Das Statistik-Programm SmartPLS ist auf Strukturgleichungsmodelle nach der Partial Least Square-Methode spezialisiert, doch die Software kann noch mehr.
SmartPLS, eine der jüngeren Softwares auf dem Markt der Datenanalyse-Tools, wurde 2005 von der Universität Hamburg entwickelt. SmartPLS dient der Datenauswertung mithilfe von Strukturgleichungsmodellen. Das Programm nutzt eine grafische Bedienoberfläche, um variablenbasierte Pfadanalysen zu erstellen – den Kern der Analyse bildet die Partial Least Square-Methode (PLS), die die kleinste Abweichung zwischen Hypothesen und tatsächlichen Daten errechnet. Da die Software in Java programmiert ist, läuft sie sowohl auf dem Windows-Betriebssystem als auch auf Mac OS X. Die kommerzielle Analysesoftware ist nur auf Englisch verfügbar und kann neben der statistischen Analyse und Strukturgleichungsmodellen auch für Datenerhebungen und multivariate Datenauswertungen zum Einsatz kommen.
Aufbau der Statistik-Software SmartPLS
Die grafische Benutzeroberfläche, die die Variablen als Kästchen bzw. Ellipsen darstellt und die Korrelationen, d.h. Verbindungen zwischen den Variablen in Form von Pfeilen zwischen den Kästchen abbildet, ist auch für Anwender mit geringen Kenntnissen in der Statistik grundsätzlich leicht verständlich. Von anderen gängigen Statistik-Programmen wie SPSS, R oder STATA unterscheidet sich SmartPLS insofern, dass es sich nicht um ein Tool für generelle statistische Analysen handelt, sondern sein spezialisiertes Aufgabengebiet in der Anwendung von Strukturgleichungsmodellen sucht. Die Parameter des Modells lassen sich so berechnen, dass die Abweichung zwischen den empirischen Daten und dem Modell, die in Form von Quadraten dargestellt wird, möglichst gering ist.
Zu den Werkzeugen, die SmartPLS einsetzt, zählen u.a. die Faktorenanalyse, die die latenten, d.h. nicht beobachtbaren Variablen misst, die Regressionsanalyse nach der Methode der kleinsten Quadrate (PLS) sowie Bootstrapping, das die Wiederbenutzung und wiederholte Auswertung von Teilstichproben ermöglicht. Neben der linearen Pfadmodellierung bzw. Pfadanalyse bietet SmartPLS auch die Möglichkeit, multivariate Auswertungen durchzuführen. Dazu zählen u.a. IPMA-Verfahren (Importance-Performance Matrix Analysis), MGA-Methoden (Multi-Group Analysis), hierarchisch aufgebaute Komponentenmodelle (second-order models) und CTA-Analysen (Confirmatory Tetrad Analysis). Die Berechnung von Bestimmungsmaß und Reliabilität sowie die Untersuchung nicht-linearer Korrelationen (z.B. quadratischer Abhängigkeiten) runden den Funktionsumfang von SmartPLS ab.
Anwendung von SmartPLS
Die Benutzung der SmartPLS-Funktionen basiert auf Rohdaten. Diese werden in Form einer empirischen Studie oder Umfrage erhoben und können aus einer txt- oder einer csv-Datei in das Programm importiert werden. Einer der größten Vorteile gegenüber beispielsweise AMOS, das auch mit Strukturgleichungsmodellen arbeitet, ist die Anwendbarkeit des Programms auch bei kleinen Stichproben. Während andere Softwares bei zu kleinen Datenmengen häufig ungenaue bzw. nicht repräsentative Ergebnisse erzielen, benötigt die PLS-Methode keine Verteilungsannahme über die Variablen. Die Indikatoren, also die beobachtbaren Variablen, können dabei nominal, metrisch oder ordinal skaliert sein – eine bivariate oder multivariate Verteilung kann, muss aber nicht vorliegen. Die Analyse erfolgt varianzbasiert – im Vordergrund der Analyse steht nicht die Parameterschätzung, wie dies z.B. bei AMOS der Fall ist, sondern die Prognose über die Korrelationen zwischen den Variablen. Aus diesem Grund wird die SmartPLS-Methode häufig als „soft modelling“ bezeichnet.
Welche Funktionen sind in der Datenanalyse mit SmartPLS enthalten?
SmartPLS wird vor allem in der Betriebswirtschaft eingesetzt. Auf empirischen Daten basierende Studien und Forschungsarbeiten sind auf die Auswertung von Zusammenhängen zwischen verschiedenen Variablen angewiesen, die sich mithilfe der empirischen Rohdaten überprüfen lassen. Am Beginn einer Datenauswertung mit SmartPLS steht daher immer eine genaue Vorbereitung und Planung der Analyse, bei der unsere Akademiker und Statistik-Experten Ihnen gerne behilflich sind. Bevor es an die eigentliche Analyse gehen kann, müssen zunächst die Zielsetzung und die äußeren Parameter der Studie bestimmt werden. Auch die Hypothesen, die mithilfe der Auswertung überprüft werden sollen, müssen aufgestellt werden, bevor es an die Datensammlung geht, denn erst aus der Zielsetzung und den Hypothesen erschließt sich häufig die Zielgruppe für die jeweilige Studie.
Die Rohdaten, die im Verlauf der empirischen Datenerhebung gesammelt werden, können unkompliziert in die SmartPLS-Software übernommen werden. Anschließend an die Definition des Modells und die Schätzung der Parameter lässt sich ein varianzanalytisches Modell erstellen, das die Beziehungen und Abhängigkeiten zwischen Indikatoren und den latenten Variablen errechnet. Diese Korrelationen werden in Form von Pfeilen zwischen den einzelnen Variablen, die Korrelationsfaktoren als Zahlen neben den Pfeilen angezeigt. Mithilfe von Automatisierungsprozessen können die Stichproben mehrfach und in unterschiedlicher Zusammensetzung analysiert werden. Somit lassen sich sowohl Gruppenvergleiche als auch komplexe Wirkungszusammenhänge herstellen und in Form von Diagrammen oder Tabellen ausgeben. Um die Analyseergebnisse optimal weiterverwerten zu können, bietet SmartPLS für jede Auswertung einen umfassenden Report, der nicht nur das verwendete Modell und die Daten beschreibt, sondern auch die Informationen über die Ergebnisse, Qualitätskriterien und grafische Verteilungen übersichtlich darstellt.