OpenPLS
DE
Kostenlos starten
PLS-SEM · Open-Source-Engine

Strukturgleichungen.
Endlich modern.

Die offene Plattform für Strukturgleichungsmodelle: visueller Path-Editor, die komplette PLS-SEM-Pipeline und publikationsreife Reports. Direkt im Browser. Oder selbst gehostet, wenn deine Daten sensibel sind.

Kostenlos starten So funktioniert’s

Oder starte mit dem User Guide (76 Seiten, PDF)

Kein Setup, keine Kreditkarte · Open-Source-Engine · Geprüft gegen etablierte Referenzwerte

Live-Vorschau

Ein echtes Modell, voll durchgerechnet.

So liefert openpls-engine ein kleines Quality → Satisfaction → Loyalty-Modell zurück. Pfade, R², HTMT und Bootstrap-CI, alles in einer Sicht.

Project › ECSI Demo › Results

ECSI-Customer-Satisfaction-Stichprobe (n = 250), 5 000 Bootstrap-Resamples. Reproduzierbar im Beispielprojekt.

Workflow

In vier Schritten zum Modell.

  1. 01

    Daten hochladen

    CSV, XLSX, SPSS oder Stata: wir lesen, was du hast.

  2. 02

    Modell zeichnen

    Konstrukte und Pfade per Drag & Drop. Live-Vorschau der Modellstruktur.

  3. 03

    Berechnen

    Ein Klick. plspm rechnet: Loadings, Pfade, Bootstrap-Konfidenzen.

  4. 04

    Exportieren

    Report als PDF, Tabellen als XLSX, Modell als JSON oder LaTeX-Snippet, alles in offenen Formaten.

KI-Forschungsassistent Neu · Beta

Ambient-KI, die dein Projekt kennt.

Kontextsensitive Hinweise erscheinen direkt beim Arbeiten. Ein Chat-Drawer beantwortet offene Fragen zum Modell, immer geerdet in den Zahlen, die du schon berechnet hast.

Proaktive Step-Hinweise

Ein Blick pro Tab

Öffne Results, Editor, MGA oder Advanced und siehe 1 bis 3 Vorschläge oben im Tab. Jeder Hinweis liest dein Live-Modell und zitiert deine eigenen Zahlen.

KI-Chat-Drawer

Fragen, geerdete Antworten

Öffne den Roboter unten rechts und frage alles zu Modell, Daten oder Ergebnissen. Vier Read-Only-Tools geben dem Modell Zugriff auf Projekt-Struktur, niemals auf Rohdaten.

Zwei Designer, ein zusammenhängender Flow.

Aus einer Forschungsfrage wird in Sekunden ein Starter-Modell. Aus dem Modell kommt ein validierter Fragebogen zurück. Daten erheben, dann mit demselben Assistenten interpretieren.

1

KI-Modell-Designer

Live

Gib deine Forschungsfrage ein. Der Assistent schlägt 3-6 latente Variablen mit Modes (reflektiv/formativ), hypothetisierte Pfade mit Zitierungen und 2-3 Blueprint-Referenzen aus der PLS-SEM-Literatur vor. Ein Klick erstellt ein neues Modell mit LVs und Pfaden bereits eingezeichnet.

Forschungsfrage
"Was treibt Kundenbindung im Online-Lebensmittelhandel?"
↓
Trust · Reflektiv Perceived Quality · Reflektiv Satisfaction · Reflektiv Loyalty · Reflektiv
2

Fragebogen-Builder

Live

Zum bestehenden Modell erzeugt der Assistent 4-6 validierte Umfrage-Items pro LV mit Quellenzitat (Davis TAM, Zeithaml SERVQUAL, Cronin & Taylor …). Oder von Hand starten und selbst schreiben. Inline editieren, Demografie ergänzen, als CSV / Markdown / JSON für Qualtrics, LimeSurvey oder SoSci Survey exportieren.

Trust · Davis (1989)
trust1Ich vertraue darauf, dass dieser Shop seine Versprechen einhält.
trust2Dieser Shop wirkt zuverlässig in seinen Transaktionen.
trust3Der Shop geht sorgfältig mit meinen persönlichen Daten um.
Mehr über den KI-Companion erfahren
Komplettes Toolkit Neu

Alles, was die Literatur erwartet.

Fünfzehn moderne PLS-SEM-Methoden (MGA, IPMA, PLSpredict, HOC, FIMIX, PLSc, HTMT2, Moderation, CVPAT und mehr) im selben Editor. Kein zweites Tool, kein Plugin-Marktplatz.

Unsicherheit in den Effekten quantifizieren und das Modell für Out-of-Sample-Vorhersagen einsetzen.

Results › IPMA
Performance Importance Service (priority) Pricing (keep) Brand (low prio) Convenience

  • IPMA

    Importance-Performance-Map zeigt, welche Konstrukte hoch wichtig sind und gleichzeitig schwach performen. Management-Priorität auf einen Blick.

  • PLSpredict

    k-fold-Out-of-Sample-Bewertung mit dem vollständigen Shmueli-Panel: RMSE, MAE und MAPE gegen einen Linear-Model-Benchmark, plus eine In-Sample-Fit-Tabelle zur Einordnung.

  • Spezifische indirekte Effekte

    Jede Mediationskette in deinem Modell mit Punktschätzern und Bootstrap-Konfidenzintervallen, t-Werten und p-Werten. Schluss damit, nur den totalen indirekten Effekt zu berichten.

  • CVPAT (Prognosegüte)

    Cross-Validated Predictive Ability Test nach Liengaard et al. 2021. Direkter Vergleich gegen Indikator-Mittelwert- oder Linear-Model-Benchmark, gepaarter t-Test, k-fold-Kreuzvalidierung.

  • FIMIX-PLS

    Finite-Mixture-Segmentation findet unbeobachtete Subgruppen in deinem Sample. Heterogene Effekte sichtbar machen.

  • MICOM

    Drei-Schritt-Test nach Henseler–Ringle–Sarstedt auf Messinvarianz: konfigural, kompositional und skalar. Notwendige Voraussetzung vor jedem Multi-Gruppen-Vergleich über Länder, Segmente oder Zeitpunkte hinweg.

Neu · Öffentliche Umfragen

Vom Fragebogen zum Datensatz. In einem Link.

Veröffentliche Deinen Fragebogen unter einer teilbaren URL, sieh anonyme Antworten live einlaufen, importiere sie mit einem Klick als Datensatz. Alles was Forschende wirklich brauchen ist eingebaut.

Umfragen ansehen

Standardmäßig anonym · Live-Counter · Direkter Datensatz-Import

Versionen mit Snapshots Öffentliche Einleitung vs. interne Notizen Doppel-Submit-Schutz Antworten nur für Owner lesbar Ein-Klick Datensatz-Import Mehrsprachige Umfrageseite
Methoden visualisiert

So sehen die Outputs aus.

Vier Beispiele, was OpenPLS für deine Analysen produziert. Direkt aus den Erklärungspanels der App.

01

Bootstrap-Verteilung

5 000 Resamples, Punktschätzer und 95 %-CI. So sieht die Unsicherheit eines Pfadkoeffizienten aus.

Results › Bootstrap
0.32 β̂ ≈ 0.40 0.48 5 000 resamples, 95 % CI
02

Importance-Performance-Map

Welche Konstrukte sind wichtig und unterperformen? Vier-Quadranten-Sicht für Management-Priorisierung.

Results › IPMA
Performance Importance Service (priority) Pricing (keep) Brand (low prio) Convenience
03

FIMIX-Segmentierung

Unbeobachtete Subgruppen finden. Heterogene Effekte sichtbar machen, bevor sie deine Ergebnisse verzerren.

Results › FIMIX-PLS
Segment 1 (60 %) Segment 2 (40 %)
04

Simple-Slopes

Wie ändert sich ein Pfadkoeffizient bei niedrigem, mittlerem und hohem Moderator? Drei Linien sagen mehr als ein p-Wert.

Results › Moderation
β = 0.25 β = 0.40 β = 0.55 Trust Loyalty
Case Studies

Reproduzierbar in 60 Sekunden.

Vier publizierte PLS-SEM-Modelle als One-Click-Klone in deinem OpenPLS-Workspace. Inklusive synthetischer Originaldaten, vollständiger Pfad-Definition und reproduzierbarer Schlüsselmetriken.

ECSI

European Customer Satisfaction Index

Customer Experience

Sechs reflektive Konstrukte (Image → Erwartung → Qualität → Wert → Satisfaction → Loyalty), kanonisches Modell aus der Service-Marketing-Forschung.

N
250
LVs
6
R²(SAT)
0.71

Fornell et al. (1996)

Case Study öffnen
UTAUT2 + Trust

E-Commerce-Akzeptanz mit Vertrauen

Marketing / E-Commerce

Performance- und Effort-Expectancy, sozialer Einfluss und Vertrauen erklären Kauf-Intention und Nutzung. Mit Demographics für Multi-Group-Analysis.

N
400
LVs
6
MGA
Age · Device

Venkatesh et al. (2012)

Case Study öffnen
JD-R

Mitarbeiter-Engagement (Job Demands-Resources)

HR / Organizational Behavior

Job Demands und Job Resources wirken über Engagement auf Satisfaction und Performance. Klassisches Mediator-Modell mit fünf Konstrukten.

N
350
LVs
5
R²(JP)
0.40

Bakker & Demerouti (2017)

Case Study öffnen
TAM + Privacy

Akzeptanz digitaler Gesundheits-Apps

Healthcare / mHealth

PEOU, Usefulness, Health Consciousness und Privacy Risk treffen auf Attitude und Behavioral Intention. Negativer Privacy-Pfad als f²-Diskussionsbeispiel.

N
380
LVs
6
Effekt
PR → BI negativ

Davis (1989); Sun et al. (2013)

Case Study öffnen

Klonen erfordert ein kostenloses OpenPLS-Konto.

Preise

Heute offen. Für immer offen.

Die Web-App ist frei nutzbar. Die Engine ist Open Source unter GPL-3.0 und bleibt es.

Cloud
Kostenlos

Alles, was du für deine Forschung brauchst. Gehostet bei uns.

  • Unbegrenzte Modelle und Datensätze
  • Alle Reports & Exports
  • Visueller Path-Editor
  • Versionsvergleich
Kostenlos starten
Self-Host
0 € GPL-3.0

Engine als Docker-Container und Python-Bibliothek. Auf deinem Server, in deinem Netz.

  • Volle Engine-Funktionalität offline
  • CLI und Python-API
  • Datensouveränität für Klinik / Industrie
  • Community-Support auf GitHub
Engine auf GitHub
Consulting
Auf Anfrage Custom

Custom-Adaptionen, Schulungen, Methodenberatung für Forschungsgruppen.

  • Methodencoaching
  • Custom-Modelle / Plugins
  • On-Site Workshops
  • Priority-Support
Gespräch buchen