VIF pour blocs formatifs
Diagnostic de multicolinéarité par indicateur formatif. Critère de qualité standard pour les construits Mode B avec des seuils clairs (< 5 non critique, < 3 idéal).
Fonctionnalités
Tout ce qu’il faut pour faire du PLS-SEM sérieux.
Du modèle de mesure au rapport prêt à publier, organisé par cas d’usage. Validé face aux valeurs de référence établies dans la littérature PLS-SEM.
Modèle de mesure
Fiabilité et validité de vos construits. Réflectif (Mode A) et formatif (Mode B) dans un seul éditeur.
Loadings, weights et cross-loadings
Panel complet du modèle externe par indicateur. Loadings pour les blocs réflectifs, weights pour les blocs formatifs, plus un diagnostic de méthode commune via les cross-loadings.
AVE > 0.5 convergent validity
Fiabilité : Cronbach, ρ_A, DG ρ, AVE
Quatre mesures de fiabilité dans un seul tableau. Cronbach comme borne inférieure, Dijkstra-Henseler ρ_A comme estimation ponctuelle, DG ρ comme borne supérieure, AVE comme mesure de convergence.
Unidimensionnalité
Vérification des valeurs propres par bloc réflectif (Dillon-Goldstein, première et deuxième valeur propre). Visible immédiatement si un bloc mesure plus d’une dimension.
Validité discriminante
Trois perspectives indépendantes sur la distinction des construits dans un seul panel.
HTMT
Ratio heterotrait-monotrait d’après Henseler, Ringle & Sarstedt (2015). Standard de tout article PLS-SEM depuis 2015. Seuil 0.85 (strict) ou 0.90 (libéral).
HTMT2
Raffinement par moyenne géométrique d’après Roemer, Schuberth & Henseler (2021). Non biaisé en cas de loadings inégaux dans un bloc, plus conservateur que le HTMT classique.
Critère de Fornell-Larcker
Compare √AVE de chaque LV avec sa corrélation maximale aux autres LV. Test classique depuis 1981, encore exigé par de nombreuses revues.
Modèle structurel
Coefficients de chemin, tailles d’effet et décomposition des effets. Directs, indirects, spécifiques.
Coefficients de chemin et VIF interne
Bêtas standardisés pour chaque chemin structurel, plus le VIF interne pour diagnostiquer la multicolinéarité entre LV prédictrices.
R², R² ajusté et BIC
Pouvoir explicatif par LV endogène, variante ajustée à la taille d’échantillon et critère d’information bayésien pour la comparaison de modèles.
0.02 · 0.15 · 0.35 Cohen f² thresholds
Tailles d’effet f²
f² de Cohen par chemin : mesure la contribution unique de chaque prédicteur au R² de la LV endogène. 0.02 / 0.15 / 0.35 comme règle empirique.
Effets indirects spécifiques
Chaque chaîne de médiation listée séparément, avec estimation ponctuelle et IC bootstrap par chaîne. Pas seulement l’effet indirect total, mais la contribution de chaque chemin.
Q² > 0 predictive relevance
Pertinence prédictive Q²
Q² de Stone-Geisser via blindfolding. Identifie si le modèle a un pouvoir prédictif au-delà de l’ajustement dans l’échantillon.
Inférence et validation
Quantification de l’incertitude et comparaison d’échantillons. Procédures standardisées de la communauté PLS-SEM.
Bootstrap
Rééchantillonnage avec remise pour valeurs t, valeurs p et intervalles de confiance. S’exécute sur Cloud Run, 5000 itérations typiquement en 2 à 5 minutes.
Modération (two-stage)
Termes d’interaction dans le modèle structurel, approche two-stage d’après Henseler & Chin (2010). En un clic dans l’éditeur.
Analyse multi-groupes (MGA)
Test des différences structurelles entre groupes. Basé sur bootstrap (Henseler MGA) et basé sur permutations dans la même vue.
SRMR < 0.08 · GoF ≥ 0.36 approximate fit indices
Ajustement du modèle (SRMR, d_ULS, GoF)
Indices d’ajustement approximatifs : SRMR (< 0.08 bon), d_ULS pour saturated/estimated, goodness-of-fit d’après Tenenhaus et al. (2005).
Méthodes avancées
Techniques PLS-SEM modernes souvent absentes des outils standards. Un éditeur, un clic.
FIMIX-PLS
La segmentation par mélange fini révèle les sous-groupes non observés. Rend visibles les effets hétérogènes avant qu’ils ne biaisent vos résultats.
PLSpredict et IPMA
Validation croisée k-fold avec le panel complet de Shmueli (RMSE, MAE, MAPE versus LM) et carte importance-performance pour la priorisation managériale.
PLSc (consistent PLS)
Correction du biais de Dijkstra-Henseler pour les modèles de mesure réflectifs. Fournit ρ_A par LV, corrélations désatténuées et chemins corrigés.
Construits d’ordre supérieur
Workflow disjoint two-stage pour modèles hiérarchiques. Les quatre types canoniques (R-R, R-F, F-R, F-F) plus HOCs imbriqués.
Copule gaussienne
Test d’endogénéité Park-Gupta / Hult et al. pour les prédicteurs structurels. Détecte le biais sans variables instrumentales, avec vérification d’admissibilité.
Schémas Newton et PCA
Pondération interne quasi-Newton pour une convergence plus stable, schéma PCA de Lohmöller en alternative à centroid et path.
Rapports et export
Du modèle directement à l’article. Formats ouverts, sans lock-in.
PDF publication-ready
Rapport PDF de publication
Rapport PDF prêt à publier avec toutes les tables, le diagramme structurel et la section méthodes. À insérer directement dans votre annexe.
Tables XLSX et LaTeX
Chaque table comme feuille XLSX et comme snippet LaTeX, copie en un clic. Économise des heures de reformatage dans Overleaf.
Bundle Report en JSON
Le rapport complet en JSON structuré pour les déclarations de reproductibilité et l’analyse machine. Format documenté, pas de conteneur propriétaire.
Import SmartPLS (.splsm)
Importez des modèles SmartPLS existants sans les reconstruire. Migration en une étape, sans perte de données.
Docker · GPL · On-Premise cloud or self-hosted
Self-host et équipes
Image Docker pour données sensibles, projets multi-utilisateurs avec comparaison de versions pour les groupes de recherche. Cloud ou on-premise, à vous de choisir.
Prêt à lancer votre premier modèle ?
Compte gratuit, sans carte bancaire. Les premiers projets tournent dans le cloud, un clic pour passer en self-host quand vous êtes prêt.