整理说明：本文整理自关于 PLS-SEM + fsQCA + ANN 混合分析框架的方法论文章，配图为本站原创示意图。

近几年，阅读 Information Systems、Computers in Human Behavior、Technological Forecasting & Social Change、Information & Management 等国际顶级期刊，会发现一个越来越明显的趋势：越来越多的高水平论文不再满足于只使用一种数据分析方法，而是采用 PLS-SEM + fsQCA + ANN 的混合分析框架。

很多研究者第一次看到这种组合都会有疑问：一篇文章为什么要用三种统计方法？会不会重复分析？其实，它们并不互相替代，而是各司其职，共同回答三个层次的问题。

第一层：PLS-SEM——回答「为什么」

PLS-SEM（偏最小二乘结构方程模型）是管理学、教育学、信息系统等领域最常用的方法之一，最大的作用是验证理论。例如，我们提出“AI情感支持 → AI信任”“AI信任 → 持续使用意愿”“AI依赖 → 创造力下降”，PLS-SEM 能够告诉我们：

• 路径是否显著？
• 中介是否成立？
• 调节是否存在？
• 模型解释率（R²）是多少？

它解决的是“变量之间有没有因果关系”的问题，非常适合理论验证，也是目前 SSCI 论文最经典的分析方法。

第二层：ANN——回答「谁最重要」

现实世界并不是线性的。很多时候即使两条路径都显著，它们的重要程度可能完全不同。人工神经网络（ANN）的优势在于预测能力——能学习变量间复杂的非线性关系，并计算每个变量的重要程度（Normalized Importance）。

例如“影响大学生持续使用 ChatGPT，到底哪个因素最重要？“可能包括：感知有用性、AI信任、情感支持、AI素养、社会临场感、AI焦虑。PLS-SEM 告诉我们”它们都显著”，ANN 则进一步告诉我们“到底谁排第一、谁真正影响最大”。因此，ANN 回答的是“哪些变量最值得关注”。

第三层：fsQCA——回答「有哪些成功路径」

现实世界还有一个特点：同一个结果，可以通过很多不同方式实现。例如，为什么有的人创造力很高？可能存在很多不同组合：

• 第一种：高AI信任 + 高内部动机 + 高心流；
• 第二种：高情感支持 + 高AI素养 + 低AI焦虑；
• 第三种：即使AI信任一般，但任务投入非常高，也能获得优秀创造力。

这说明“不是所有人都遵循同一条规律”。这正是 fsQCA（模糊集定性比较分析）的价值——它研究的不是“哪个变量最重要”，而是“哪些条件组合能够共同产生结果”。fsQCA 强调的是“多路径（Equifinality）“和”复杂因果（Complex Causality）“。

三种方法放在一起，会发生什么？

组合起来，一篇论文就形成了一个非常完整的分析逻辑：

1. 第一步 PLS-SEM：验证理论模型，回答“为什么会发生？”
2. 第二步 ANN：识别关键预测变量，回答“哪个因素影响最大？”
3. 第三步 fsQCA：寻找不同成功配置，回答“有哪些不同路径能实现同样结果？”

三种方法分别对应三个不同层次——这不是重复分析，而是不断深化分析。

已有顶刊开始这样做

2022 年发表于 Information Systems Frontiers 的论文 Impact of Digital Assistant Attributes on Millennials’ Purchasing Intentions 中，作者同时使用 PLS-SEM、ANN 和 fsQCA 研究数字助理如何影响消费者购买意愿：PLS-SEM 负责验证理论，ANN 负责识别最重要预测因素，fsQCA 负责寻找不同消费者购买意愿形成的多种配置路径。这种研究设计已成为近年来信息系统和人工智能研究的重要趋势。

如果说十年前，一篇优秀 SSCI 论文只需要证明“变量之间存在关系”；那么今天，国际顶刊越来越关注的是：

• 为什么会发生？
• 谁最重要？
• 是否存在非线性关系？
• 是否存在多条成功路径？
• 理论是否具有预测能力？

PLS-SEM + ANN + fsQCA 不仅是一种统计分析组合，更代表着一种新的研究范式——从理论解释走向预测分析，再走向复杂配置分析。对于教育技术、生成式 AI、消费者行为、数字化转型、组织管理等研究领域而言，这种三阶段分析框架已成为提升论文方法创新性的重要方向，也有望成为未来 SSCI 实证研究的主流趋势。

---

标签： 研究方法 PLS-SEM ANN fsQCA 混合分析 SSCI

整理说明： 本文为方法论文章的整理转述，保留了三种方法的定位、三阶段框架与顶刊案例等核心内容。