ساخت متغیر تعاملی (Product Indicator Approach) توسط Chin و همکارانش (2003) رویکرد ترکیبی (Hybrid Approach) توسط Wold (1982) رویکرد تعامدی (Orthegonalization Approach) توسط little و همکارانش (2006( از این میان، دو روش نخست (رویکرد دو مرحلهای و رویکرد ساخت متغیر تعاملی یا حاصلضربی)، جزء پرکاربردترین رویکردهای تحلیل نقش متغیر تعدیلکننده به حساب میآیند. زمانی که متغیر تعدیلکننده از نوع متغیر کیفی (طبقهای مانند جنسیت یا طبقه اجتماعی) باشد یا متغیر تعدیلکننده از نوع ترکیبی باشد، رویکرد گروهی یا چند مرحلهای (مقایسه برآوردهای مدل برای گروههای متفاوت از پاسخدهندگان) را میتوان به عنوان موردی ویژه از اثرات تعدیلکننده در نظر گرفت؛ و چنانچه متغیر تعدیلکننده از نوع متغیر کمی (مانند سبک تصمیمگیری یا سبک زندگی در مطالعات علوم رفتاری) و مدل اندازهگیری آن از نوع انعکاسی باشد، رویکرد حاصلضربی را میتوان برای برآورد اثرات تعدیلکننده در نظر گرفت. آموزش نرم افزار Smart-PLS
17
آموزش نرم افزار Smart-PLS
بخش دوم معیارهای آزمون مدل اندازه گیری انعکاسی آزمون های پایایی (Validity Test) آزمون های روایی (Reliability Test) آزمون کیفیت مدل اندازه گیری انعکاسی معیارهای آزمون مدل اندازه گیری ترکیبی سطح متغیر پنهان سطح متغیر مشاهده پذیر آزمون مدل ساختاری آزمون برازش کلی مدل در نرم افزار Smart-PLS آموزش نرم افزار Smart-PLS
18
معیارهای آزمون مدل اندازه گیری انعکاسی
آزمون پایایی مدل اندازه گیری آلفای کرونباخ پایایی مرکب (Composite Reliability) آزمون روایی مدل اندازه گیری روایی همگرا (Convergent Validity) روایی تأئیدی آزمون متوسط واریانس استخراج شده (AVE) روایی واگرا (Discriminant Validity) آزمون فورنل و لارکر آزمون بارعرضی آموزش نرم افزار Smart-PLS
19
آزمون پایایی مدل اندازه گیری انعکاسی
آلفای کرونباخ طبق گفته George and Mallery (2003, p.231) : مقادیر بالای 0.9 = عالی مقادیر بالای 0.8 = خوب مقادیر بالای 0.7 = قابل قبول مقادیر بالای 0.6 = سوال برانگیز مقادیر بالای 0.5 ضعیف پایایی مرکب (CR) معیار این شاخص برای بررسی همسانی درونی مدل اندازه گیری مقدار 0.7 به بالا می باشد توجه برای مشاهده مقادیر دو شاخص فوق در نرم افزار Smart-PLS به خروجی PLS Algorithm رجوع نمائید. آموزش نرم افزار Smart-PLS
20
آزمون روایی مدل اندازه گیری انعکاسی
روایی تأئیدی مدلی همگن خواهد بود که قدرمطلق بارهای عاملی هر یک از متغیرهای مشاهده پذیر متناظرش دارای حداقل مقدار 0.7 باشد (Carmines and Zeller, 1979) برخی حداقل مقدار 0.5 را به عنوان دامنه پذیرش بارعاملی مدل اندازه گیری انعکاسی شده برگزیده اند (Hulland, 1999; Neupane et al., 2014; Chin, 1998) به عقیده (Rivard and Huff, 1988)؛ چنانچه این مقدار کمتر از 0.7 بوده ولی تعداد مشاهده پذیرها کم باشد و AVE متغیر مربوطه بالای 0.5 باشد، می توان متغیر مشاهده پذیر را در مدل اندازه گیری انعکاسی حفظ نمود. توجه برای مشاهده مقادیر این شاخص در نرم افزار Smart-PLS به خروجی بارهای بیرونی (Outer Loadings) از دستور PLS Algorithm رجوع نمائید. آموزش نرم افزار Smart-PLS
21
آموزش نرم افزار Smart-PLS
ادامه ... شاخص متوسط واریانس استخراج شده (AVE) این شاخص توسط فورنل و لارکر (1981) پیشنهاد شد برای این شاخص حداقل مقدار 0.5 درنظر گرفته شده است بدین معنا است که متغیر پنهان موردنظر حداقل 50 درصد واریانس مشاهده پذیرهای خود را تبیین می کند. توجه برای مشاهده مقادیر این شاخص در نرم افزار Smart-PLS به خروجی AVEاز دستور PLS Algorithm رجوع نمائید. آموزش نرم افزار Smart-PLS
22
آموزش نرم افزار Smart-PLS
ادامه ... آزمون فورنل و لارکر – روایی تشخیصی طبق این معیار، یک متغیر پنهان در مقایسه با سایر متغیرهای پنهان، باید پراکندگی بیشتری را در بین مشاهده پذیرهای خود داشته باشد جذر میانگین واریانس استخراج شده هر متغیر پنهان باید بیشتر از حداکثر همبستگی آن متغیر با دیگر متغیرهای پنهان مدل باشد این آزمون روایی تشخصیص را در سطح متغیرهای پنهان می سنجد طبق تحقیقات صورت گرفته توسط Henseler et al., تنها 72.08درصد مقالات تحلیل شده توسط نرم افزار Smart-PLS،از این آزمون برای تأئید روایی تشخیصی استفاده کرده اند. این شاخص از ترکیب جداول مقادیر همبستگی بین متغیرهای پنهان و متوسط واریانس استخراج شده بدست خواهد آمد. آموزش نرم افزار Smart-PLS
23
آموزش نرم افزار Smart-PLS
ادامه ... آزمون بار عرضی (Cross Loadings) به عقیده (Gefen and Straub, 2005)، طبق این آزمون این انتظار می رود که بارهای عاملی هرکدام از متغیرهای مشاهده پذیر موردنظر در یک مدل اندازه گیری انعکاسی بیشتر از بارهای عاملی مشاهده پذیرهای دیگر مدل های اندازه گیری موجود در مدل ساختاری باشد. بار عاملی هر متغیر مشاهده پذیر بر روی متغیرپنهان متناظرش باید حداقل 0.1 بیشتر از بارهای عاملی همان متغیر مشاهده پذیر بر متغیرهای پنهان دیگر باشد آزمون بارهای عرضی روایی تشخصیص را در سطح متغیرهای مشاهده پذیر می سنجد. طبق تحقیقات صورت گرفته توسط Henseler et al., تنها 7.79 درصد مقالات تحلیل شده توسط نرم افزار Smart-PLS،از این آزمون برای تأئید روایی تشخیصی استفاده کرده اند. توجه برای مشاهده جدول بارهای عرضی در نرم افزار Smart-PLS به خروجی Cross Loadingsاز دستور PLS Algorithm رجوع نمائید. آموزش نرم افزار Smart-PLS
24
آزمون کیفیت مدل اندازه گیری انعکاسی
شاخص اشتراک این شاخص توانیی مدل را در پیش بینی متغیرهای مشاهده پذیر از طریق مقادیر متغیر پنهان متناظرشان می سنجد. مقادیر مثبت شاخص CV Com نشاندهنده کیفیت مناسب مدل اندازه گیری انعکاسی می باشد توجه برای مشاهده مقادیر این شاخص در نرم افزار Smart-PLS به خروجی CV Com از دستور Blindfolding رجوع نمائید. در هر بار بررسی این شاخص برای یک متغیر پنهان، باید کلیه متغیرهای مدل به جز متغیر پنهان انعکاسی مدنظر را در دستور BFعلامت بزنید آموزش نرم افزار Smart-PLS
25
آزمون مدل های اندازه گیری ترکیبی
آزمون معناداری وزن های بیرونی از آنجایی که در مورد وزن ها در مدل اندازه گیری ترکیبی، محدوده ای مشخص نشده است، محققان به معنی داری این مقادیر بسنده نموده اند. شاخص تورم واریانس یا VIF بررسی همخطی چندگانه بین متغیرهای مشاهده پذیر در مدل اندازه گیری ترکیبی مقادیر زیر 5 برای این شاخص نشان دهنده روایی مدل اندازه گیری ترکیبی می باشد ( Hair et al., 2011) توجه برای مشاهده مقادیر وزن ها بیرونی در نرم افزار Smart-PLS به خروجی outer Weightsاز دستور PLS Algorithmرجوع کنید آموزش نرم افزار Smart-PLS
26
آموزش نرم افزار Smart-PLS
آزمون های مدل ساختاری شاخص ضریب تعیین معیار اصلی ارزیابی متغیرهای مکنون درون زا در مدل مسیر تأئیدی مقادیر 0.67، 0.33 و 0.19 برای متغیرهای مکنون درون زا به ترتیب قابل توجه، متوسط و ضعیف توصیف شده است معناداری ضرایب مسیر در سطح اطمینان 90 درصد، 95 درصد و 99 درصد این مقدار به ترتیب با حداقل آماره تی 1.64، 1.96 و 2.58 مقایسه می شود. توجه برای مشاهده مقادیر معناداری ضرایب مسیر به خروجی Inner Model T statistics یا Path Coefficient از دستور Bootstrapping رجوع کنید آموزش نرم افزار Smart-PLS
27
آموزش نرم افزار Smart-PLS
ادامه ... شاخص افزونگی (CV Red) شاخص کیفیت مدل ساختاری نیز گفته میشود. معروفترین شاخص اندازه گیری کیفیت مدل ساختاری، شاخص استون –گایسلر است. مقادیر بالای صفر نشان دهنده توانایی بالای مدل ساختاری در پیش بینی کردن است (Henseler et al., 2009) توجه برای مشاهده مقادیر شاخص افزونگی مدل ساختاری به خروجی CV Redاز دستور Blindfoldingرجوع کنید در اینجا برای محاسبه شاخص افزونگی هر متغیر درون زا انعکاسی شده مدل، باید در دستور BF، متغیر مدنظر را انتخاب نمائید آموزش نرم افزار Smart-PLS
28
آموزش نرم افزار Smart-PLS
ادامه ... شاخص اندازه اثر کوهن برای تعیین شدت رابطه میان متغیرهای پنهان مدل، این معیار را معرفی نمود مقادیر 035، 015و 0.02برای به ترتیب قابل توجه، متوسط و ضعیف توصیف شده است آموزش نرم افزار Smart-PLS
29
آموزش نرم افزار Smart-PLS
معیار قدرت کل مدل شاخص GOF این شاخص، مجذور ضرب دو مقدار متوسط مقادیر اشتراکی و متوسط ضرایب تعیین است. مقادیر 0.01، 0.25 و 0.36 به ترتیب قوی، متوسط و ضعیف توصیف شده است آموزش نرم افزار Smart-PLS
Lignende præsentationer
© 2024 SlidePlayer.dk Inc.
All rights reserved.