偏最小平方法（Partial least square, PLS）

國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

問卷的衡量工具是採用李克特的五點尺度量表（Likert 5-point scale），「非常不 同意」以1 表示，「不同意」以 2 表示，「普通」以 3 表示，「同意」以 4 表示，

「非常同意」以5 表示。

問卷詳細內容請參考附件。

三、 偏最小平方法（Partial least square, PLS）

結構方程模式（structural equation modeling，SEM）目前有兩大主流技術：

共變數形式結構方程模式（Covariance-based SEM）和主成份形式結構方程模式

（Component-based SEM）。

Covariance-based SEM 以變數的共變數結構進行分析，藉由定義一個因素 結構來解釋變數的共變關係。Component-based SEM 則是以變數的線性整合定 義主成份結構後，再利用迴歸原理來檢驗主成份間的預測與解釋關係，使用的 技術是偏最小平方法（partial least square; PLS）（邱皓政，2011；蕭文龍，

2013）。

偏最小平方法（PLS）是結構方程模式的一種計算方法。PLS 相較於一般 線性結構關係有許多優點，能處理多個依變數與多個自變數，也能克服多變量 共線性問題，並且能處理干擾資料及遺漏值，投入反應變項對潛在變項有很強 的預測能力，可以同時處理反應性指標（reflective indicator）與形成性指標

（formative indicator），此外 PLS 也不受樣本大小及資料分配的限制。

PLS 的 SEM 模式主要由兩部分的模式所構成，其假定存有兩組外顯變數 Xi（i=1,...,I）與 Yj （j=1,...,J），若將 Xi 進行線性整合成為一個（或數個）主 成份分數並以ξ 表示，將 Yi 也進行線性整合成為另一個（或數個）主成份分數 而以η 表示，將兩個（或兩組）主成份分數作迴歸分析 （把 η 對 ξ 作迴歸），

求出迴歸係數beta（β）此時 η 的預測值是對 Yj 組合分數的預測值。因此，

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

PLS 乃為先後對內模型與外模型進行主成分估計與迴歸求解，來組成整個模型 的參數估計（邱皓政，2011）。

（一）外模型（outer model）：基於外顯變數與潛在變數的因果關係的不同 假定，有兩種設定形式（Fornell and Bookstein, 1982）：

（1）假設外顯變數的變異由潛在變數決定，稱為反映性模型（reflective model），公式為 x=Λξ+ε 。構成反映性模型的權數以 Λ 表示，誤差項則反映潛 在變數無法解釋測量變數變異，以ε 表示。

（2）假設潛在變數的變異由外顯變數決定，稱為形成性模型（formative model），公式為 ξ=Πx +ν 。Π 係數即為外顯變數對潛在變數的迴歸係數，ν 為 估計誤差。

（二）內模型（inner model）：即結構模型，係為潛在變數與潛在變數間的 關係，公式為η=Βξ+ς 。其中 B 為迴歸係數，ς 為估計誤差。

（三）模型優劣評估：PLS 模型之優劣，可分別從外模型與內模型加以分 析。在外模型方面，應考量個別因素負荷量（loading）、組合信度（composite reliability）與 Cronbach’s alpha 值以及平均變異萃取量（average variance extracted, AVE）等指標，上述分析指標皆有參考標準值，若皆有達到，表示測 量模型具有很好的收歛效度 （convergent validity）與區別效度（discriminant validity）。在內模型方面，則以標準化路徑係數（path coefficient）是否達統計 上之顯著水準為依據（何雍慶等人，2009）。

另亦有學者Pirouz（2006）提出了 PLS 相較於傳統 SEM 之優點，分別為 以下七點：

1.能處理多個依變數與自變數。

2.能克服多變量共線性的問題。

3.強健（robust）地處理干擾資料及遺失值。

4.投入反應變項對潛在變項有很強的預測能力。

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

5.可以同時處理反應性指標（reflective indicator）和形成性指標（formative indicator）。

6.可用於小樣本。

7.不受資料分配的限制。

此外。本研究將採取多群組比較法。多群組比較法是由Keil et at（2000）

及Chin（2000）導入 PLS 中。一般而言，學者建議採用抜靴法

（Bootstrapping，又稱反覆抽樣法）來計算不同群組的模型參數及標準誤。再 利用T-test 來比較模型參數的差異。也就是說，包含二個步驟：先分別獨立分 析二組群組的模型參數，再進行各個模型參數的比較。

因此本研究將以偏最小平方法（partial least squares, PLS）進行分析，並配 合拔靴法檢測路徑係數的顯著程度，採反覆抽取5,000 個樣本的規模進行抽樣 分析，可加強模型估計值的準確性。此外，為了解使用者經驗及付費意願的影 響，本研究將使用者以三種方式分群，並進行多群組分析。此三種方式分為別 (1)現有使用者與潛在使用者(2)願付費與不願付費之現有使用者(3)願付費與不願 付費之潛在使用者。

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y