左右兩邊各有一個模型，稱作 測量模型（measurement model），
-每個模型由構面（Y1 到 Y4，construct）和變數（x1 到 x10，variable）組成。
Y1 到 Y4，construct）和變數（x1 到 x10，variable）組成。
+中間的模型則稱作 結構模型（structural model）。
x1 到 x10 都是一種指標變數（或潛在變數、項目，indicator variable, indicator, latent variable, item）：
x1 到 x6）稱為形成性指標
@@ -1130,7 +1131,7 @@ 形成性測量模型中構面和變數都會被用來解釋，例如 x1 到 x3 用來解釋 Y1、Y1 用來解釋 Y2；
-反之，反映性測量模型亦如是。
當構面或變數需要和其他項目共變時，就會有誤差（error terms，e7 到 e9 和 z3 到 z4），
這是因為在嘗試「計算」（或共變）時，必然會因為多筆數據間的差異而產生誤差。
而形成性測量模型因為是用來解釋構面，所以最終產生的是各個變數解釋構面時的重要性。
@@ -1165,7 +1166,7 @@
由此可知，PLS 釋放了 CB-SEM 的強假設，即所有指標集之間的共變由一個共同因子解釋。 同時，使用指標的加權組合有助於考慮測量誤差， -因此使得 PLS-SEM 比使用總分的多元回歸（multiple regression using sum scores）更優越，其中每個指標都被等同加權。
+因此使得 PLS-SEM 比使用總分的多元迴歸（multiple regression using sum scores）更優越，其中每個指標都被等同加權。值得注意的是，PLS-SEM 產生的組合並不被假定為與它們所代表的理論概念相同，它們被明確地視為近似值。 因此，一些學者認為 CB-SEM 是一種更直接和精確的方法來實證測量理論概念，而 PLS-SEM 則提供了近似值。 然而，其他學者卻不認同，因為在 CB-SEM 中衍生的共同因子也不一定等同於研究的理論概念， @@ -1201,10 +1202,13 @@
PLS-SEM 與另一種流行的多變量數據分析技術，PLS 回歸，相似但並不相等。
-PLS 回歸是一種基於回歸的方法，它探索多個自變數與單個或多個因變數之間的線性關係。
-然而，PLS 回歸與常規回歸有所不同，因為在開發回歸模型時，該方法透過主要的多自變數組合分析中推導出組合因子。
+ PLS-SEM 與另一種流行的多變量數據分析技術，PLS 迴歸，相似但並不相等。
+PLS 迴歸是一種基於迴歸的方法，它探索多個自變數與單個或多個因變數之間的線性關係。
+然而，PLS 迴歸與常規迴歸有所不同，因為在開發迴歸模型時，該方法透過主要的多自變數組合分析中推導出組合因子。
而 PLS-SEM 依賴於預先指定的構面與構面和構面與變數之間的關係網絡。
+
PLS 迴歸
+
下表比較了 PLS-SEM 和 CB-SEM 之間的主要差異：