YesStat — PLS-SEM (결과)

PLS-SEM

경로 가중 · R² · f² · Q² · HTMT

SRMR.058≤ .08

R² 직무성과.334중간

Q² 직무성과.219> 0 예측력

최대 VIF1.84< 5

최대 HTMT.648< .85

표 38. 측정모형 평가

구성개념	지표	외부 적재량	t	Cronbach α	ρ_A	CR (ρ_c)	AVE
직무자원	JR1	.838	34.21	.864	.868	.908	.712
	JR2	.861	38.94
	JR3	.826	31.07
	JR4	.848	35.62
직무열의	WE1	.854	41.28	.891	.894	.920	.697
	WE2	.831	36.44
	WE3	.846	39.71
	WE4	.792	28.16
	WE5	.848	37.82
직무성과	JP1	.821	30.14	.842	.847	.894	.679
	JP2	.804	27.68
	JP3	.842	33.41
	JP4	.824	29.92
직무요구	JD1	.812	26.84	.812	.818	.876	.639
	JD2	.784	23.11
	JD3	.806	25.47
	JD4	.796	24.62

N = 409. 부트스트랩 5,000회. 외부 적재량 ≥ .70, CR ≥ .70, AVE ≥ .50 기준을 모두 충족하였습니다(Hair et al., 2022).

표 39. 구조모형 평가

경로	β	표본평균	SD	t	p	2.5%	97.5%	f²	VIF
직무자원 → 직무열의	.572	.574	.041	13.95	<.001	.489	.649	.482	1.05
직무요구 → 직무열의	−.198	−.199	.048	4.13	<.001	−.291	−.104	.058	1.05
직무열의 → 직무성과	.428	.429	.052	8.23	<.001	.324	.528	.192	1.84
직무자원 → 직무성과	.174	.176	.058	3.00	.003	.061	.288	.031	1.79
직무요구 → 직무성과	−.062	−.063	.049	1.27	.205	−.158	.034	.005	1.12

f² 기준: .02 작음, .15 중간, .35 큼.

표 40. 두 방법 비교 · 동일 모형 동시 추정

경로	CB-SEM β	PLS-SEM β	차이	해석
직무자원 → 직무열의	.585	.572	.013	일치
직무열의 → 직무성과	.412	.428	−.016	일치
직무자원 → 직무성과	.186	.174	.012	일치
직무요구 → 직무열의	−.214	−.198	−.016	일치
직무요구 → 직무성과	−.088	−.062	−.026	양쪽 모두 비유의

두 추정법의 결과가 수렴하여 결론의 강건성이 확인되었습니다. 이 비교표는 YesStat 고유 기능입니다.

그림 23. 설명력과 효과크기

R² 및 Q²

효과크기 f²

그림 24. HTMT 판별타당도와 IPMA

HTMT (기준 .85 미만)

중요도-성과 맵 (IPMA)

해석interp_rules.rule_id = PLS_QUALITY_OK · 매칭조건 srmr<=.08 AND ave>=.50 AND htmt<.85 AND q2>0

측정모형에서 모든 외부 적재량이 .784 이상이었고 CR .876–.920, AVE .639–.712로 신뢰도와 수렴타당도가 확보되었다. HTMT 최댓값은 .648로 기준 .85를 밑돌아 판별타당도도 충족되었다.

구조모형에서 직무성과의 R² = .334, 직무열의의 R² = .361로 중간 수준의 설명력을 보였다. Q²는 각각 .219와 .248로 0보다 커 예측 적합성이 확인되었다.

효과크기 f²는 직무자원 → 직무열의가 .482로 큰 효과, 직무열의 → 직무성과가 .192로 중간 효과였다. VIF 최댓값은 1.84로 공선성 문제가 없었다.

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on PLS-SEM (3rd ed.).

코드 생성 · 이 분석을 다른 프로그램 문법으로

! Mplus는 PLS-SEM을 지원하지 않습니다.
! 아래 R seminr 코드를 사용하십시오.

* Stata는 PLS-SEM 공식 명령이 없습니다.
* 사용자 작성 plssem 패키지:
plssem (JR > JR1-JR4) (WE > WE1-WE5) ///
       (JP > JP1-JP4), structural(WE JR, JP WE JR) boot(5000)

library(seminr)
mm <- constructs(composite('JR', multi_items('JR',1:4)),
                 composite('WE', multi_items('WE',1:5)),
                 composite('JP', multi_items('JP',1:4)))
sm <- relationships(paths(from='JR', to=c('WE','JP')), paths('WE','JP'))
m <- estimate_pls(dat, mm, sm); boot <- bootstrap_model(m, nboot=5000)

* SPSS는 PLS-SEM을 지원하지 않습니다.

모형이나 변수 지정을 바꾸면 네 코드가 함께 갱신됩니다. 심사자가 다른 프로그램으로 재현을 요구할 때 그대로 전달할 수 있습니다.