按标签的主动提示
每个标签一览
打开 Results、Editor、MGA 或 Advanced，在标签顶部看到 1 到 3 条建议。每条提示读取您的实时模型并引用您自己的数字。
Results › AI 提示
在 Loyalty 上运行 IPMA
R² = 0.51（实质性）。IPMA 绘制重要性与性能，帮助您排序前置变量。
HTMT 提醒：Trust ↔ Quality
HTMT = 0.87 超过保守阈值 0.85。发布前检查区分效度。
AI 研究助手 新功能 · 测试版
了解您项目的环境 AI。
在工作时会出现上下文提示。聊天抽屉回答关于模型的开放性问题，始终基于您已计算的数字。
AI 聊天抽屉
提问，获得有根据的回答
打开右下角的机器人，对模型、数据或结果提出任何问题。四个只读工具提供项目结构访问，从不访问原始行。
AI 助手
接下来应该运行什么？
在实质性 R²（Loyalty 0.51、Satisfaction 0.71）和 dataset 中有 `gender` 列的情况下：IPMA 优先排序前置变量，然后 MICOM 继之 MGA 测试按性别的路径差异。
使用了：getResults, getDataset
- 从不发送数据集行
- 只有结构和聚合信息离开浏览器
- 每项功能每月 100 次免费调用
- 默认关闭，一键启用
差距
PLS-SEM 有比任何研究者能记住的还多的阈值。
Hair、Ringle 和 Sarstedt 的《Primer on PLS-SEM》长达 428 页。Chin 的 R² 层级、Henseler 的 HTMT、Cohen 的 f²、Roemer 的 HTMT2、Shmueli 的 out-of-sample 规则 - 严谨分析的每一步都有临界值、引用和领域方差的注意事项。即使是经验丰富的作者也在编辑器旁边打开 Primer 参考。
AI 助手不移除这种严谨。它移除了 查询税。它读取您的实时项目，知道适用的阈值，引用出处，并标记您可能即将发布审阅者会挑出问题的地方。
15+
每次计算的质量标准
7
带 AI 支持的工作流步骤
10+
引用的 PLS-SEM 经典
< 4 秒
从问题到有根据的答案
现已上线
从计算输出到能通过同行评审的初稿。
最后三个阶段闭合了循环。选择合适的高级方法，从您的实时输出起草方法/结果/讨论段落，让每一个主张都能追溯到助手可以点名的精选论文。
高级方法助手
读取您的模型形状、样本大小和结果，然后提出一个有序的高级方法管道，每个方法附带一行理由。IPMA 在 MGA 之前。MICOM 在 MGA 之前。n = 200 以下跳过 FIMIX。每个建议都知道它刚刚跨过的阈值。
您的项目 · Loyalty 研究
n = 214 · 4 LVs · R² 实质性
建议的下一步
- 在 Loyalty 上运行 IPMA - Ringle & Sarstedt 2016
- PLSpredict k = 10 用于样本外效度 - Shmueli 2019
- MICOM → 按市场 MGA - Henseler et al. 2016
一键打开预填参数的面板。
报告初稿 + 审阅者防御
从您的实时计算输出起草方法、结果和讨论段落，输出为 LaTeX 或 Word。包括审阅者模拟通过：怀疑的审阅者会反对什么，以及哪个引用可以回答。
结果部分 · 自动初稿
"结构模型解释了 Loyalty 中 51% 的方差（R² = 0.51，按 Chin 1998 为实质性）。Trust 施加最强的直接效应（β = 0.42，p < 0.001），与...一致"
审阅者防御
审阅者 2："HTMT Trust ↔ Quality = 0.87 超过 0.85。"
→ 通过 HTMT2 (Roemer et al. 2021) 精炼 - 几何平均校正得到 0.83，远低于保守阈值。
来自精选语料库的引用
答案将每个主张锚定在一个包含 50+ PLS-SEM 经典的向量索引库中。Chin、Henseler、Hair、Sarstedt、Ringle、Shmueli、Sarstedt et al.。每个引用芯片在抽屉中打开论文的摘要。
带有根据引用的 AI 答案
"按照 PLS-SEM 文献中普遍使用的 Chin (1998) 层级，0.51 的 R² 算作实质性。"
Chin 1998 · §22.4 Hair et al. 2022 · 第 6 章
已索引 50+ PLS-SEM 文献
AI 优先工作流
两个设计师，一个连贯的流程。
在几秒内将研究问题转化为起始模型。从模型的 LVs 获得经验证的问卷。收集数据，然后用同一个助手解释。
AI 模型设计师
已上线输入您的研究问题。助手提出 3-6 个具有模式（反射/形成）的潜在变量、带引用的假设路径以及来自 PLS-SEM 文献的 2-3 个蓝图参考。一键创建一个已绘制 LV 和路径的新模型。
Model › AI designer
研究问题
"在线杂货购物中驱动客户忠诚度的因素是什么？"
↓
AI 提议
Trust · 反射性 Perceived Quality · 反射性 Satisfaction · 反射性 Loyalty · 反射性
H1: Trust → Loyalty (+) - Zeithaml et al. 1996
问卷构建器
已上线给定模型，助手为每个 LV 生成 4-6 个经验证的题项及引用（Davis TAM、Zeithaml SERVQUAL、Cronin & Taylor …）。或从头开始自己编写题项。内联编辑、添加人口统计、导出为 CSV / Markdown / JSON，用于 Qualtrics、LimeSurvey 或 SoSci Survey。
Dataset › Questionnaire builder
Trust · Davis (1989)
trust1 我相信这家店会兑现承诺。 trust2 这家店在交易中显得可靠。 trust3 店铺对我的个人数据保管很谨慎。 年龄 · 性别 · 国家
它在哪里帮助
PLS-SEM 项目每一步的环境支持。
助手不是贴在表单上的聊天机器人。它编织在您已经使用的面板中，只读取它需要的。
01
模型编辑器
当您拖动 LV 和路径时，助手读取当前结构并指出反射/形成模式不匹配、指标少于 3 的 LV 和未连接的构造。当相关联的 LV 可以整理时，它建议高阶构造，并引用 Sarstedt et al. (2019) 关于 disjoint two-stage 的适用性。
示例
您的 Trust LV 有 2 个指标。反射测量通常从 3 项开始被接受 (Hair et al. 2019)。添加第三项或如果这些是形成方面，切换到 Mode B。
02
数据集上传
对照 10 倍规则的样本大小充分性、逐列缺失值审计、哨兵码检测 (−99, −999)、同一构造指标之间的量表范围一致性。全部来自列摘要 - 从不来自您的数据。
示例
n = 84 低于您模型的 10 倍规则（最大 LV 有 4 条入路径）。收集更多观测或谨慎解释 bootstrap CI。
03
结果解释
带命名截断值的 R² 层级（Chin 1998）、按对指出 HTMT 违规、每 LV 的信度失败、SRMR 拟合警告，以及基于当前数字最有用的下一个方法。杠杆最大的一步 - 大多数手稿在这里得失。
示例
Loyalty 的 R² = 0.51（实质性）。路径 Trust → Loyalty = 0.42 (p < 0.001)，可观。但 HTMT Trust ↔ Quality = 0.87 超过保守阈值 0.85 (Henseler et al. 2015)。在声明区分效度之前运行 HTMT2 (Roemer et al. 2021) 进行几何平均校正。
04
多组分析
助手扫描您的数据集寻找 2–5 级的分类列（性别、市场、处理）并提议 MGA 候选。它强制 MICOM-在-MGA-之前 顺序，当组低于 n = 30 时警告，并建议要在组间比较的结构路径。
示例
market 列有 4 个级别（DE、US、UK、JP）。JP 组有 n = 27 - 低于稳定 bootstrap 的 30 底线。将 JP 与另一个亚洲市场合并或从 MGA 中排除。05
高级方法选择
15 种以上方法中哪一种真正适合 您的 模型？助手读取您的 R²、样本大小、模型形状和信度指标，然后提议有序管道。"我接下来应该运行什么"的问题获得具体、可辩护的答案和引用。
示例
在实质性 R² 和政策相关性框架下：首先运行 IPMA 以优先排序前置变量 (Ringle & Sarstedt 2016)。如果 out-of-sample 泛化在讨论部分重要，用 k = 10 的 PLSpredict (Shmueli et al. 2019)。跳过 FIMIX-PLS - 您的 n = 180 处于下限。
06
报告撰写
方法部分、结果部分、局限性讨论 - 从您的实时计算输出起草为 LaTeX 或 Word 段落。包括审阅者防御通过：怀疑的审阅者会问什么，以及您用什么引用回答。
示例
结果段落自动起草："结构模型解释了 Loyalty 中 51% 的方差（R² = 0.51，按 Chin 1998 为实质性）。Trust 施加最强的直接效应（β = 0.42，p < 0.001）…" - 一次粘贴到您的稿件，一次为语气编辑。
扎根于文献
每个阈值都命名其论文。
助手拒绝发明数字。当它引用截断值时，引用被固定在其系统提示中，反映 OpenPLS 也验证的经典 PLS-SEM 文献。
| 标准 | 截断值 | 来源 |
|---|---|---|
| R² 层级 | 0.19 / 0.33 / 0.67 | Chin (1998) |
| Cohen 的 f² 层级 | 0.02 / 0.15 / 0.35 | Cohen (1988) |
| HTMT 区分效度 | < 0.85（保守）, < 0.90（自由） | Henseler et al. (2015) |
| HTMT2 精化 | 几何平均校正 | Roemer et al. (2021) |
| SRMR 模型拟合 | < 0.08 | Hu & Bentler (1999) |
| Cronbach 的 α、复合信度 | ≥ 0.70 | Nunnally & Bernstein (1994) |
| 样本大小的 10 倍规则 | n ≥ 10 × LV 的最大入路径 | Barclay et al. (1995) |
| Bootstrap 迭代（出版） | ≥ 5000 | Hair et al. (2022) |
| IPMA 重要性 × 性能 | 总效应 × 平均潜在得分 | Ringle & Sarstedt (2016) |
| PLSpredict k-fold 面板 | RMSE、MAE vs. 线性模型基准 | Shmueli et al. (2019) |
当助手被问及不确定的阈值时，它会这样说而不是猜测。此行为通过其系统提示强制执行 - 硬规则："如果被问及不确定的阈值，就说明并不发明数字。"
三位研究者的旅程
助手加速的真实工作流。
来自 OpenPLS 用户会话和常见 PLS-SEM 研究背景的示意性合成。均不代表真人。
市场营销博士生
214 名在线购物受访者的累积样本。Trust → Satisfaction → Loyalty 模型。截止日期在 6 周后。
编辑器
助手标记只有 2 个指标的 Loyalty，并引用 Hair et al. 2019 关于最小项目数。添加 Watanabe et al. 2018 的第三个验证项目。
结果
Loyalty 的 R² = 0.62。HTMT Trust ↔ Satisfaction = 0.88 被标记。建议 HTMT2 精化 - 在 0.83 处干净通过。审阅者防御得到保障。
高级
在 Loyalty 上建议 IPMA。Trust 排名最高优先级（重要性 0.42，性能 61）。为 Managerial Implications 部分做好准备的贡献。
3 天的文献查询浓缩为 90 分钟的专注工作。
医疗服务研究员
患者体验调查，4 家医院共 n = 512。数据上传时使用哨兵码 −99 代表"未回答"。
数据集
助手检测到 R² 可疑地低。指出 −99 值未被登记为缺失。建议将 −99 添加到数据集的 missing-codes 列表。
重新计算
正确处理缺失值后，Care-Quality → Satisfaction 的 R² 从 0.09 跃升到 0.44。结果变得可发布。
MGA
Hospital ID 有 4 级。助手强制先做 MICOM - 部分不变性成立。MGA 揭示两个站点间显著的 Trust → Loyalty 差异。
在手稿提交前险些遭遇的分析损坏被及时抓住。
咨询分析师
中盘制造商的 B2B 客户忠诚度研究。交付物：带有明确政策建议的 20 页报告。
编辑器
助手建议为 Service-Quality 使用形成-反射 HOC。引用 Sarstedt et al. 2019 disjoint two-stage。6 个项目减少为更清晰的二维构造。
高级
PLSpredict k = 10。模型在 RMSE 上胜过线性模型基准。向客户解释 in-sample R² 和 out-of-sample 有效性的区别。
报告
直接导出 LaTeX 表和 IPMA 优先级。报告草稿在截止日期前两天准备好。
客户带走的是可辩护的模型和明确的优先级，而不是统计学的墙。
信心，而非捷径
助手帮您决定。它不为您决定。
每篇 PLS-SEM 论文都是您的名字，您的辩护。助手是有意构建的以强化您的判断，而非取代它。
只读取结构和聚合
模型形状、列摘要、R²、p 值、HTMT 矩阵、信度 - 就这些。永远不读数据集行、上传者身份、文件名。这个系统级不变量在代码中强制执行，而不是提示中。
引用它使用的工具
每个答案显示模型调用了四个只读工具中的哪一个。如果它声称一个数字，您可以验证是哪个工具提供的。没有黑盒解释。
从不运行计算
助手可以建议"在 Loyalty 上运行 IPMA" - 它不能自己执行计算。您在每个不可逆步骤中都在驾驶座上。
不知道时说"不知道"
系统提示中的硬规则：如果对阈值或方法适用性不确定，助手会说明而不是幻觉。拒绝是一个特性。
默认关闭，一键启用
助手在明确的选择加入和清晰的同意界面之后。一旦启用，一键也可以关闭 - 没有隐藏依赖，无需重新入门。
透明配额
Beta 期间每位用户每月 100 次聊天回合和 100 次提示调用。您总是知道剩余多少。没有自动计费，没有意外费用。
路线图
助手接下来去哪里。
所有 7 个阶段均已上线。从研究问题到审阅者防御，PLS-SEM 稿件的每一步现在都有为其打造的 AI 助手。
- ✓
第 1 阶段 · 解释聊天
使用四个只读工具回答关于您模型的任何开放式问题。自 2026-07-27 上线。
- ✓
第 2 阶段 · 上下文步骤提示
每个项目标签顶部主动的 1–3 条建议。自 2026-07-27 上线。
- ✓
第 3 阶段 · 模型设计助手
将您的研究问题和大致的构造列表转变为起始模型。助手提议 LV、模式、路径，并引用 2–3 个具有相似结构的已发表模型作为蓝图。自 2026-07-27 上线。
- ✓
第 4 阶段 · 问卷设计
对于模型中的每个 LV，获得 4–6 个带来源引用的验证项建议（Trust、Satisfaction、Loyalty、Perceived Usefulness 及数十个常见构造）。自 2026-07-27 上线。
- ✓
第 5 阶段 · 自动方法选择
读取整个项目（模型 + 数据 + 结果）并起草有序的高级方法管道 - IPMA 在 MGA 之前，MICOM 在 MGA 之前，PLSpredict 用在样本外重要之处。每个建议都引用它刚刚跨过的阈值。自 2026-08-03 上线。
- ✓
第 6 阶段 · 报告 + 审阅者防御
从您的实时计算输出生成方法、结果和讨论段落，输出为 LaTeX 或 Word。包括审阅者模拟：怀疑的审阅者会反对什么，以及回答的引用。自 2026-08-03 上线。
- ✓
第 7 阶段 · 精选文献的 RAG
每个主张都锚定在一个包含 50+ PLS-SEM 经典（Chin、Henseler、Hair、Sarstedt、Ringle、Shmueli）的向量索引库中。引用芯片在抽屉中打开源段落。自 2026-08-03 上线。