PLS-SEM 結構方程模型 · 學術標準

SmartPLS 報表分析助手

上傳 SmartPLS 匯出的 Excel 或 HTML 結果報表，自動辨識統計表格、依學術準則逐項評估，並產出分析指引與論文結論草稿。

🔒 所有分析皆在你的瀏覽器內完成，檔案不會上傳到任何伺服器。

上傳報表

📄

拖放檔案到這裡，或點擊選擇

支援 SmartPLS 匯出的 .xlsx / .html 報表

如何從 SmartPLS 匯出報表？
  1. 在 SmartPLS 中執行 PLS-SEM Algorithm 取得負荷量、信度、R² 等結果。
  2. 再執行 Bootstrapping（建議 5,000 次以上）取得 t 值與 p 值。
  3. 在結果視窗點選 Export → Excel 或 Export → HTML，匯出完整報表。
  4. 回到本頁選擇匯出的檔案即可。
  1. Run the PLS-SEM Algorithm in SmartPLS to obtain loadings, reliability and R².
  2. Run Bootstrapping (≥ 5,000 subsamples recommended) to obtain t and p values.
  3. In the results window choose Export → Excel or Export → HTML for the full report.
  4. Come back here and select the exported file.
🧪

測量模型

負荷量、α/CR/AVE、HTMT 與 Fornell-Larcker 區別效度逐項判定。

🧭

結構模型

VIF、路徑顯著性（t/p 值）、R² 解釋力、f² 效果量與 SRMR。

📝

論文素材

個人化下一步指引、假設檢定彙整表與結論段落草稿。

🤖

AI 深度解讀

一鍵將分析摘要交給私有 AI 模型，產生整體評價、改善建議與審稿攻防指引。

PLS-SEM 統計分析完整流程

步驟 1：評估測量模型（Measurement Model）

  • 指標信度：外部負荷量（outer loadings）≥ 0.708；0.40–0.708 之間視刪除後對 CR/AVE 的影響決定去留。
  • 內部一致性信度：Cronbach's α 與組合信度 CR 均應 ≥ 0.70（CR > 0.95 反而代表題項重複）。
  • 收斂效度：AVE ≥ 0.50。
  • 區別效度：優先看 HTMT < 0.85（寬鬆 0.90），輔以 Fornell-Larcker 準則（√AVE 大於構念間相關）。

💡 測量模型未通過前，不要解讀結構模型——量尺不準，路徑係數沒有意義。

步驟 2：評估結構模型（Structural Model）

  • 共線性：內部 VIF < 3（上限 5）。
  • 路徑係數顯著性：執行 Bootstrapping（建議 5,000 或 10,000 次重抽），|t| > 1.96 或 p < 0.05 即顯著。
  • 解釋力 R²：0.75 高 / 0.50 中 / 0.25 弱（依研究領域調整期待）。
  • 效果量 f²：0.02 小 / 0.15 中 / 0.35 大。
  • 預測相關性 Q²（Blindfolding 或 PLSpredict）：Q² > 0 表示模型對該內生構念具預測相關性。

💡 報告路徑係數時，務必同時呈現 β、t 值、p 值與信賴區間。

步驟 3：撰寫結果與結論

  • 依序報告：樣本描述 → 測量模型（信度、收斂效度、區別效度各一張表）→ 結構模型（路徑圖 + 假設檢定表）。
  • 每條假設寫成「H1：X 對 Y 有正向影響（β = .xx, t = x.xx, p < .05，獲得支持）」的格式。
  • 不顯著的假設要誠實報告，並在討論章節提出可能解釋。
  • 結論需回應研究目的：理論貢獻與實務意涵。
  • 限制與未來研究：橫斷面資料、共同方法變異（CMV）、樣本代表性等。

💡 引用準則來源：Hair, Risher, Sarstedt, & Ringle (2019)；Henseler, Ringle, & Sarstedt (2015)。

常見問題

AVE 不到 0.5 怎麼辦？
找出外部負荷量最低的題項（通常 < 0.6），一次刪一題並重新估計，直到 AVE ≥ 0.5。刪題過程要寫進論文。
HTMT 超過 0.9 怎麼辦？
兩個構念在統計上難以區分。檢查題項語意是否重疊，考慮合併構念，或用 bootstrapping 檢定 HTMT 信賴區間是否包含 1。
路徑不顯著，論文還能寫嗎？
可以，而且必須誠實報告。不顯著的結果在討論章節提出解釋，往往是論文的亮點。
Bootstrapping 要設幾次？
最終分析建議 5,000 或 10,000 次重抽，並回報 95% 信賴區間（建議用 percentile bootstrap）。
樣本數要多少才夠？
最低經驗法則為「10 倍法」，但更建議用 G*Power 以統計檢定力 0.8、效果量 f² = 0.15 估算所需樣本。

Step 1: Assess the Measurement Model

  • Indicator reliability: outer loadings ≥ 0.708; for 0.40–0.708, decide based on the impact of removal on CR/AVE.
  • Internal consistency: Cronbach's α and composite reliability CR should both be ≥ 0.70 (CR > 0.95 signals redundant items).
  • Convergent validity: AVE ≥ 0.50.
  • Discriminant validity: rely primarily on HTMT < 0.85 (lenient 0.90), supplemented by the Fornell-Larcker criterion (√AVE exceeds inter-construct correlations).

💡 Do not interpret the structural model before the measurement model passes — with an unreliable instrument, path coefficients are meaningless.

Step 2: Assess the Structural Model

  • Collinearity: inner VIF < 3 (upper bound 5).
  • Path significance: run Bootstrapping (5,000 or 10,000 subsamples recommended); |t| > 1.96 or p < 0.05 is significant.
  • Explanatory power R²: 0.75 substantial / 0.50 moderate / 0.25 weak (adjust expectations by field).
  • Effect size f²: 0.02 small / 0.15 medium / 0.35 large.
  • Predictive relevance Q² (Blindfolding or PLSpredict): Q² > 0 indicates predictive relevance for that endogenous construct.

💡 When reporting path coefficients, always present β, t value, p value and confidence intervals together.

Step 3: Write Up Results & Conclusions

  • Report in order: sample description → measurement model (one table each for reliability, convergent and discriminant validity) → structural model (path diagram + hypothesis table).
  • Write each hypothesis as "H1: X positively influences Y (β = .xx, t = x.xx, p < .05, supported)".
  • Report non-significant hypotheses honestly and offer explanations in the discussion.
  • Conclusions should answer the research objectives: theoretical contributions and practical implications.
  • Limitations & future research: cross-sectional data, common method variance (CMV), sample representativeness.

💡 Cite the criteria sources: Hair, Risher, Sarstedt, & Ringle (2019); Henseler, Ringle, & Sarstedt (2015).

FAQ

What if AVE is below 0.5?
Find the items with the lowest outer loadings (usually < 0.6), remove one at a time and re-estimate until AVE ≥ 0.5. Document the process in your paper.
What if HTMT exceeds 0.9?
The two constructs are statistically indistinguishable. Check for overlapping item wording, consider merging constructs, or bootstrap the HTMT confidence interval to test whether it contains 1.
A path is not significant — can I still publish?
Yes, and you must report it honestly. Explaining non-significant results in the discussion is often a highlight of the paper.
How many bootstrap subsamples?
For final analysis use 5,000 or 10,000 subsamples and report 95% confidence intervals (percentile bootstrap recommended).
How large should my sample be?
The "10-times rule" is the bare minimum; better to use G*Power with power 0.8 and effect size f² = 0.15 to estimate the required sample.