Download as PDF, PPTX
Uploaded byBeckett Hsieh
How to write up and report PLS analyses-三星統計張偉豪-20141004
本文介绍了偏最小二乘法（PLS）和协方差基础结构方程模型（CB-SEM）的不同应用与优势，包括PLS在样本需求、模型复杂性和数据分布上的灵活性，同时指出PLS存在整体模型适配度指标缺乏的缺点。文中也详细探讨了PLS的适用场景、模型特性及效度评估方法，并提供了具体的报告结构和分析标准。最后，本文强调了PLS在现代学术研究中作为一种有效工具的潜力。
More Related Content
How to write up and report PLS analyses-三星統計張偉豪-20141004
- 1. 三星統計服務有限公司 PLS學術研究的新利器－ Howto Write Up and Report PLS Analyses 張偉豪 三星統計服務有限公司執行長 PLS 亞洲一哥 版本:20141002
- 2. 三星統計服務有限公司 outline •PLSand SEM •Application of PLS •Reason for using PLS •Data characteristics •Model characteristics •Outer model evaluation •Inner model evaluation •Reporting
- 3. 三星統計服務有限公司 CB-SEM andPLS-SEM •Covariance-based SEM (CBSEM) –Goal:樣本矩陣與模型期望共變異數最接近 –Data source: raw data, covariance matrix or correlation matrix with standard deviation –Software: Amos, LISREL, EQS, Mplus…
- 4. 三星統計服務有限公司 CB-SEM andPLS-SEM •Variance-based SEM (PLS) –Goal:內生變數的被解釋能力最大 –Data source: raw data (format: .csv 或.txt) –Software: SmartPLS, PLS-Graph, VisualPLS, PLS-GUI, SPAD PLS,…
- 5.
- 6.
- 7. PLS近期的發展 •Importance-Performance MatrixAnalysis (IPMA) •Multi-Group Analysis (MGA) •Hierarchical Component Models (second- order models) •Nonlinear Relationships(e.g., quadratic effect) •Confirmatory Tetrad Analysis (CTA) •Response-Based segmentation (FInite MIXture (FIMIX) segmentation) •Prediction-Oriented Segmentation (POS) 三星統計服務有限公司
- 8. 三星統計服務有限公司 Advantage ofPLS 1.PLS相對於CBSEM對樣本需求較少 2.PLS無需分析資料符合常態分配 3.PLS可以處理多構面的複雜結構模型 4.PLS 可以同時處理反映型指標及形成型 指標構面 5.PLS適合於理論的發展而不是理論的測試 6.PLS特別適用於預測(R2) 7.模型有共線性發生 8.CBSEM跑不出來的時候(這是開玩笑的)
- 9. Disadvantage of PLS •缺乏整體模型配適度指標 –無法進行理論測識及競爭模型比較 •沒有強迫資料需要符合任何分配 –愈複雜的模型其估計偏誤愈嚴重 –除非樣本數很大及構面有許多的觀察變數 (consistency at large) 三星統計服務有限公司
- 10. PLS 取代SEM? 三星統計服務有限公司 PLS-SEM’s weaknesses are CB-SEM’s strengths
- 11. 三星統計服務有限公司 The CBSEMapproach •結合因素分析與多元迴歸分析 •極小化樣本與模型的差距(殘差最小) •具有許多配適度指標，所以應用在理論測 試及模型比較 •測量模型與結構模型同步進行估計(FIML) •參數估計最佳化
- 12. 三星統計服務有限公司 The PLSapproach •結合主成份分析與多元迴歸分析 •內生變數的解釋能力最大化 •不需要常態假設，也沒有GoF •PLS可以是理論驗證也可以是理論發展，前 者是用來探索變數之間變數的假設，但仍 以理論發展為主 •不會產生不合理估計值或模型無法辨識的 問題
- 13. 三星統計服務有限公司 PLS Algorithm •Phase I –將所有觀察變數的值標準化 •Phase II –Outer model:利用迴歸方式計算出LVs的因素分析(迭 代至收斂) –Inner model:以相近的LV作為代理計算,仍然是用迴歸 進行(迭代至收斂) •Phase III –計算因素負荷量,迴歸係數及各種效度測量 •因為PLS在估計時，為局部進行每個構面，最後 再合起來估計LVs之間的關係，所以估計是有偏 的，因此稱為偏最小平方法
- 14. 三星統計服務有限公司 PLS與Amos的選擇 Criteria Amos PLS 目標 參數估計導向 預測導向 運算方法 共變異數為基礎 變異數為基礎 潛在變數 潛在變數估計時 使用所有的觀察 變數 每個潛在變數是觀 察變數的線性組合 潛在變數與觀 察變數的關係 只能用反映型指 標 反映型或形成型指 標均可 推論 參數估計最佳化 預測能力最大化
- 15. 三星統計服務有限公司 Amos與PLS的選擇 Criteria Amos PLS 模型複雜度 小或中度複雜, 通常不超過100 個MVs 可以很複雜,如 100LVs,1000MVs 樣本需求 最小要求為100 以上,建議300~ 500個樣本 最小要求為30~100 個樣本 資料分佈 符合多元常態 具有彈性(無母數) 遺漏值 最大概似插補法 平均數取代或全部 移除
- 16. 三星統計服務有限公司 Amos與PLS的選擇 Criteria Amos PLS 模型辨識 一般LV需3個以上 的MVs 只要是遞迴路徑 就可以 顯著性檢定 所有估計參數均有 Jackknife or bootstrapping 參數估計值 標準化及非標準化 標準化估計值 信效度評估 有 形成型指標沒有 理論需求 充份的理論基礎, 支持驗證式研究 探索及解釋性研 究,無需充份理論 基礎 測量模型 二階測量模型 多階測量模型
- 17. 三星統計服務有限公司 Amos與PLS的選擇 Criteria Amos PLS 模型配適度 很多(25種) None或自行計算 最佳化形式 整體模型迭代 局部模型迭代 模型變數關 係假設 線性或非線性 線性或非線性 參數估計一 致性 有一致性 在大樣本時有一致 性 因素分數 不特別估計 明確估計 軟體工具 成熟 成熟中 應用情形 廣泛 逐步加温
- 18. PLS重要議題 •使用PLS的理由 •資料的特性 •模型的特性 •測量模型(outer model)的評估 •結構模型(inner model)的評估 •報告 三星統計服務有限公司
- 19.
- 20. 三星統計服務有限公司 PLS canbe adequate alternative to CBSEM 1.研究的現象相當新及測量模型需要重新 發展 2.結構模型有許多構面及指標 3.構面與指標之間的關係不同(形成型指標 與反映型指標共存) 4.無法符合樣本數，獨立性及常態分佈的 一般條件 5.預測能力比參數估計更重要
- 21. 資料的特性 •樣本數 –經驗法則:模型估計路徑的10倍或最大構面題目的10倍 •資料有效性的問題 –Cross-validation •參數估計顯著性 –PLS不需要常態假設,因此P值要用Bootstrap的 方式取得,但資料偏態嚴重時,SE會膨脹,而導 致不顯著 •不用使用名義尺度或二分類變數 三星統計服務有限公司
- 22. 三星統計服務有限公司 PLS: ASilver Bullet?
- 23. 模型的特性 •Focused models –較多的外生變數解釋少數的內生變數,至少兩倍 •Unfocused models –較多的中介及內生變數,較少的外生變數,內生 為外生變數的兩位以上 •Balanced models –介於Focused及Unfocused models之間 •PLS應用的模型複雜度>SEM •PLS適用於Focused及Balanced models 三星統計服務有限公司
- 24. 模型的特性 •Reflective andFormative Index –PLS model可以全部是反映型指標 也可以全部是形成型指標 當然也可以混合分析 –SEM只能用反映型指標 •PLS構面可以只用1個題項 三星統計服務有限公司
- 25. 三星統計服務有限公司 Formative vs.Reflective
- 26. 三星統計服務有限公司 Formative vs.Reflective
- 27. 三星統計服務有限公司 反映型指標特性 (Jarviset al. 2003; MacKenzie et al. 2005) 1.因果關係必需是構面到觀察變數 (Churchill,1979)； 2.測量誤差在觀察變數； 3.觀察變數需具有內部一致性 (Fornell & Bookstein,1982)； 4.觀察變數需具有中高度相關 (Fornell & Bookstein,1982)； 5.一個構面至少需具有3個觀察變數 (Bollen, 1989)；
- 28. 三星統計服務有限公司 反映型指標特性 (Jarviset al. 2003; MacKenzie et al. 2005) 6.觀察變數具可交換性 (Nunnally & Bernstein, 1994.)； 7.移除構面中的某特定觀察變數，不會影響構面 的意義(Bollen & Lennox, 1991; Nunnally & Bernstein, 1994; Jarvis et al. 2003) 。 8.潛在構面要符合單一構面原則，即要有較低的 交叉負荷量(Kline, 2011) 9.構面需具有數字的敏感性，高低需具有意義 (DeVellis, 2003)。
- 29. 三星統計服務有限公司 形成型指標 1.因果方向由測量變數到潛在變數 2.沒理由相信測量變數之間有中高度相關，因此沒 有內部一致性的問題 3.拿掉一個變數會改變構面的意義 4.測量誤差在構面層級 5.觀察變數定義潛在變數的意義 6.觀察變數不能互相取代 7.觀察變數不一定要有相似的內容,相關可以為負 8.一個觀察變數改變不一定會改變其它的變數 9.觀察變數不一定要有相同的影響變數或結果
- 30. 三星統計服務有限公司 PLS效度評估 •PLS並沒有提供整體模型配適度指標，但仍有幾個標準來評估模型效度 •PLS分成兩大部份 –測量模型(Outer model) 1.反映型指標模型 2.形成型指標模型 –結構模型(Inner model)
- 31. 三星統計服務有限公司 PLS反映型指標模型評估 •Uni-dimensionality(test by EFA) •Factor loadings>0.7且達95%顯著水準 –Indicator reliability •Construct Reliability –Cronbachs’ αand Composite Reliability (CR) •Convergence validity (AVE) •Discriminate validity –Cross-loadings –Fornell& Larckercriterion –HTMT.85
- 32. 三星統計服務有限公司 PLS形成型指標模型評估 •Indicatorvalidity –權重>0.2而且要顯著(Chin, 1998) , 顯著性由bootstrap求得 –Indicators之間要檢查共線性,即VIF<10 •Construct validity –所有模型假設中，形成性構面需符合預期，構面之間 的關係需與文獻一致並且顯著 •Discriminate validity –構面相關<0.7為具有區別效度 •形成型構面因為指標沒有一致性,因此不會有收斂 效度,如AVE或CR等
- 33. 三星統計服務有限公司 PLS結構模型的效度評估 •Coefficientof determination (R2) –內生潛在變數的R2>0.67為具實務上價值, R2=0.33左 右表示中度解釋能力, R2=0.19左右表示解釋能力薄弱 •Path Coefficient –方向,強度及顯著性 •Effect size (f2) –外生變數對內生變數的影響力(Cohen, 1988) –0.02(低), 0.15(中), 0.35(高)的影響效果Predictive relevance (Q2)>0 –Q2愈大代表預測相關性愈強,要用blindfolding功能求 得 •GOF (Goodness of Fit)
- 34. Report •Methodology –假設模型,假設,使用PLS的理由 •Sampling –母體與樣本結構,抽樣時間,地點,資料的分配, 有效樣本數 •Measurement –構面定義,問卷出處,指標形式,構面題目,量表 形式 三星統計服務有限公司
- 35. Report •Analysis –軟體版本,軟體選項,分析估計方法,bootstrap次數,指標的建議標準 •Result –敘述性統計量,信度,收斂,區別效度,R2,f2, Q2,GOF,路徑係數及顯著性,cross-validation •Discussion 三星統計服務有限公司
- 36. PRO and CONS 三星統計服務有限公司
- 37.
- 38. 三星統計服務有限公司 38 三星統計服務有限公司 http://www.semsoeasy.com.tw/ E-mail: semsoeasy@gmail.com Fax: 07-3909741