DOI: https://doi.org/10.59141/jiss.v7i3.2256
تاريخ النشر: 2026-03-11
المؤلف: Lisana Sumarah Pratignyo
الموضوع الرئيسي: المنهجيات النفسية والاختبار
نظرة عامة
تناقش هذه القسم تطبيق نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM) وتبرز الحاجة إلى تحسينات منهجية لتعزيز دقة المعلمات. على الرغم من مرونتها في إدارة النماذج المعقدة والبيانات غير الطبيعية، لا تزال العديد من الدراسات تستخدم إجراءات تقييم قديمة، مما قد يؤدي إلى نتائج متحيزة. تقترح هذه البحث إطار تحسين شامل يتماشى مع أفضل الممارسات المعاصرة، التي تم تحديدها من خلال مراجعة منهجية لدراسات PLS-SEM المنشورة بين عامي 2014 و2024. تشير النتائج الرئيسية إلى أنه يمكن تحقيق تحسينات في دقة المعلمات من خلال تقييمات صارمة لنماذج القياس، وصلاحية التمييز، والنماذج الهيكلية، ومؤشرات ملاءمة النموذج.
تخلص الدراسة إلى أن العديد من الباحثين لا يزالون يطبقون معايير غير ذات صلة أو قديمة، مثل مؤشرات القطع غير المناسبة ومؤشر ملاءمة النموذج (GoF)، مما قد يقدم تحيزًا تفسيريًا. لمعالجة هذه القضايا، يوصي المؤلفون بعتبات منهجية موحدة، بما في ذلك: مؤشرات التحميل لا تقل عن 0.70، والموثوقية المركبة (CR) ≥ 0.70، ومتوسط التباين المستخرج (AVE) ≥ 0.50، واستخدام نسبة التباين المتغاير إلى التباين الأحادي (HTMT) لصلاحية التمييز مع عتبات < 0.85 أو < 0.90. بالإضافة إلى ذلك، يجب تقييم التعددية باستخدام عامل التضخم في التباين (VIF) < 3.3، وتقييم ملاءمة النموذج باستخدام الجذر التربيعي المتوسط القياسي المتبقي (SRMR) < 0.08. من خلال تنفيذ هذه التحسينات، يمكن للباحثين تحقيق تقديرات معلمات أكثر دقة وموثوقية، مما يعزز كل من الآثار النظرية والعملية لنتائجهم.
مقدمة
تناقش مقدمة ورقة البحث أهمية نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM) كأداة تحليلية متعددة الاستخدامات في مجالات مختلفة، بما في ذلك العلوم الاجتماعية والتسويق. يُعزى شعبيتها إلى قدرتها على التعامل مع أحجام عينات صغيرة وتوزيعات بيانات غير طبيعية، مما يجعلها مناسبة للبحث الاستكشافي. ومع ذلك، تبرز الورقة الانتقادات المستمرة بشأن دقة تقدير المعلمات وتقييم النماذج في تطبيقات PLS-SEM، لا سيما فيما يتعلق بموثوقية المؤشرات وتقييمات صلاحية التمييز.
لمعالجة هذه القضايا المنهجية، يقترح المؤلفون إطارًا شاملاً يدمج تحسينات PLS-SEM المعاصرة. يركز هذا الإطار على اعتماد نسبة التباين المتغاير إلى التباين الأحادي (HTMT) لصلاحية التمييز، وتقييم النماذج الهيكلية باستخدام معايير مثل عامل التضخم في التباين (VIF)، وحجم التأثير (f²)، والأهمية التنبؤية (Q²)، وتشخيصات الملاءمة الحديثة مثل الجذر التربيعي المتوسط القياسي المتبقي (SRMR) وقياسات المسافة (d_ULS، d_G). تهدف الدراسة إلى تعزيز دقة المعلمات وتوفير مجموعة أدوات منهجية موحدة للباحثين، مما يحسن جودة ومصداقية الدراسات المعتمدة على PLS-SEM عبر التخصصات. كما يعمل الإطار كموارد لمراجعي المجلات، والمعلمين، ومطوري البرمجيات، مما يسد الفجوة بين النظرية المنهجية والممارسة التجريبية.
النتائج
تشير نتائج هذه الدراسة إلى أن تعزيز دقة المعلمات في نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM) يعتمد على التقدم المنهجي في كل من مراحل القياس والهيكل. بينما تم التعرف على PLS-SEM لصلابته ضد توزيع البيانات وقضايا حجم العينة، فإن دقة معلماته تتأثر بشكل كبير بجودة المؤشرات، وحجم العينة، ومعدلات خطأ القياس، وتقنيات التقدير المستخدمة. تشمل النتائج الرئيسية إنشاء معايير قطع لصلاحية التمييز باستخدام نسبة التباين المتغاير إلى التباين الأحادي (HTMT) مع عتبات < 0.85 (محافظة) أو < 0.90 (ليبرالية)، والتوصية بأن تكون مؤشرات النموذج الخارجي ذات تحميلات ≥ 0.70، مع نطاقات مقبولة من 0.50-0.70 تعتمد على الموثوقية المركبة (CR) ≥ 0.70. علاوة على ذلك، تؤكد الدراسة على أهمية الأهمية التنبؤية (Q² > 0) والتحكم في التعددية (VIF < 3.3) لتقييم النموذج الداخلي. تثبت الدراسة تجريبيًا ضرورة دمج مقاييس حديثة مثل HTMT، SRMR، VIF، Q²، وحجم التأثير (f²) لتعزيز دقة معلمات PLS-SEM. تعالج الفجوات في الأبحاث السابقة من خلال إظهار أن التحسينات المنهجية، بما في ذلك القضاء على المؤشرات الزائدة وتطبيع المؤشرات، يمكن أن تحسن بشكل كبير من استقرار مقاييس صلاحية التمييز مثل HTMT. بالإضافة إلى ذلك، تتحدى النتائج الاستخدام المستمر لمقاييس ملاءمة النموذج (GoF)، داعية بدلاً من ذلك إلى استخدام مجموعة SRMR-d_ULS لتحقيق ملاءمة نموذج أكثر موثوقية. بشكل عام، تسهم هذه البحث في إطار منهجي لتحسين صلابة ودقة PLS-SEM، مما يعزز الحاجة إلى الالتزام بمعايير التقييم الحديثة في الدراسات التجريبية.
المناقشة
في هذه الدراسة، أجرى المؤلفون مراجعة منهجية وتحسينًا مفاهيميًا لممارسات التقييم المرتبطة بنمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM). من خلال تحليل منهجي للمقالات المنشورة بين عامي 2014 و2024، حددت الدراسة الأخطاء الشائعة في تطبيق كل من تقييمات النموذج الخارجي والداخلي. أبرزت النتائج الرئيسية الاعتماد المستمر على معايير قديمة، مثل عامل تحميل قطع صارم يبلغ 0.70، وإهمال المعايير الحديثة لتقييم صلاحية التمييز، لا سيما نهج HTMT. كما قامت الدراسة بفحص ممارسات تقييم النموذج الداخلي، بما في ذلك استخدام عامل التضخم في التباين (VIF)، وحجم التأثير (f²)، والأهمية التنبؤية (Q²)، ومؤشر ملاءمة النموذج (GoF)، الذي تم انتقاده لإدخال تحيز تفسيري.
يقترح المؤلفون إطارًا منهجيًا محسّنًا يركز على المعايير المحدثة لتقييمات PLS-SEM. تشمل التوصيات الحفاظ على حد تحميل المؤشر ≥ 0.70، وقبول التحميلات بين 0.50 و0.70 إذا كانت الموثوقية المركبة (CR) ≥ 0.70، وضمان أن يكون متوسط التباين المستخرج (AVE) ≥ 0.50، مع السماح لـ AVE < 0.50 إذا كانت CR > 0.70. بالنسبة لصلاحية التمييز، يجب تحديد عتبة HTMT عند < 0.85 أو < 0.90، بينما يجب تقييم التعددية باستخدام VIF < 3.3. بالإضافة إلى ذلك، تقترح الدراسة تفسير حجم التأثير (f²) كصغير (0.02)، ومتوسط (0.15)، وكبير (0.35)، وضمان أن تكون الأهمية التنبؤية (Q²) إيجابية، وتقييم ملاءمة النموذج باستخدام SRMR < 0.08، مع وقف استخدام مؤشر GoF. من خلال تنفيذ هذه التحسينات المنهجية، يمكن للباحثين تعزيز دقة معلمات PLS-SEM، مما يؤدي إلى نتائج بحثية أكثر صحة وموثوقية.
DOI: https://doi.org/10.59141/jiss.v7i3.2256
Publication Date: 2026-03-11
Author(s): Lisana Sumarah Pratignyo
Primary Topic: Psychometric Methodologies and Testing
Overview
The section discusses the application of Partial Least Squares Structural Equation Modelling (PLS-SEM) and highlights the need for methodological improvements to enhance parameter precision. Despite its flexibility in managing complex models and non-normal data, many studies still utilize outdated evaluation procedures, which can lead to biased results. This research proposes a comprehensive refinement framework that aligns with contemporary best practices, identified through a systematic review of PLS-SEM studies published between 2014 and 2024. Key findings indicate that improvements in parameter precision can be achieved through rigorous assessments of measurement models, discriminant validity, structural models, and model fit indices.
The study concludes that many researchers continue to apply irrelevant or outdated standards, such as inappropriate cut-off indicators and the Goodness of Fit (GoF) index, which can introduce interpretive bias. To address these issues, the authors recommend standardized methodological thresholds, including: loading indicators of at least 0.70, composite reliability (CR) ≥ 0.70, average variance extracted (AVE) ≥ 0.50, and the use of the Heterotrait-Monotrait ratio (HTMT) for discriminant validity with thresholds of < 0.85 or < 0.90. Additionally, multicollinearity should be assessed using Variance Inflation Factor (VIF) < 3.3, and model suitability evaluated with Standardized Root Mean Square Residual (SRMR) < 0.08. By implementing these refinements, researchers can achieve more accurate and reliable parameter estimates, thereby enhancing both theoretical and practical implications of their findings.
Introduction
The introduction of the research paper discusses the significance of Partial Least Squares Structural Equation Modeling (PLS-SEM) as a versatile analytical tool in various fields, including social sciences and marketing. Its popularity is attributed to its ability to handle small sample sizes and non-normal data distributions, making it suitable for exploratory research. However, the paper highlights ongoing criticisms regarding the accuracy of parameter estimation and model evaluations in PLS-SEM applications, particularly concerning the reliability of indicators and discriminant validity assessments.
To address these methodological concerns, the authors propose a comprehensive framework that integrates contemporary PLS-SEM refinements. This framework emphasizes the adoption of the Heterotrait-Monotrait ratio (HTMT) for discriminant validity, the evaluation of structural models using criteria such as Variance Inflation Factor (VIF), effect size (f²), and predictive relevance (Q²), and modern fit diagnostics like Standardized Root Mean Square Residual (SRMR) and distance measures (d_ULS, d_G). The research aims to enhance parameter precision and provide a unified methodological toolkit for researchers, thereby improving the quality and credibility of PLS-SEM-based studies across disciplines. The framework also serves as a resource for journal reviewers, educators, and software developers, bridging the gap between methodological theory and empirical practice.
Results
The results of this study indicate that enhancing parameter precision in Partial Least Squares Structural Equation Modelling (PLS-SEM) is contingent upon methodological advancements in both measurement and structural stages. While PLS-SEM has been recognized for its robustness against data distribution and sample size issues, the precision of its parameters is significantly affected by the quality of indicators, sample size, measurement error rates, and the estimation techniques employed. Key findings include the establishment of cut-off criteria for discriminant validity using the Heterotrait-Monotrait ratio (HTMT) with thresholds of < 0.85 (conservative) or < 0.90 (liberal), and the recommendation for outer model indicators to have loadings ≥ 0.70, with acceptable ranges of 0.50-0.70 contingent upon composite reliability (CR) ≥ 0.70. Furthermore, the study emphasizes the importance of predictive relevance (Q² > 0) and multicollinearity control (VIF < 3.3) for inner model evaluation. The study empirically validates the necessity of integrating modern metrics such as HTMT, SRMR, VIF, Q², and effect size (f²) to enhance the precision of PLS-SEM parameters. It addresses gaps in previous research by demonstrating that methodological refinements, including the elimination of redundant indicators and the normalization of indicators, can significantly improve the stability of discriminant validity measures like HTMT. Additionally, the findings challenge the continued use of Goodness of Fit (GoF) metrics, advocating instead for the SRMR-d_ULS combination to achieve a more reliable model fit. Overall, this research contributes a systematic framework for improving the robustness and precision of PLS-SEM, reinforcing the need for adherence to modern evaluation standards in empirical studies.
Discussion
In this study, the authors conducted a methodological review and conceptual refinement of the evaluation practices associated with Partial Least Squares Structural Equation Modeling (PLS-SEM). By systematically analyzing articles published between 2014 and 2024, the research identified prevalent errors in the application of both external and inner model evaluations. Key findings highlighted the continued reliance on outdated criteria, such as a rigid cut-off loading factor of 0.70, and the neglect of modern standards for assessing discriminant validity, particularly the HTMT approach. The study also scrutinized internal model evaluation practices, including the use of Variance Inflation Factor (VIF), effect size (f²), predictive relevance (Q²), and the Goodness of Fit (GoF) index, which has been criticized for introducing interpretive bias.
The authors propose a refined methodological framework that emphasizes updated standards for PLS-SEM evaluations. Recommendations include maintaining a loading indicator cut-off of ≥ 0.70, accepting loadings between 0.50 and 0.70 if composite reliability (CR) is ≥ 0.70, and ensuring average variance extracted (AVE) is ≥ 0.50, with allowances for AVE < 0.50 if CR > 0.70. For discriminant validity, the HTMT threshold should be set at < 0.85 or < 0.90, while multicollinearity should be assessed using VIF < 3.3. Additionally, the study suggests interpreting effect size (f²) as small (0.02), medium (0.15), and large (0.35), ensuring predictive relevance (Q²) is positive, and evaluating model suitability with SRMR < 0.08, while discontinuing the use of the GoF index. By implementing these methodological refinements, researchers can enhance the precision of PLS-SEM parameters, leading to more valid and reliable research outcomes.