結構方程模式怎麼選？CB-SEM（Amos）與PLS-SEM（SmartPLS）的判斷與配適度門檻

CB-SEM（如Amos）適合檢驗既有理論的整體模型配適，PLS-SEM（如SmartPLS）適合以預測與解釋關鍵構念為目標的模型；本文提供選擇的判斷順序、配適度門檻的出處與正確用法，以及一個可重現的CFA實例。

許多研究生在問卷研究進入分析階段時，第一個問題是「要用Amos還是SmartPLS」。但結構方程模式的選擇其實不是軟體問題，而是估計邏輯的問題：共變異數為基礎的SEM（CB-SEM）與偏最小平方法SEM（PLS-SEM）回答的研究問題不同，審稿人檢查的指標也不同。軟體本身的比較已在SPSS、R 還是 Amos/SmartPLS？一文說明，本文聚焦在方法選擇與結果報告。

CB-SEM與PLS-SEM的根本差異

CB-SEM的目標是讓模型隱含的共變異數矩陣盡可能重現樣本共變異數矩陣，因此可以計算卡方檢定與CFI、RMSEA等整體配適度指標，適合「這個理論模型是否與資料相符」的問題。PLS-SEM則以一系列線性迴歸搭配指標的線性組合估計參數（Ringle 等，2023），重點在解釋與預測目標構念之變異。

Ringle、Sarstedt 等人在2023年的方法學文章中整理，研究者選擇PLS-SEM的常見理由包括模型複雜度高、含有形成性測量模型，以及樣本較小；並強調PLS-SEM特別適合從「解釋—預測」的角度估計模型。同一篇文章給作者的建議是：說明使用PLS-SEM如何有助於達成整體分析目標，而不只是列出樣本數或模型複雜度等理由。若研究的測量模型是共同因素（反映性）概念，又想用PLS估計，可考慮一致性PLS（PLSc）等調整方法。

判斷順序：四個問題決定用哪一種

實務上可依序回答以下問題，前一題的答案通常已足以決定方向：

（1）研究目的是驗證理論還是預測？若假設來自成熟理論、審稿人會要求整體模型配適，優先考慮CB-SEM；若目標是找出解釋或預測某個關鍵結果變項（例如使用意圖）的驅動因素，PLS-SEM較貼近問題。（2）測量模型是反映性還是形成性？估計形成性測量模型正是Ringle 等（2023）列出的PLS-SEM常見使用情境之一。（3）是否需要報告整體配適度？若需要卡方、CFI、RMSEA這類指標，選CB-SEM；PLS-SEM雖可報告SRMR等模型配適指標，但Ringle 等指出這類指標在PLS-SEM的適用性有其限制。（4）樣本數是否足夠？這一題不能單獨作為選PLS-SEM的理由，下文會說明兩種方法都需要事先評估樣本數。

CB-SEM配適度指標：門檻從哪裡來、怎麼用

論文中最常被引用的門檻來自Hu與Bentler（1999）。他們以模擬研究提出：在最大概似法下，TLI、CFI等指標接近 .95、SRMR接近 .08、RMSEA接近 .06，才可以下結論說模型與資料之間有相對良好的配適；並建議採用「雙指標呈現策略」，即以SRMR搭配TLI、CFI或RMSEA其中之一共同判斷。同一篇摘要也指出，在小樣本時，以最大概似法計算的TLI、Mc與RMSEA容易過度拒絕其實正確的模型。

需要注意的是，這些門檻不是「黃金法則」。Marsh、Hau與Wen（2004）指出，把Hu與Bentler的切點當成單一模型通過與否的判準，是對原研究的過度推論；相較於孤立地套用切點，配適度指標在比較巢套模型的差異時更有用。因此報告時建議：同時呈現卡方值與自由度、至少一個增量指標（CFI或TLI）、RMSEA及其90%信賴區間與SRMR，並以「接近建議值」而非「通過門檻」的語氣描述。

實例：用公開資料重做一次CFA

為了讓上述判讀有具體對照，本文在R中以最大概似法，對公開的Holzinger與Swineford（1939）資料（N = 301，九項能力測驗）估計經典的三因素驗證性因素分析（視覺、文字、速度各三個指標），結果與lavaan官方教學頁的輸出逐項一致。

對照Hu與Bentler的建議值，這個模型只有SRMR（.065）低於 .08，CFI與TLI都低於 .95，RMSEA也高於 .06，信賴區間下限（.071）同樣高於 .06。依雙指標策略，結論應是「配適不理想」，而不是只挑SRMR寫「模型配適良好」。若把速度因素的第九題（x9）同時設定負荷於視覺因素，配適明顯改善，見下圖。

圖1比較兩個模型的四項指標，紅色為原始模型、綠色為修正模型：

修正模型的卡方值降為52.382（df = 23），卡方差異為32.92（df = 1，p < .001），CFI升至 .967、RMSEA降至 .065、SRMR降至 .045，但TLI（.948）仍略低於 .95。更重要的是，這是看過資料之後才加入的路徑，屬於探索性修正：論文中必須明說，並最好以另一個樣本交叉驗證，否則審稿人會質疑模型是為了配適而調整。另外，以原始模型的標準化負荷量計算，視覺因素的平均變異抽取量（AVE）約 .37、速度因素約 .43，低於常用的 .50建議值，代表即使配適度改善，部分構念在聚合效度上仍需討論。

PLS-SEM要報告哪些指標

PLS-SEM沒有CB-SEM那種以卡方為核心的整體配適邏輯，審稿人看的是測量模型與結構模型的分項品質。Ringle 等（2023）在表1整理的反映性測量模型準則包括：內部一致性信度ρA至少 .70且低於 .95，並可同時報告Cronbach’s α與ρC作為下限與上限；指標負荷量至少 .70（精確地說是 .708）；AVE至少 .50；區別效度以HTMT判斷（該文並提出調整版的HTMT+與HTMT2+），建議值為不超過 .85或 .90，並檢查所選門檻是否落在單尾拔靴信賴區間內。

形成性測量模型與結構模型則需要檢查共線性：VIF不超過5，理想上不超過3；並以拔靴法檢定權重與路徑係數的顯著性，同時報告效果大小。若研究以預測為主，應報告PLSpredict等預測力評估；Hair 等（2019）的PLS-SEM報告指引亦將PLSpredict列為評估樣本外預測能力的新方法。

樣本數：沒有一體適用的比例

「每個題目或參數固定配幾個樣本」這類經驗法則，其實缺乏一體適用的根據。Wolf 等（2013）以蒙地卡羅模擬系統性改變指標數、因素數、負荷量大小、路徑係數與遺漏資料比例，發現常見SEM模型所需樣本數從30到460不等，並指出常被引用的經驗法則有其限制。換言之，樣本需求取決於模型本身，應以模擬或檢定力分析估計，詳細作法可參考樣本數與統計檢定力一文。

PLS-SEM也不例外。Ringle 等（2023）建議使用PLS-SEM的研究者應執行檢定力分析，或採用反平方根法等經驗方法估計達到特定檢定力（通常為80%）所需的樣本數，並在論文中報告。換言之，「樣本小」本身不足以說明方法選擇，仍須附上樣本數估算的依據。

投稿前的檢查清單

綜合以上來源，送出結構方程模式的稿件前，建議逐項確認：（1）方法選擇段落已說明研究目的與估計方法的對應，而不只是軟體名稱；（2）CB-SEM報告了卡方與自由度、CFI或TLI、RMSEA及90%信賴區間、SRMR，並以Hu與Bentler的建議值為參考而非絕對門檻；（3）所有事後修正都已揭露理由；（4）PLS-SEM報告了ρA、負荷量、AVE、HTMT、VIF與拔靴結果；（5）樣本數有事先估算依據。統計報告的其他常見疏漏，可對照論文中常見的統計報告錯誤。

如果模型設定、指標判讀或結果段落的寫法需要第二意見，Editverse臺灣的統計分析服務可協助檢查分析流程與報告方式。Editverse僅就研究者提供、且有權分享的資料檔進行分析，不存取醫院、機構資料庫或任何帳號；分析結果的詮釋與投稿決定仍由研究團隊負責。

參考文獻

• Hu L, Bentler PM. Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling. 1999;6(1):1-55. DOI: 10.1080/10705519909540118
• Marsh HW, Hau KT, Wen Z. In search of golden rules: Comment on hypothesis-testing approaches to setting cutoff values for fit indexes and dangers in overgeneralizing Hu and Bentler’s (1999) findings. Structural Equation Modeling. 2004;11(3):320-341. DOI: 10.1207/s15328007sem1103_2
• Ringle CM, Sarstedt M, Sinkovics N, Sinkovics RR. A perspective on using partial least squares structural equation modelling in data articles. Data Brief. 2023. PMID: 37066088
• Hair JF, Risher JJ, Sarstedt M, Ringle CM. When to use and how to report the results of PLS-SEM. European Business Review. 2019;31(1):2-24. DOI: 10.1108/EBR-11-2018-0203
• Wolf EJ, Harrington KM, Clark SL, Miller MW. Sample size requirements for structural equation models: An evaluation of power, bias, and solution propriety. Educ Psychol Meas. 2013;73(6):913-934. PMID: 25705052
• lavaan Project. Confirmatory factor analysis (CFA) tutorial. https://lavaan.ugent.be/tutorial/cfa.html

資料查核日期：2026-10-01。法規、費用與程序可能變動，引用前請回到原始來源再次確認。