基于SmartPLS 4的校正性偏最小二乘结构方程模型（PLSc-SEM）：概念、应用与软件实现

《Structural Equation Modeling: A Multidisciplinary Journal》：Consistent Partial Least Squares Structural Equation Modeling Using SmartPLS

本文为解决传统偏最小二乘结构方程模型（PLS-SEM）在估计共同因子模型时的估计偏差问题，提供了一个关于其校正版本——一致偏最小二乘结构方程模型（PLSc-SEM）的全面软件教程。研究详细阐述了如何使用SmartPLS 4软件来设置、估计和解释PLSc-SEM模型，并将其结果与其他复合型及基于协方差的SEM估计量进行了对比，从而为研究人员提供了一个可靠、一致地估计共同因子模型的新选择。

　　

结构方程模型（Structural Equation Modeling, SEM）是社会科学、行为科学、医学和教育学等多个领域广泛使用的强大统计分析工具。然而，长期以来，SEM领域存在一个基本的方法论分野：基于因子的SEM（因子模型）和基于成分的SEM（成分模型）。前者（如协方差结构分析，CB-SEM）将潜在构念视为共同因子，适用于解释变量间的共同变异；后者（如偏最小二乘结构方程模型，PLS-SEM）则将构念视为观察变量的加权组合。这两种方法各有其理论基础和适用场景，但一个核心矛盾在于：当用成分方法（如PLS-SEM）去估计一个本质是共同因子的模型时，会产生系统性偏差（如高估因子载荷、低估路径系数），反之亦然。这使得研究人员在选择方法时面临困扰，特别是当研究问题在概念上属于因子模型，但又希望利用PLS-SEM在处理复杂模型、小样本和非正态数据等方面的优势时。

为解决这一困境，Dijkstra和Henseler在2015年引入了一致偏最小二乘结构方程模型（Consistent Partial Least Squares SEM, PLSc-SEM）。它本质上是标准PLS-SEM的一个变体，通过使用Dijkstra的ρ_A复合信度系数对构念间的相关性进行衰减校正，从而在保持PLS-SEM成分模型框架优点的同时，能够对共同因子模型给出无偏（一致）的估计。尽管其方法学优势明显，但PLSc-SEM在实际研究中的应用仍不广泛，部分原因可能在于缺乏清晰、易操作的软件实现指南。

为了弥合这一知识与实践的鸿沟，一篇题为“Consistent Partial Least Squares Structural Equation Modeling Using SmartPLS”的教学实践文章应运而生，并发表于《Structural Equation Modeling: A Multidisciplinary Journal》。这篇文章的核心目标是提供一个关于如何在最流行的PLS-SEM分析软件——SmartPLS 4中，进行PLSc-SEM分析的、手把手的、综合性教程。它旨在帮助应用研究人员理解、掌握并正确运用这一校正方法，从而在适当的理论框架下获得更准确的统计推断。

为了完成这项教程，研究人员主要运用了以下关键技术方法：1) 软件实操演示：以SmartPLS 4为平台，系统展示了从项目创建、数据导入、模型构建到结果解读的完整PLSc-SEM分析流程。2) 多方法对比验证：除了核心的PLSc-SEM分析，研究还使用同一数据集和模型，平行运行了SmartPLS软件中集成的其他几种估计方法，包括基于协方差的最大似然估计（CB-SEM）、广义结构化成分分析（GSCA）、标准PLS-SEM以及总和分回归（Sum Scores Regression），以横向比较不同方法的结果。3) 模型评估体系：研究遵循了严谨的测量模型评估（如内部一致性信度、收敛效度、区分效度）和结构模型评估（如共线性检验、效应量f²、模型拟合度指标SRMR、d_ULS、d_G）标准，并进行了基于Bootstrap的统计推断（如路径系数的置信区间、HTMT的Bootstrap检验）。

2.1. 模型和数据

研究基于Hair等人（2019）提出的员工保留案例模型进行软件演示。该模型旨在解释组织承诺（Organizational Commitment, OC）和工作满意度（Job Satisfaction, JS）对员工留任意向（Staying Intentions, SI）的影响，并以工作环境感知（Environment Perceptions, EP）和对同事的态度（Attitudes toward Coworkers, AC）作为前因变量。所有五个构念均由共计21个反映型指标测量。研究采用了一份包含N=400个观察值的模拟数据集，该数据满足因子型SEM的标准假设。

2.2. 创建新项目与导入数据

教程详细说明了在SmartPLS 4中创建新项目、导入数据文件（支持.csv, .txt, .sav, .xls/.xlsx等格式）以及设置数据属性（如定义测量尺度类型）的步骤。软件的数据视图提供了各指标的描述性统计信息，便于进行初步数据检查。

2.3. 模型创建

在建模视图中，用户通过拖放指标来创建构念，并指定构念间的路径关系，从而构建出完整的结构方程模型。

2.4. 模型估计

模型构建完成后，通过选择“Calculate”菜单下的“Consistent PLS-SEM algorithm”进行PLSc-SEM估计。软件会自动生成详细的结果报告。此外，教程还说明了如何执行Bootstrap过程（如设置10,000个子样本）以获得路径系数和HTMT等统计量的置信区间。

2.5. 测量模型评估

评估结果显示，所有构念的复合信度（ρ_A、ρ_C）和平均方差提取量（AVE）均达到可接受标准，支持了测量模型的内部一致性信度和收敛效度。虽然个别指标（如OC1）的载荷略低于0.708的建议阈值，但考虑到构念层面的信效度达标及内容效度，予以保留。异质-单质比（HTMT）分析结果显示，所有构念对的上界（95^th百分位数）均低于0.85的阈值，支持了区分效度。

2.6. 结构模型评估

共线性诊断显示所有方差膨胀因子（VIF）值均小于3，无需担心多重共线性问题。效应量（f²）分析表明，从EP到OC以及从OC到SI的路径具有中等至较大的效应，而其他路径的效应较小或可忽略。模型拟合度方面，标准化残差均方根（SRMR）为0.071，低于0.08的常用阈值，支持模型拟合。然而，基于Bootstrap的模型拟合检验结果存在混合证据：基于平方欧几里得距离（d_ULS）的检验拒绝了模型拟合，而基于测地线距离（d_G）的检验则支持模型拟合。考虑到SRMR的广泛应用和可解释性，文章认为模型整体拟合度尚可接受。Bootstrap路径分析显示，除AC对JS以及JS对OC的影响不显著外，其他所有假设的结构关系均显著。

3. 替代模型估计结果

为评估结果的稳健性，研究使用SmartPLS中的其他估计方法（CB-SEM, GSCA, 标准PLS-SEM, 总和分回归）对同一模型进行了分析。比较发现，不同方法得出的结构模型点估计和置信区间大体上保持一致，核心的结构关系和理论解释在不同方法间是稳定的，这为研究发现的稳健性提供了有力支持。然而，测量模型的估计（如外部载荷）则表现出更大的变异性，PLSc-SEM的估计置信区间更宽。

综上所述，本教程文章通过一个具体的员工保留案例，系统演示了如何在SmartPLS 4软件中实施PLSc-SEM分析。研究证实，PLSc-SEM能够有效地校正标准PLS-SEM在共同因子模型下的估计偏差，从而获得与CB-SEM非常接近的一致估计结果。SmartPLS 4软件提供了一个集成、用户友好的环境，支持包括PLSc-SEM在内的多种SEM估计技术，其直观的界面、先进的可视化功能和持续的方法更新，使其成为应用研究人员的宝贵工具。

这项研究的意义在于，它填补了PLSc-SEM方法论与软件实操之间的空白，为广大的社会科学、管理科学、医学等领域的研究者提供了一份清晰的路线图。它强调了在理论模型（共同因子模型）与统计方法（PLSc-SEM）匹配的前提下进行估计的重要性，从而推动更严谨、更透明的实证研究实践。虽然PLSc-SEM牺牲了标准PLS-SEM的一些预测评估功能（如PLS_predict），转而更侧重于共同因子模型框架下的模型拟合评估，但这使其在理论检验的背景下更具优势。文章鼓励研究人员采用多方法估计策略来验证其研究结果的稳健性，从而提升研究结论的有效性、普适性和方法论透明度。