SmartPLS是一款功能十分强大的PLS-SEM数据分析软件，该软件结合了行业内最先进的分析方案，为用户提供了直观清晰的UI用户界面，能够帮助用户高效率地完成数据建模和分析操作，内置了全新的智能AI算法，能够获得更加精准和完善的报告结果，大大提升用户的工作效率，有需要的小伙伴千万不要错过哦。
【功能介绍】
一、轻松深入了解您的数据！
1、强大的建模环境使您可以在几分钟内创建路径模型。
2、项目经理可以帮助您跟踪所有分析和文件。
3、使用颜色，边框和字体自定义模型，以分别强调您的想法！
4、内置的算法解释和有意义的默认设置使您可以轻松进入PLS-SEM世界。
5、井井有条的报告可全面洞悉您的结果。
6、将结果永久保存为HTML报告或Excel文件。
7、创建数据组以轻松运行多组分析。
8、创建交互条件并运行主持人分析，没有任何问题。
二、SmartPLS是所有PLS-SEM分析的主力军-对于初学者和专家
这是我们（不断增长的）所有可用计算方法的列表。相关的创新算法也将在短时间内在SmartPLS中提供。我们承诺。
1、偏最小二乘（PLS）路径建模
2、基于sumscores的普通最小二乘（OLS）回归
3、一致的PLS（PLSc）
4、加权PLS（WPLS），加权OLS（WOLS）和加权一致PLS（WPLSc）
5、引导程序和高级引导程序选项的使用
6、蒙住眼睛
7、重要绩效图分析（IPMA）
8、PLS多组分析（MGA）：分析特定于组的PLS路径模型估计的区别和重要性
9、高阶模型
10、中介：间接影响的估算及其基于引导的重要性测试
11、审核：交互作用的估计及其基于引导的重要性测试
12、非线性关系：二次效应的估计及其基于自举的显着性检验
13、验证性四元分析（CTA）：一种统计技术，可以对测量模型的设置进行实证测试
14、有限混合（FIMIX）细分：一种潜在类方法，可以识别和处理路径模型中未观察到的异质性
15、面向预测的细分（POS）：一种识别数据组的方法
16、PLS预测：一种确定PLS路径模型的预测质量的技术
17、面向预测的模型选择
【使用教程】
一、PLS中的验证性四元分析（CTA-PLS）
1、抽象
PLS-SEM（CTA-PLS；Gudergan等人，2008）中的确认性四元分析可以区分形成性和反射性测量模型。原则上，该分析遵循Bollen和Ting（2000）在PLS-SEM环境中测试模型隐含四边形的确认方法。
2、描述
在PLS-SEM（CTA-PLS；Gudergan等人，2008）中使用确认四元分析可以区分形成性和反射性测量模型。原则上，该分析遵循Bollen和Ting（2000）在PLS-SEM上下文中测试模型隐含四边形的确认方法，不同之处在于采用了引导程序来测试模型隐含四边形的重要性。
Gudergan等。（2008年）详细描述了CTA-PLS程序。
所执行的过程每个构造至少需要4个清单变量，并且每个构造最多可以处理25个清单变量，这是因为，如果四元组是否冗余，测试数量呈指数增长。
3、SmartPLS中的CTA-PLS设置
子样本
在引导过程中，将使用从原始数据集中随机抽取的观察值（带有替换值）创建子样本。为了确保结果的稳定性，子样本的数量应大。
对于初步评估，可能希望选择较少数量的引导子样本（例如500个），以使用PLS-SEM算法随机抽取和估计，因为这需要更少的时间。但是，为准备最终结果，应使用大量的引导子样本（例如5,000个）。
注意：大量的自举子样本会增加计算时间。
并行处理
此选项在多个处理器上运行引导例程（如果您的计算机设备提供多个内核）。使用并行计算将减少计算时间。
重要信息：进程数不应超过计算机中的处理器数。
测试类型
指定是进行单面还是双面重要性测试。
显着性水平
指定测试统计信息的重要性级别。
二、判别有效性评估
1、抽象
判别有效性评估的目的是确保在PLS路径模型中，反射性结构与其自身指标（例如，与任何其他结构相比）具有最强的关系（Hair等人，2017）。
2、简要描述;简介
判别有效性评估已成为分析潜在变量之间关系的公认先决条件。对于基于方差的结构方程建模，例如偏最小二乘，
Fornell-Larcker准则和
交叉荷载的检查是评估判别效度的主要方法。
Henseler，Ringle和Sarstedt（2015）通过模拟研究表明，在通常的研究情况下，这些方法不能可靠地识别出缺乏判别效度。因此，这些作者提出了一种基于多性状-多方法矩阵的替代方法来评估判别效度：相关性的异质性-单性比率（HTMT）。Henseler，Ringle和Sarstedt（2015）通过蒙特卡洛模拟研究证明了该方法的优越性能，在该研究中，他们将新方法与Fornell-Larcker准则进行了比较，并对（部分）交叉荷载进行了评估。最后，它们提供了有关在基于方差的结构方程模型中如何处理判别有效性问题的指南。
参见Henseler，Ringle和Sarstedt（2015），详细了解基于差异的结构方程模型中用于区分效度评估的HTMT标准。
3、SmartPLS中的判别有效性评估
在SmartPLS中运行PLS和PLSc算法时，结果报告在“质量标准”部分中将包含有区别的有效性评估结果。提供以下结果：
Fornell-Larcker标准，
交叉装载，以及
HTMT标准结果。我们建议使用HTMT标准来评估判别有效性。如果HTMT值低于0.90，则已在两个反射构造之间建立了判别有效性。
如果要获取HTMT_Inference结果，则需要运行引导例程。启动引导程序时，选择“CompleteBootstrapping”选项很重要。然后，在引导结果报告中的“质量标准”部分中找到引导的HTMT标准结果。
请注意：在SmartPLS3.2.1和更高版本中，HTMT标准计算与Henseler，Ringle和Sarstedt（2015）给出的方程式不同。SmartPLS不使用指标之间的相关性，而是使用指标之间的相关性的绝对值。例如，当不是使用0.1、0.2和-0.3导致平均相关性为0时，会导致原始HTMT方程出现问题，而SmartPLS使用0.1、0.2和0.3导致平均相关性为0.2。因此，在SmartPLS中将HTMT标准限定在0到1之间，并且不会因负相关而导致问题。
三、适合度（GoF）
1、抽象
拟合优度（GoF）已开发为PLS-SEM模型拟合的整体度量。但是，由于GoF无法可靠地将有效模型与无效模型区分开来，并且由于其适用性仅限于某些模型设置，因此研究人员应避免将其用作拟合优度度量。GoF对于PLS多组分析（PLS-MGA）可能有用。
2、描述
另请参阅有关模型拟合的信息。
研究表明，该措施不适合识别错误指定的模型（Henseler和Sarstedt，2012年；有关该措施及其局限性的讨论，请参见第6章）。结果，使用PLS-SEM的研究人员依靠指示模型预测能力的措施来判断模型的质量。”（Henseler等人，2014）。
Henseler和Sarstedt（2012）详细解释了Tenenhaus等人的PLS的全球拟合优度（GoF）。（2004年）并不代表一个合适的量度，因此不应该这样使用。但是，Henseler和Sarstedt（2012）也显示，当研究人员比较同一PLS路径模型的不同数据组的PLS-SEM结果时，GoF可能对PLS多组分析（PLS-MGA）有用。
四、有限混合偏最小二乘（FIMIX-PLS）
1、抽象
有限混合偏最小二乘（FIMIX-PLS）分割是一种在内部（结构）模型中发现未观察到的异质性的方法。它通过为每个观测值估计段成员资格的概率来捕获异质性，并同时估计所有段的路径系数。
2、描述
有限混合部分最小二乘（FIMIX-PLS）分割是一种在内部（结构）模型中发现未观察到的异质性的方法（Hahn等，2002）。它通过为每个观测值估计段成员资格的概率来捕获异质性，同时估计所有段的路径系数。
由于异质性经常出现在实证研究中，因此研究人员应始终考虑潜在的异质性来源，例如，根据人口统计学（例如年龄或性别）等可观察特征形成数据组。当异构数据结构可以追溯到可观察的特征时，我们将这种情况称为观察到的异构性。不幸的是，数据异质性的来源永远无法被先验充分地了解。因此，出现了以下情况：与未观察到的异质性有关的差异导致无法准确估计PLS路径模型，从而可能会出现有效性问题（Becker等人，2013）。由于研究人员从未知道未观察到的异质性是否会引起估算问题，
最近已经提出了几种潜在类技术，这些技术概括了统计概念，例如有限混合模型，类型回归和遗传PLS-SEM算法。最突出的潜在类别方法之一是有限混合偏最小二乘（FIMIX-PLS；Hahn等人，2002；Sarstedt等人，2011）。基于混合回归概念，FIMIX-PLS同时估算路径系数，并通过计算观测段成员资格的概率来确定数据的异质性，以使其适合预定数量的组。
考虑到该方法在以前的研究中的表现（例如Sarstedt和Ringle，2010年），以及通过软件应用程序SmartPLS，Hair等人的方法的可用性。（2012年）建议研究人员应常规使用该技术来评估PLS-SEM结果是否由于未观察到的异质性而失真。有关经验数据方法的更详细讨论和分步说明，请参阅Ringle等。（2010），Rigdon等。（2010），Hair等。（2016），以及Matthews等。（2016）。对于FIMIX-PLS的应用，请参见例如Sarstedt等。（2009年）和Rigdon等人。（2011）。
3、SmartPLS中的FIMIX-PLS设置
段数
对其进行细分的预定义细分的数量。
最大迭代
细分算法将执行的最大迭代次数。对于足够好的细分解决方案，应该足够高。
停止标准
如果两次连续迭代之间的对数似然（LnL）的变化小于此停止标准值（或达到最大迭代次数），则FIMIX-PLS算法停止。
高级设置
使用未标准化的潜在变量分数：在执行有限的混合细分之前，将潜在变量分数未标准化为其原始指标。
估计回归截距：在结构回归中包括回归截距，用于有限混合物分割算法。估计特定于段的截距。如果在执行细分任务之前未对潜在变量评分进行标准化，则很有用。
重复次数
FIMIX-PLS可以执行多次，并选择具有最佳LnL值的解决方案以避免局部最优。此值定义执行FIMIX-PLS算法的频率。
