《Sage Open》：SEM Method Choice in Resource-Constrained Settings: CB-SEM, PLS-SEM, or PLSc-SEM?
编辑推荐：
资源约束情境呈现高方差数据条件、理论不成熟性及制度不稳定性，对现有结构方程模型（SEM）指南构成挑战。比较协方差结构方程模型（CB-SEM）、偏最小二乘结构方程模型（PLS-SEM）与一致性偏最小二乘结构方程模型（PLSc-SEM）在这些复合情境因素下预测性能
资源约束情境呈现高方差数据条件、理论不成熟性及制度不稳定性，对现有结构方程模型（SEM）指南构成挑战。比较协方差结构方程模型（CB-SEM）、偏最小二乘结构方程模型（PLS-SEM）与一致性偏最小二乘结构方程模型（PLSc-SEM）在这些复合情境因素下预测性能的实证证据在SEM文献中尚属缺乏。研究人员以伊拉克私营部门员工为样本对这些方法进行检验。研究发现PLS-SEM（测量属性显著更优但整体拟合仅边际水平）、PLSc-SEM（拟合优异但收敛效度不佳）与CB-SEM（需重新设定以达到可接受拟合，测量属性得分居另两种方法之间）之间存在系统性权衡。PLS-SEM对探索性研究与理论开发表现出更好的灵敏度。另一方面，PLSc-SEM与CB-SEM在验证性研究的各项标准上表现各异。本研究提供的这一基于证据的SEM方法选择路线图呼吁采用情境敏感的方法，并为资源约束情境下的研究提供方法论建议。
**研究背景与问题提出**
资源约束情境有别于主流管理理论（如Porter五力模型）赖以发展的稳定且资源丰裕的情境（Marquis & Raynard, 2015）。资源约束情境被界定为具有以下特征：（a）正式制度薄弱或碎片化；（b）金融与物质资本获取不足；（c）经济与政治高度波动；（d）研究基础设施欠发达且研究活动的制度支持有限。这些是资源约束情境中的严峻挑战（London & Hart, 2004; Stahl et al., 2023; Thomas et al., 2022）。因此，在资源丰裕情境中验证的理论与方法论往往忽视资源稀缺情境中的挑战。定量研究领域关于协方差结构方程模型（CB-SEM）与偏最小二乘结构方程模型（PLS-SEM）的方法论争论持续存在：前者更适合需要严格分布假设（如正态性）的验证性研究，后者适合数据不可用等条件阻碍CB-SEM使用的新理论开发（Hair et al., 2022; Zakrzewska-Bielawska et al., 2022）。然而，这场争论仍在资源稀缺与制度不稳定的有限研究中展开。鉴于资源约束情境偏好关系机制而非正式机制，且由此产生的绩效呈现高方差、不完整、基于小样本且非正态分布等特征，依赖大样本量、强理论化和正态性假设的验证性方法无法使用。因此，分析程序与构念间关系之间存在认识论上的错配（Alcadipani & Rosa, 2011）。薄弱的研究基础设施通过限制过往研究、学术共同体和数据库而制约该领域（Hoskisson et al., 2013; Teagarden et al., 2018）。
PLS-SEM通常在CB-SEM假设不成立时使用，因其可处理小样本、非正态分布和形成性构念（Ali et al., 2025; Hair et al., 2022; Soliman et al., 2025; Tenenhaus et al., 2005）。它亦适用于探索性理论化，但在检验既定理论方面不如CB-SEM严谨（Rigdon et al., 2017）。资源贫乏情境中严谨性与情境适宜方法之间的权衡仍未解决。此前在技术、心理学、运营和国际商务领域的比较表明，SEM方法的优势取决于研究问题和所用数据集（Astrachan et al., 2014; Dash & Paul, 2021; Henseler et al., 2016; Peng & Lai, 2012; Reinartz et al., 2009）。然而，所有这些研究均设置在发达国家或转型国家。虽然PLS-SEM在模拟引入的非正态性和小样本偏倚方面更强（Dijkstra & Henseler, 2015; Hair et al., 2014），但当高变异性、缺失数据、小样本量和非正态性等数据问题同时出现时（正如资源贫乏情境中的情况），同样的原则是否适用在实证上尚不清楚。
SEM争论还具有认识论含义。CB-SEM基于因子哲学，将潜变量视为预先存在的构念；而PLS-SEM基于复合哲学，将潜变量视为为预测而构建的涌现复合体（Rigdon et al., 2017）。研究人员采取实用主义认识论立场，在资源约束情境中（两类假设均无法理所当然地成立）尝试两种替代方案。因此，本研究的贡献在于方法论传统，较少涉及哲学性质，更多基于可观察的权衡。据研究人员所知，这是首个在资源约束情境中使用原始数据比较和对比CB-SEM、PLS-SEM与PLSc-SEM的研究。研究人员利用在伊拉克收集的原始数据（数据有限且研究基础设施薄弱）填补这一空白。研究提出以下问题：RQ1：在资源约束情境中应应用CB-SEM、PLS-SEM还是PLSc-SEM？RQ2：研究人员应在何种条件下以及在多大程度上考察多标准间的权衡？可能的陷阱包括第二类错误（放弃真实关系）、第一类错误（将虚假效应带入决策）、无法复制以及资源错配。除在边界条件下检验SEM经验法则的效度和信度外，本研究还为未经检验的边界条件的方论和实证文献做出贡献。它限定了PLSc-SEM普遍在各标准上表现不同的主张；虽然拟合统计量随一致性校正而改善，但弱测量模型仍存在效度问题。除对资源约束情境中模型拟合和验证的预期做出贡献外，研究人员还提供了数据稀缺情境中SEM决策的路线图。响应情境化研究的呼吁（Marquis & Raynard, 2015; Meyer, 2015），研究发现研究设计决策从来不是纯统计性的，还必须考虑情境因素。基于证据的实践依赖于来自这些情境的良好证据以指导有效干预。
**关键技术方法**
研究人员采用两阶段分层抽样方法，从伊拉克私营部门获取样本。第一阶段按行业和地区对私营企业分层，目标总体分为六个行业：电信（22%）、银行与金融（18.9%）、石油与天然气（14.9%）、建筑（13.9%）、医疗保健（11.89%）和制造/其他（18.41%）。联系的87家企业中52家同意参与，企业层面应答率为59.8%。第二阶段在每个参与企业内进行严格抽样，向已识别且有互联网访问意愿的员工发放520份问卷，回收364份完整问卷，个体层面可用应答率为70.0%。研究人员使用IBM Amos（CB-SEM）和SmartPLS（方差基础SEM）进行分析，所有测量均按反映性处理。研究开发了21个题项的量表测量内部营销（管理支持、福利、沟通、培训、薪酬）、宗族文化和组织公民行为指向组织（OCBO）。采用Harman单因子检验、共同潜因子（CLF）方法和共线性检验评估共同方法偏差（CMV）。三种SEM方法基于四项标准进行比较：（1）测量模型质量（指标载荷、CR、AVE、HTMT区分效度）；（2）拟合优度指数（CB-SEM：χ2/df、CFI、TLI、RMSEA、SRMR；PLS-SEM和PLSc-SEM：SRMR、d_ULS、d_G、NFI）；（3）假设检验结果（显著直接和间接效应的数量、符号及跨方法重要性一致性）；（4）非正态性和理论成熟度方面的方法论权衡。结构模型通过路径系数（β）和p值（p < 0.05，双尾）估计，中介假设的间接效应使用偏差校正和加速自助法95%置信区间（CIs）检验，所有三种方法均使用5,000次重抽样自助法。
**研究结果**
**测量模型**：PLS-SEM估计的载荷在所有指标上均高于0.70，而CB-SEM和PLSc-SEM的载荷在0.50至0.70之间甚至低于0.50。PLS-SEM平均产生三种方法中最高的因子载荷。虽然所有PLS-SEM构念的CR高于0.70，但CB-SEM和PLSc-SEM测量的若干构念内部一致性低于0.70阈值。PLS-SEM所有构念的AVE值大于0.50，而CB-SEM和PLSc-SEM结果中七个构念中有五个的AVE值低于可接受的0.50水平，表明这些条件下缺乏收敛效度。PLS-SEM显示所有构念对的HTMT标准均达到，但CB-SEM和PLSc-SEM方法中TRG与CLC之间的HTMT相关高于阈值，表明这两种方法未能区分这两个构念。研究人员指出，载荷、CR和AVE的差异应解释为每种方法给定其数学性质的预期统计属性，而非哪种方法在构念效度方面 definitively 优越或低劣的指标。
**模型拟合指数**：CB-SEM初始模型χ2/df为3.08（高于3.0截止值但仍可接受），允许若干题项残差协方差后χ2/df = 2.731，IFI = 0.904，TLI = 0.876，CFI = 0.903，NFI = 0.857，RMSEA和SRMR低于0.08建议截止值。PLS-SEM的SRMR为0.081，被视为边际水平，高于0.08的良好模型拟合截止值。PLSc-SEM的SRMR为0.059，低于建议的0.08。PLSc-SEM的d_ULS和d_G值低于PLS-SEM。PLS-SEM和PLSc-SEM的NFI均小于0.90，这在涉及复杂模型的探索性研究中并不罕见。总体而言，PLSc-SEM全局模型拟合优于PLS-SEM，但产生更差的测量模型（较低载荷和AVE）。
**假设检验结果**：CB-SEM支持16个假设中的7个（p < 0.05），PLS-SEM支持9个，PLSc-SEM支持7个。CB-SEM与PLSc-SEM支持的假设模式相同，与PLSc-SEM在一致性校正后近似CB-SEM结果的主张一致（Dijkstra & Henseler, 2015）。PLS-SEM产生了其他方法未检测到的两个额外显著关系，表明PLS-SEM在数据不完美时可能对检测效应更敏感，但也携带更高的第一类错误风险。在中介假设（H12–H16）方面，PLS-SEM发现五个内部营销维度中四个的显著间接效应，而CB-SEM和PLSc-SEM仅发现两个维度的显著中介。
**稳健性检验与预测性能**：研究人员通过路径加权和因子加权方案重新估计PLS-SEM和PLSc-SEM模型，并系统移除低载荷指标（0.50至0.70之间），支持的假设模式在所有迭代中实质性不变，路径系数变化小于0.03。通过盲折叠程序的Stone-Geisser Q2准则评估预测相关性：PLS-SEM的CLC和OCBO的Q2值分别为0.24和0.31，PLSc-SEM分别为0.18和0.25，均超过零阈值。采用PLSpredict程序（10折、1次重复）评估样本外预测能力，OCBO和CLC指标的RMSE值在多数题项上持续低于线性回归基准。路径系数的自助法标准误统一较低（0.02至0.05），表明跨子样本的参数稳定性高。
**讨论与结论**
研究结果表明，PLS-SEM在指标载荷、CR、AVE和HTMT等标准上表现不同，提供仅边际的全局模型拟合（SRMR = 0.081），而PLSc-SEM拟合优异（SRMR = 0.059）但收敛效度不佳（AVE低于0.50）。CB-SEM拟合优度和测量质量中等，需重新设定相关残差和移除低载荷指标以达到可接受拟合水平。结果证实了PLS-SEM在数据不完美或非正态分布时的稳健性特性，限定了PLSc-SEM在各标准上表现不同的主张。PLSc-SEM对定义不良的测量模型（指标载荷低、共同方差可忽略）表现不佳，一致性校正会加剧而非减少测量误差（Meijer et al., 2021）。因此，理论构建中存在测量质量与全局模型拟合之间的权衡。资源约束市场情境中的探索性研究应关注模型的测量质量（信度、收敛和区分效度）而非全局模型拟合。无论全局拟合指数如何，当测量模型显示不良拟合时结构路径系数无法解释。研究人员鼓励资源约束情境的研究者在理论早期阶段使用PLS-SEM开发理论，仅当测量模型建立良好拟合且构念间理论关系明确时使用PLSc-SEM或CB-SEM。
PLSc-SEM可能达不到标准测量质量标准，因为该方法对复合基础估计应用一致性校正以获得因子基础参数（Dijkstra & Henseler, 2015）。一致性校正假设测量模型充分设定，即指标载荷足够高（通常>0.70）且复合信度跨样本高（>0.70）。若未满足这些条件（如本研究中载荷低于0.60），可能导致过度调整，产生较低AVE值。因此，PLSc-SEM在本情境中某些测量质量问题上的不佳表现不应视为该方法的普遍弱点，而是校正程序假设违反的问题。在因子哲学中，指标是潜变量的表现（共同原因），需要强测量模型以获得最大解释力。PLS-SEM采用复合哲学：潜变量是最大化预测相关性的复合体，有助于对测量误差的稳健性（Rigdon et al., 2017; Sarstedt et al., 2017）。研究人员的实证方法允许分析这些不同的认识论选择如何在具有挑战性的资源约束情境中转化为分析结果，从而提供基于证据的建议，聚焦于可观察权衡的可行性而非哲学忠诚。
PLS-SEM表现最佳的三个优势可帮助解释其在本研究中的应用：第一，PLS-SEM通过指标变量的线性组合估计复合得分，使用总方差（共同、唯一和误差方差），使其对构成构念的指标间小共同方差具有稳健性。第二，PLS-SEM对非正态性、异方差性和构念内高方差水平较不敏感，因其使用非参数自助法和迭代算法。第三，PLS-SEM被视为适合研究早期阶段的探索性研究（Hair et al., 2022）。然而，这些并非PLS-SEM的一般特性，也并非总是成立。PLS-SEM估计质量优于其他方法并不意味着PLS估计更"真实"。由于PLS-SEM使用总方差而非共同方差，路径系数和R2值可能因测量误差或抽样异常而膨胀。研究人员应提供证据表明其选择PLS-SEM出于理论可辩护的原因，如研究的探索性、数据非正态性、缺乏可靠有效的测量题项或模型规模与样本量之比。期刊应要求此类论证，特别是在发展中或资源约束市场的研究中。
**贡献与实践意义**：本研究对SEM文献有多项关键贡献。首先，据研究人员所知，这是首个在资源约束情境（伊拉克）中使用原始数据对CB-SEM、PLS-SEM和PLSc-SEM进行实证比较的研究。此前比较主要集中于稳定和数据丰裕环境。研究发现，在弱理论、高方差环境和小样本量中，权衡更为明显，表明边界条件很重要。其次，研究限定了PLSc-SEM通常优于PLS-SEM的结论，因为虽然全局模型拟合有显著改善（SRMR从0.081降至0.059），但某些收敛效度标准仅在PLS-SEM中满足。这一证据表明一致性校正可能在弱测量模型下失败，间接支持不存在一刀切方法，而支持情境化的阶段式方法。因此，本研究提供了基于证据的路线图指导资源约束情境的SEM方法选择：建议PLS-SEM用于测量模型仍在开发中的探索性理论构建研究，而PLSc-SEM或CB-SEM用于具有本地建立测量模型的验证性研究。这一阶段性建议填补了系统综述（Shela et al., 2023）指出的研究空白。
对研究人员的启示：资源贫乏情境和其他资源约束情境中的研究人员，PLS-SEM可能是研究初始阶段的适当选择。PLS-SEM在处理不完美指标方面的强劲表现以及在低共同方差情况下获得有效复合得分的能力使其成为适当选项。研究人员不应假设PLS-SEM总是适当，应明确方法选择（测量质量与全局拟合之间的权衡），并尽可能用替代方法或保留样本验证结果。对实践和政策的启示：研究结果对在资源约束情境中运营的发展机构、非政府组织和商业企业具有启示。例如，使用CB-SEM构建模型的发展机构若未发现良好拟合，可能得出结论培训无效果，可能导致资源错配，而实际上PLS-SEM可能显示数据确实存在效应。对于理论不成熟和测量质量较差的早期（形成性）评估，PLS-SEM可能更有帮助和信息量。高利害 summative 评估应投资于改善数据质量和测量工具，确保验证性方法能够有信心地实施。
**资源约束情境中SEM采用的阶段模型**：根据研究发现，研究人员建议以下阶段式方法：阶段1（探索性）：使用PLS-SEM，关注测量模型的开发和精炼，报告载荷、信度、AVE、HTMT以及路径系数的自助法置信区间，避免过度解释全局拟合指数。阶段2（验证性）：当测量模型已验证且理论关系得到强有力支持时，考虑使用PLSc-SEM或CB-SEM，报告全局拟合指数（CFI、TLI、RMSEA、SRMR）并比较嵌套模型。阶段3（复制与扩展）：在其他相同情境和更大的概率样本中推广，同时与本地研究人员合作确保测量不变性和文化适宜性。这一阶段模型认识到在资源贫乏情境中开展研究的现实，同时确保知识逐步严谨地构建。
**局限性与未来研究建议**：研究结果存在某些局限并开辟了进一步研究的机会。第一，仅考虑一个中等复杂模型（五个内部营销维度、一个中介变量和一个结果变量）在一个资源约束市场中的情况。这些权衡是否适用于更复杂的模型情境（如含调节变量或高阶构念）和其他资源约束情境（如受难民或战争影响的社区或生存市场中的研究群体）仍有待观察。第二，虽然样本（N = 364）对CB-SEM而言鉴于模型复杂性是足够的，但更大样本（如>500）将提供更高的估计准确性，并允许检验交互或二次效应（Tipton et al., 2017）。多波或多源设计在更大样本中将通过提供比Harman单因子检验更多的反对共同方法偏差的证据来改善因果推断。第三，由于数据来自多个不同私营部门情境，其相对有效性可能因行业而异。未来研究应探索数据特征的行业层面差异。第四，研究聚焦于三种最常用的频率学派SEM方法，即CB-SEM、PLS-SEM和PLSc-SEM，以进行实际相关的比较。与本研究包含的方法根本不同的结构方程模型（如贝叶斯SEM和贝叶斯回归）未纳入比较，因为它们需要各自的假设、先验设定和收敛诊断。未来研究可探索贝叶斯技术在资源约束市场中的应用。第五，本研究未进行跨行业或人口统计的正式测量不变性检验；构念在不同受访者类别中不一定以相同方式解释。当前研究未采取此方法有两个原因：本文重点是三种SEM估计量的比较，而非检验先验确定组间的结构不变性；资源约束情境中大多数行业和人口统计群体较小，不允许进行多组验证性因子分析（MGCFA）。未来在具有相似特征的多个市场中进行更大规模概率样本的研究可考虑跨行业、企业类型和员工类型的正式测量不变性检验。第六，虽然构念基于既定理论和先前实证研究按反映性建模，未来研究可检验替代测量设定（如形成性或高阶模型），以评估研究结果在不同概念化下的稳健性和可推广性。
研究结论：研究发现支持PLS-SEM用于资源约束情境中的探索性理论和测量开发；更资深的研究人员应在理论成熟情境中应用验证性CB-SEM或PLSc-SEM。此外，期刊和审稿人不应将相同的方法论标准强加于所有研究：资源约束市场研究不应要求完美的全局拟合，而既定理论领域应遵循更严格的阈值。
