雷火电竞官网-中国知名电竞赛事平台

　　SmartPLS是一款功能十分強大的PLS-SEM數據分析軟件，該軟件結合了行業內最先進的分析方案，為用戶提供了直觀清晰的UI用戶界面，能夠幫助用戶高效率地完成數據建模和分析操作，內置了全新的智能AI算法，能夠獲得更加精準和完善的報告結果，大大提升用戶的工作效率，有需要的小伙伴千萬不要錯過哦。

【功能介紹】

　　一、輕松深入了解您的數據！

　　1、強大的建模環境使您可以在幾分鐘內創建路徑模型。

　　2、項目經理可以幫助您跟蹤所有分析和文件。

　　3、使用顏色，邊框和字體自定義模型，以分別強調您的想法！

　　4、內置的算法解釋和有意義的默認設置使您可以輕松進入PLS-SEM世界。

　　5、井井有條的報告可全面洞悉您的結果。

　　6、將結果永久保存為HTML報告或Excel文件。

　　7、創建數據組以輕松運行多組分析。

　　8、創建交互條件并運行主持人分析，沒有任何問題。

　　二、SmartPLS是所有PLS-SEM分析的主力軍-對于初學者和專家

　　這是我們（不斷增長的）所有可用計算方法的列表。相關的創新算法也將在短時間內在SmartPLS中提供。我們承諾。

　　1、偏最小二乘（PLS）路徑建模

　　2、基于sumscores的普通最小二乘（OLS）回歸

　　3、一致的PLS（PLSc）

　　4、加權PLS（WPLS），加權OLS（WOLS）和加權一致PLS（WPLSc）

　　5、引導程序和高級引導程序選項的使用

　　6、蒙住眼睛

　　7、重要績效圖分析（IPMA）

　　8、PLS多組分析（MGA）：分析特定于組的PLS路徑模型估計的區別和重要性

　　9、高階模型

　　10、中介：間接影響的估算及其基于引導的重要性測試

　　11、審核：交互作用的估計及其基于引導的重要性測試

　　12、非線性關系：二次效應的估計及其基于自舉的顯著性檢驗

　　13、驗證性四元分析（CTA）：一種統計技術，可以對測量模型的設置進行實證測試

　　14、有限混合（FIMIX）細分：一種潛在類方法，可以識別和處理路徑模型中未觀察到的異質性

　　15、面向預測的細分（POS）：一種識別數據組的方法

　　16、PLS預測：一種確定PLS路徑模型的預測質量的技術

　　17、面向預測的模型選擇

【使用教程】

　　一、PLS中的驗證性四元分析（CTA-PLS）

　　1、抽象

　　PLS-SEM（CTA-PLS；Gudergan等人，2008）中的確認性四元分析可以區分形成性和反射性測量模型。原則上，該分析遵循Bollen和Ting（2000）在PLS-SEM環境中測試模型隱含四邊形的確認方法。

　　2、描述

　　在PLS-SEM（CTA-PLS；Gudergan等人，2008）中使用確認四元分析可以區分形成性和反射性測量模型。原則上，該分析遵循Bollen和Ting（2000）在PLS-SEM上下文中測試模型隱含四邊形的確認方法，不同之處在于采用了引導程序來測試模型隱含四邊形的重要性。

　　Gudergan等。（2008年）詳細描述了CTA-PLS程序。

　　所執行的過程每個構造至少需要4個清單變量，并且每個構造最多可以處理25個清單變量，這是因為，如果四元組是否冗余，測試數量呈指數增長。

　　3、SmartPLS中的CTA-PLS設置

　　子樣本

　　在引導過程中，將使用從原始數據集中隨機抽取的觀察值（帶有替換值）創建子樣本。為了確保結果的穩定性，子樣本的數量應大。

　　對于初步評估，可能希望選擇較少數量的引導子樣本（例如500個），以使用PLS-SEM算法隨機抽取和估計，因為這需要更少的時間。但是，為準備最終結果，應使用大量的引導子樣本（例如5,000個）。

　　注意：大量的自舉子樣本會增加計算時間。

　　并行處理

　　此選項在多個處理器上運行引導例程（如果您的計算機設備提供多個內核）。使用并行計算將減少計算時間。

　　重要信息：進程數不應超過計算機中的處理器數。

　　測試類型

　　指定是進行單面還是雙面重要性測試。

　　顯著性水平

　　指定測試統計信息的重要性級別。

　　二、判別有效性評估

　　1、抽象

　　判別有效性評估的目的是確保在PLS路徑模型中，反射性結構與其自身指標（例如，與任何其他結構相比）具有最強的關系（Hair等人，2017）。

　　2、簡要描述;簡介

　　判別有效性評估已成為分析潛在變量之間關系的公認先決條件。對于基于方差的結構方程建模，例如偏最小二乘，

　　Fornell-Larcker準則和

　　交叉荷載的檢查是評估判別效度的主要方法。

　　Henseler，Ringle和Sarstedt（2015）通過模擬研究表明，在通常的研究情況下，這些方法不能可靠地識別出缺乏判別效度。因此，這些作者提出了一種基于多性狀-多方法矩陣的替代方法來評估判別效度：相關性的異質性-單性比率（HTMT）。Henseler，Ringle和Sarstedt（2015）通過蒙特卡洛模擬研究證明了該方法的優越性能，在該研究中，他們將新方法與Fornell-Larcker準則進行了比較，并對（部分）交叉荷載進行了評估。最后，它們提供了有關在基于方差的結構方程模型中如何處理判別有效性問題的指南。

　　參見Henseler，Ringle和Sarstedt（2015），詳細了解基于差異的結構方程模型中用于區分效度評估的HTMT標準。

　　3、SmartPLS中的判別有效性評估

　　在SmartPLS中運行PLS和PLSc算法時，結果報告在“質量標準”部分中將包含有區別的有效性評估結果。提供以下結果：

　　Fornell-Larcker標準，

　　交叉裝載，以及

　　HTMT標準結果。我們建議使用HTMT標準來評估判別有效性。如果HTMT值低于0.90，則已在兩個反射構造之間建立了判別有效性。

　　如果要獲取HTMT_Inference結果，則需要運行引導例程。啟動引導程序時，選擇“CompleteBootstrapping”選項很重要。然后，在引導結果報告中的“質量標準”部分中找到引導的HTMT標準結果。

　　請注意：在SmartPLS3.2.1和更高版本中，HTMT標準計算與Henseler，Ringle和Sarstedt（2015）給出的方程式不同。SmartPLS不使用指標之間的相關性，而是使用指標之間的相關性的絕對值。例如，當不是使用0.1、0.2和-0.3導致平均相關性為0時，會導致原始HTMT方程出現問題，而SmartPLS使用0.1、0.2和0.3導致平均相關性為0.2。因此，在SmartPLS中將HTMT標準限定在0到1之間，并且不會因負相關而導致問題。

　　三、適合度（GoF）

　　1、抽象

　　擬合優度（GoF）已開發為PLS-SEM模型擬合的整體度量。但是，由于GoF無法可靠地將有效模型與無效模型區分開來，并且由于其適用性僅限于某些模型設置，因此研究人員應避免將其用作擬合優度度量。GoF對于PLS多組分析（PLS-MGA）可能有用。

　　2、描述

　　另請參閱有關模型擬合的信息。

　　研究表明，該措施不適合識別錯誤指定的模型（Henseler和Sarstedt，2012年；有關該措施及其局限性的討論，請參見第6章）。結果，使用PLS-SEM的研究人員依靠指示模型預測能力的措施來判斷模型的質量。”（Henseler等人，2014）。

　　Henseler和Sarstedt（2012）詳細解釋了Tenenhaus等人的PLS的全球擬合優度（GoF）。（2004年）并不代表一個合適的量度，因此不應該這樣使用。但是，Henseler和Sarstedt（2012）也顯示，當研究人員比較同一PLS路徑模型的不同數據組的PLS-SEM結果時，GoF可能對PLS多組分析（PLS-MGA）有用。

　　四、有限混合偏最小二乘（FIMIX-PLS）

　　1、抽象

　　有限混合偏最小二乘（FIMIX-PLS）分割是一種在內部（結構）模型中發現未觀察到的異質性的方法。它通過為每個觀測值估計段成員資格的概率來捕獲異質性，并同時估計所有段的路徑系數。

　　2、描述

　　有限混合部分最小二乘（FIMIX-PLS）分割是一種在內部（結構）模型中發現未觀察到的異質性的方法（Hahn等，2002）。它通過為每個觀測值估計段成員資格的概率來捕獲異質性，同時估計所有段的路徑系數。

　　由于異質性經常出現在實證研究中，因此研究人員應始終考慮潛在的異質性來源，例如，根據人口統計學（例如年齡或性別）等可觀察特征形成數據組。當異構數據結構可以追溯到可觀察的特征時，我們將這種情況稱為觀察到的異構性。不幸的是，數據異質性的來源永遠無法被先驗充分地了解。因此，出現了以下情況：與未觀察到的異質性有關的差異導致無法準確估計PLS路徑模型，從而可能會出現有效性問題（Becker等人，2013）。由于研究人員從未知道未觀察到的異質性是否會引起估算問題，

　　最近已經提出了幾種潛在類技術，這些技術概括了統計概念，例如有限混合模型，類型回歸和遺傳PLS-SEM算法。最突出的潛在類別方法之一是有限混合偏最小二乘（FIMIX-PLS；Hahn等人，2002；Sarstedt等人，2011）?；诨旌匣貧w概念，FIMIX-PLS同時估算路徑系數，并通過計算觀測段成員資格的概率來確定數據的異質性，以使其適合預定數量的組。

　　考慮到該方法在以前的研究中的表現（例如Sarstedt和Ringle，2010年），以及通過軟件應用程序SmartPLS，Hair等人的方法的可用性。（2012年）建議研究人員應常規使用該技術來評估PLS-SEM結果是否由于未觀察到的異質性而失真。有關經驗數據方法的更詳細討論和分步說明，請參閱Ringle等。（2010），Rigdon等。（2010），Hair等。（2016），以及Matthews等。（2016）。對于FIMIX-PLS的應用，請參見例如Sarstedt等。（2009年）和Rigdon等人。（2011）。

　　3、SmartPLS中的FIMIX-PLS設置

　　段數

　　對其進行細分的預定義細分的數量。

　　最大迭代

　　細分算法將執行的最大迭代次數。對于足夠好的細分解決方案，應該足夠高。

　　停止標準

　　如果兩次連續迭代之間的對數似然（LnL）的變化小于此停止標準值（或達到最大迭代次數），則FIMIX-PLS算法停止。

　　高級設置

　　使用未標準化的潛在變量分數：在執行有限的混合細分之前，將潛在變量分數未標準化為其原始指標。

　　估計回歸截距：在結構回歸中包括回歸截距，用于有限混合物分割算法。估計特定于段的截距。如果在執行細分任務之前未對潛在變量評分進行標準化，則很有用。

　　重復次數

　　FIMIX-PLS可以執行多次，并選擇具有最佳LnL值的解決方案以避免局部最優。此值定義執行FIMIX-PLS算法的頻率。