从业者指南：PLS SEM 与 SEM 的应用比较

从业者指南：PLS SEM 与 SEM 的应用比较简介偏最小二乘结构方程模型 (PLS SEM) 和结构方程模型 (SEM) 是两种流行的多变量统计技术，用于测试和验证包含隐变量的理论模型。虽然它们具有共同目标，但它们采用不同的方法和假设。在本文中，我们将比较 PLS SEM 和 SEM 的应用，以帮助从业者确定哪种方法最适合他们的研究目标。方法PLS SEM基于最小二乘原理，通过最大化预测变量和因变量之间的协方差来拟合模型。采用迭代算法，一次评估一个路径，并使用预测相关系数 (PC) 而不是相关系数来估计路径权重。不需要数据满足正态分布假设。SEM基于最大似然估计 (MLE) 原理，通过最小化样本协方差矩阵和拟合模型协方差矩阵之间的差异来拟合模型。同时评估所有路径，并使用相关系数来估计路径权重。假设数据满足多元正态分布。假设PLS SEM数据不满足正态分布假设。样本量较小（< 200）。测量变量存在共线性。模型相对简单。SEM数据满足多元正态分布假设。样本量较大（> 200）。测量变量没有共线性。模型相对复杂。优点PLS SEM适用于非正态数据。对于小样本量更鲁棒。能够处理共线变量。简单易用。SEM对样本量要求更严格。对于共线变量敏感。能够测试更复杂的模型。缺点PLS SEM对于大样本量可能会产生偏差。估计量可能与 MLE 估计量不同。对模型错误假设不太敏感。SEM对于非正态数据可能产生偏差。对于小样本量可能不稳定。对测量变量共线性敏感。应用场景PLS SEM探索性研究。模型开发的早期阶段。数据不满足正态分布假设。样本量较小。模型相对简单。SEM确认性研究。模型开发的后期阶段。数据满足多元正态分布假设。样本量较大。模型相对复杂。选择准则在选择 PLS SEM 或 SEM 时，应考虑以下因素：数据分布：数据是否满足正态分布假设？样本量：样本量是否足够大？测量变量：测量变量是否存在共线性？模型复杂性：模型是简单还是复杂？研究目标：是探索性研究还是确认性研究？结论PLS SEM 和 SEM 是用于测试和验证理论模型的重要统计技术。虽然它们具有共同目标，但它们采用不同的方法和假设，并且适用于不同的应用场景。通过了解这些方法之间的差异，从业者可以根据他们的研究目标和数据特征选择最合适的技术。

---

---

相关标签： 从业者指南、 SEM、 PLS、 的应用比较、 SEM、 与、

上一篇：研究人员手册PLSSEM与SEM的选择和使用

下一篇：PLSSEM与SEM的统计原理深入比较