本文讨论了不同统计方法（如SEM、PLS、SPSS和HLM）之间的比较，强调没有绝对最佳的统计方法，只有最合适的方法。文中还介绍了潜在变量与观察变量、样本量的确定、模型复杂性、数据格式及直接与间接效应等概念，提供了选择统计方法时的考虑因素和模型构建指导。最终得出结论，SEM和PLS是互补的多变量估计方法，各自有其优缺点，可根据研究目的和数据特性做出选择。

1. To be master or slave of statistics－
Comparisons among SPSS, SEM, HLM, PLS
張偉豪
三星統計服務有限公司 執行長
AMOS亞洲一哥

2. 沒有最好的統計方法
只有最適當的
統計方法

3. 三星統計服務
有限公司
Outline
Latent variable vs. observe
variable
Sample size
Sample independent vs.
dependent
Cross-section vs. longitudinal
data
Model complexity
Data format
Direct and indirect effect
Sample distribution
Formative and Reflective
Hypothesis

4. 三星統計服務
有限公司
Variables
潛在變數
SEM, PLS
符號
觀察變數
SPSS, HLM
符號
潛在變數 觀察變數

5. 三星統計服務
有限公司
Variables
潛在變數(Latent variable)
AKA. Unobserved variable,
factor, dimension, construct
態度, 信念等心理測量
Definition
測量模型中無法直接觀察的變數,
通常由三個(含)以上的觀察變數
進行間接測量
觀察變數(Observed variable)
AKA. Indicators, manifest variables,
items, scales
股價, 血壓, 景氣燈號, 李克特量表
Definition
可以直接觀察或測量的變數

6. 三星統計服務
有限公司
Latent vs. Observed Variables
結構模型的構面
題目經平均後便
形成路徑分析,這
個過程稱為item
parceling or
summate scale

7. 三星統計服務
有限公司SEM (PLS) vs. SPSS
1. SEM具有高度彈性及廣泛功能的分析技術
2. SEM需以理論為基礎,預先設定分析模型
3. SEM同時整合了觀察與潛在變數
4. SEM允許測量變數不完美的特性 (殘差)
5. SPSS僅提供各種分析的顯著性檢定,SEM提供Model Fit
Index, 了解模型與樣本資料的差異程度
6. SEM解決多元共線性的問題 (相關高的測量變數會被整
合成潛在變數)
7. 提供圖形介面, 容易理解SEM複雜的關係

8. 三星統計服務
有限公司
Sample size
Large (>200)
SEM, SPSS, HLM
Small (<200)
PLS, SPSS

9. 三星統計服務
有限公司
Sample size determination
至少為估計參數的5倍或模型觀察變數的10倍
SEM為 full information estimation
樣本為模型全部變數的10倍
PLS為 limit information estimation
樣本為模型最大構面變數的10倍
SPSS為 generalized least square estimation
樣本為模型變數的10倍
HLM為 generalized least square estimation and chi-
square estimation
Rule for sample(group/sample) 為 30/30, 50/20, 100/10

10. .
Sample size determination

11. 三星統計服務
有限公司
Independent vs. dependent
Independent
SEM, SPSS, PLS
dependent
HLM, SPSS

12. 三星統計服務
有限公司
Independent vs. dependent
統計基本假設
變數符合常態分配
變數或群組同質(變異數一樣)
樣本獨立(樣本與樣本之間不相互影響)

13. 三星統計服務
有限公司
SEM vs. HLM
Hierarchical Linear Models 又稱為
Multilevel models
HLM and SEM均為迴歸的拓展
HLM 適用於巢型結構的資料,因此樣本不獨立
SEM一般假設樣本獨立,Latent Growth Model (LGM)
除外

14. 三星統計服務
有限公司
SEM vs. HLM
HLM可以同步研究群組層次及個人層次的效應
跨層次之間的交互作用只HLM有可以解釋
可同時評估固定效果隨機效果
HLM因為違反樣本獨立及變異數同質的統計假設,因
此估計時會產生不正確的標準誤.

15. 三星統計服務
有限公司
SEM vs. HLM
SEM 可以分析較為複雜的因果路徑模型並同時整合
潛在變數,中介變數及觀察變數
SEM 包含了一組變數所組成的理論模型並解釋變數
之間的關係

16. 三星統計服務
有限公司
SEM vs. HLM
標準的SEM – 包含了中介變數及潛在變數
Special Cases of SEM
路徑分析 – 所有的變數均為觀察變數,但也會包含中介變數
驗證式因素分析 – 利用幾個指標來反應潛在變數的特性並計
算研究構面的品質,如組成信度(CR>.7), 平均變異數萃取量
(AVE>.5)及區別效度(HTMT.85)
MIMIC Model
(Multiple Indicators Multiple Causes )

17. HLM研究的課題
學生巢形(包含)於教授之下,教授巢形學校之下
病患巢形於醫生之下,醫生巢形於醫院之下
果樹巢形於果園之下,果園巢形於產地之下
員工巢形於公司之下,公司巢形於產業之下
兒童巢形於家庭之下,家庭巢形於社區之下
人民巢形於城市之下,城市巢形於國家之下
校外實習生巢形於公司經理之下
重複實驗巢形於個人之下
連續10年財務指標巢形於公司之下
重點是以上的個體樣本資料都不獨立
三星統計服務
有限公司

18. 三星統計服務
有限公司
Cross-section vs. longitudinal data
Cross-section
SEM, PLS, SPSS, HLM
Longitudinal
HLM, SPSS, SEM

19. 三星統計服務
有限公司
longitudinal data (AMOS)
潛在成長模型 (latent growth model, LGM)
重複量數分析 (實驗次數至少三次)
估計固定效果與隨機效果
線性(重複三次)及非線性(至少重複四次以上)分析
條件式成長模型
加入自變數
自變數可為類別, 觀察, 潛在及隨時間而改變的變數
原理與HLM一樣,均為估計固定效果與隨機效果

20. 三星統計服務
有限公司
潛在成長模型

21. 三星統計服務
有限公司
Model complexity
Complex (>7 constructs)
PLS
Simple (≤7 constructs)
SEM, SPSS, HLM

22. 三星統計服務
有限公司
Model complexity
SEM模型愈複雜 (變數愈多),收斂愈困難,樣本數的需求愈大,
且配適度往往難以達到學者建議的水準
HLM有LEVEL1及LEVEL2兩層迴歸,一,二層自變數過多會造成
解釋上的困難,甚至無法收斂
SPSS本來就進行資料簡化,如因素分析,Item parceling, 而且
SPSS只能進行直接效果分析,模型複雜會造成型一錯誤
PLS無配適度報告,目的是求解釋能力最大,屬無母數估計,無
收斂問題,因此模型可以很複雜

23. 三星統計服務
有限公司
SEM vs. PLS
SEM與PLS為互補性的多變量估計方法, 因此兩者不會相
互取代.

24. 三星統計服務
有限公司
SEM vs. PLS
SEM – 估計重點放在模型配適度= 最小化樣本共變異數
矩陣與模型估計共變異數矩陣
研究目的
檢定及驗證先驗理論的正確性
研究假設
資料分佈為常態,同質, 大樣本等
檢定路徑關係時,先具有一定的信效度
採 “完全訊息估計法”表示模型設定上的小小變化都可能影響模
型配適度

25. 三星統計服務
有限公司
SEM vs. PLS
PLS – 估計重點放在內生變數解釋能力最大化
研究目的
理論的發展與預測
研究假設
資料分佈無需常態分配
研制限制
構面可使用較少的指標,如1或2題
分析大量的題目也不怕(SEM超過50個題目就不理想了)
可使用形成型指標
小樣本也會通

26. 三星統計服務
有限公司
Data format
Covariance (correlation)
Matrix
SEM
Raw data
HLM, SPSS, PLS

27. 三星統計服務
有限公司
Data format
SEM分析時,採用共變異數矩陣或相關矩陣進行分析
不用Raw data 即可驗證研究結果的正確性
易於不同研究結果的比較, 類似於整合分析(Meta analysis)
共變異數矩陣並非完整訊息,SEM學者建議應提供於文
章附錄或e-mail以供索取
SPSS, HLM, PLS均需使用原始資料分析
一般研究者是無法取得別人研究的原始資料,因此無法
重製別人的研究

28. 三星統計服務
有限公司
Direct and Indirect effect
(Mediating effect)
Direct effect (c’)
SPSS, HLM, PLS, SEM
Indirect effect (a*b)
SEM, PLS

29. 三星統計服務
有限公司
Direct and Indirect effect
(Mediating effect)
Direct effect 指的是自變數與依變數之間的關係
Indirect effect 指的是自變數透過中介變數影響依
變數之間的關係
間接效果
特定中介效果 (Specific Indirect effect)
遠程中介效果 (Distal indirect effect)
總間接效果 (Total Indirect effect)

30. 三星統計服務
有限公司
Specific Indirect effect, SIE
SIE: bd, ac, ae, cd, acd
Magnitude, sign, significance (H1/S.E.)
Standard error (bootstrap)

31. 三星統計服務
有限公司
Moderating effect
Moderator is category
SPSS, PLS, SEM
Moderator is continuum
PLS, HLM, SPSS
車速
危
險
性
0 mg/l
.15 mg/l
.30 mg/l
.60 mg/l

32. 三星統計服務
有限公司
Moderating effect
干擾(調節)檢定不同情境下, XY的斜率是否不同?
Moderator is category
群組比較自變數與依變數之間斜率的差異
Moderator is continuum
觀察變數可以階層式迴歸(Hierarchical regression)進行 (SPSS)
潛在變數可以PLS及SEM進行(尤其是PLS更為方便)
HLM原本重點就是在分析干擾 (調節)效果
level 2  level 1的斜率

33. 三星統計服務
有限公司
階層式迴歸 (SPSS)
1. 自變數與干擾變數標準化或平減 (減去平均數)
2. 變數相乘產生交互作用或干擾效果變數
3. 帶入階層回歸
1. 主效用(自變數及干擾變數)第一層
2. 交互或調節效果第二層
4. 檢定兩層R2改變量的顯著性
5. P<.05表示交互或調節效果存在

34. 三星統計服務
有限公司
SEM干擾效果(AMOS)
Step: 1
1. 建立主效用模型 (僅含自變數與干擾變數)
2. 計算干擾效果非線性設定之lambda及theta值
Step: 2
3. 模型加入調節效果,檢定調節效果變數對Y的顯著性
4. P<.05表示調節作用存在

35. 三星統計服務
有限公司
PLS干擾效果(SmartPLS)
1. 建立主效用模型 (僅含自變數與干擾變數)
2. 在內生變數按右鍵建立干擾效果分析
3. 自變數及干擾選擇標準化或平減
4. SmartPLS自動產生干擾效果變數
5. Bootstrap 1000~5000 times,干擾效果變數對內生變
數之t-value>1.96,表示干擾效果存在

36. 三星統計服務
有限公司
HLM干擾效果(HLM)
1. 建立individual模型
 自變數選擇組平減(group center)
2. 建立group level模型
 組自變數選擇總平減(grand center)
3. 以leve1的斜率(β1, β2…)當作Y進行估計
4. HLM完整模型自動建立干擾作用項
5. P<.05表示干擾作用顯著

37. HLM估計干擾效果
• 整體而言, 學生參與 和學習成績 為正相關(跨所有群組的平均迴歸線)
• 整體而言, 好的教學技巧 有比較好旳學習成績
(average intercept green/solid vs. mean red/dotted line)
• 好的教學技巧 的平均斜率比差的教學技巧要高
學
習
成
績
學生參與
High 教學技巧
Low 教學技巧

38. 三星統計服務
有限公司
Sample distribution
Normality
SEM, SPSS, HLM
Distribution free
PLS

39. 三星統計服務
有限公司
Formative and Reflective indicator
Formative index
PLS
Reflective scale
SEM, SPSS, HLM
究竟是誰去影響誰?
構面題目?
題目構面?

40. 三星統計服務
有限公司
Formative and Reflective indicator
Indicators are Formative or Reflective should be
theoretically driven.
構面如態度, 個人特質為心理測量, 藉由觀察個人行為來
判斷, 應屬於反映型構面
構面如社會經濟地位, 主要由教育程度, 所得, 職業等的
組合,應屬於形成型構面

41. Reflective (Scale) Vs Formative (Index)
構面操作型定義
在社會科學中,複雜構面之間的關係是研究的主要議題
究竟是題目影響構面還是構面影響題目?
構面
Scale 1 Scale 2 Scale 3
構面
Index 1 Index 2 Index 3
?
當構面產生改變時,觀
察變數會有那些現象
被我們所觀察到?
那些原因會造成構面
結果的改變?

42. 三星統計服務
有限公司
Formative and Reflective indicator
Formative index Reflective scale
那些原因會造成我們
喝酒醉?
酒醉之後會有什麼行
為被我們觀察到?

43. 三星統計服務
有限公司
Hypothesis
Model Hypothesis
should not be reject
(P>0.05)
Regression weight
should be reject (P<0.05)
SEM
Regression weight
should be reject (P<0.05)
SPSS, HLM, PLS

44. 三星統計服務
有限公司Hypothesis
SEM (卡方分析)
H0: 模型期望共變異數陣=樣本資料共變異數矩陣
Regression
H0: X對Y沒有顯著的影響
ANOVA or T-test
H0: 群組間的平均數沒有顯著差異
Homogeneity test (同質性檢定)(卡方分析)
H0: 群組間變異數沒有顯著差異(連續變數)
H0: 群組間的組別沒有顯著差異(類別變數)
Reject H0 or not 由研究目的決定

45. 模型檢定統計結果
(Kline, 2011, p.193)
Reject-support context
檢定結果是顯著的 (p<0.05) ，則支持研究者的理論，如相關
分析、迴歸分析、ANOVA檢定及路徑分析等。
Accept-support context
檢定結果是不顯著的 (p>=0.05) ，則支持研究者的理論，如
SEM、同質性、適合度檢定、不變性檢定 (invariance test)。

46. 46
常見卻不見得懂的統計單字
Variables (變數)
統計分析的基本要素, 研究目的在於了解變數之間的關係, 分成
潛在變數與觀察變數兩種
Variance (變異數)
變數中樣本分散的程度, 開根號值為標準差, 為統計分析中最重
要的數值.
Covariance (共變異數)
測量兩個隨機變數共同改變的大小及方向
Vary (改變)
變數的改變 如"Prices vary";
"His moods vary depending on the weather“

47. 常見卻不見得懂的統計單字
Covary (共變)
兩個隨機變數在同一時段內的共同改變
Variate (變量)
幾個變數的線性組合,通常為多變量分析構面的基礎
Variate value = x1w1 + x2w2 + . . . + xkwk
Measure of Variation (Variability)
包含Variance, Standard Deviation, Range, Mean Absolute
Deviation 為分散量數的總稱

48. http://www.semsoeasy.com.tw/