当期荐读 2023年第3期 | 结构方程模型的应用准则：CB-SEM和PLS-SEM研究范式的比较与启示

图源 | Internet

袁野¹　萧文龙²　于媛³　王刊良⁴　李一然⁵

1.杭州科技职业技术学院，杭州，311402；　

2.台湾长庚大学管理学院，桃园，33302；　

3.武汉大学信息管理学院，武汉，430072；　

4.中国人民大学商学院，北京，100872；　

5.福州大学经济与管理学院，福州，350108

摘  要 / Abstract

结构方程模型（SEM）用于分析观察变量和潜在变量之间复杂的相互关系，分为基于协方差的结构方程模型（CB-SEM）和基于方差的偏最小二乘结构方程模型（PLS-SEM）两类。结构方程模型在组织管理、信息系统、营销管理等社会科学学科和其他学科中应用广泛，特别是使用偏最小二乘结构方程模型方法的论文数量近年来稳步提升。CB-SEM和PLS-SEM在算法上和应用上有很大不同，选择不适合的方法可能导致研究结果不准确，因此，了解这两种方法的区别和报告指南十分必要。本文梳理了结构方程模型中CB-SEM和PLS-SEM方法的使用条件和适用情境，并以财富管理企业使用金融科技为例，比较了两种方法的分析过程和分析结果，强调了选择合适方法的重要性和必要性，为研究者们使用结构方程模型进行准确的数据分析提供了有价值的参考。

关键词

结构方程模型　CB-SEM　PLS-SEM　数据分析　方法比较

01

引言

结构方程模型（Structural Equation Modeling, SEM）被称为第二代数据分析技术，相较于第一代统计工具回归模型，结构方程模型可以帮助研究人员通过同时建模多个构念，在单一、系统和全面的分析中回答一系列相互关联的研究问题^[1]。结构方程模型通过分层或非分层、递归或非递归结构方程来表达复杂的变量关系，以呈现整个模型完整的形象^[2]。利用结构方程模型分析数据有助于研究人员对结果进行正确的解析，从而得出科学合理的结论。Bollen^[3]、Baron等^[4]多位学者强调结构方程模型应该是学者的首选方法，认为该模型对下一代研究人员有很大的帮助^[3-4]。目前，研究人员可以使用许多软件工具进行结构方程模型分析，例如LISREL、AMOS、SmartPLS、M-plus、EQS和SAS等。

Esposito^[5]将SEM分为两类，即基于协方差的结构方程模型（CB-SEM）和基于方差的偏最小二乘结构方程模型（PLS-SEM）。两种方法在统计方法（非参数检验或参数检验）、研究目的（探索性或验证性）、采用的算法（广义最小二乘或最大似然估计）和处理的模型形态（反映性或形成性）等方面有很大的不同。尽管现在越来越多的研究人员和学者在研究分析中采用结构方程模型，但一些学者在使用过程中没有按一定的准则来选择方法，在数据分析和报告中也存在内容不全面或报告指标选取不准确的问题。当前许多方法类研究专注于解释和比较两类方法的差异，却少有研究通过实际研究范例来突出和证明两种SEM方法在结果上的差异。同样的数据，选择不同的方法可能会带来不同的研究结果。如果研究者未能选择适合的数据分析方法，那么可能得出不准确的研究结论。

因此，本文从两种结构方程模型的区别入手，分析两种方法的适用性，并以企业金融科技采纳为例，分别用两种方法进行数据分析，以呈现两种方法分析结果的差异，强调选择正确方法的重要性。本研究旨在区别两种方法的使用条件和适用情境，帮助研究者们梳理两种方法的差别，在未来研究中选择合适的方法，得到准确的数据分析结果，为研究结论提供确切的依据。

02

理论基础

2.1　结构方程模型

结构方程模型是一种统计方法，用于估计一组观察变量之间的关系，这些观察变量代表统计模型中的概念变量。SEM可以检验一个或多个连续或离散自变量与一个或多个连续或离散因变量之间的关系^[6]，可以定义潜变量，也就是无法观察到和直接测量的变量，例如信任、组织文化、满意度等。为了测量潜变量，研究人员需要用一系列可观察的变量作为潜变量的测量工具，潜变量的值可以通过几个观察变量的组合来推断。SEM可以在观察层面（外部或测量模型）评估潜变量，也可在理论层面（内部或结构模型）检验潜变量之间的关系^[3]。因此，SEM在组织管理、信息管理、市场营销、心理学等研究领域应用十分广泛。

近年来，采用结构方程模型分析数据的研究越来越多，我们在期刊引文索引数据库Web of Science核心合集中，以“structural equation model”为关键词，搜索到24404个结果，按出版年限排序，可以看到自2000年以来，发文量逐年上升，如图1所示。

图1  结构方程模型在Web of Science 发文量统计

结构方程模型在我国学术界相关学科领域同样发展迅速，我们在中国知网以“结构方程模型”为关键词进行搜索，结果与Web of Science搜索结果相似，结构方程模型相关文章数量逐年提升，可见其研究热度，如图2所示。采用结构方程模型的文章覆盖多个学科和研究领域，在信息系统研究中得到广泛应用^[7-9]。

图2  结构方程模型在中国知网发文量统计

2.2　CB-SEM与PLS-SEM的比较

结构方程模型在20世纪70年代开始应用于社会科学领域，起初可运行的结构方程模型软件都按CB-SEM来执行分析。PLS-SEM的分析程序是由Wold在1974年首先提出的，而后Chin对其进行了修改，提高了PLS-SEM在统计推断方面的能力^[10]。PLS-SEM在统计分析中逐渐获得了CB-SEM的认可，并被广泛应用于商业和社会科学研究，特别是对于处理关系复杂的模型的情况，PLS-SEM技术是一种非常方便的方法。

虽然两种方法的根源相同^[11]，但CB-SEM和PLS-SEM在对路径系数的统计估计效率方面有很大差异^[12]。CB-SEM估计模型参数，使估计和样本协方差矩阵之间的差异最小化，而PLS-SEM是通过估计普通最小二乘（OLS）回归迭代序列中的部分模型关系，使内生潜在变量的被解释方差最大化。因此，两种方法在适用性上也有很大不同。

首先，CB-SEM中的参数化过程依赖于足够的样本量和正态分布数据等假设，而PLS-SEM的非参数过程不需要基于最大似然的结构方程模型估计所需要的多元正态性假设^[13]。其次，由于PLS-SEM基于一系列普通最小二乘回归，它对样本量的要求较低，在样本量不大的情况下，依然可以达到较高的统计力水平^[14]；而CB-SEM会受到样本的限制，在样本量不足的情况下，常常会导致偏差较大的检验统计。满足较大的样本量和正态分布假设这两个要求是许多社会科学研究人员从CB-SEM转向PLS-SEM进行分析的主要原因。然而，Ringle等^[15]建议，在处理满足正态分布假设的数据时，应优先考虑CB-SEM，因为该方法最初是作为参数检验启动的。第三，模型形态也是选择采用哪种结构方程模型方法时的一个重要因素。PLS-SEM可以几乎不受限制地处理反映性和形成性两种类型的观察变量，而CB-SEM只能够分析反映性观察变量^[16]。第四，当处理复杂模型的时候，PLS-SEM不会受到识别问题的限制，但CB-SEM会受到较大限制。表1汇总了两种方法在分布假设、样本量、适合处理的模型形态上的差别。

表 1     CB-SEM 和 PLS-SEM 方法的使用要求

　除了在使用条件和使用情境上的差异外，采用CB-SEM和采用PLS-SEM两种方法做数据分析，在论文中需要呈现的内容也有所不同，见表2。特别是在使用PLS-SEM时，要有明确的选择该方法的理由，否则审稿人可能要求使用CB-SEM。选择使用PLS-SEM理由，可参考Shiau等^[17-18]的总结，并根据实际研究情况作适当的调整。例如：

　　“PLS-SEM具有以下优势：与使用CB-SEM要求满足正态分布假设相比，PLS-SEM放松了对样本分布的假设要求。此外，PLS-SEM可以以较小的样本量估计较复杂的模型^[13,17-20]。本研究更适合采用PLS-SEM，因为：①本研究是探索性研究，旨在发展理论；②本研究从预测视角进行分析；③本研究的结构模型较复杂；④本研究的结构模型包含一个或多个形成性构念；⑤本研究可获取样本量较小；⑥本研究样本为非正态性分布；⑦本研究需要潜在变量分数用于后续分析等^[13,17-21]。”

表 2    CB-SEM和 PLS-SEM 方法在论文中应呈现的内容

本文将以财富管理企业使用金融科技意愿和行为研究为范例，在数据分析中分别采用CB-SEM和PLS-SEM两种方法，并分别报告结果。通过对比，可以看到两种分析方法在报告内容和结果上的差异，以此帮助研究人员区分两种方法，并根据实际研究情况选择合适的数据分析方法。

03

财富管理企业采纳金融科技研究理论框架

金融科技（fintech）是金融（finance）和科技（technology）两个词的组合^[22]，是以互联网为基础的金融领域先进技术的统称。为更好地理解财富管理企业对金融科技的采纳意愿和采纳行为，本文基于TOE框架，分析技术、组织和环境三个维度因素对企业金融科技采纳意愿的影响，并增加考虑个人维度——个人创新性。尽管TOE理论框架在组织行为决策研究中十分经典，但近年来一些学者提出该理论只关注组织层面，而忽略了组织中个体的重要影响，呼吁将个人因素包含在内，基于该理论框架的研究将更有效^[23-24]。此外，研究模型结合了感知价值，将金融科技采纳意愿对金融科技采纳行为的影响梳理清楚。在本文中，影响财富管理企业金融科技采纳意愿的因素包括感知智能性（技术维度）、IT基础设施（组织维度）、政府支持（环境维度）和个人创新性（个人维度），如图3所示。

图3    财富管理企业采用金融科技的影响因素模型

04

研究假说提出

（1）技术、组织、环境和个人因素对金融科技采纳意愿的影响

信息系统智能性主要是基于系统的能力水平被感知的，在用户的感知中发挥重要作用。Pillai等^[25]利用混合方法研究了人工智能驱动的聊天机器人在印度的酒店和旅游业的应用，研究发现，感知智能性正向影响用户对使用聊天机器人来规划出行的意愿。金融科技能够基于大数据分析用户，并提供智能的产品推荐，财富管理企业员工可以感知其智能性带来的各种益处，进而提高采纳意愿。

IT基础设施是企业获得长期竞争优势的关键，对新技术的采纳有重要影响。Zhu等^[26]发现，拥有足够的财务资源来采购ERP基础设施的企业比缺乏财务的企业更快地实现电子商务。在财富管理企业中，IT基础设施可以为员工提供操作和实时互动平台，使员工更愿意接受金融科技。技能和知识等无形资源可以补充有形资源，提供有效开发和操作应用所需的业务和管理技能，进而增强金融科技采纳意愿。

企业采纳新技术，除依赖内部资源以外，还会依赖外部资源和支持。Park等^[27]在研究影响韩国企业采用大数据的因素中发现，政府的支持和政策是影响企业采用大数据的影响因素之一。区块链相关研究学者认为，政府支持占据首位，是在区块链采用过程中发挥巨大作用的关键因素^[28]。

个人创新性是采取信息技术意愿和行为的重要前提，许多研究都证明了个人创新性对新技术采纳意愿的积极影响^[29-30]。Yu等^[31]认为，个人创新水平高的个体会通过对新技术的感知价值来抵消感知风险，能够产生更积极的态度和行为。员工的个人创新性对组织中新技术的使用有重要影响^[32]。财富管理企业中，员工可以利用金融科技开展业务服务客户。个人创新性较高的员工更愿意在工作中尝试新技术，对处理频繁变化的能力有更强的风险容忍度和信心，更能感知到金融科技带来的益处，从而产生较高的采纳意愿。

基于以上，本文提出如下假说:

假说1: 感知智能性正向影响金融科技采纳意愿。

假说2: IT基础设施正向影响金融科技采纳意愿。

假说3: 政府支持正向影响金融科技采纳意愿。

假说4: 个人创新性正向影响金融科技采纳意愿。

（2）技术、组织、环境和个人因素对感知价值的影响

感知智能性是从对技术的智能和能力评价中感知到的。Moussawi等^[33]认为用户对系统的感知智能性越强，就越会觉得系统使用简单，越觉得系统有用。在财富管理企业中，金融科技提供的智能化服务可以辅助员工开展财富管理业务，员工会觉得在金融科技辅助下的工作环境是舒适和高效的，也感知到智能化的金融科技产生的价值。员工感知到金融科技的智能性越高，感知到的价值就越高。

感知价值反映了用户从使用各种技术服务中感受到的好处，这些好处可能源于对使用各种技术服务的容易程度的感知。企业为使用新技术所准备的IT基础设施越完善，员工越容易在使用过程中体会到好处。Verma等^[34]在研究影响公司采用大数据分析的因素中发现，IT基础设施会对感知价值产生影响，进而影响企业采纳意愿。财富管理企业IT基础设施越好，员工感知价值越高。

政府支持在新技术采纳中发挥重要作用，政府为新技术使用提供一定的基础设施、政策支持和技术培训等，以帮助和推进新技术的发展。Nasri等^[35]发现，当企业使用新技术获得政府支持时，企业员工会认为使用新技术行为是更可行且更有价值的。

个人接受新思想的程度和独立作出创新决定的能力一般体现了个人创新性。除了对新技术的采纳意愿有一定的影响外，个人创新性还被发现与感知价值有重要关系。例如，Ozturk等^[36]在对持续使用移动酒店预订技术的研究中发现，感知易用性、主观规范和创新性对感知实用价值和感知娱乐价值都会产生正向影响，与其他因素相比，创新性对两类感知价值的影响都是最大的。金融科技背景下，用户个人创新性越强，越能够感受到使用金融科技服务的益处。财富管理从业者越喜欢创新，越能够在使用金融科技过程中感受到使用金融科技的益处和价值。因此，本文提出如下假说:

假说5: 感知智能性正向影响感知价值。

假说6: IT基础设施正向影响感知价值。

假说7: 政府支持正向影响感知价值。

假说8: 个人创新性正向影响感知价值。

（3）金融科技的采纳意愿对采纳行为和感知价值的影响

Verma等^[34]对印度公司采纳大数据技术意愿的研究发现，对大数据分析的感知战略价值会对大数据分析的采纳意愿有一定的影响。在金融科技领域中，Omigie等^[37]研究了用户持续使用移动金融服务的意愿，结果显示，用户感知实用价值和娱乐价值都对使用意愿有正向影响。财富管理企业中，员工对金融科技感知价值越高，采纳意愿会越强。

在手机银行采纳研究中，Alalwan等^[38]确定了采纳意愿对采纳行为的正向影响。Dong等^[39]研究了物联网（IoT）系统在中国的应用，认为使用物联网系统的意愿越高，越容易产生使用行为。在财富管理企业中，员工越想在工作中采纳金融科技，也就是金融科技的采纳意愿越高，越容易产生采纳金融科技开展业务的行为。Zhang等^[40]的研究支持了感知价值对消费者网络购物中购买行为的正向影响，认为消费者在使用网站过程中感受到的快乐和情感价值越多，他们越能够产生冲动购买行为。Liu等^[41]关于移动支付采纳意愿的研究发现，与感知风险和感知益处相比，感知价值对新技术采纳的正向影响最大。

基于以上，本文提出如下假说:

假说9: 感知价值正向影响金融科技采纳意愿。

假说10: 金融科技采纳意愿正向影响金融科技采纳行为。

假说11: 感知价值正向影响金融科技采纳行为。

（4）金融科技采纳意愿的中介效应

感知价值可能会直接带来实际行为，也可能通过金融科技使用意愿来影响金融科技使用行为。Zhang等^[42]认为，当一个亲密的朋友推荐新技术时，个人的感知价值可能会绕过行为意愿，直接导致实际参与行为。从详尽可能性模型（ELM）的角度来看，当接收到的信息来自于可信的来源时，人们更容易走信息处理的外围路线。相反地，人在处理一般来源的信息时，更可能通过建立在信息处理的中心路径上的理性推理，来进行评估。例如，移动银行的采纳意愿会受到感知价值的正向影响^[43-45]，进而影响采纳行为^[46-47]。也就是说，用户感受到的价值会促进使用主观价值最大化技术的想法，再产生金融科技采纳的行为。综上所述，感知价值会影响金融科技采纳意愿进而影响采纳行为。因此，本文提出如下假说:

假说12: 在完整模型下，金融科技采纳意愿在感知价值对金融科技采纳的影响中有中介效应。

05

研究设计和数据分析

调查问卷以“财富管理企业采用金融科技开展业务”为主题，对财富管理企业中有使用金融科技经历的员工进行调查。所有变量的操作型定义和量表题项均改编自前人开发使用的成熟量表，并根据本研究情境进行一定的调整和修改，见表3。题项都采用李克特七点量表，范围从“非常不同意”（1）到“非常同意”（7）。为保证调查问卷的内容效度，先进行了前测试，根据前测试反馈结果对问卷做了整体修改。接着，进行了小范围的预测试，共收集66份有效问卷，SPSS数据分析结果显示，各题项的因子载荷量均超过0.5，组合信度均超过0.7，Cronbach’ s alpha值均超过0.7，说明具有较好的信度^[48]。平均方差提取（AVE）均超过0.5，说明有较好的收敛效度。预测试结果保证了方法的可靠性和有效性。

表3　变量定义与测量题项

正式调查问卷在问卷星线上发布，共收到了332份问卷。剔除数据不完整和无效的问卷后，保留了285个有效问卷进行数据分析。表4显示了受访者的人口统计资料。接下来，本文将分别采用CB-SEM和PLS-SEM两种结构方程模型方法来做数据分析，以呈现和比较两种方法的分析过程和分析结果。　

表4　问卷调查样本特征分析（样本数285）

5.1　CB-SEM分析

5.1.1　测量模型分析

本节采用CB-SEM分析工具AMOS26对研究模型进行估计。选取7个指标来评价整体模型的拟合程度，分析结果显示，原始模型拟合度、信度和效度并不完全符合标准，需要对模型进行修订。去除因子载荷较低和残差较高的题项GS4、PIT1、PIT3、PIV1、IT3、IT4、PV1、FAI3和FAB4后，测量模型拟合指标基本符合标准，如表5所示。

表5    横型适配度检验

对修订后的模型作了信度分析，以Cronbach’ s α、因子载荷量和组合信度作为信度测量的指标。本模型所有构念的Cronbach’ s α值都大于0.7，且所有测量题项因子载荷量都大于0.5，组合信度值都大于0.7，表示具有一定的信度。此外，本文通过平均变异萃取（AVE）来检验模型的收敛效度，所有构念的平均变异萃取值都大于0.5，满足收敛效度检验标准^[48]。测量模型信效度检验结果汇总统计在表6中。

表6    测量模型信效度检验

Hair等^[70]通过比较构念的AVE的平方根及构念与其他构念的相关性来检验区别效度。本文所有构念的AVE的平方根均大于其与模型中任何其他构念的相关性，代表本研究模型构念都具有一定的区别效度，如表7所示。

表7  区别效度

5.1.2　结构模型分析

结构模型分析结果显示了路径系数和方差解释力（R²），如图4所示。感知价值、金融科技采纳意愿和金融科技采纳行为的方差解释力分别为56%、63.2%和48.8%。在11个直接效应假说中， 有4个假说未显示出显著的相关关系，另外7个假说得到数据分析结果的支持。

图4    CB-SEM结构模型分析结果

感知智能性对金融科技采纳意愿和感知价值都有显著的正向影响（β =0.252, t= 2.421, p<0.05；β =0.433, t=4.761, p<0.001），IT基础设施对金融科技采纳意愿和感知价值都无显著影响（β =0.186, t = 1.542, p >0.05；β =0.014, t=0.116, p > 0.05），政府支持和个人创新性仅对感知价值有显著的正向影响（ β = 0.279, t=2.652, p <0.01；β =0.205, t=2.733, p <0.01），而对金融科技采纳意愿都没有显著影响（β =0.11, t=0.992, p >0.05；β =0.090, t= 1.162, p >0.05）。感知价值对金融科技采纳意愿和金融科技采纳行为都有显著的正向影响（β =0.332, t=3.016, p <0.01；β = 0.417, t=3.509, p <0.001），金融科技采纳意愿也对金融科技采纳行为有显著的正向影响（β =0.337, t=2.794, p <0.01）。我们将直接效应、间接效应和总效应汇总整理在表8中。

表8    直接、间接、总效应分析

为检验中介效应假说，我们按照Zhao等^[71]提出的中介效应检验方法，检验在完整模型下，金融科技采纳意愿在感知价值对金融科技采纳行为影响中的中介作用，见表9。①感知价值对金融科技采纳行为的间接影响显著（a×b=0.112）；②感知价值对金融科技采纳行为的直接影响显著（c=0.417）；③直接效应和间接效应的作用方向相同（a×b×c为正）。因此，判断为互补型的部分中介，即感知价值对金融科技采纳行为的影响会受到金融科技采纳意愿的部分中介。

表9  中介效应分析

5.2　PLS-SEM分析

5.2.1　测量模型分析

为保证两种方法采用的模型是一致的，本节直接采用了在CB-SEM分析中修订后的模型，利用SmartPLS4做数据分析^[72]，以便与CB-SEM分析结果做直观的对比。请注意，若不是以方法比较为目的，在采用PLS-SEM单一方法做数据分析时，应将所有测量题项带入，若有因子载荷量低于0.5的题项，再进行模型修订。为验证测量模型的有效性，首先对测量模型进行了信度、收敛效度和区别效度评估。内部一致性信度利用Jöreskog’ s提出的组合信度和Cronbach’ s alpha来评估^[73]。结果显示，构念组合信度在0.843和0.883之间，Cronbach’ s alpha值均在0.712和0.801之间，表示具有一定的信度。利用AVE来评估每个构念的收敛效度。每个构念的AVE值均超过0.5，说明该构念至少解释了其项目50%的方差^[74]。此外，所有项目的因子载荷量均超过0.6，且显著，如表10所示。

表10　测量模型统计特征

本研究采用了Fornell-Larcker和Heterotrsait-monotrait（HTMT）的相关比率两种方法来评价区别效度。一方面，根据相关性的Fornell-Larcker比值，从表11中可以看出，一个构念与其他构念之间的相关系数都小于该构念AVE的平方根^[75-77]。另一方面，根据相关性的Heterotrsait-monotrait(HTMT)比值^[78-80]，如表12所示，本文模型中各构念间比率值均小于0.9。通过以上两种方法验证，说明研究模型的所有构念之间都具有一定区别效度。

表11　区别效度：Fornell-Larcker criterion

表12　区别效度：Heterotrsait-monotrait（HTMT）

5.2.2　结构模型分析

在评估结构模型之前，首先利用方差膨胀因子（VIF）检查共线性。一般来讲，方差膨胀因子值应低于3，本文的内部VIF值在1.242—1.633之间，外部VIF值在1.334—1.889之间，说明该模型不存在严重的共线性问题。本文使用自助法分析结构模型，设定子样本数5000，结果如图5所示。

图5     PLS-SEM结构模型分析结果

该模型解释了金融科技采纳行为的31.2%方差、金融科技采纳意愿的41.4%方差和感知价值的38.8%方差。感知智能性对金融科技采纳意愿（β=0.204,t=3.440,p<0.01)和感知价值（β =0.337,t=3.055, p<0.01）具有显著的正向影响。IT基础设施仅对金融科技采纳意愿（β =0.153,t = 2.830,p <0.01）有显著的正向影响，对感知价值（β =0.106,t=1.432,p >0.05）没有显著影响。政府支持对金融科技采纳意愿（β =0.115,t=1.909,p >0.05）无显著的正向影响，但对感知价值（β =0.204,t= 2.117,p <0.05）有显著影响。个人创新性对金融科技采纳意愿（β =0.122,t=2.037, p < 0.05）和感知价值（β =0.186,t = 2.842,p <0.01）都有显著的正向影响。感知价值对金融科技采纳意愿（β =0.365,t= 3.113,p<0.01）和金融科技采纳行为（β=0.268,t=2.783,p <0.01）有显著的正向影响。金融科技采纳意愿对金融科技采纳行为有显著的正向影响（β =0.269,t=2.954,p <0.01）。因此，除IT基础设施对感知价值的影响和政府支持对金融科技采纳意愿的影响外，所有其他假说都得到了支持。

本研究提出了中介效应假说：金融科技采纳意愿会在感知价值对金融科技采纳行为的影响中起中介作用，并采用了Zhao等^[71]提出的方法检验中介效应。如表13所示，第一，感知价值对金融科技采纳行为的间接影响（a×b）显著（β=0.072,t=2.482）；第二，感知价值对金融科技采纳行为（a×b×c）的直接影响显著（β =0.365,t=3.113）；第三，直接效应和间接效应的作用方向相同（为正）。因此，判断为互补型的部分中介，即感知价值对金融科技采纳行为的影响会受到金融科技采纳意愿的部分中介。

表13　中介效应分析

06

讨论与结论

6.1　CB-SEM与PLS-SEM比较分析

本文以财富管理企业采纳金融科技为例，分别通过CB-SEM和PLS-SEM两种方法进行数据分析，以呈现不同方法带来的分析结果上的差异，如表14所示。在IT基础设施对金融科技采纳意愿影响的检验上，CB-SEM结果显示并无显著影响，而PLS-SEM结果显示IT基础设施会对金融科技采纳意愿产生显著的正向影响。同样地，CB-SEM分析结果不支持假说4，但该假说在PLS-SEM分析结果中得到了支持。由此可见，同样的数据采用不同的分析方法，会产生不同的结果，这可能会对研究结论的准确性产生一定的影响。因此，本研究强调选择合适方法的重要性，并以财富管理企业金融科技采纳为范例，呈现了采用CB-SEM和PLS-SEM方法分别需要呈现的内容，特别是在做中介效应分析中，提供了较全面的分析步骤，为未来研究者提供参考。

表14　CB-SEM和PLS-SEM分析结果比较

本文为强调选择合适方法的重要性，分别采用了CB-SEM和PLS-SEM对企业金融科技采纳模型做数据分析，以呈现和比较不同的研究结果。实际上，根据表1中列出的两种方法各自的使用准则，应考虑数据分布假设、样本量、模型形态和模型复杂度。分析发现，本范例样本量不大，且数据并不都满足正态分布假设，研究模型涉及7个构念和12个假说，结构模型相对来说较复杂，因此，在实际研究分析中，本范例更适合采用PLS-SEM方法，建议参考PLS-SEM方法分析结果。

6.2　研究贡献和局限性

由于结构方程模型的使用愈加广泛，根据Bergh等^[81]对方法论贡献的分类，本文具有增量方法论贡献。具体体现在以下三方面：

第一，本文区别了CB-SEM和PLS-SEM方法的适用条件和使用情境，帮助研究人员在实际研究当中根据研究情境、模型特征以及数据形态等选择适合的结构方程模型分析方法，以得到更准确的分析结果，为研究结论提供可靠的依据。

第二，本文梳理了采用CB-SEM和PLS-SEM方法时，在研究论文中需要呈现的内容，避免了可能存在的数据分析报告不完全或报告指标不准确的问题，并以财富管理企业采纳金融科技为例，分别利用CB-SEM和PLS-SEM方法做数据分析，为论文中结构方程模型分析报告提供了有价值的参考。

第三，本文利用财富管理企业采纳金融科技的实证案例，分别采用CB-SEM和PLS-SEM分析方法，对比分析结果，强调了不同分析方法带来的分析结果上的差异，以及选择恰当分析方法的重要性。

尽管本研究具有一定的研究价值，但仍然存在一些研究局限。首先，本文选取的实证研究范例中包含直接效应假说和中介效应假说及检验，但未涉及调节效应，未来研究可以提供包含调节效应在不同方法中的分析过程和结果呈现，并对造成结果差异的内在机理作更加深入的分析。其次，有些研究需要做无响应偏差和共同方法偏差的检验，以避免这些偏差对研究结果的影响。最后，受限于时间等因素，本研究未对结构方程模型方法使用进行元分析，未来研究可以收集更多已发表的实证研究做元分析，为不同结构方程模型方法的使用标准提供更多可靠的证据和有价值的支持。

参考文献

[1]　Anderson J C, Gerbing D W. Structural equation modeling in practice: A review and recommended two-step approach[J]. Psychological Bulletin, 1988, 103(3): 411-423.

[2]　Bullock H E, Harlow LL, Mulaik S A. Causation issues in structural equation modeling research[J]. Structural Equation Modeling: A Multidisciplinary Journal, 1994, 1(3):253-267.

[3]　Bollen K A. Structural equations with latent variables[M]. New York: John Wiley & Son Inc, 1989.

[4]　Baron R M, Kenny D A. Themoderator-mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations[J]. Journal of Personality and Social Psychology, 1986, 51(6): 1173-1182.

[5]　Esposito VV. PLS path modeling and PLS regression: A joint partial least squares component-based approach to structural equation modeling[EB/OL]. [2022-10-22]. https://faculty.essec.edu/en/research/en-pls-path-modeling-and-pls-regression-a-joint-partial-least-squares-component-based-approach-to-structural-equation-modeling.

[6]　Ullman J B. Structural equation modeling: Reviewing the basics and moving forward[J]. Journal of Personality Assessment. 2006, 87(1): 35-50.

[7]　乐承毅，赵亚裴，麻荣杰．从浅层互动到深层互动：虚拟品牌社区多层互动对知识共创的影响机制[J]．信息资源管理学报，2022，12(5)：77-88．

[8]　王文艳，杨海娟．个人云存储服务使用意愿影响因素实证研究[J]．信息资源管理学报，2017，7(4)：86-96．

[9]　陈晓红，徐戈，冯项楠，等．公众对于“两型社会”建设的态度—意愿—行为分析[J]．管理世界，2016(12)：90-101．

[10]Chin W W. The partial least squares approach to structural equation modeling[J]. Modern Methods for Business Research, 1998, 295(2): 295-336.

[11]Jreskog K G, Wold H. The ML and PLS techniques for modeling with latent variables: Historical and comparative aspects[M]//Jreskog K G, Wold H. Systems Under Indirect Observation, Amsterdam: North- Holland, 1982: 263-270.

[12]Hair J F,Sarstedt M, Hopkins L, et al. Partial least squares structural equation modeling (PLS-SEM)[J]. European Business Review, 2014, 26(2): 106-121.

[13]Shiau W L, Sarstedt M, Hair J F. Internet research using partial least squares structural equation modeling (PLS-SEM)[J]. Internet Research, 2019, 29(3): 398-406.

[14]Reinartz W, Haenlein M, Henseler J. An empirical comparison of the efficacy of covariance-based and variance-based SEM[J]. International Journal of Research in Marketing, 2009, 26(4): 332-344.

[15]Ringle C M, Wende S, Will A. Finite mixture partial least squares analysis: Methodology and numerical examples[M]//Vinzi V E, Chin W W, Henseler J, et al. Handbook of Partial Least Squares. Berlin, Heidelberg: Springer Berlin Heidelberg, 2009: 195-218.

[16]Chin WW. Commentary: Issues and opinion on structural equation modeling[J]. MIS Quarterly, 1998, 22(1): 7-16.

[17]Shiau W L, Chau P Y K. Understanding behavioral intention to use a cloud computing classroom: A multiple model comparison approach[J]. Information & Management, 2016, 53(3): 355-365.

[18]Shiau W L, Yuan Y, Pu X, et al.Understanding fintech continuance: Perspectives from self-efficacy and ECT-IS theories[J]. Industrial Management & Data Systems, 2020, 120(9): 1659-1689.

[19]Khan G F, Sarstedt M, Shiau W L, et al. Methodological research on partial least squares structural equation modeling (PLS-SEM): An analysis based on social network approaches[J]. Internet Research, 2019, 29(3): 407-429.

[20]Hair J F, Risher J J, Sarstedt M, et al. When to use and how to report the results of PLS-SEM[J]. European Business Review, 2019, 31(1): 2-24.

[21]Gefen D, Rigdon E E, Straub D. An update and extension to sem guidelines for administrative and social science research[J]. MIS Quarterly, 2011, 35(2): 3-14.

[22]Milian E Z, Spinola M M, Carvalho M M. Fintechs: A literature review and research agenda[J]. Electronic Commerce Research and Applications, 2019, 34: 100833.

[23]Premkumar G. A meta-analysis of research on information technology implementation in small business[J]. Journal of Organizational Computing and Electronic Commerce, 2003, 13(2): 91-121.

[24]Awa H O,Ukoha O, Igwe S R. Revisiting technology-organization-environment (T-O-E) theory for enriched applicability[J]. The Bottom Line, 2017, (1): 2-22.

[25]Pillai R,Sivathanu B. Adoption of AI-based chatbots for hospitality and tourism[J]. International Journal of Contemporary Hospitality Management, 2020, 32(10): 3199-3226.

[26]Zhu K, Kraemer K L. E-commerce metrics for net-enhanced organizations: Assessing the value of e-commerce to firm performance in the manufacturing sector[J]. Information Systems Research, 2002, 13(3): 275-295.

[27]Park J H, Kim Y B. Factorsactivating big data adoption by Korean firms[J]. Journal of Computer Information Systems, 2021, 61(3): 285-293.

[28]Basole R C, Seuss C D, Rouse W B. IT innovation adoption by enterprises: Knowledge discovery through text analytics[J]. Decision Support Systems, 2013, 54(2), 1044-1054.

[29]Lee M K O, Cheung C M K, Chen Z H. Understanding user acceptance of multimedia messaging services: An empirical study[J]. Journal of the American Society for Information Science and Technology, 2007, 58(13): 2066-2077.

[30]Thakur R, Srivastava M. Adoption readiness, personal innovativeness, perceived risk and usage intention across customer groups for mobile payment services in India[J]. Internet Research, 2014, 24(3): 369-392.

[31]Yu T, Lin M, Liao Y. Understanding factors influencing information communication technology adoption behavior: The moderators of information literacy and digital skills[J]. Computers in Human Behavior, 2017, 71: 196-208.

[32]Larsen T J, Sorebo . Impact of personal innovativeness on the use of the internet among employees at work[J]. Journal of Organizational and End User Computing, 2005, 17(2): 43-63.

[33]Moussawi S, Koufaris M, Benbunan-Fich R. How perceptions of intelligence and anthropomorphism affect adoption of personal intelligent agents[J]. Electronic Markets, 2021, 31(2): 343-364.

[34]Verma S, Bhattacharyya SS. Perceived strategic value-based adoption of big data analytics in emerging economy: A qualitative approach for Indian firms[J]. Journal of Enterprise Information Management, 2017, 30(3): 354-382.

[35]Nasri W, Charfeddine L. Factors affecting the adoption of Internet banking in Tunisia: An integration theory of acceptance model and theory of planned behavior[J].Journal of High Technology Management Research, 2012, 23(1): 1-14.

[36]Ozturk A B,Nusair K, Okumus F, et al. The role of utilitarian and hedonic values on users’continued usage intention in a mobile hotel booking environment[J]. International Journal of Hospitality Management, 2016, 57: 106-115.

[37]Omigie N O, Zo H, Ciganek A P, et al. Understanding the continuance of mobile financial services in Kenya: The roles of utilitarian, hedonic, and personal values[J]. Journal of Global Information Management, 2020, 28(3): 36-57.

[38]Alalwan A A, Dwivedi Y K, Rana N P, et al. Consumer adoption of Internet banking in Jordan: Examining the role of hedonic motivation, habit, self-efficacy and trust[J]. Journal of Financial Services Marketing, 2015, 20(2): 145-157.

[39]Dong X B, Chang Y P, Wang Y W, et al. Understanding usage of Internet of Things (IOT) systems in China: Cognitive experience and affect experience as moderator[J]. Information Technology & People, 2017, 30(1): 117-138.

[40]Zhang L Y, Shi Y J, Lu Q. Consumer’ s decision-making behavior in online shopping: An integrated analysis[J]. Applied Mechanics and Materials, 2014, 519-520: 422-429.

[41]Liu Y, Yang Y, Li H. A unified risk-benefit analysis framework for investigating mobile payment adoption[C]//2012 International Conference on Mobile Business Proceedings, Delft, The Netherlands. Atlanta, Georgia: Association for Information Systems,2012: 20.

[42]Zhang Y, Zhang H, Yang Z, et al.Snowball effect of user participation in online environmental communities: Elaboration likelihood under social influence[J]. International Journal of Environmental Research and Public Health, 2019, 16(17): 3198.

[43]Chaouali W, Lunardo R, Ben Yahia I, et al. Design aesthetics as drivers of value in mobile banking: Does customer happiness matter?[J]. International Journal of Bank Marketing, 2020, 38(1): 219-241.

[44]Pham L, Williamson S,Mohebbi C, et al. The mediating role of perceived value in the effect of multi-dimensional risk in mobile banking[J]. International Journal of Enterprise Information Systems, 2019, 15(4): 1-25.

[45]Arahita C L, Hatammimi J. Factors affecting the intention to reuse mobile banking service[J]. International Journal of Research in Business and Social Science, 2015, 4(4): 15-23.

[46]Farah M F,Hasni M J S, Abbas A K. Mobile-banking adoption: Empirical evidence from the banking sector in Pakistan[J]. International Journal of Bank Marketing, 2018, 36(7): 1386-1413.

[47]Makanyeza C. Determinants of consumers’intention to adopt mobile banking services in Zimbabwe[J]. International Journal of Bank Marketing, 2017, 35(6): 997-1017.

[48]Wixom B H, Watson H J. An empirical investigation of the factors affecting data warehousing success[J]. MIS Quarterly, 2001, 25(1): 17-41.

[49]Johnson R D,Hornik S, Salas E. An empirical examination of factors contributing to the creation of successful e-learning environments[J]. International Journal of Human-Computer Studies, 2008, 66(5): 356-369.

[50]Keen P G W. Shaping the future[M]. Boston, MA: Harvard Business School Press, 1991.

[51]Grant R M. The resource-based theory of competitive advantage: Implications for strategy formulation[J]. California Management Review, 1991, 33(3): 114-135.

[52]Wei H L, Lin K Y, Lu H P, et al. Understanding the intentions of users to‘stick’to social networking sites:A case study in Taiwan[J]. Behaviour & Information Technology, 2015, 34(2): 151-162.

[53]Wen K, Chen Y. E-business value creation in small and medium enterprises: A US study using the TOE framework[J]. International Journal of Electronic Business, 2010, 8(1): 80-100.

[54]Lin C Y, Ho Y H. RFID technology adoption and supply chain performance: An empirical study in China’ s logistics industry[J]. Supply Chain Management, 2009, 14(5): 369-378.

[55]Lin D, Lee C K M, Lau H, et al. Strategic response toIndustry 4.0: An empirical investigation on the Chinese automotive industry[J]. Industrial Management & Data Systems, 2018, 118(3): 589-605.

[56]Agarwal R, Prasad J. A conceptual and operational definition of personal innovativeness in the domain of information technology[J]. Information Systems Research, 1998, 9(2): 204-215

[57]Yang S, Lu Y, Gupta S, et al. Mobile payment services adoption across time: An empirical study of the effects of behavioral beliefs, social influences, and personal traits[J]. Computers in Human Behavior, 2012, 28(1): 129-142.

[58]Fishbein M,Ajzen I. Belief, attitude, intention, and behavior: An introduction to theory and research[M]. Reading, Mass.: Addison-Wesley Pub. Co., 1975.

[59]Davis F D. Perceived usefulness, perceived ease of use, and user acceptance of information technology[J]. MIS Quarterly, 1989, 13(3): 319-340.

[60]Kaushik A K, Agrawal A K, Rahman Z. Touristbehaviour towards self-service hotel technology adoption: Trust and subjective norm as key antecedents[J]. Tourism Management Perspectives, 2015, 16: 278-289.

[61]Burton-Jones A, Grange C. From use to effective use: A representation theory perspective[J]. Information Systems Research, 2013, 24(3): 632-658.

[62]Oliveira T, Thomas M,Espadanal M. Assessing the determinants of cloud computing adoption: An analysis of the manufacturing and services sectors[J]. Information & Management, 2014, 51(5): 497-510.

[63]Kim H, Chan H C, Chan Y P. A balanced thinking-feelings model of information systems continuance[J]. International Journal of Human-Computer Studies, 2007, 65: 511-525.

[64]Liu X, Zhou L, Wu Y C J. Supply chain finance in China: Business innovation and theory development[J]. Sustainability, 2015, 7(11): 14689-14709.

[65]Kim S H, Bae J H, Jeon H M. Continuous intention on accommodation apps: Integrated value-based adoption and expectation-confirmation model analysis[J]. Sustainability, 2019, 11(6): 1578.

[66]Scott J E. The measurement of information systems effectiveness: Evaluating a measuring instrument[J]. ACM SIGMIS Database: the Database for Advances in Information Systems, 1995, 26(1): 43-61.

[67]Bagozzi R P, Yi Y. On the evaluation of structural equation models[J]. Journal of the Academy of Marketing Science, 1988, 16(1): 74-94.

[68]Bentler P M, Bonett D G. Significance tests and goodness of fit in the analysis of covariance structures[J]. Psychological Bulletin, 1980, 88(3): 588-606.

[69]Jarvenpaa S L, Tractinsky N, Vitale M. Consumer trust in an Internet store[J]. Information Technology and Management, 2000, 1(1): 45-71.

[70]Hair J F, Anderson R E,Babin B J, et al. Multivariate data analysis: A global perspective[M]. Upper Saddle River, New Jersey: Pearson Education Inc., 2010.

[71]Zhao X, Lynch J G, Chen Q. Reconsidering Baron and Kenny: Myths and truths about mediation analysis[J]. Journal of Consumer Research, 2010, 37(2): 197-206.

[72]SmartPLS 4[EB/OL]. [2022-08-26]. https://www.smartpls.com.

[73]Jreskog K G. Simultaneous factor analysis in several populations[J]. Psychometrika, 1971, 36(4): 409-426.

[74]Chin WW, Marcolin B L, Newsted P R. A partial least squares latent variable modeling approach for measuring interaction effects: Results from a Monte Carlo simulation study and an electronic-mail emotion/adoption study [J]. Information Systems Research, 2003, 14(2): 189-217.

[75]Fornell C, Larcker D F. Evaluating structural equation models with unobservable variables and measurement error[J]. Journal of Marketing Research, 1981, 18(1): 39-50.

[76]Hair J F,Ringle C M, Sarstedt M. PLS-SEM: Indeed a silver bullet[J]. Journal of Marketing Theory and Practice, 2011, 19(2): 139-152.

[77]Hair J F, JrHult G T M, Ringle C, et al. A primer on partial least squares structural equation modeling (PLS-SEM)[M]. London, UK: Sage publications, 2021.

[78]Voorhees C M, Brady M K,Calantone R, et al. Discriminant validity testing in marketing: An analysis, causes for concern, and proposed remedies[J]. Journal of the Academy of Marketing Science, 2016, 44(1): 119-134.

[79]Franke G,Sarstedt M. Heuristics versus statistics in discriminant validity testing: A comparison of four procedures[J]. Internet Research, 2019, 29(3): 430-447.

[80]Henseler J, Dijkstra T K, Sarstedt M, et al.Common beliefs and reality about partial least squares: Comments on Rnkk & Evermann[J]. Organizational Research Methods, 2014, 17(2), 182-209.

[81]Bergh DD, Boyd B K, Byron K, et al. What constitutes a methodological contribution?[J]. Journal of Management, 2022, 48(7): 1835-1848.

（收稿日期：2022-12-17）

作者简介

袁野，博士，讲师，研究方向为金融科技、电子商务；

萧文龙，博士，教授，研究方向为核心知识、电子商务、结构方程模型、混合方法；

于媛，博士，编辑，研究方向为开放存取，政府信息资源管理；

王刊良，博士，教授，研究方向为信息系统用户行为、数字化助推；

李一然（通讯作者），博士，讲师，研究方向为在线用户行为、认知神经科学、数据挖掘与商务智能，Email: [e-mail]。

* 原文载于《信息资源管理学报》2023年第3期，欢迎个人转发，公众号转载请联系后台。

* 引用格式

袁野，萧文龙，于媛，等.结构方程模型的应用准则：CB-SEM和PLS-SEM研究范式的比较与启示[J].信息资源管理学报，2023,13(3):6-22.

往期 · 推荐

▲点击访问信息资源管理学报小程序

制版编辑 | 王伊杨

审核 | 于阿媛

长按识别二维码关注我们

信息资源管理学报

微信号

xxzyglxb

分享、在看与点赞

只要你点，我们就是朋友😊