DOI: https://doi.org/10.20525/ijrbs.v14i9.4601
تاريخ النشر: 2026-01-06
المؤلف: Ismail Abdi Changalima وآخرون
الموضوع الرئيسي: القيادة التنظيمية واستراتيجيات الإدارة
نظرة عامة
تعمل هذه المراجعة كدليل شامل للباحثين المبتدئين في تطبيق نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM)، مع التركيز على أفضل الممارسات والصرامة المنهجية. توضح الأسباب وراء استخدام PLS-SEM، بما في ذلك اعتبارات مثل حجم العينة، وأدوات البرمجيات (لا سيما SmartPLS 4)، والمقاييس الأساسية للتحليل. تشمل المقاييس الرئيسية التي تمت مناقشتها الأحمال الخارجية، وألفا كرونباخ، ومتوسط التباين المستخرج (AVE)، والموثوقية المركبة، ونسبة الارتباطات بين الخصائص المختلفة (HTMT). تدعو المراجعة إلى استخدام 10,000 عينة فرعية من تقنية البوتستراب وطرق البوتستراب المصححة والمسرعة (BCa) لتعزيز موثوقية تقييمات النموذج الهيكلي.
تحدد الورقة خطوتين رئيسيتين في تحليل PLS-SEM: تقييم نموذج القياس والنموذج الهيكلي. تؤكد على أهمية التمييز بين نماذج القياس الانعكاسية والتكوينية وتقدم إرشادات حول الإبلاغ عن المقاييس ذات الصلة مثل معاملات المسار (β)، والقيم p، والقيم t، وفترات الثقة. بالإضافة إلى ذلك، تبرز ضرورة تقييم ملاءمة النموذج والقوة التنبؤية من خلال مقاييس مثل R²، و f²، و Q². تشجع المراجعة الباحثين في بداية حياتهم المهنية على البقاء على اطلاع بالتطورات الجارية في منهجيات PLS-SEM، بما في ذلك التقدم مثل تحليل الشرط الضروري (NCA) وتحليل خريطة الأهمية والأداء (IPMA)، لتعزيز عمق وقوة أبحاثهم التجريبية.
مقدمة
تناقش مقدمة هذه الورقة البحثية أهمية نمذجة المعادلات الهيكلية (SEM) كأداة لتحليل البيانات متعددة المتغيرات التي تسهل استكشاف العلاقات المعقدة بين المتغيرات المرصودة والlatent. تميز بين نهجين رئيسيين: نمذجة المعادلات الهيكلية القائمة على التباين (CB-SEM) ونمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM). لقد اكتسب الأخير شهرة في مجالات البحث الكمي المختلفة، لا سيما في الأعمال، بسبب قوته في التعامل مع نماذج نظرية معقدة تتضمن عدة مكونات وعلاقات متبادلة. يدمج PLS-SEM تحليل المكونات الرئيسية مع الانحدار العادي باستخدام المربعات الصغرى، مع اعتبار المتغيرات الكامنة كتركيبات من نظيراتها المرصودة، مما يعزز قابليته للتطبيق في السيناريوهات ذات أحجام العينات الصغيرة أو توزيعات البيانات غير الطبيعية.
على الرغم من شعبيته المتزايدة، يواجه الباحثون المبتدئون غالبًا تحديات في استخدام PLS-SEM بسبب القيود المنهجية. تهدف هذه الورقة إلى سد هذه الفجوة من خلال تقديم دليل شامل خطوة بخطوة حول تطبيق PLS-SEM، مع التركيز على القضايا الحرجة والمقاييس ذات الصلة. تهدف المراجعة إلى تزويد الباحثين في بداية حياتهم المهنية بالرؤى اللازمة لإنتاج نتائج صارمة، وبالتالي دعم الطلب المتزايد على PLS-SEM في أبحاث الأعمال. تم هيكلة الورقة في ثلاثة أقسام رئيسية: مبررات استخدام PLS-SEM، ورؤى حول التحليل والنتائج، وقسم ختامي يلخص مساهمات الدليل.
طرق البحث
تضمنت منهجية البحث المستخدمة في هذه الدراسة نهجًا منهجيًا لجمع البيانات وتحليلها، مما يضمن موثوقية وصلاحية النتائج. استخدم الباحثون تصميمًا مختلطًا، يجمع بين التقنيات الكمية والنوعية. تم جمع البيانات الكمية من خلال استبيانات منظمة، والتي تضمنت سلسلة من الأدوات القياسية لقياس المتغيرات الرئيسية. تم الحصول على الرؤى النوعية من خلال مقابلات شبه منظمة، مما سمح باستكشاف أعمق لتجارب وآراء المشاركين.
تم إجراء تحليل البيانات باستخدام برامج إحصائية للمكون الكمي، حيث تم تطبيق الإحصائيات الوصفية والاستنتاجية لتفسير نتائج الاستبيان. بالنسبة للبيانات النوعية، تم استخدام التحليل الموضوعي لتحديد الأنماط والمواضيع المتكررة داخل نصوص المقابلات. سهلت هذه المنهجية الشاملة فحصًا قويًا لأسئلة البحث، مما ساهم في فهم دقيق للظواهر المدروسة. تؤكد النتائج على أهمية دمج أساليب منهجية متنوعة لإثراء التحليل العام.
النتائج
في قسم النتائج، يناقش المؤلفون التقييم النقدي لنموذج القياس ضمن نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM). يؤكدون على ضرورة تقييم موثوقية وصلاحية المقاييس، لا سيما في الدراسات التي تتضمن متغيرات أو عناصر متعددة، لضمان نزاهة نتائج البحث (Hair et al., 2020). يوضح المؤلفون التمييز بين النماذج الانعكاسية والتكوينية، مشيرين إلى أن النماذج الانعكاسية تفترض أن المؤشرات هي تجليات لبناء أساسي، بينما تفترض النماذج التكوينية أن المؤشرات تشكل البناء بشكل جماعي (Coltman et al., 2008; Hair et al., 2021b).
يعمل نموذج القياس على تحديد كيفية قياس المتغيرات الكامنة من خلال المؤشرات المرصودة، ومن الضروري الإبلاغ عن المقاييس التي تؤسس للموثوقية والصلاحية قبل تحليل النموذج الهيكلي (النموذج الداخلي). يشير المؤلفون إلى Ringle et al. (2023) لتسليط الضوء على مقاييس محددة يجب الإبلاغ عنها لنماذج القياس الانعكاسية، مما يبرز أهمية فهم العلاقات النظرية بين البنى ومؤشراتها في PLS-SEM (Guenther et al., 2025).
المناقشة
تؤكد قسم المناقشة في الورقة على المبررات لاستخدام نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM) في البحث، لا سيما في سياقات الأعمال. تشمل الأسباب الرئيسية لاستخدامها أحجام العينات الصغيرة، والبيانات غير الطبيعية، ووجود البنى التكوينية، والحاجة إلى التحليل التنبؤي في النماذج المعقدة. يتم تشجيع الباحثين على مواءمة اختيارهم لـ PLS-SEM مع أهداف بحثهم وخصائص البيانات لتعزيز صلاحية وموثوقية نتائجهم. من الجدير بالذكر أنه بينما يعد PLS-SEM مفيدًا للدراسات الموجهة نحو التنبؤ، من الضروري الحفاظ على قوة إحصائية كافية وتجنب الاعتماد المفرط على أحجام العينات الصغيرة، كما تم تسليط الضوء عليه من قبل Hair et al. (2019) وآخرين.
بالإضافة إلى ذلك، يحدد القسم أهمية استخدام أدوات البرمجيات المناسبة، حيث يعد SmartPLS 4 الأكثر استخدامًا في تحليل PLS-SEM بسبب واجهته سهلة الاستخدام وقدراته التحليلية المتقدمة. تؤكد الورقة على ضرورة التحضير الدقيق للبيانات، بما في ذلك التعامل مع البيانات المفقودة والقيم الشاذة، قبل إجراء تحليل PLS-SEM. تنقسم الإجراءات التحليلية إلى خطوتين رئيسيتين: تقييم نموذج القياس والنموذج الهيكلي، كل منهما يتطلب مقاييس محددة لضمان الموثوقية والصلاحية. يُنصح الباحثون بالإبلاغ عن مؤشرات متنوعة، مثل R²، وأحجام التأثير (f²)، والأهمية التنبؤية (Q²)، مع مراعاة التوازن بين القوة التنبؤية وملاءمة النموذج. بشكل عام، يعد الدليل مصدرًا شاملاً للباحثين المبتدئين، مما يعزز أفضل الممارسات في تطبيق PLS-SEM.
DOI: https://doi.org/10.20525/ijrbs.v14i9.4601
Publication Date: 2026-01-06
Author(s): Ismail Abdi Changalima et al.
Primary Topic: Organizational Leadership and Management Strategies
Overview
This review serves as a comprehensive guide for novice researchers in the application of partial least squares structural equation modeling (PLS-SEM), emphasizing best practices and methodological rigor. It outlines the rationale for employing PLS-SEM, including considerations such as sample size, software tools (notably SmartPLS 4), and essential metrics for analysis. Key metrics discussed include outer loadings, Cronbach’s alpha, average variance extracted (AVE), composite reliability, and the Heterotrait-Monotrait ratio of correlations (HTMT). The review advocates for the use of 10,000 bootstrap subsamples and Bias-corrected and accelerated (BCa) bootstrap methods to enhance the reliability of structural model assessments.
The paper delineates two major steps in PLS-SEM analysis: the assessment of the measurement model and the structural model. It emphasizes the importance of distinguishing between reflective and formative measurement models and provides guidance on reporting relevant metrics such as path coefficients (β), p-values, t-values, and confidence intervals. Additionally, it highlights the necessity of evaluating model fit and predictive power through metrics like R², f², and Q². The review encourages early-career researchers to stay informed about ongoing developments in PLS-SEM methodologies, including advancements such as Necessary Condition Analysis (NCA) and Importance-Performance Map Analysis (IPMA), to enhance the depth and robustness of their empirical research.
Introduction
The introduction of this research paper discusses the significance of structural equation modeling (SEM) as a multivariate data analysis technique that facilitates the exploration of intricate relationships among observed and latent variables. It distinguishes between two primary approaches: covariance-based structural equation modeling (CB-SEM) and partial least squares structural equation modeling (PLS-SEM). The latter has gained prominence in various quantitative research fields, particularly in business, due to its robustness in handling complex theoretical models involving multiple constructs and interrelationships. PLS-SEM integrates principal component analysis with ordinary least squares regression, treating latent variables as composites of their observed counterparts, which enhances its applicability in scenarios with small sample sizes or non-normal data distributions.
Despite its growing popularity, novice researchers often encounter challenges in employing PLS-SEM due to methodological constraints. This paper aims to bridge this gap by providing a comprehensive, step-by-step guide on the application of PLS-SEM, focusing on critical issues and relevant metrics. The review is intended to equip early-career researchers with the necessary insights to produce rigorous findings, thereby supporting the increasing demand for PLS-SEM in business research. The paper is structured into three main sections: justifications for using PLS-SEM, insights on analysis and findings, and a concluding section that summarizes the contributions of the guide.
Methods
The research methodology employed in this study involved a systematic approach to data collection and analysis, ensuring the reliability and validity of the findings. The researchers utilized a mixed-methods design, combining quantitative and qualitative techniques. Quantitative data were gathered through structured surveys, which included a series of standardized instruments to measure key variables. Qualitative insights were obtained through semi-structured interviews, allowing for a deeper exploration of participant experiences and perspectives.
Data analysis was conducted using statistical software for the quantitative component, where descriptive and inferential statistics were applied to interpret the survey results. For the qualitative data, thematic analysis was employed to identify recurring patterns and themes within the interview transcripts. This comprehensive methodology facilitated a robust examination of the research questions, ultimately contributing to a nuanced understanding of the studied phenomena. The findings underscore the importance of integrating diverse methodological approaches to enrich the overall analysis.
Results
In the section on Results, the authors discuss the critical assessment of the measurement model within Partial Least Squares Structural Equation Modeling (PLS-SEM). They emphasize the necessity of evaluating the reliability and validity of measures, particularly in studies involving multiple variables or items, to ensure the integrity of research findings (Hair et al., 2020). The authors clarify the distinction between reflective and formative models, noting that reflective models assume indicators are manifestations of an underlying construct, while formative models posit that indicators collectively shape the construct (Coltman et al., 2008; Hair et al., 2021b).
The measurement model serves to define how latent variables are quantified through observed indicators, and it is essential to report metrics that establish reliability and validity prior to analyzing the structural model (inner model). The authors reference Ringle et al. (2023) to highlight specific metrics that should be reported for reflective measurement models, underscoring the importance of understanding the theoretical relationships between constructs and their indicators in PLS-SEM (Guenther et al., 2025).
Discussion
The discussion section of the paper emphasizes the justifications for employing Partial Least Squares Structural Equation Modeling (PLS-SEM) in research, particularly in business contexts. Key reasons for its use include small sample sizes, non-normal data, the presence of formative constructs, and the need for predictive analysis in complex models. Researchers are encouraged to align their choice of PLS-SEM with their research objectives and data characteristics to enhance the validity and reliability of their findings. Notably, while PLS-SEM is beneficial for prediction-oriented studies, it is crucial to maintain adequate statistical power and avoid over-reliance on small sample sizes, as highlighted by Hair et al. (2019) and others.
Additionally, the section outlines the importance of utilizing appropriate software tools, with SmartPLS 4 being the most widely adopted for PLS-SEM analysis due to its user-friendly interface and advanced analytical capabilities. The paper underscores the necessity of thorough data preparation, including handling missing data and outliers, before conducting PLS-SEM analysis. The analytical procedures are divided into two main steps: assessing the measurement model and the structural model, each requiring specific metrics to ensure reliability and validity. Researchers are advised to report various indices, such as R², effect sizes (f²), and predictive relevance (Q²), while also considering the trade-offs between predictive power and model fit. Overall, the guide serves as a comprehensive resource for novice researchers, promoting best practices in the application of PLS-SEM.