#SEM模型評估與寫作範例

SmartPLS 範例14-1: 結構模型的共線性診斷   https://www.youtube.com/watch?v=V-BLuNzgPRA&t=4s   VIF 共線性診斷
概念模型之測量模評估(評鑑)之後，進行概念模型之結構模型的評估，首先為研究假設之驗證，確認假設的成立與否；其次為結構模型的品質如何。
結構模型的品質評估有四個面向，1.共線性：預測的自變數之間是否有共線性存在 2.解釋力：模型的解釋能力如何  3. 預測能力：模型的預測能力如何  4.適配度：整體的配適指標與程度如何。SmartPLS主要強調模型的預測性與解釋力，相對而言較不強調模型的配適程度，主要以幾項配適指標加以評估。  #先做共線性診斷??
結構方程模型分析
根據Anderson and Gerbing(1988)以及Williams and Hazer(1986)等學者的建議，進行結構方程模型分析時應分為兩個階段：
第一階段為針對各研究構念及其衡量題項進行評鑑，以了解各構面的信度、收斂效度及區別效度。 (反映型與形成型)
第二階段再運用結構模加以分析，以驗證概念模型中相關各構念間之因果關係的假設檢定。
PLS-SEM反映性模型之分析步驟
1.繪製模型圖
2.執行Algorithm
3.執行Bootstrapping
4.製作反應型測量模型之參數估計表
5.製作反應型測量模型之交叉負荷表
6.製作反應型測量模型之區別效度檢定表
7.評鑑反應型測量模型
8.評鑑結構模型<<<

評鑑反映型結構模型  #1,3,4,5為評鑑模型品質之步驟 #2,3,4,5可彙整成"結構模型評鑑檢定表"，共線性不會納入該評鑑表中，VIF另作表與文字說明。
1.共線性診斷
2.路徑關係之檢定
3.模型解釋能力評鑑
4.模型預測能力評鑑
5.評鑑整體模型配適度(PLS運算邏輯不同於CB-SEM，適適指標如SRMR, NFI, RMS_theta，為參考用。)

關於共線性，為預測依變數的多個自變數之間高度相關，變數間有互相平行的狀況，例如售價與銷售額(銷售額=100x售價)影響整體成效。
共線性問題若未能排除或不當忽略，易將導致模型解釋上的偏誤，因此評鑑模型時，務必確認共線性問題已確實排除。
#根據模型依變數的數量，逐一分群，加以判斷。只要是自變數(構面)指向一個依變數就要檢測共線性。

PLS中使用VIF膨脹係數加以評鑑共線性。 容忍值大於0.2，VIF小於等於5時，即意味指標(outer, inner)變數間沒有共線性問題存在(Hair, Ringle, & Sarstedt, 2011)。

Inner VIF 小於5，即意味變數間無共線性問題存在(Hair, Ringle, & Sarstedt, 2011)，否則模品質不佳，難以解釋。

共線性問題，檢視 outer model VIF(形成指標時使用)、inner model VIF(反映型模型時使用) 是否有超過標準，如果VIF值超過5則很可能具有多元共線性問題(Hair et al., 2011)，
Inner VIF 小於5，即意味變數間無共線問題存在(Hair, Ringle, & Sarstedt, 2011)，否則模品質不佳，難以解釋。 

outer VIF Values是提供給測量模型使用，Inner VIF Values則為測量模型使用。  ***VIF不會那如結構模型的評鑑之內。另以文字說明，可用報表之表格，配合文字描述的，如。(/2+學術研究文獻管理/13_研究方法管理/PLS筆記_類別干擾+MGA.pptx)

Collinearity Statistics (VIF)  inner VIF(用於結構模型)  Outer VIF(用於測量模型)  #如有VIF>5，該如何修正資料？詳閱參考資料。
估計Algorithm, Bootsrapping後得到T值。在Algorithm的報表中查找VIF。  #VIF另作表與文字說明，可參考說明文字適當修改。

[VIF的寫法]

結構模型中若有共線性問題，而未能排除或不當忽略，易將導致模型解釋上的偏誤，因此評鑑模型時，務必確認共線性問題已確實排除。共線性的診斷，可檢視 inner model之VIF加以檢驗。一般而言，若VIF值超過5則很可能具有多元共線性問題(Hair et al., 2011)。由表4-1所示數據可以看出，模型外生潛在變數與內因潛在變數間之VIF值皆小於門檻值5，即意味變數間無共線問題存在，表示結構模型中各構面(念)之共線性問題並不存在，且不會對結構模型之路徑係數之估計造成不良影響。 

由表4-1所示數據可以看出，模型外生潛在變數，X1構面與X2構面之VIF值皆為1.5，皆小於門檻值5，即意味變數間無共線問題存在，表示結構模型中各構面(念)之共線性問題並不存在，且不會對結構模型之路徑係數之估計造成不良影響。 

Table 4-1 Collinearity Statistics (VIF) report    表4-1 共線性統計量(VIF)

[結構模型品質之寫法]

決定係數之評估  (R2)
在PLS-SEM中，評鑑結構模型之品質時，可將評鑑指標概分為兩類，一類為評鑑模型解釋能力之指標，另一類則為評鑑模型預測能力之指標。評鑑模型解釋能力之指標為R2與效果值F2，而評鑑預測能力之指標則包含路徑係數之顯著性與與預測相關性(predictive relevance)Q2與效果值q2。
決定係數(coefficient of determination, R2)為最常用的品質鑑定指標，決定係數即為特定內因構念實際值與預測值之相關係數之平方，決定係數可做為衡量結構模型中，外衍構念之解釋能力，也就是決定係數代表模型中內因構念的變異可被外衍構念所能解釋的量。R2值會介於0~1之間，數值越高表示解釋能力越高。R2值之大小判定與研究領域的差異有關(Hair et al., 2014)。以社會科學相關研究領域而言，R2值接近0.25時，可視為具有較為微弱之解釋力；R2值接近0.5時，表示模型具有中等程度之解釋力，而當R2值接近0.75時，擇模型之解釋力可視為顯著(Hair et al., 2014)。由圖4-1所示，內因構面Y1之R2值為0.30，屬於較微弱解釋力；而Y2之R2值為0.51，顯示為中解釋力。整體而言，本研究提出概念模型具有中等程度之解釋力。

解釋效果值之評估  (f2)
解釋效果值f2為刪除模型中特定的外衍變數後，R2值的變化量。期可用來評估外生變數對內因變數是否具有顯著的解釋力。當f2值0.02以下為低效果值，介於0.15~0.35時為中度效果，f2>0.35以上為時則為高度效果值。由表中數據可以發現，外生構面X1對內因構面Y1之解釋效果值f2 X1--->Y1為0.250，屬於中等效果解釋力；外生構面X2對內因構面Y1之解釋效果值f2 X2--->Y1為0.32亦屬於中等影響效果。綜合而言，外生構面X1與X2之解釋效果屬於中等以上，代表外生構面對於內生構面具相當解釋力。

預測相關性評估  (Q2)
預測相關性所指為模型可準確的預測反映行內因構面的值，進而可使用此內因構面的預測值，精準預測出該內因構面之測量系統中各指標的數值。檢核結構模型中的Q2值，若該值大於0，即意味結構模型對該內因構面具有預測關性，亦即結構模型可精準預測內因構念與各指標之值(Henseler et al., 2009)。

[干擾的寫法]
簡單斜率圖
有干擾現象時，表示資料具有異質性。以簡單斜率圖可以發現，紅線所代表的相對較低之感擾變數認知群體，具有較高的斜率值(較為陡峭)，即出現負向的干擾影響，表示干擾變數認知較低的樣本群體，越低的X代表更低的Y，反之更高的X獲得更高的Y，即較低的干擾變數認知，增強了X與Y之間的關係。(***注意看斜率的趨勢與位置是否低的更低、高的更高)。

https://www.smartpls.com/documentation/algorithms-and-techniques/moderation/
It shows that for high switching costs (i.e., +1 standard deviation above the mean; green line) we have a weaker relationship (i.e., flatter line) between CUSA and CUSL than when we have low switching costs (i.e., -1 standard deviation below the mean; red line), which slope is steeper. It illustrates that reductions in likeability translate stronger into reductions in loyalty for customers perceiving lower switching costs than for those perceiving high switching costs.

[補充資訊]

外生變數 (exogenous variable)即自變數、 內生變數(endogenous variable) 即應變數。

R平方 (R squared)又稱為判定係數 (coefficient of determination)，是一種衡量迴歸模型表現的指標，代表從獨立變數X可以解釋依變數Y變異的比例。

透過效果值（f 2）的大小可以檢視構面之間的影響程度，以f 2>0.35 表示高影響效果；f 2 介於0.15 到0.35 之間屬於中影響效果；而f 2 介於0.02 到0.15 之間則表示低影響效果（Cohen, 1988）

F-Square
A variable in a structural model may be affected/influenced by a number of different variables.
Removing an exogenous(外生變數) variable can affect the dependent variable.
F-Square is the change in R-Square when an exogenous variable is removed from the model.
f-square is effect size (>=0.02 is small; >= 0.15 is medium;>= 0.35 is large) (Cohen, 1988).

如果有三個潛在購面影響A構面，則A構面的R Square於無法看出三個構面個別能解釋A的程度。 f Square則解決此問題，可以檢視個別構面影響A的效果值，例如:CO構面能被SQ和SV構面解釋，而SQ和CO的 f2為0.233。 根據 Cohen (1988)標準，f2 (f Square) 0.02以下為低效果值，0.15為中度效果，.35以上為高度效果值。

Q-Square Q2
Q-square is predictive relevance, measures whether a model has predictive relevance or not (> 0 is good).
Further, Q2 establishes the predictive relevance of the endogenous constructs.
Q-square values above zero indicate that your values are well reconstructed and that the model has predictive relevance.
A Q2 above 0 shows that the model has predictive relevance.
In order to find out the Q Square value, run Blindfolding procedure in SMART-PLS. ###

內文:
Moreover, the Q-square values for brand authenticity, brand attachment, and brand loyalty are 0.161, 0.302, and 0.244, respectively.
Q-square value is predictive relevance, measures whether a model has predictive relevance or not. Q-square values above zero indicate that the model are well reconstructed and has predictive relevance.