以SmartPLS進行PLS-SEM模型估計

更新於 發佈於 閱讀時間約 4 分鐘


本篇介紹如何執行PLS-SEM模型估計, SmartPLS其實和AMOS非常相似,都是按按按就可以執行,接下來一步步帶領大家如何執行最基本的PLS-SEM模型估計,目前 使用SmartPLS_3版本

Image

Image


打開 SmartPLS後,選擇NEW PROJECT,然後選擇你自己要的專案名稱,再按ok

Image

Image

就成功創建專案了,專案下面會出現兩點,紅字1為資料檔,紅字2為模型。先雙擊紅字1開始輸入資料,檔案只能用CSV或TXT檔案

Image

Image

輸入資料檔後,可以立刻查看,SmartPLS可以提供平均數、遺漏值、平均數、偏態和標準差等敘述統計,也可以看變項之間的相關係數。

Image

Image

Image

Image

接下來編輯模型路徑,點選Latent Variable (紅1)開點創建潛在變項,其形狀為圓形;再來將左側的資料檔變項拉到圖中成為觀察變項(紅色箭頭),觀察變項城黃色方框;當完成所有模型建構後,就可以進行模型估計(紅3)

Image

Image

當完成模型建構後,所有Latent Variable呈現藍色代表可以執行囉~選擇Partial Least Squares Algorithm進行模型估計。

Image

Image

當模型估計完,原本模型路徑圖就會擁有係數,初始呈現的潛在構面之間的係數為path coefficient(例:黃螢光色),不像AMOS可以查看標準化或非標準化係數,此處只能看標準化係數,係數從-1介於+1之間。 接近1或-1代表兩個潛在構面具有非常高關聯性, 接近0的代表兩者關聯非常低,不過值得注意的是,還要檢視其路徑是否達到顯著水準。而初始呈現的觀察變項和潛在購面之間係數為loading(例:綠色螢光),loading代表題目對變項的貢獻程度, 在PLS-SEM中,根據一條經驗法則,loading為0.7或更高(Hulland,1999:198),不過也並非所有研究者皆同意。但我認為高過.7還是比較好的,不然後面的區別和收斂效度很難通過。

Image

Image

除了上述係數以外,也有很多係數可以顯示於圖上(紅框處),若要看更多估計結果則按紅圈處

Image

Image

可以先點綠色螢光檢視模型適配度如何,一般而言,RMSEA最好小於.08(或.10),NFI最好高於0.9,estimated model是基於總體效果方案並考慮模型結構的模型。 因此,它再擬合度度量是比較嚴格的模式。然而Model Fit是基於CB-SEM的基礎,而非PLS-SEM,因此漸漸有很多研究開始不再使用這些指標來評鑑PLS-S

Image

Image

我們也可以透過R Square 檢視潛在構面可以被其他構面解釋的程度,但R Square 會受到自變項數目影響,當自變項越來越多則R Square 會只增不減,因此R Square Adjusted調整此問題,所以我常常會看R Square Adjusted而非R Square ,舉例來說,構面CO能被其他構面解釋10.5℅變異量,若考慮到自變項數目,則構面CO能被其他構面解釋10.2℅變異量。

Image

Image

如果有三個潛在購面影響A構面,則A構面的R Square於無法看出三個構面個別能解釋A的程度。 f Suuare則解決此問題,可以檢視個別構面影響A的效果值,例如:CO構面能被SQ和SV構面解釋,而SQ和CO的 f Suuare為0.233。 根據 Cohen (1988)標準,f Suuare0.02以下為低效果值,0.15為中度效果,.35以上為高度效果值。

Image

Image

如果自變項之間關連程度非常高時,甚至很可能用一個自變項取代其他自變項時,就很可能擁有多元共線性問題。我們也需要檢視模型是否具有多元共線性問題,outer VIF是否有超過標準,如果VIF值超過5則很可能具有多元共線性問題(Hair et al., 2011)


您的研究遇到了統計分析的困難嗎?您需要專業的統計諮詢和代跑服務嗎?請點我看提供的服務
Image

Image

avatar-img
224會員
124內容數
文章內容以圖像式和步驟化方式,教您如何在各種統計軟體中(例如:SPSS、R和Mplus),執行多種統計方法。此外,我還會分享一些學術和科技新知,幫助您在學術之路上走得更順利。
留言0
查看全部
avatar-img
發表第一個留言支持創作者!
心理博士的筆記本 的其他內容
多層次資料問題指的是在社會科學研究中,我們經常透過問卷以班級或學校為單位進行調查,此時收集到的資料很可能存在著多個層次的結構。這意味著我們觀察到的個體或單位被分類或分群到不同的層次中。本文將簡介此用傳統統計分析多層次資料結構的問題和限制
社會網路就是一組互相有所關聯的個體,個體可以很多或很少,關係也可以單一或是多重的。社會網路分析和傳統統計觀點有所不同,社會網絡分析專注在個體之間的關係;傳統統計往往關注於個體以及其特性。 以下將簡單介紹社會網路分析的概念
首先介紹何謂PLS-SEM,並介紹如何執行PLS和CB-SEM差異,接下來一步步帶領大家如何透過 SmartPLS執行模型估計、調節、中介和多群組測量衡等性分析, SmartPLS其實和AMOS非常相似,都是按按按就可以執行~
題目打包法(Item Parceling)是一種統計學方法,主要用於結構方程模式(SEM)中。打包法的基本思想是將多個觀察指標打包成一個新指標,以提高模型的擬合程度。打包法有很多優點,如提高模型的擬合程度和要求樣本數減少。但也有缺點,如不適合測量模型分析。本文將簡介題目打包法之策略。
大家平常想到統計都感覺非常複雜難懂,也覺得好像只有研究才會用到,其實統計分析也能用在日常生活中,今天就用很簡單的統計,找自己的理想情人!
多層次資料問題指的是在社會科學研究中,我們經常透過問卷以班級或學校為單位進行調查,此時收集到的資料很可能存在著多個層次的結構。這意味著我們觀察到的個體或單位被分類或分群到不同的層次中。本文將簡介此用傳統統計分析多層次資料結構的問題和限制
社會網路就是一組互相有所關聯的個體,個體可以很多或很少,關係也可以單一或是多重的。社會網路分析和傳統統計觀點有所不同,社會網絡分析專注在個體之間的關係;傳統統計往往關注於個體以及其特性。 以下將簡單介紹社會網路分析的概念
首先介紹何謂PLS-SEM,並介紹如何執行PLS和CB-SEM差異,接下來一步步帶領大家如何透過 SmartPLS執行模型估計、調節、中介和多群組測量衡等性分析, SmartPLS其實和AMOS非常相似,都是按按按就可以執行~
題目打包法(Item Parceling)是一種統計學方法,主要用於結構方程模式(SEM)中。打包法的基本思想是將多個觀察指標打包成一個新指標,以提高模型的擬合程度。打包法有很多優點,如提高模型的擬合程度和要求樣本數減少。但也有缺點,如不適合測量模型分析。本文將簡介題目打包法之策略。
大家平常想到統計都感覺非常複雜難懂,也覺得好像只有研究才會用到,其實統計分析也能用在日常生活中,今天就用很簡單的統計,找自己的理想情人!
你可能也想看
Google News 追蹤
Thumbnail
嘿,大家新年快樂~ 新年大家都在做什麼呢? 跨年夜的我趕工製作某個外包設計案,在工作告一段落時趕上倒數。 然後和兩個小孩過了一個忙亂的元旦。在深夜時刻,看到朋友傳來的解籤網站,興致勃勃熬夜體驗了一下,覺得非常好玩,或許有人玩過了,但還是想寫上來分享紀錄一下~
Thumbnail
這篇文章分享了作者在參與預估專案時的思考脈絡和學習點,透過兩個具體的案例,探討了預估方法中重要的假設和挑戰。
Thumbnail
在AI時代中,GPT技術正在改變我們的生活。然而,SLM(小型語言模型)也開始受到關注,具有更高的效率、更低的資源消耗和更快的響應速度。這篇文章將討論LLM和SLM的比較、SLM的應用場景以及未來的發展趨勢。
Thumbnail
Power BI 是微軟開發的商業智能工具,專為數據可視化和分析設計。它能整合多種數據來源,並將數據轉化為互動式圖表和報表。支持即時更新的儀表板和自然語言查詢,讓用戶快速獲取洞察。其協作和分享功能方便團隊合作,而移動應用支持隨時隨地訪問數據。可以幫助企業做出數據驅動的決策,提高業務效率和競爭力。
Thumbnail
本文介紹了大型語言模型(LLM)中Prompt的原理及實踐,並提供了撰寫Prompt的基本框架邏輯PREP,以及加強Prompt撰寫的幾個方向:加強說明背景、角色描述和呈現風格,加強背景說明,角色描述,呈現風格以及目標受眾(TA)。同時推薦了幾個Prompt相關的參考網站。最後解答了一些快問快答。
Thumbnail
本文將展示使用不同激活函數(ReLU 和 Sigmoid)的效果。 一個簡單的多層感知器(MLP)模型來對 Fashion-MNIST 資料集進行分類。 函數定義 Sigmoid 函數 Sigmoid 函數將輸入壓縮到 0到 1 之間: 特性: 輸出範圍是 (0,1)(0, 1)(0,1
Thumbnail
  除了上篇提到的 Data Wrangler 外,SageMaker 還有許多配套的功能,其中有個叫做 Pipelines 的東西,說是可以用來構建、 管理及自動化深度學習流程,能夠節省人工操作,有那麼神?這次就來試試 Pipelines 能夠為我們帶來什麼體驗。
Thumbnail
STP分析—市場細分、目標市場選擇和市場定位—不僅是行銷理論的核心,同時也可以是學術寫作和發表的強大工具。特別是在機器學習這一跨學科領域,運用STP分析可以明顯提高研究的影響力和可讀性。本文分享如何運用STP分析來優化機器學習的學術研究和寫作。
Thumbnail
小語言模型SLM急起直追 這次財報上,我關注到了這個陌生的詞,SLM。查了一下,原來是Small Language Model。 我們還持續創新,為客戶提供最好的前沿模型和開源模型、大型語言模型和小型語言模型的選擇。
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記,未來將不定期新增內容,此技術屬AI人工智慧範疇。 1.3 Overview and Roadmap 1.3.1 Overview of Chapters 延續上一篇Part 3講
Thumbnail
本文介紹瞭如何使用 Python pandas 進行資料分析,包括如何使用 corr() 函數針對數字類型的欄位進行分析,以及如何刪除不需要的欄位和取得想要的小數位數。
Thumbnail
嘿,大家新年快樂~ 新年大家都在做什麼呢? 跨年夜的我趕工製作某個外包設計案,在工作告一段落時趕上倒數。 然後和兩個小孩過了一個忙亂的元旦。在深夜時刻,看到朋友傳來的解籤網站,興致勃勃熬夜體驗了一下,覺得非常好玩,或許有人玩過了,但還是想寫上來分享紀錄一下~
Thumbnail
這篇文章分享了作者在參與預估專案時的思考脈絡和學習點,透過兩個具體的案例,探討了預估方法中重要的假設和挑戰。
Thumbnail
在AI時代中,GPT技術正在改變我們的生活。然而,SLM(小型語言模型)也開始受到關注,具有更高的效率、更低的資源消耗和更快的響應速度。這篇文章將討論LLM和SLM的比較、SLM的應用場景以及未來的發展趨勢。
Thumbnail
Power BI 是微軟開發的商業智能工具,專為數據可視化和分析設計。它能整合多種數據來源,並將數據轉化為互動式圖表和報表。支持即時更新的儀表板和自然語言查詢,讓用戶快速獲取洞察。其協作和分享功能方便團隊合作,而移動應用支持隨時隨地訪問數據。可以幫助企業做出數據驅動的決策,提高業務效率和競爭力。
Thumbnail
本文介紹了大型語言模型(LLM)中Prompt的原理及實踐,並提供了撰寫Prompt的基本框架邏輯PREP,以及加強Prompt撰寫的幾個方向:加強說明背景、角色描述和呈現風格,加強背景說明,角色描述,呈現風格以及目標受眾(TA)。同時推薦了幾個Prompt相關的參考網站。最後解答了一些快問快答。
Thumbnail
本文將展示使用不同激活函數(ReLU 和 Sigmoid)的效果。 一個簡單的多層感知器(MLP)模型來對 Fashion-MNIST 資料集進行分類。 函數定義 Sigmoid 函數 Sigmoid 函數將輸入壓縮到 0到 1 之間: 特性: 輸出範圍是 (0,1)(0, 1)(0,1
Thumbnail
  除了上篇提到的 Data Wrangler 外,SageMaker 還有許多配套的功能,其中有個叫做 Pipelines 的東西,說是可以用來構建、 管理及自動化深度學習流程,能夠節省人工操作,有那麼神?這次就來試試 Pipelines 能夠為我們帶來什麼體驗。
Thumbnail
STP分析—市場細分、目標市場選擇和市場定位—不僅是行銷理論的核心,同時也可以是學術寫作和發表的強大工具。特別是在機器學習這一跨學科領域,運用STP分析可以明顯提高研究的影響力和可讀性。本文分享如何運用STP分析來優化機器學習的學術研究和寫作。
Thumbnail
小語言模型SLM急起直追 這次財報上,我關注到了這個陌生的詞,SLM。查了一下,原來是Small Language Model。 我們還持續創新,為客戶提供最好的前沿模型和開源模型、大型語言模型和小型語言模型的選擇。
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記,未來將不定期新增內容,此技術屬AI人工智慧範疇。 1.3 Overview and Roadmap 1.3.1 Overview of Chapters 延續上一篇Part 3講
Thumbnail
本文介紹瞭如何使用 Python pandas 進行資料分析,包括如何使用 corr() 函數針對數字類型的欄位進行分析,以及如何刪除不需要的欄位和取得想要的小數位數。