第1章 偏最小平方法PLS-SEM：基本概念及專有名詞
1-1 緒論
1-2 資料建檔：先用SPSS建檔(SES-Incentive-perf.sav)，再另存Excel新檔(SES-Incentive-perf.csv)
1-3 重要概念及專有名詞
1-4 模型
1-5 變數的類型
1-6 PLS-SEM vs. CB-SEM的參數估計
1-7 留一法「交叉驗證」及適配度

第2章 用SmartPLS分析PLS-SEM的操作畫面
2-1 SmartPLS概述
2-2 SmartPLS的「Calculate」估計有12種選項
2-3 執行「PLS algorithm」：路徑係數的相關、對依變數的相關性

第3章 consistent PLS algorithm(PLSc)估計法，等同於CB-SEM(如LISREL、AMOS)估計
3-1 PLS Algorithm的步驟
3-2 consistent PLS (PLSc)演算法(等同CB-SEM之AMOS)的估計
3-3 選配PLS bootstrapping來估計：for印出顯著性
3-4 選配consistent PLS bootstrapping來估計：for印出顯著性
3-5 選配blindfolding估計法：結構模型品質(Q2);測量模型品質(H2)

第4章 驗證式四分差分析(CTA-PLS)：該選formative模型或reflective模型
4-1 驗證式四分差分析(CTA)：檢測你測量模型是反映型或形成型
4-2 概述.
4-3 範例：Tetrads分析
4-4 執行：驗証性tetrad分析
4-5 PLLS-CTA的輸出
4-6 PLS-CTA及樣本數

第5章 重要性-效能映射分析(important-performance map analysis, IPMA)
5-1 Importance-performance map analysis(重要性-效能映射分析)(IPMA)
5-2 範例：IPMA的建檔
5-3 執行IPMA
5-4 IPMA分析結果

第6章 有限混合分群(FIMIX)：內部路徑模型的異質性，來對樣本分群(樣本要常態)
6-1 有限混合模型(Finite mixtures models, FMM)
6-2 常態性假定之檢定：使用Stata、SPSS
6-3 未觀察到的異質性(unobserved heterogeneity)
6-4 用不同分群(segments)來比較模型之適配度
6-5 適配指數(fit indices)
6-6 亂度法(熵)(entropy)：當分群的適配指數
6-7 路徑係數(path coefficients)

第7章 預測導向分群(prediction-oriented segmentation, POS)：樣本未必常態)
7-1 Prediction-oriented segmentation (POS)概念
7-2 預測導向分群(prediction-oriented segmentation, POS)：實作

第8章 多群組分析(MGA)：類別型調節變數：回卷事前已分組
8-1多群組分析(multi- group analysis, MGA)：事前已分組，內生變數要多元常態
8-2 測量不變性(measurement invariance)，又稱測量恆等性
8-3 多群組分析(multi- group analysis, MGA)：實作
8-4 執行MGA分析與結果討論
8-5 改用類別型調節變數

第9章 排列(置換)演算法(MICOM)：測量組間(inter-group)差異(不變性)
9-1 排列(置換)演算法(Permutation algorithm, MICOM)概念
9-2 排列(置換)演算法(example model)：實作
9-3 Permutation演算法的輸出
9-4 測量不變性(measurement invariance, MICOM)的檢定

第10章 PLS regression modeling (PLS Predict)≒典型相關
10-1 PLS regression: SmartPLS≠SPSS或SAS
10-2 PLS regression: SPSS也≠SAS
10-3 PLS regression modeling (PLS Predict)：實作
10-4 Creating a simple regression model in SmartPLS
10-5 PLS回歸的SmartPLS輸出之各指數

第11章 非線型模型(quadratic effect)：二次方之因果模型嗎？
11-1 使用Quadratic Effect Modeling(QEM)來處理非線性關係
11-2 使用二次方效果(quadratic effect)建模：咖啡客戶滿意度對忠誠度的非線性關係

第12 調節效果(moderating effect)
12-1 理論建構的途徑有二(多重因果關係之建構法)
12-2 一因一果一調節
12-3 連續型調節變數N(實作)：企業聲譽的前因及調節(干擾)因素
12-4 調節變數，也是預測變數之一：它有2種身分
12-5 練習題：複雜的調節變數
-----------------
第13章 高階(higher-order)構念的界定、估計及驗證
13-1 高階模型(higher-order)
13-2 如何界定higher-order構念？
13-3 高階構念之分析步驟：(extended) repeated indicators法


 

自序

　　沒有最好的統計方法，只有更好統計法。結構方程模型(structural equation model, SEM)結合了傳統統計學上的因素分析與路徑分析技術，已成為當前發表文章中常見的統計分析，SEM可再細分為反映型指標(reflective indicator)與形成型指標(formative indicator)，這兩種結構模型對於理解構念(construct)有不同的解讀方式，分析軟體亦不可同，前者用「LISREL,AMOS…」；後用只能用SmartPLS軟體。SPSS和SAS早已提供PLS回歸模型。但對於更複雜的路徑模型，則必須使用專門的PLS軟體。

　　由於由於「人與人」、「人與物」之間行為的互動是複雜的，而PLS是非常適合估計複雜的關係。偏最小平方法(Partial Least Square, PLS)為無母數估計的結構方法模型(PLS-SEM)。著名PLS軟體「SmartPLS」是德國Hamburg大學商學院Ringle et al.(2010)開發，是基於經濟計量分析的需求。早期它在化學計量領域獲得重視，接著廣受資管、行銷、商學、運動休閒、健康、旅遊…等領域的愛載，迄今逐逐成為社會科學及生醫廣主流。

　　PLS也是一種探索或建構「預測性模型」的分析技術，尤其潛在變數之間的因果模型(causal model)分析，更優於一般的CB-SEM。被引用到超過2500以上的學術刊物中使用，廣受學者專家的肯定。

　　PLS-SEM(partial least squares)相較於CB-SEM(covariance-based)對樣本條件需求較少，分析資料不需符合多元常態分配，且可處理多個構念的複雜結構模型，同時處理反映性指標與形成性指標的構測量模型，特別適用於預測與強調模型的整體解釋變異程度。

　　SmartPLS除了PLS algorithm(演算法)外，尚提供consistent PLS algorithm (PLSc)來仿真CB-SEM計算。其分析結果，等同於CB-SEM(如Amos, SAS, Stata, MPlus, LISREL,EQS軟體)的估計。故SmartPLS已實質含蓋CB-SEM功能。統計分析上，SmartPLS功能及實用性已大於Amos等軟體。

　　由於，坊間出版SEM的書，多數是屬covariance-based SEM(CB-SEM)家族，但PLS家族不同於CB-SEM，學界鮮少有書專門介紹PLS-SEM原理與範例實作，殊實可惜。

　　SmartPLS能分析形成性構念(或構面)和形成性指標，可分析小樣本、非常態LVs等問題，倘若你的研究樣本數不夠多(如N=190份)，則不符合使用CB-SEM資料分析方法之假定。且PLS的測量誤差較小，因此能精確的估計中介和調節(又稱干擾)等問題(Bontis & Booker, 2007)。此時你改用PLS-SEM資料分析法是明智的。

　　近年來SmartPLS 3廣受社科學者的歡迎，軟體內容引進了多個具有特色的分析方法，幫助研究者自動快速完成統計程式。SmartPLS更結合了現有技術方法(例如：PLS-POS、IPMA、多種bootstrapping估計係數值…)，配備易用且直覺式圖形用戶界面。

　　由於SmartPLS統計軟體普及且易用，漸漸應泛用在學術論文與研究法上。但國內書籍較缺乏體系性論述PLS(估計法、統計原理)。

　　因此本書SmartPLS內容，包括：

　　1. PLS Algorithm：偏最小平方法來估計PLS路徑建模(PLS path modeling)的路徑係數。接著，再搭配Bootstrapping求出路徑係數之顯著性p值。

　　2. Bootstrapping：具備進階拔靴法選項(advanced bootstrapping options)。印出路徑係數「t值、顯著性p值」。

　　3. Consistent PLS Algorithm：等同「AMOS、Stata、LISREL、SAS」CB-SEM功能。意即，SmartPLS易用且實用功能可取代「AMOS、Stata、LISREL、SAS」。接著，再搭配Consistent PLS Bootstrapping求出類CB-SEM之路徑係數「p值」。

　　4. Consistent PLS Bootstrapping：印出路徑係數「t值」的顯著性考驗「p值」。

　　5. Blindfolding：預測相關性( 和 )與「XY」因果模型的效果量( )

　　6. 驗證式四分差分析(confirmatory tetrad analysis,CTA)：該選formative模型或reflective模型？

　　7.重要性-效能映射分析(importance-performance matrix analysis, IPMA)分析

　　8. 有限混合分群(finite mixture segmentation, FIMIX)：內部路徑模型的異質性，來對樣本分群(樣本要常態)

　　9. 預測導向分群(prediction-oriented segmentation, POS)：樣本未必常態

　　10. 多群組分析(multi-group analysis, MGA)：類別型調節變數：回卷事前已分組

　　11. 排列演算法(Permutation algorithm,MICOM)：測量組間(inter-group)差異(不變性)

　　12. PLS regression modeling (PLS Predict)≒樣本外(out-of-sample)預測能力。

　　13. nonlinear relationships (如quadratic effect)。

　　本書以最著的軟體SmartPLS為分析工具，從概念、原理到實作，深入淺出地向讀者介紹PLS的常用模型與應用上需注意的問題，並以實例展示SmartPLS分析過程，適合研讀領域有：社會科學、運輸、農業、生物醫學、藥學、製藥、電腦科學、工程、能源、技術、環境科學、材料科學、管理、會計、心理學、商學、經濟、計量經濟、財務等。