grad-pls-sem

PLS-SEM 偏最小二乘结构方程模型

概述

PLS-SEM（Wold，1982；Hair 等，2017）是一种基于方差的结构方程建模方法，用于估计基于复合变量的路径模型。与 CB-SEM 不同，它最大化内生构念的解释方差，并且能够轻松处理反映式和形成式测量模型。

适用场景

• 研究设计中包含形成式测量模型
• 样本量较小（PLS 适用于 N ≥ 指向任一构念的最大路径数 × 10）
• 研究目标是预测和解释方差，而不是验证理论
• 结构模型较复杂，包含许多构念和指标

不适用场景

• 研究目标是严格检验理论并评估模型拟合度
• 所有构念均为反映式，且样本量足以用于 CB-SEM
• 需要全局模型拟合指标（卡方、CFI、RMSEA）
• 假设存在循环关系（非递归模型）

假设

IRON LAW: PLS-SEM maximizes VARIANCE EXPLAINED, not model fit — it does NOT
test overall model fit like CB-SEM. A high R² does not mean the model
structure is correct.

关键假设：

1. 预测变量设定——必须正确指定每个构念为反映式或形成式
2. 结构模型中不存在循环（非递归）关系
3. 观测值相互独立（未使用扩展方法时不存在嵌套结构）
4. 数据不必服从正态分布（PLS 不受分布限制）

方法

步骤 1 — 指定测量模型

将每个构念分类为反映式（箭头从构念指向指标）或形成式（箭头从指标指向构念）。形成式构念至少需要两个指标，并且需要理论依据。

步骤 2 — 评估反映式测量模型

评估指标信度（载荷 ≥ 0.70）、内部一致性（CR ≥ 0.70）、聚合效度（AVE ≥ 0.50）和区分效度（HTMT < 0.90）。

步骤 3 — 评估形成式测量模型

通过自助法检验指标权重的显著性。检查指标间的 VIF（VIF < 5.0）。评估内容效度——删除形成式指标会改变构念含义。

步骤 4 — 评估结构模型

报告路径系数、R²、f² 效应量、Q² 预测相关性（通过盲折法计算）以及自助法置信区间。算法详情请参阅 references/。

输出格式

## PLS-SEM Analysis: [Study Title]

### Reflective Measurement Assessment
| Construct | Indicator | Loading | CR | AVE | HTMT |
|-----------|-----------|---------|-----|-----|------|
| [name] | [item] | x.xx | x.xx | x.xx | x.xx |

### Formative Measurement Assessment
| Construct | Indicator | Weight | VIF | p-value |
|-----------|-----------|--------|-----|---------|
| [name] | [item] | x.xx | x.xx | x.xx |

### Structural Model
| Path | β | t-value | p-value | f² | Supported? |
|------|---|---------|---------|-----|------------|
| X → Y | x.xx | x.xx | x.xx | x.xx | [Yes/No] |

### Model Quality
| Endogenous Construct | R² | Q² |
|---------------------|-----|-----|
| [name] | x.xx | x.xx |

### Limitations
- [Note any assumption violations]

注意事项

• PLS-SEM 并非小样本的万能解决方案——仍然需要足够的统计功效
• 将反映式错误指定为形成式（或反之）会从根本上改变结果
• 在 PLS-SEM 中，HTMT 比 Fornell-Larcker 更适合评估区分效度
• PLS 会高估载荷并低估路径系数（一致性修正可在大样本时纠正这一问题）
• 盲折法 Q² > 0 表示具有预测相关性，但不能验证模型结构
• 使用 CB-SEM 标准（CFI、RMSEA）报告 PLS 结果在方法论上是不正确的

参考文献

• Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2017). A Primer on Partial Least Squares Structural Equation Modeling（第 2 版）。Sage。
• Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity. Journal of the Academy of Marketing Science, 43(1), 115-135.
• Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report PLS-SEM. European Business Review, 31(1), 2-24.