VIF per blocchi formativi
Diagnostica della multicollinearità per ogni indicatore formativo. Criterio di qualità standard per i costrutti Mode B con soglie chiare (< 5 non critico, < 3 ideale).
Funzionalità
Tutto quello che serve per fare PLS-SEM seriamente.
Dal modello di misurazione al report pronto per la pubblicazione, organizzato per caso d'uso. Validato rispetto ai valori di riferimento consolidati nella letteratura PLS-SEM.
Modello di misurazione
Affidabilità e validità dei tuoi costrutti. Riflessivo (Mode A) e formativo (Mode B) in un unico editor.
Loadings, weights e cross-loadings
Pannello completo del modello esterno per indicatore. Loadings per i blocchi riflessivi, weights per quelli formativi, più la diagnostica del metodo comune tramite cross-loadings.
AVE > 0.5 convergent validity
Affidabilità: Cronbach, ρ_A, DG ρ, AVE
Quattro misure di affidabilità in una sola tabella. Cronbach come limite inferiore, Dijkstra-Henseler ρ_A come stima puntuale, DG ρ come limite superiore, AVE come misura di convergenza.
Unidimensionalità
Verifica degli autovalori per ogni blocco riflessivo (Dillon-Goldstein, primo e secondo autovalore). Subito evidente se un blocco misura più di una dimensione.
Validità discriminante
Tre prospettive indipendenti sulla distinguibilità dei costrutti in un unico pannello.
HTMT
Rapporto heterotrait-monotrait secondo Henseler, Ringle & Sarstedt (2015). Standard in ogni paper PLS-SEM dal 2015. Soglia 0.85 (stretta) o 0.90 (liberale).
HTMT2
Rifinitura tramite media geometrica secondo Roemer, Schuberth & Henseler (2021). Non distorto in presenza di loadings disuguali nel blocco, più conservativo dell'HTMT classico.
Criterio di Fornell-Larcker
Confronta √AVE di ciascuna LV con la sua correlazione massima con altre LV. Test classico dal 1981, ancora richiesto da molte riviste.
Modello strutturale
Coefficienti di path, dimensioni dell'effetto e scomposizione degli effetti. Diretti, indiretti, specifici.
Coefficienti di path e VIF interno
Beta standardizzati per ogni path strutturale, più VIF interno per diagnosticare la multicollinearità tra LV predittori.
R², R² adjusted e BIC
Potere esplicativo per LV endogena, variante corretta per la dimensione campionaria e criterio bayesiano per il confronto fra modelli.
0.02 · 0.15 · 0.35 Cohen f² thresholds
Dimensioni d'effetto f²
f² di Cohen per ogni path: misura il contributo unico di ciascun predittore al R² della LV endogena. 0.02 / 0.15 / 0.35 come regola pratica.
Effetti indiretti specifici
Ogni catena di mediazione elencata separatamente, con stima puntuale e IC bootstrap per catena. Non solo l'effetto indiretto totale, ma il contributo di ogni singolo path.
Q² > 0 predictive relevance
Rilevanza predittiva Q²
Q² di Stone-Geisser tramite blindfolding. Indica se il modello ha capacità predittiva oltre l'adattamento in-campione.
Inferenza e validazione
Quantificazione dell'incertezza e confronto fra campioni. Procedure standardizzate della comunità PLS-SEM.
Bootstrap
Resampling con reimmissione per valori t, valori p e intervalli di confidenza. Gira su Cloud Run, 5000 iterazioni tipicamente in 2-5 minuti.
Moderazione (two-stage)
Termini di interazione nel modello strutturale, approccio two-stage secondo Henseler & Chin (2010). Con un clic dall'editor.
Analisi multi-gruppo (MGA)
Test delle differenze strutturali fra gruppi. Basato su bootstrap (Henseler MGA) e su permutazioni nella stessa vista.
SRMR < 0.08 · GoF ≥ 0.36 approximate fit indices
Model fit (SRMR, d_ULS, GoF)
Indici approssimati di fit del modello: SRMR (< 0.08 buono), d_ULS per saturated/estimated, goodness-of-fit secondo Tenenhaus et al. (2005).
Metodi avanzati
Tecniche PLS-SEM moderne spesso assenti dagli strumenti standard. Un editor, un clic.
FIMIX-PLS
La segmentazione a mistura finita fa emergere sottogruppi non osservati. Rende visibili gli effetti eterogenei prima che distorcano i tuoi risultati.
PLSpredict e IPMA
Cross-validazione k-fold con il pannello completo di Shmueli (RMSE, MAE, MAPE rispetto a LM) e mappa importance-performance per la prioritizzazione manageriale.
PLSc (consistent PLS)
Correzione del bias di Dijkstra-Henseler per modelli di misurazione riflessivi. Restituisce ρ_A per LV, correlazioni disattenuate e path corretti.
Costrutti di ordine superiore
Workflow disjoint two-stage per modelli gerarchici. Tutti e quattro i tipi canonici (R-R, R-F, F-R, F-F) più HOC annidati.
Copula gaussiana
Test di endogeneità Park-Gupta / Hult et al. per predittori strutturali. Individua il bias senza variabili strumentali, con controllo di ammissibilità.
Schemi Newton e PCA
Inner weighting quasi-Newton per una convergenza più stabile, schema PCA di Lohmöller come alternativa a centroid e path.
Reporting ed export
Dal modello direttamente al paper. Formati aperti, niente lock-in.
PDF publication-ready
Report PDF per la pubblicazione
Report PDF pronto per la pubblicazione con tutte le tabelle, diagramma strutturale e sezione metodi. Da inserire direttamente nella tua appendice.
Tabelle XLSX e LaTeX
Ogni tabella come foglio XLSX e come snippet LaTeX, copia con un clic. Risparmia ore di riformattazione in Overleaf.
Report bundle in JSON
Il report completo come JSON strutturato per dichiarazioni di riproducibilità e analisi machine-readable. Formato documentato, nessun container proprietario.
Importazione SmartPLS (.splsm)
Importa modelli SmartPLS esistenti senza ricrearli. Migrazione in un passaggio, senza perdita di dati.
Docker · GPL · On-Premise cloud or self-hosted
Self-host e team
Immagine Docker per dati sensibili, progetti multi-utente con confronto delle versioni per gruppi di ricerca. Cloud o on-premise, scegli tu.
Pronto a lanciare il tuo primo modello?
Account gratuito, senza carta di credito. I primi progetti girano in cloud, un clic per passare al self-host quando sei pronto.