因为结构方程模型可以同时估计因子结构和因子关系（Gefen et al.，2000），所以本章采用结构方程模型来验证本研究提出的理论框架。另外，结构方程模型中的偏最小二乘法比传统的结构方程方法更能满足本书对模型进行预测的目的，因此我们选择偏最小二乘结构方程模型（PLS-SEM）方法对模型进行估计。

结构方程模型最初出现在20世纪80年代的营销文献中（e.g.，Bagozzi and Yi，1988；Fornell and Larcker，1981），但是直到最近20年才得到广泛应用。对于大部分研究者来说，结构方程模型就等于基于协方差的结构方程模型（CB-SEM），并用AMOS、EQS、LISREL和Mplus等软件进行数据分析。在发展过程中，结构方程模型也展现为另一种独特而非常有用的方法——偏最小二乘结构方程模型。更准确地说，PLS-SEM和CB-SEM几乎同时出现，不过PLS-SEM直到LVPLS程序的图像用户界面出现后才得到广泛应用，特别是在社会科学领域内。事实上，PLSSEM在很大程度上与CB SEM同样有效（Reinartz et al.，2009），并且在一些方面还具有CB-SEM所没有的很多优势（Hair et al.，2011），比如：

第一，偏最小二乘法在评估模型时对样本量和残差分布没有限制（Gefen et al.，2000）。当样本量足够大时，PLS-SEM能够获得与CBSEM同样的效果；而当样本量较小时，PLS-SEM的优势就会体现出来，因为这种方法的统计性能更强并具有稳健性，相反CB-SEM的劣势则在于缺乏这样一种稳健性。

第二，偏最小二乘法不需要满足潜变量和显变量都服从正态分布这一严格假设，检测非正态或者偏态分布的数据最为适宜（Falk and Miller，1992）。(www.daowen.com)

第三，偏最小二乘法用于检测有潜变量和显变量的复杂因果关系模型非常适宜，可以同时处理包含中介变量和调节变量的模型（Henseler et al.，2009）。

另外，偏最小二乘法是一种基于主成分分析的结构方程模型，强调实际数据中可以由模型解释的变异量（如R 2），而传统的结构方程模型（CBSEM）则是一种基于协方差的结构方程模型，强调观测的协方差矩阵（实际数据）与假设的协方差矩阵（研究模型）间的整体拟合。两者的不同之处在于：PLS-SEM更适用于进行预测和理论构建，CB-SEM更适用于进行参数估计和模型验证，需要有一定的理论基础（Hair et al.，2011）。因此，当数据不能满足CB-SEM的严格要求，并且研究的目的是因果预测而不是验证模型设定的结构时，PLS-SEM为更优选择（Reinartz et al.，2009）。由于本研究的重点在于考察几个变量之间的关系，而不在于整个模型的拟合，因而我们选择偏最小二乘法SmartPLS3.0软件程序对模型进行估计。