偏最小平方法結構方程模型：SmartPLS簡易實務應用(第1版)

Chapter01 PLS-SEM與CB-SEM簡介
　　PLS-SEM為「偏最小平方法」(Partial least square)的結構方程模型(Structural model)（或稱淨最小平方結構方程模式），它是一種以變異數為基本架構(Variance-based SEM)的結構方程模型；而CB-SEM是以共變數為基本架構(Covariance-based structural)的結構方程模型，模型估計方法為最大概似法。PLSSEM適用於小樣本的情境與資料結構非常態性分布的情況，當研究者的研究目標設定為理論發展與模型探索預測時，更適用於PLS-SEM方法；相較之下，若是進行模型驗證，則採用CB-SEM較為適切。PLS-SEM雖然適用於有效樣本數個數在100以內的模型探索情境，但是若要讓模型估計達到最佳的效果時，樣本數最好是問卷中量表最多題項數的10倍；此外，PLS-SEM模型同時適用於反映性變數與形成性變數（葉連祺，2022）。
　　PLS路徑模型包含二個部分：一是結構模型(Structural model)（在PLS-SEM的脈絡，也稱其為內部模型—Inner model），它除了可以顯示潛在變項變項（以圓形或橢圓形表示）之外，同時也顯示潛在變項之間的可能關係（路徑係數）。二是測量模型(Measurement model)（在PLS-SEM脈絡，也稱為外部模型—Outer model），它顯示潛在變項與其指標變項（以矩形表示）之間的關係。測量模型分為二種類型：一種是外衍潛在變項（或稱外因潛在變項）(Exogenous latent variables)的測量模型（即模型中以這些構念解釋其他構念的潛在變項），另一種是內衍潛在變項（或稱內因潛在變項）(Endogenous latent variables)的測量模型（即模型中被解釋的那些潛在變項或構念）(Hari et al., 2022)。PLS-SEM的測量模型包括了「形成性測量模型」(Formative measurement model)、「反映性測量模型」(Reflective measurement model)兩種，PLS-SEM的演算也可處理單一題項反映或形成的構念：「單題反映構念」(Single-item reflective construct)、「單題形成構念」(Single-item formative construct)，其關注的焦點為解釋與預測理論(Explaining and predictive theories)，而非驗證理論或是假設模型(Hair et al., 2022)。
　　PLS-SEM或CB-SEM的圖示呈現方式，觀察變項（指標變項）是以矩形表示、潛在變項（因子或無法觀察變項）則是以圓形表示。就測量模型(Measurement model)（外部模型—Outer model）而言，潛在變項是指共同因子（向度／面向／構面），指標變項則是量表的題項，PLS測量模型可以直接使用單一題項的構念(Single-item construct)。若是以量表向度作為測量指標變項的結構模式而言，潛在變項則是二階構念，並以測量指標變項為其向度，向度分數可採用向度單題平均數或是向度題項加總的分數，多數的PLS-SEM假設模型都是以題項作為測量指標變項（量表的題項）。
　　PLS-SEM/CB-SEM假設模型圖繪製的圖示簡要說明表如下。
　　以教師主觀幸福感量表為例，四個共同因子即為潛在變項（構念），其測量指標變項為量表的題項。
　　PLS-SEM的模型架構常是多個測量模型(Measurement model)的組合，測量模型有二種型態：「反映性測量模型」(Reflective measurement model)、「形成性測量模型」(Formative measurement model)。反映性測量模型是預設的模型，它的方向是潛在變項指向各指標變項（題項）；形成性測量模型剛好相反，則是各指標變項指向潛在變項。
　　SEM模型中，構念之間（潛在變項）的影響關係稱為「結構模型」(Structural model)，結構模型中的自變項（因變項／解釋變項）稱為「外衍潛在變項」(Exogenous latent variables)（外因潛在變項）、依變項（結果變項）稱為「內衍潛在變項」(Endogenous latent variables)（內因潛在變項）。結構模型中若是同時具有「外衍變項」與「內衍變項」的屬性者則稱為「中介變項」(Mediator variables / intervening variables)。
　　學習態度、學習策略與學習效能的假設模型圖中，學習策略構念變項為中介變項，對學習態度構念變項而言，它是內衍潛在變項；對學習效能構念變項而言，它是外衍潛在變項，就內在模式(inner model)而言，假定學習態度構念變項是經由學習策略中介構念變項影響到樣本的學習效能構念變項。
　　在實徵資料的探究中，結構模型的中介變項可以一個以上。一個影響學習效能的四個潛在變項間的結構模式圖中，外衍潛在變項為班級氛圍、內衍潛在變項為學習效能、中介潛在變項為學習動機、學習態度，其中的學習動機、學習態度二個變項同時具有自變項與依變項性質，就班級氛圍構念變項而言，學習動機、學習態度二個構念變項為內衍潛在變項（依變項）；就學習效能構念變項而言，學習動機、學習態度二個構念變項為外衍潛在變項（自變項）。

Chapter01 PLS-SEM與CB-SEM簡介
　　PLS-SEM為「偏最小平方法」(Partial least square)的結構方程模型(Structural model)（或稱淨最小平方結構方程模式），它是一種以變異數為基本架構(Variance-based SEM)的結構方程模型；而CB-SEM是以共變數為基本架構(Covariance-based structural)的結構方程模型，模型估計方法為最大概似法。PLSSEM適用於小樣本的情境與資料結構非常態性分布的情況，當研究者的研究目標設定為理論發展與模型探索預測時，更適用於PLS-SEM方法；相較之下，若是進行模型驗證，則採用CB-SEM較為適切。PLS-SEM雖然適用於有...

在當代社會科學、教育研究、管理學與行為科學等實證研究領域中，結構方程模型(Structural Equation Modeling, SEM)當前已經成為分析潛在變項之間因果關係的重要工具。相較於傳統的共變異數型SEM (Covariance-based SEM, CBSEM)，偏最小平方法的結構方程模型（Partial Least Squares SEM，簡稱PLSSEM）近年逐漸受到各領域研究學者的重視與廣泛應用，主要原因為，PLSSEM不受樣本常態性與樣本量限制的特性，特別適合中／小樣本、探索性研究與理論建構初期的研究情境。
　　當進行社會科學、教育研究、管理學或心理學等實證研究時，研究者經常面臨一個共同的挑戰：如何才能有效分析潛在變項之間的關係？這些變項（例如：態度、信念、意向、學習動機等）這些構念往往無法直接觀察，必須透過問卷或題項指標來間接測量。這時，結構方程模型(Structural Equation Modeling, SEM)就成為一個重要的分析工具。傳統的SEM方法（又稱共變異數型SEM，Covariance-Based SEM）雖然在理論驗證上相當嚴謹，但是，其對於分析的資料有許多限制，例如：樣本數需夠大、資料要符合常態分布、分析的模型必須能夠收斂等等。這對許多研究者來說，進行傳統SEM方法的分析經常會面對許多操作上的困難，同時也使得研究分析受到諸多限制。
　　在這樣的情況下，偏最小平方法結構方程模型（Partial Least Squares SEM，簡稱PLS-SEM）逐漸受到學術界與實務界的青睞。它最大的優勢在於對樣本大小和資料常態性並無嚴格的限制，相當適合中、小樣本數的研究、理論模型的初期建構，或是探索性質的研究。對於許多碩博士論文、問卷資料分析、教育與社會調查等研究而言，PLS-SEM提供了更具彈性、友善且實用的方法。
　　本書撰寫的出發點，主要是協助眾多結構方程模式的初學者，使用PLSSEM方法進行學術研究資料分析的應用能力，讓SEM的初學者能有效突破進行模型分析的困境，使其能快速應用PLS-SEM分析方法於學術研究或論文投稿。有鑑於此，本書將採用目前廣受歡迎且操作界面友善的SmartPLS軟體為實作工具，並以實例分析的具體操作，逐步帶領讀者理解PLS-SEM的理論架構與應用方式。
　　SmartPLS 是一套基於圖形化操作界面的PLS分析軟體，使用者無需撰寫程式語言即可建立測量模型與結構模型，並且可立即進行模型估計、結果分析與報告解讀。透過本書範例的引導，讀者將能輕鬆學會如何建立潛在變項、設定測量指標、執行模型估計、檢視效度與信度、進行路徑分析，以及其顯著性檢定等步驟，並學會解讀各項統計輸出報表。
　　本書內容由淺入深，循序漸進，從PLS-SEM的基本理論概念的介紹說明，結合範例應用與操作圖示，引導讀者在SmartPLS的範例分析過程中進行系統化的分析步驟與分析結果的解讀。本書特別強調在研究設計、量表建構、模型評估與解釋結果四大環節的關鍵概念與分析技巧，有效強化讀者在結構方程模式學術論文的撰寫能力。
　　此外，本書所使用的資料範例皆符合社會科學與教育研究常見的研究主題與架構，讀者可依據相關範例結合自身研究興趣的主題進行延伸的練習。書中也特別使用最新版本SmartPLS的操作界面圖示，方便讀者能對照應用與學習。相信這對於使用SmartPLS進行研究分析的學術專家與研究生而言，本書無疑是一本理論與實作兼備、易學易用的入門工具書。
　　我們深信，只要有「正確的引導步驟」與「明確的介紹說明」，任何人都能學會PLS-SEM。透過本書的學習，您不但能具備使用SmartPLS進行資料分析的能力，更能在撰寫研究論文、投稿期刊或是參與實務研究時，展現出堅實的量化研究能力。
　　無論您是剛踏入研究領域的大學生、準備撰寫論文的碩博士生，或是從事教育、管理、社會科學領域中需要進行實證分析的實務研究工作者，本書都能成為您邁向量化研究分析的第一本實戰指南。
　　我們希望透過這本書，能讓更多研究者認識PLS-SEM的魅力和方法，並讓大家能將SEM方法運用在自己的研究中，產出更嚴謹與實用價值的研究成果。

吳明隆、張毓仁

在當代社會科學、教育研究、管理學與行為科學等實證研究領域中，結構方程模型(Structural Equation Modeling, SEM)當前已經成為分析潛在變項之間因果關係的重要工具。相較於傳統的共變異數型SEM (Covariance-based SEM, CBSEM)，偏最小平方法的結構方程模型（Partial Least Squares SEM，簡稱PLSSEM）近年逐漸受到各領域研究學者的重視與廣泛應用，主要原因為，PLSSEM不受樣本常態性與樣本量限制的特性，特別適合中／小樣本、探索性研究與理論建構初期的研究情境。
　　當進行社會科學、教育研究、管理學或心理學等實證研究時，研究者經常...

Chapter01 PLS-SEM與CB-SEM簡介
Chapter02 SmartPLS專案與操作
Chapter03 不同SEM模型圖繪製
Chapter04 CB-SEM演算
Chapter05 PLS-SEM模式演算
Chapter06 多重中介變項的因果模型圖
Chapter07 一致性PLS-SEM演算
Chapter08 CB-SEM驗證性因素分析
Chapter09 二階驗證性因素分析(CB-SEM)
Chapter10 SmartPLS指標題項選用議題
參考書目
附錄

Chapter01 PLS-SEM與CB-SEM簡介
Chapter02 SmartPLS專案與操作
Chapter03 不同SEM模型圖繪製
Chapter04 CB-SEM演算
Chapter05 PLS-SEM模式演算
Chapter06 多重中介變項的因果模型圖
Chapter07 一致性PLS-SEM演算
Chapter08 CB-SEM驗證性因素分析
Chapter09 二階驗證性因素分析(CB-SEM)
Chapter10 SmartPLS指標題項選用議題
參考書目
附錄