CB-SEM vs PLS-SEM：结构方程模型两大范式全面对比
结构方程模型（Structural Equation Modeling, SEM）是社会科学、管理学、市场营销和心理学研究中的核心统计工具。在选择SEM方法时，研究者经常面临CB-SEM（协方差结构方程模型）和PLS-SEM（偏最小二乘结构方程模型）之间的抉择。本文从理论基础、应用场景、软件工具等多个维度进行全面对比。
一、CB-SEM（Covariance-Based SEM）
CB-SEM是基于协方差矩阵的结构方程模型方法，由Karl Jöreskog于1970年代开创。其核心思想是通过最大似然估计（Maximum Likelihood）或广义最小二乘法（GLS），使模型隐含的协方差矩阵与实际样本协方差矩阵之间的差异最小化。
CB-SEM的特点：
- 参数估计：同时估计所有参数，追求全局最优解
- 拟合指标：提供全面的模型拟合指标（χ²、CFI、TLI、RMSEA、SRMR）
- 统计推断：可以进行严格的假设检验和置信区间估计
- 样本要求：通常需要较大样本量（建议300+，复杂模型建议500+）
- 数据假设：假设数据服从多元正态分布
- 模型复杂度：对模型识别有严格要求，需要足够自由度
CB-SEM适用场景：
- 验证性研究：检验已有理论模型的拟合程度
- 理论检验：比较不同理论模型的解释力
- 测量不变性分析：跨群组的测量等同性检验
- 多群组分析
- 二阶因子模型
常用CB-SEM软件：
- AMOS（IBM SPSS Amos）—— 图形界面，初学者友好
- LISREL —— 经典SEM软件，语法定制灵活
- Mplus —— 功能强大，支持复杂模型
- R lavaan包 —— 开源免费，语法简洁
- EQS —— 对非正态数据有较好处理
- Stata SEM模块 —— 集成在Stata统计软件中
二、PLS-SEM（Partial Least Squares SEM）
PLS-SEM是基于偏最小二乘回归的结构方程模型方法，由Herman Wold于1980年代提出。其核心思想是将SEM分解为一系列普通最小二乘回归，通过迭代算法最小化残差方差，实现预测能力最大化。
PLS-SEM的特点：
- 参数估计：逐步迭代估计，追求局部最优解
- 预测导向：目标是最小化内源性构念的残差方差，实现最佳预测
- 样本灵活性：对小样本友好（最小可至30-50），也可处理大样本
- 数据假设宽松：不要求正态分布假定
- 模型复杂度宽松：可处理非常复杂的模型（大量构念和指标）
- 形成型构念：天然支持形成型测量模型
PLS-SEM适用场景：
- 预测性研究：目标是预测关键构念
- 探索性研究：理论尚不成熟，需要探索构念间关系
- 小样本研究：难以获取大样本的学术研究
- 复杂模型：涉及多阶构念、多群组
- 包含形成型构念的模型
- 实际应用研究：不追求统计推断严格性
常用PLS-SEM软件：
- SmartPLS —— 最流行的PLS-SEM软件，界面友好
- WarpPLS —— 支持非线性关系
- ADANCO —— 学术严谨，支持高级分析
- R plspm包 / semPLS包 —— 开源实现
- XLSTAT-PLSPM —— Excel插件
三、CB-SEM vs PLS-SEM 核心对比表
| 维度 | CB-SEM | PLS-SEM |
|---|
| 研究目标 | 参数估计、理论检验 | 预测、探索 |
| 估计方法 | 最大似然（ML） | 偏最小二乘（PLS） |
| 优化目标 | 协方差矩阵差异最小化 | 残差方差最小化 |
| 拟合指标 | 完整（χ²/df、CFI、TLI、RMSEA、SRMR） | 有限（SRMR、GoF、Q²） |
| 统计推断 | 参数检验（t检验、χ²差检验） | Bootstrap检验 |
| 样本量要求 | 较大（300-1000+） | 灵活（30-10000） |
| 数据正态性 | 要求（ML假定） | 不要求 |
| 模型识别 | 严格要求 | 不要求 |
| 形成型构念 | 需特殊处理 | 天然支持 |
| 二阶因子 | 支持 | 支持（但方式不同） |
| 测量不变性 | 完整支持 | 有限 |
| 典型软件 | AMOS、LISREL、Mplus | SmartPLS、WarpPLS |
| 发表偏好 | 顶刊偏好（管理、心理） | 广泛应用（MIS、营销） |
四、如何选择CB-SEM还是PLS-SEM？
选择CB-SEM的情况：
- 研究是验证性的（理论驱动）
- 需要报告完整的模型拟合指标（CFI、RMSEA等）
- 样本量较大（N>300）且数据近似正态
- 期刊偏好CB-SEM（如Journal of Applied Psychology、AMJ等）
- 需要进行测量不变性检验或多群组比较
- 模型较简洁、构念间关系清晰
选择PLS-SEM的情况：
- 研究是预测导向或探索性的
- 样本量较小（N<200）或数据严重非正态
- 模型包含形成型构念
- 模型非常复杂（大量构念和路径）
- 期刊接受PLS-SEM（如MIS Quarterly、Industrial Marketing Management等）
- 需要进行IPMA（重要性-绩效矩阵分析）
五、SPSSGE 对两种方法的支持
SPSSGE 同时支持 CB-SEM 和 PLS-SEM 两种模式。用户可以在生成时选择对应的模式：
- CB-SEM模式：生成的数据附带完整的CFI、TLI、RMSEA、SRMR等拟合指标，适合导入AMOS、LISREL、Mplus、R lavaan进行分析
- PLS-SEM模式：生成的数据附带CR、AVE、HTMT、Q²、GoF等指标，支持形成型构念和交互项，适合导入SmartPLS、WarpPLS进行分析
两种模式下，数据生成的核心引擎保持一致的数学严谨性（Σ = ΛΦΛ' + Θ），确保生成的数据符合SEM的基本假设。