Suggerimenti contestuali appaiono mentre lavori. Un pannello di chat risponde a domande aperte sul tuo modello, sempre basati sui numeri già calcolati.
Uno sguardo per tab
Apri Results, Editor, MGA o Advanced e vedi 1 a 3 suggerimenti in cima al tab. Ogni suggerimento legge il tuo modello dal vivo e cita i tuoi numeri.
Chiedi, ottieni risposte fondate
Apri il robot in basso a destra per chiedere qualsiasi cosa sul modello, dati o risultati. Quattro strumenti in sola lettura danno accesso alla struttura del progetto, mai alle righe grezze.
Il Primer on PLS-SEM di Hair, Ringle e Sarstedt conta 428 pagine. Livelli R² di Chin, HTMT di Henseler, f² di Cohen, HTMT2 di Roemer, regole out-of-sample di Shmueli - ogni passo di un'analisi rigorosa ha un cut-off, una citazione e un avvertimento sulla varianza di dominio. Anche gli autori esperti tengono il primer aperto accanto all'editor.
Il Compagno IA non rimuove quel rigore. Rimuove la tassa di lookup. Legge il tuo progetto in tempo reale, conosce la soglia applicabile, cita la fonte, e segnala dove stai per pubblicare qualcosa che un revisore noterà.
Le ultime tre fasi chiudono il cerchio. Scegli i giusti metodi avanzati, redigi i paragrafi di Metodo / Risultati / Discussione dal tuo output live, e lascia che ogni affermazione risalga a un paper curato che l'assistente può nominare.
Legge la forma del tuo modello, la dimensione del campione e i risultati, poi propone una pipeline ordinata di metodi avanzati con una motivazione di una riga ciascuno. IPMA prima di MGA. MICOM prima di MGA. Salta FIMIX sotto n = 200. Ogni suggerimento conosce la soglia che ha appena superato.
Paragrafi di Metodo, Risultati e Discussione redatti dal tuo output di compute live come LaTeX o Word. Include un passaggio di simulazione-revisore: cosa obietterebbe un revisore scettico, e quale citazione risponde.
Le risposte ancorano ogni affermazione in una biblioteca vettoriale di 50+ classici PLS-SEM. Chin, Henseler, Hair, Sarstedt, Ringle, Shmueli, Sarstedt et al. Ogni chip di citazione apre l'abstract del paper nel drawer.
Trasforma una domanda di ricerca in un modello iniziale in pochi secondi. Ottieni un questionario validato dalle LVs del modello. Raccogli dati, poi interpreta con lo stesso assistente.
Digita la tua domanda di ricerca. L'assistente propone 3-6 variabili latenti con modi (riflessivo/formativo), percorsi ipotizzati con citazioni e 2-3 riferimenti dalla letteratura PLS-SEM. Un click crea un nuovo modello con LV e percorsi già disegnati.
Dato il modello, l'assistente genera 4-6 item validati per LV con citazioni (Davis TAM, Zeithaml SERVQUAL, Cronin & Taylor …). O parti da zero e scrivi gli item da solo. Modifica inline, aggiungi demografia, esporta come CSV / Markdown / JSON per Qualtrics, LimeSurvey o SoSci Survey.
trust1 Confido che questo negozio mantenga le sue promesse. trust2 Questo negozio sembra affidabile nelle sue transazioni. trust3 Il negozio tratta con cura i miei dati personali. Il Compagno non è un chatbot appiccicato a un modulo. È intrecciato nei pannelli che già usi, e legge solo ciò che gli serve.
Mentre trascini LVs e percorsi, l'assistente legge la struttura corrente e segnala disallineamenti tra modo riflettivo/formativo, LVs con meno di 3 indicatori e construct isolati. Suggerisce construct di ordine superiore quando LVs correlati possono essere semplificati, e cita Sarstedt et al. (2019) sull'approccio disjoint two-stage.
Adeguatezza della dimensione del campione contro la regola 10x, audit dei valori mancanti colonna per colonna, rilevamento di codici sentinella (−99, −999), coerenza degli intervalli di scala tra indicatori dello stesso construct. Tutto da riepiloghi di colonne - mai dai tuoi dati.
Livelli R² con cut-off nominati (Chin 1998), violazioni HTMT per coppia, fallimenti di affidabilità per LV, avviso SRMR, e il prossimo metodo più utile dato quello che hai. Il passo a maggior leva - la maggior parte dei manoscritti si vincono o perdono qui.
L'assistente scansiona il tuo dataset per colonne categoriali con 2–5 livelli (genere, mercato, trattamento) e propone candidati MGA. Impone la sequenza MICOM-prima-di-MGA, avverte quando un gruppo scende sotto n = 30, e suggerisce quali percorsi confrontare tra gruppi.
market ha 4 livelli (DE, US, UK, JP). Il gruppo JP ha n = 27 - sotto il pavimento di 30 per bootstrap stabile. Fondi JP con un altro mercato asiatico o escludilo dall'MGA.Quale dei 15+ metodi si adatta davvero al tuo modello? L'assistente legge i tuoi R², la dimensione del campione, la forma del modello e le metriche di affidabilità, poi propone una pipeline ordinata. La domanda "cosa dovrei eseguire dopo" ottiene una risposta concreta e difendibile con citazioni.
Sezione Metodi, sezione Risultati, discussione dei limiti - redatte dal tuo output compute in tempo reale come paragrafi LaTeX o Word. Include la difesa-revisore: cosa chiederebbe un revisore scettico e con quale citazione risponderesti.
Il Compagno rifiuta di inventare numeri. Quando cita un cut-off, la citazione è incorporata nel suo system prompt e riflette la letteratura PLS-SEM canonica contro cui anche OpenPLS valida.
| Criterio | Cut-off | Fonte |
|---|---|---|
| Livelli R² | 0.19 / 0.33 / 0.67 | Chin (1998) |
| Livelli f² di Cohen | 0.02 / 0.15 / 0.35 | Cohen (1988) |
| Validità discriminante HTMT | < 0.85 (conservativo), < 0.90 (liberale) | Henseler et al. (2015) |
| Raffinamento HTMT2 | correzione media geometrica | Roemer et al. (2021) |
| SRMR model fit | < 0.08 | Hu & Bentler (1999) |
| α di Cronbach, affidabilità composita | ≥ 0.70 | Nunnally & Bernstein (1994) |
| Regola 10x per dimensione campione | n ≥ 10 × max percorsi entranti in un LV | Barclay et al. (1995) |
| Iterazioni bootstrap (pubblicazione) | ≥ 5000 | Hair et al. (2022) |
| IPMA importanza × performance | effetti totali × punteggi latenti medi | Ringle & Sarstedt (2016) |
| Panel k-fold PLSpredict | RMSE, MAE vs. benchmark lineare | Shmueli et al. (2019) |
Quando all'assistente viene chiesta una soglia di cui non è sicuro, lo dice invece di indovinare. Questa regola è fissa nel system prompt: "Se non conosci una soglia con certezza, dillo e non inventare un numero."
Composizioni illustrative da sessioni utente OpenPLS e contesti PLS-SEM comuni. Nessuno rappresenta persone reali.
Compagno segnala Loyalty con solo 2 indicatori e cita Hair et al. 2019 sul numero minimo di item. Aggiunge un terzo item validato da Watanabe et al. 2018.
R² = 0.62 per Loyalty. HTMT Trust ↔ Satisfaction = 0.88 segnalato. Suggerisce raffinamento HTMT2 - passa pulitamente a 0.83. Difesa-revisore assicurata.
Suggerisce IPMA su Loyalty. Trust classifica al primo posto (importanza 0.42, performance 61). Contributo pronto per la sezione Managerial Implications.
Compagno rileva R² sospettosamente basso. Nota che i valori −99 non sono registrati come mancanti. Raccomanda di aggiungere −99 alla lista missing-codes.
R² per Care-Quality → Satisfaction salta da 0.09 a 0.44 dopo la gestione corretta dei mancanti. Il risultato diventa pubblicabile.
Hospital ID ha 4 livelli. Compagno impone MICOM prima - invarianza parziale regge. MGA rivela differenze significative Trust → Loyalty tra due siti.
Compagno suggerisce un HOC formative-reflective per Service-Quality. Cita Sarstedt et al. 2019 disjoint two-stage. Sei item si riducono a un construct bidimensionale più pulito.
PLSpredict k = 10. Il modello batte il benchmark lineare in RMSE. Spiega al cliente la differenza tra R² in-sample e validità out-of-sample.
Esporta tabelle LaTeX e priorità IPMA direttamente. Bozza del report pronta due giorni prima della scadenza.
Ogni paper PLS-SEM porta il tuo nome, la tua difesa. Il Compagno è costruito deliberatamente per rafforzare il tuo giudizio, non sostituirlo.
Forma del modello, riepiloghi delle colonne, R², p-values, matrici HTMT, affidabilità - questo è tutto. Mai righe del dataset, mai identità dell'uploader, mai nomi di file. L'invariante è imposta nel codice, non in un prompt.
Ogni risposta mostra quale dei quattro strumenti in sola lettura il modello ha chiamato. Se afferma un numero, puoi verificare quale strumento l'ha prodotto. Nessuna interpretazione black-box.
Il Compagno può suggerire "esegui IPMA su Loyalty" - non può eseguire il compute da solo. Rimani al comando di ogni passo irreversibile.
Regola dura nel system prompt: se incerto su una soglia o sull'applicabilità di un metodo, l'assistente lo dice invece di allucinare. Il rifiuto è una feature.
Il Compagno è dietro un opt-in esplicito con superficie di consenso chiara. Una volta attivo, un click lo spegne anche - senza dipendenze nascoste, senza re-onboarding.
100 turni di chat e 100 chiamate di hint per utente al mese durante Beta. Sai sempre quante ne restano. Nessuna auto-fatturazione, nessun costo sorpresa.
Tutte le 7 fasi sono live. Ogni passo di un manoscritto PLS-SEM, dalla domanda di ricerca alla difesa-revisore, ora ha un compagno IA costruito su misura.
Risponde a qualsiasi domanda aperta sul tuo modello usando quattro strumenti in sola lettura. Live dal 2026-07-27.
1–3 suggerimenti proattivi in cima a ogni tab di progetto. Live dal 2026-07-27.
Trasforma la tua domanda di ricerca e una lista approssimativa di construct in un modello di partenza. L'assistente propone LVs, modi, percorsi e cita 2–3 modelli pubblicati con struttura simile come blueprint. Live dal 2026-07-27.
Per ogni LV nel tuo modello, ottieni 4–6 suggerimenti di item validati con citazione (Trust, Satisfaction, Loyalty, Perceived Usefulness e dozzine di construct comuni). Live dal 2026-07-27.
Legge il progetto completo (modello + dati + risultati) e redige una pipeline ordinata di metodi avanzati - IPMA prima di MGA, MICOM prima di MGA, PLSpredict dove l'out-of-sample conta. Ogni suggerimento cita la soglia che ha appena superato. Live dal 2026-08-03.
Paragrafi di Metodo, Risultati e Discussione generati dal tuo output di compute live come LaTeX o Word. Include simulazione-revisore: cosa obietterà un revisore scettico, e la citazione che risponde. Live dal 2026-08-03.
Ogni affermazione è ancorata in una biblioteca vettoriale di 50+ classici PLS-SEM (Chin, Henseler, Hair, Sarstedt, Ringle, Shmueli). I chip di citazione aprono il paragrafo sorgente in un drawer. Live dal 2026-08-03.