以SmartPLS進行PLS-SEM模型估計

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

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

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

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

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

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

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

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

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

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

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

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