PLS-SEM

PLS-SEM 不強調共變，是因為它的核心目標是「最大化預測能力」，而不是「重建共變矩陣」。
一、CB-SEM vs PLS-SEM：研究目的完全不同，CB-SEM（如 AMOS / LISREL）
目標：👉 重建樣本的共變矩陣
問題是：👉「模型能不能解釋資料中觀察到的共變結構？」
因此：高度重視 共變矩陣，使用整體適配度指標（χ²、CFI、RMSEA）

PLS-SEM（SmartPLS）
目標：👉 最大化內生變數的解釋力與預測能力
問題是：👉「這個模型能不能有效預測結果變數？」
因此：不以共變矩陣為估計基礎，不以「模型適配度」作為核心判準

PLS-SEM 關心的是什麼？（取代共變的重點）
PLS-SEM 關心的是：路徑係數是否顯著、R²（解釋力）、f²（效果量）、Q² / PLSpredict（預測能力），這些指標都與「預測」直接相關，而不是與「共變結構是否被重建」相關。

根據  服務品質 → 滿意度 → 忠誠度

在 CB-SEM 問的是：這三個構面之間的共變關係，能不能被這個因果模型完整解釋？

在 PLS-SEM 問的是：服務品質能不能有效預測滿意度？ 滿意度能不能有效預測忠誠度？

👉 重點從「共變是否被解釋」👉 轉為「結果是否被預測」。

五、那 PLS-SEM 完全不管共變嗎？ 不是「不管」，而是「不以它為核心」，PLS-SEM 仍然隱含使用變數間關係
但：不檢定模型是否重建共變矩陣，不使用整體模型適配度指標，因此文獻常說：PLS-SEM is not a covariance-based approach.

與以共變矩陣為估計基礎的 CB-SEM 不同，PLS-SEM 採取預測導向的估計邏輯，其主要目的在於最大化內生變數之解釋力與預測能力，而非重建樣本資料的共變結構。因此，PLS-SEM 不強調整體模型適配度與共變矩陣的再現，而是以路徑係數、R² 與預測指標作為模型評估的核心依據。 

使用 PLS-SEM：研究目的是解釋與預測、模型較複雜（高階構面、多中介）、樣本數中小或分配不常態、探索性或新情境研究

共變（covariance）是指兩個變數是否「一起變動」以及「一起變多少」的統計量。
一、共變到底在量什麼？共變回答的不是「有沒有關係」，而是：
當 X 偏離平均數時，Y 是否也偏離平均數？而且是同方向還是反方向？
直覺理解：X 變大，Y 也變大 → 共變為正、X 變大，Y 變小 → 共變為負、X 變，Y 不跟著變 → 共變接近 0