偏最小二乘路径模型(PLS-PM)的详细结果
PARTIAL LEAST SQUARES PATH MODELING (PLS-PM)
----------------------------------------------------------
MODEL SPECIFICATION
1 Number of Cases 40
2 Latent Variables 5
3 Manifest Variables 11
4 Scale of Data Standardized Data
5 Non-Metric PLS FALSE
6 Weighting Scheme centroid
7 Tolerance Crit 1e-06
8 Max Num Iters 100
9 Convergence Iters 14
10 Bootstrapping FALSE
11 Bootstrap samples NULL
----------------------------------------------------------
-
案例数(Number of Cases): 40
- 这表示分析中包括的观测值或数据点的总数。在这个模型中,有40个独立的观测或案例。
-
潜变量数(Latent Variables): 5
- 潜变量是模型中不直接观测到但通过多个显变量推断的变量。在这个模型中,有5个这样的潜变量。
-
显变量数(Manifest Variables): 11
- 显变量是直接观测到的变量,用于构建潜变量。这个模型中有11个显变量。
-
数据规模(Scale of Data): 标准化数据(Standardized Data)
- 这表示在分析之前,数据已经被标准化。标准化是将数据转换为具有平均值为0和标准差为1的过程,这有助于消除不同变量的度量单位带来的影响。
-
非度量PLS(Non-Metric PLS): FALSE
- 这表明分析中使用的是度量PLS方法,而不是非度量PLS。度量PLS处理的是量化数据,而非度量PLS处理的是分类或顺序数据。
-
加权方案(Weighting Scheme): centroid
- 加权方案是PLS算法中用于计算潜变量得分的方法。在这个模型中,使用的是“centroid”方案,这是一种相对简单的加权方法。
-
容差标准(Tolerance Crit): 1e-06
- 这是收敛标准,指的是算法停止迭代的数值容差。1e-06是一个非常小的数,表示迭代将继续进行,直到连续迭代之间的变化非常小。
-
最大迭代次数(Max Num Iters): 100
- 这是算法在停止之前将执行的最大迭代次数。在这个案例中,设置为100。
-
收敛迭代数(Convergence Iters): 14
- 这表示模型在收敛到最终解决方案之前进行了14次迭代。
-
引导法(Bootstrapping): FALSE
- 这表明在这个特定的分析中,没有使用引导法(一种统计再抽样技术)来评估路径系数的稳健性和显著性。
-
引导样本(Bootstrap samples): NULL
- 由于未使用引导法,因此这里没有引导样本。
总结:这一部分的输出提供了关于PLS-PM模型设置和数据特性的重要信息。了解这些参数有助于更好地理解模型的构建和潜在的数据处理方式。
----------------------------------------------------------
BLOCKS DEFINITION
Block Type Size Mode
1 space Exogenous 3 A
2 climate Endogenous 3 A
3 soil Endogenous 3 A
4 community Endogenous 1 A
5 EMF Endogenous 1 A
----------------------------------------------------------
在这部分的PLS-PM(偏最小二乘路径模型)输出中,“块定义(BLOCKS DEFINITION)”部分详细说明了模型中各个潜变量块的特性。
-
块(Block): 这一列列出了模型中的各个潜变量块的名称。在PLS-PM中,一个“块”通常对应一个潜变量,由一组显变量(观测变量)构成。
-
类型(Type):
- 外源(Exogenous): 这些潜变量块是由其他潜变量不影响的,它们是模型中的独立变量。在您的模型中,
space
是唯一的外源潜变量。 - 内源(Endogenous): 这些潜变量块受到模型中一个或多个其他潜变量的影响,它们是模型中的依赖变量。在您的模型中,
climate
、soil
、community
和EMF
是内源潜变量。
- 外源(Exogenous): 这些潜变量块是由其他潜变量不影响的,它们是模型中的独立变量。在您的模型中,
-
大小(Size): 这表示构成每个潜变量块的显变量数量。例如,
space
块有3个显变量,而community
和EMF
各有1个显变量。 -
模式(Mode): 在PLS-PM中,模式指的是潜变量的测量模型类型。在您的模型中,所有潜变量块的模式都是“A”,这意味着它们都采用的是反映型(Reflective)模式。
- 反映型(Reflective): 在反映型模型中,潜变量被假定为导致其显变量的变化。换句话说,显变量是潜变量的反映或结果。
总结:这一部分的输出提供了关于模型中潜变量块的组成和特性的关键信息。了解这些信息有助于更好地理解模型中各潜变量的角色和它们之间的关系。
----------------------------------------------------------
BLOCKS UNIDIMENSIONALITY
Mode MVs C.alpha DG.rho eig.1st eig.2nd
space A 3 0.000 0.336 1.83 1.028
climate A 3 0.393 0.711 1.36 0.891
soil A 3 0.487 0.750 1.56 1.167
community A 1 1.000 1.000 1.00 0.000
EMF A 1 1.000 1.000 1.00 0.000
----------------------------------------------------------
在偏最小二乘路径模型(PLS-PM)的输出中,“块单维性(BLOCKS UNIDIMENSIONALITY)”部分提供了有关模型中各个潜变量块的单维性的信息。单维性是指一个潜变量是否由其显变量一致和有效地测量。这一部分包含了几个关键的统计指标,下面是它们的解释:
-
模式(Mode): 所有块的模式均为“A”,表示这些块使用的是反映型模式。
-
显变量数(MVs): 显示了每个块包含的显变量数量。例如,
space
块有3个显变量。 -
Cronbach's Alpha(C.alpha): 这是一个测量内部一致性的统计指标,范围在0到1之间。值越高,表明块中的显变量在测量同一概念方面越一致。例如,
community
和EMF
的 Cronbach's Alpha 为1.0,表明这些块具有很高的内部一致性。 -
Dillon-Goldstein's rho(DG.rho): 这也是一个用于评估块内一致性的指标。与 Cronbach's Alpha 类似,值越高,表示一致性越好。例如,
soil
块的 DG.rho 值为0.750,表明相对较好的一致性。 -
第一主成分的特征值(eig.1st): 这是对块内显变量的主成分分析的第一个特征值。一个块的单维性通常需要第一个特征值明显大于1。
-
第二主成分的特征值(eig.2nd): 这是第二个特征值。单维性块的第二个特征值通常会相对较小,这表明大部分变异可以由第一个成分解释。
总结:块单维性的这些度量提供了有关PLS-PM模型中每个潜变量块的显变量测量效果的重要信息。这有助于评估每个潜变量在测量其反映概念方面的有效性。在这个模型中,community
和 EMF
块显示出非常高的一致性和单维性,而 space
块的一致性和单维性较低。
----------------------------------------------------------
OUTER MODEL
weight loading communality redundancy
space
1 longitude -0.182 -0.196 0.0384 0.0000
1 latitude 0.760 0.685 0.4689 0.0000
1 altitude 0.598 0.742 0.5511 0.0000
climate
2 Temp 0.319 0.536 0.2878 0.2317
2 PET 0.306 0.479 0.2293 0.1846
2 AI 0.763 0.894 0.7991 0.6433
soil
3 pH 0.416 0.711 0.5050 0.2114
3 OC 0.659 0.947 0.8977 0.3758
3 TN 0.205 0.392 0.1534 0.0642
community
4 species_richness 1.000 1.000 1.0000 0.1575
EMF
5 EMF 1.000 1.000 1.0000 0.0993
----------------------------------------------------------
在偏最小二乘路径模型(PLS-PM)的输出中,“外模型(OUTER MODEL)”部分提供了有关模型显变量的权重、载荷、共同度和冗余度的信息。这些指标对于理解潜变量如何由显变量反映是至关重要的。让我们逐一解释这些指标:
-
权重(Weight): 权重是PLS-PM算法中每个显变量对应潜变量得分计算的系数。它反映了显变量对于构成其对应潜变量的相对重要性。
-
载荷(Loading): 载荷是显变量与其对应潜变量之间的相关系数。高载荷值(接近±1)表明显变量与潜变量之间有强关联。
-
共同度(Communality): 共同度是显变量的载荷的平方,反映了潜变量对其显变量方差的解释程度。值越高,表示显变量与潜变量的关联越强。
-
冗余度(Redundancy): 冗余度是反映型块中的显变量方差的一部分,这部分可以通过与这些块关联的内源性潜变量解释。它是共同度和相关联的内源性潜变量的R平方值的乘积。
具体到这个模型:
- space 块中,
longitude
的权重和载荷较低,而latitude
和altitude
的权重和载荷较高,表明它们与space
潜变量的关联更为紧密。 - climate 块中,
AI
的载荷和共同度较高,表明它是描述climate
的一个重要变量。 - soil 块中,
OC
的载荷和共同度很高,说明它与soil
潜变量紧密相关。 - 对于只有一个显变量的块(如
community
和EMF
),这些显变量完全定义了其潜变量,因此它们的权重、载荷和共同度都是1。
这些信息提供了有关PLS-PM模型中每个显变量与其潜变量之间关系强度和性质的重要见解。
----------------------------------------------------------
CROSSLOADINGS
space climate soil community EMF
space
1 longitude -0.196 0.0419 -0.2468 -0.0610 -0.0437
1 latitude 0.685 -0.7836 0.3909 0.2849 0.1852
1 altitude 0.742 -0.4917 0.4888 0.0992 0.2155
climate
2 Temp -0.373 0.5365 -0.2508 -0.1935 -0.0485
2 PET -0.396 0.4789 -0.0619 -0.1696 -0.2029
2 AI -0.861 0.8940 -0.6899 -0.3334 -0.1875
soil
3 pH 0.380 -0.4719 0.7106 0.2326 -0.0313
3 OC 0.682 -0.6164 0.9475 0.2478 0.1201
3 TN 0.133 -0.1130 0.3916 0.1885 0.0834
community
4 species_richness 0.287 -0.3681 0.2986 1.0000 0.1211
EMF
5 EMF 0.278 -0.2207 0.0832 0.1211 1.0000
----------------------------------------------------------
在偏最小二乘路径模型(PLS-PM)的输出中,“交叉负荷(CROSSLOADINGS)”部分提供了关于每个显变量在所有潜变量上的载荷的信息。交叉负荷是显变量和所有潜变量之间的相关系数,这有助于评估每个显变量是否被正确地分配到了它所属的潜变量块。下面是对这部分输出的解释:
- 表格的每一行代表一个显变量,而每一列代表一个潜变量。
- 表中的数值是显变量和潜变量之间的相关系数。一个显变量与其所属潜变量的相关系数应该比它与其他潜变量的相关系数要高。
具体到模型:
- 在 space 块中:
latitude
和altitude
显著地与space
相关(载荷分别为 0.685 和 0.742),同时它们与其他潜变量的相关性较低。longitude
与space
的相关性较低(-0.196)。
- 在 climate 块中:
AI
与climate
高度相关(载荷为 0.894),并且与其他潜变量的相关性相对较低。Temp
和PET
也与climate
相关,但相关性稍低。
- 在 soil 块中:
OC
与soil
非常相关(载荷为 0.9475)。pH
也显示出较高的相关性(载荷为 0.7106)。
- 对于只有一个显变量的块(如
community
和EMF
),这些显变量与其所属潜变量的相关性非常高(载荷为 1.000),这是预期之内的。
总结:交叉负荷表提供了显变量在不同潜变量上的相关性的一个全面视图,有助于验证显变量是否被正确分配到了相关的潜变量块,以及它们是否与其所属潜变量保持了高度的关联。在您的模型中,大多数显变量似乎都被正确分配到了相应的潜变量块。
----------------------------------------------------------
INNER MODEL
$climate
Estimate Std. Error t value Pr(>|t|)
Intercept -9.55e-17 0.0716 -1.33e-15 1.00e+00
space -8.97e-01 0.0716 -1.25e+01 4.63e-15
$soil
Estimate Std. Error t value Pr(>|t|)
Intercept -1.40e-16 0.125 -1.11e-15 1.000
space 3.75e-01 0.284 1.32e+00 0.195
climate -2.89e-01 0.284 -1.02e+00 0.315
$community
Estimate Std. Error t value Pr(>|t|)
Intercept -2.10e-16 0.153 -1.37e-15 1.000
space -2.77e-01 0.354 -7.82e-01 0.439
climate -5.26e-01 0.351 -1.50e+00 0.143
soil 1.46e-01 0.201 7.26e-01 0.473
$EMF
Estimate Std. Error t value Pr(>|t|)
Intercept 1.30e-17 0.160 8.08e-17 1.000
space 4.86e-01 0.375 1.30e+00 0.203
climate 1.47e-01 0.380 3.88e-01 0.701
soil -1.58e-01 0.212 -7.45e-01 0.461
community 8.30e-02 0.175 4.75e-01 0.638
----------------------------------------------------------
在偏最小二乘路径模型(PLS-PM)的输出中,“内模型(INNER MODEL)”部分提供了有关模型内源性潜变量之间路径关系的估计结果。这包括路径系数的估计值、标准误差、t值和P值。下面是对这部分输出的解释:
对于每个内源性潜变量:
-
估计值(Estimate): 路径系数的估计值,表明一个潜变量如何影响另一个潜变量。正值表示正向影响,负值表示负向影响。
-
标准误差(Std. Error): 路径系数估计的标准误差,用于计算t值和P值。
-
t值(t value): 路径系数估计的t统计量,用于测试系数的显著性。t值越高,表明估计系数越不可能仅由偶然产生。
-
P值(Pr(>|t|)): 显著性水平,表示估计系数是否统计显著。通常,P值小于0.05表示显著。
具体到模型:
-
climate
space
对climate
的影响显著(估计值 = -0.897,P值 < 0.001),表明space
和climate
存在显著的负向关系。
-
soil
space
对soil
的影响不显著(P值 = 0.195)。climate
对soil
的影响也不显著(P值 = 0.315)。
-
community
space
、climate
和soil
对community
的影响均不显著(P值分别为 0.439、0.143 和 0.473)。
-
EMF
- 所有路径系数(来自
space
、climate
、soil
和community
)的影响均不显著。
- 所有路径系数(来自
总结:
这一部分的输出提供了有关模型内部路径关系的重要信息。在您的模型中,唯一显著的路径是从 space
到 climate
。其他路径的影响不显著,这可能意味着这些变量间的关系在统计上不强或者数据不足以支持强的关系。这些结果对于理解模型中变量之间的因果关系至关重要。
----------------------------------------------------------
CORRELATIONS BETWEEN LVs
space climate soil community EMF
space 1.000 -0.897 0.6343 0.287 0.2776
climate -0.897 1.000 -0.6255 -0.368 -0.2207
soil 0.634 -0.625 1.0000 0.299 0.0832
community 0.287 -0.368 0.2986 1.000 0.1211
EMF 0.278 -0.221 0.0832 0.121 1.0000
----------------------------------------------------------
在偏最小二乘路径模型(PLS-PM)的输出中,“潜变量间的相关性(CORRELATIONS BETWEEN LVs)”部分提供了模型中所有潜变量间的相关系数。这些相关系数揭示了潜变量之间的关联强度和方向。下面是对这部分输出的解释:
- 每一列和每一行都代表一个潜变量。
- 表中的每个数值表示两个潜变量之间的相关系数。
- 相关系数的范围是从-1到+1。接近+1或-1的值表示强关联,而接近0的值表示关联较弱。
- 正值表示正相关,即一个潜变量的增加与另一个潜变量的增加相关联;负值表示负相关,即一个潜变量的增加与另一个潜变量的减少相关联。
具体到模型:
- space 与 climate 显示出很强的负相关(-0.897),这意味着这两个变量在很大程度上是相反变化的。
- space 与 soil 有中等程度的正相关(0.6343)。
- climate 与 soil 也有较强的负相关(-0.6255)。
- 其他潜变量之间的相关性较弱,如 community 与 EMF 之间的相关性为0.1211。
总结:
这一部分的输出对于了解模型中不同潜变量之间的关系至关重要。强的相关性(无论是正相关还是负相关)表明潜变量之间存在显著的关联,这可以指导对模型的进一步分析和理解。例如,space
和 climate
之间的强负相关可能意味着这两个潜变量在某种程度上代表相反的概念或影响。
----------------------------------------------------------
SUMMARY INNER MODEL
Type R2 Block_Communality Mean_Redundancy AVE
space Exogenous 0.0000 0.353 0.0000 0.353
climate Endogenous 0.8050 0.439 0.3532 0.439
soil Endogenous 0.4187 0.519 0.2172 0.519
community Endogenous 0.1575 1.000 0.1575 1.000
EMF Endogenous 0.0993 1.000 0.0993 1.000
----------------------------------------------------------
在偏最小二乘路径模型(PLS-PM)的输出中,“内模型摘要(SUMMARY INNER MODEL)”部分提供了有关内源性潜变量的关键统计数据。这些统计数据包括R平方值、块共同度、平均冗余度和平均提取的变异量(AVE)。下面是对这些统计指标的解释:
-
类型(Type):
- 外源(Exogenous): 这些潜变量是模型中的独立变量。
- 内源(Endogenous): 这些潜变量是模型中的依赖变量。
-
R平方值(R2):
- R平方值衡量模型中每个内源性潜变量的方差有多少被模型解释。值范围从0到1,值越高表示模型解释能力越好。
-
块共同度(Block Communality):
- 这是块中所有显变量的共同度的平均值。共同度是每个显变量载荷的平方,表示潜变量对其显变量方差的解释程度。
-
平均冗余度(Mean Redundancy):
- 这是块中所有显变量的冗余度的平均值。冗余度是反映型块中的显变量方差的一部分,可以通过与这些块关联的内源性潜变量解释。
-
平均提取的变异量(AVE):
- AVE衡量块中显变量载荷的平均质量。值越高,表示块中显变量与潜变量的关联越强。
具体到模型:
-
space:
- 作为外源潜变量,R平方值为0.0000,表示它不被任何其他潜变量解释。
- 块共同度为0.353,表示较低的解释程度。
-
climate:
- R平方值为0.8050,表明模型很好地解释了
climate
的方差。 - 块共同度为0.439,表明显变量与
climate
的关联较强。
- R平方值为0.8050,表明模型很好地解释了
-
soil:
- R平方值为0.4187,表明
soil
的方差被模型中的其他潜变量中等程度地解释。 - 块共同度为0.519,表明显变量与
soil
的关联较强。
- R平方值为0.4187,表明
-
community 和 EMF:
- 这两个潜变量的R平方值相对较低(分别为0.1575和0.0993),表明它们的方差被模型解释的不是很充分。
- 由于它们是单变量块,所以块共同度和AVE均为1.000,表明完全解释。
总结:
这一部分的输出提供了关于模型内部关系的质量和效力的重要信息。R平方值、块共同度和AVE的分析可以帮助了解模型中每个内源潜变量的解释能力以及显变量与潜变量之间的关联强度。
----------------------------------------------------------
GOODNESS-OF-FIT
[1] 0.4021
----------------------------------------------------------
在偏最小二乘路径模型(PLS-PM)的输出中,“拟合优度(GOODNESS-OF-FIT)”部分显示了整个模型的拟合质量。拟合优度指标(Goodness-of-Fit, GoF)是一个衡量PLS-PM模型整体拟合的指标。这个指标的值范围从0到1,其中更高的值表示更好的模型拟合。
本模型中的拟合优度为0.4021,这可以理解为:
- 中等程度的拟合:0.4021这个值表明模型在一定程度上能够合理地解释数据,但还有提升的空间。它表示模型在解释潜变量之间关系和显变量与潜变量之间关系方面表现中等。
- 模型评估:在评估模型的时候,拟合优度是一个重要的考量因素,但它不应该是唯一的标准。应该结合其他指标(如R平方值、路径系数的显著性等)来全面评估模型的质量。
总结:
GoF指标为0.4021表明模型具有中等程度的拟合效果,这意味着模型在一定程度上能够合理地解释和反映数据中的关系,但可能需要进一步的优化或考虑其他模型参数来提高拟合度。在解释这个指标时,应考虑模型的整体目的和上下文。
----------------------------------------------------------
TOTAL EFFECTS
relationships direct indirect total
1 space -> climate -0.897 0.00000 -0.897
2 space -> soil 0.375 0.25959 0.634
3 space -> community -0.277 0.56402 0.287
4 space -> EMF 0.486 -0.20828 0.278
5 climate -> soil -0.289 0.00000 -0.289
6 climate -> community -0.526 -0.04213 -0.568
7 climate -> EMF 0.147 -0.00146 0.146
8 soil -> community 0.146 0.00000 0.146
9 soil -> EMF -0.158 0.01208 -0.146
10 community -> EMF 0.083 0.00000 0.083
----------------------------------------------------------
在偏最小二乘路径模型(PLS-PM)的输出中,“总效应(TOTAL EFFECTS)”部分提供了有关模型中潜变量之间关系的全面视图。这包括直接效应、间接效应和总效应。这些效应帮助理解不同潜变量之间的影响关系。下面是对这些效应的解释:
-
直接效应(Direct): 这是一个潜变量直接对另一个潜变量的影响程度。它直接从路径系数中获得。
-
间接效应(Indirect): 这是一个潜变量通过一个或多个中间潜变量间接对另一个潜变量的影响程度。
-
总效应(Total): 总效应是直接效应和间接效应的总和。它提供了一个潜变量对另一个潜变量总体影响的全面评估。
模型中的关系:
-
space -> climate:
- 强烈的负向直接效应(-0.897),没有间接效应,总效应也是负向的(-0.897)。
-
space -> soil:
- 正向的直接效应(0.375)和正向的间接效应(0.25959),总效应为正向(0.634)。
-
space -> community:
- 负向的直接效应(-0.277)和正向的间接效应(0.56402),总效应为正向(0.287)。
-
space -> EMF:
- 正向的直接效应(0.486)和负向的间接效应(-0.20828),总效应为正向(0.278)。
-
climate -> soil/community/EMF 和 soil -> community/EMF:
- 这些关系展示了各种组合的直接和间接效应,以及它们的总效应。
-
community -> EMF:
- 正向的直接效应(0.083),没有间接效应。
总结:
“总效应”部分为理解潜变量之间的全面关系提供了重要信息。直接效应显示了变量间的直接关联,间接效应展示了通过其他变量的间接关系,而总效应提供了对变量间整体关系的全面理解。在您的模型中,可以看到某些关系(如 space
对 climate
)具有显著的直接影响,而其他关系(如 space
对 community
)则是直接和间接效应共同作用的结果。