The aim of this paper was to provid

The aim of this paper was to provide a comprehensive introduction of the Bayesian approach for SEM estimation. Despite receiving a strong attention across other related fields, the use of the Bayesian approach is still highly limited in the tourism literature. We highlighted in this paper the power of the Bayesian approach and discussed its distinctive difference from the traditional covariance-based approach to SEM estimation.Overall, we believe there are five main reasons why tourism researchers might select the Bayesian approach for SEM estimation.First, some complicated models such as the ones discussed in the previous section are harder to converge with traditional methods (e.g. mixture models; non-normal models, etc.), and some models are not even possible to estimate. Bayesian statistics can also help in model identification and result in more accurate parameter estimates (Depaoli, 2013; 2014).Second, “many scholars prefer Bayesian statistics because they believe population parametersshould be viewed as random” (Depaoli & van de Schoot, 2015, p. 3).Third, with the Bayesian approach one can prior information into the estimation. Fourth, as highlighted several times above, the Bayesian statistics is not based on large samples. This was also reinforced by the results of our Monte Carlo simulation. Fifth, and finally, the Bayesian approach offers more accurate and less sensitive fit statistics and model comparison tools.Despite all these advantages, the main goal should not be understood as encouraging some naïve applications of the Bayesian approach, or even using the Bayesian approach in the interest of“mathematistry”. We understand that most researchers in tourism are usually more comfortable using the frequentist approach for SEM estimation. As indicated by Depaoli and van de Schoot (2015), using the Bayesian approach without good knowledge of the method can be dangerous, particularly in terms of interpreting the Bayesian features and/or results. The Bayesian approach can also be sensitive to the selection of appropriate priors ebut this is an empirical matter. From here, conducting sensitivity analysis to check whether the results are stable across prior choices becomes essential (Assaf et al., 2016). There are also other important steps that should be checked when using the Bayesian approach-we refer the reader to the study of Depaoli and van de Schoot (2015) for more details.

結果 (繁體中文) 1:

本文的目的是提供一個全面的介紹了SEM估計的貝葉斯方法。

儘管在其他相關領域接收強的關注，利用貝葉斯方法仍然是高度的旅遊文學的限制。

我們在本文中強調了貝葉斯方法的電源，並從傳統的基於協方差的方法來估計SEM討論其獨特的差異。

總體而言，我們認為有，為什麼旅遊研究人員可能會選擇SEM估計貝葉斯方法五個主要的原因。

首先，一些複雜的模型，如在上一節中所討論的那些更難與傳統方法收斂（例如混合模型;非正常模型等），和一些模型甚至不能夠估計。

貝葉斯統計也可以幫助在模型識別和結果更準確的參數估計值（Depaoli，2013; 2014）。

其次，“許多學者喜歡貝葉斯統計數據，因為他們認為人口參數
應為隨機被看作”（Depaoli和範·德·SCHOOT，2015年，第3頁）。

第三，貝葉斯方法人們可以先驗信息入估計。第四，強調了幾次以上，貝葉斯統計不是基於大樣本。這也被我們的蒙特卡洛模擬的結果加強。五，最後，貝葉斯方法提供更準確，更不敏感擬合統計和模型比較工具。

儘管有這些優勢，主要目標不應該被理解為鼓勵貝葉斯方法的一些天真的應用程序，甚至使用貝葉斯方法中的利益
“mathematistry”。

據我們了解，大多數研究者在旅遊業通常是更舒適的使用SEM估計的頻率論方法。

正如所指出的通過Depaoli和van de SCHOOT（2015），使用沒有該方法的良好的知識貝葉斯方法可能是危險的，特別是在解釋該貝葉斯特徵和/或結果方面。

貝葉斯方法也可以是適當的先驗選擇敏感ebut這是一個經驗問題。

從這裡，進行靈敏度分析以檢查結果是否跨越現有的選擇穩定變得至關重要（阿薩弗等人，2016）。

也有應該用貝葉斯當被檢查的其他重要措施辦法，我們是指讀者Depaoli的研究和van de SCHOOT（2015年），了解更多詳情。

結果 (繁體中文) 2:

本文的目的是全面介紹貝葉斯方法的SEM估計。

儘管在其他相關領域受到廣泛關注，但貝葉斯方法的使用在旅遊文獻中仍然非常有限。

本文強調了貝葉斯方法的力量，並討論了它與傳統基於共變數的SEM估計方法的獨特區別。

總體而言，我們認為旅遊研究人員選擇貝葉斯方法進行SEM估計有五個主要原因。

首先，一些複雜的模型，如上一節討論的模型，很難與傳統方法（例如混合模型;非正態模型等）收斂，有些模型甚至無法估計。

貝葉斯統計還有助於模型識別，並產生更準確的參數估計（Depaoli，2013年;2014年）。

其次，"許多學者更喜歡貝葉斯統計，因為他們相信人口參數
應視為隨機"（德保利- 范德舒特，2015年，第3頁）。

第三，用貝葉斯的方法，人們可以事先將資訊納入估計。第四，如上文多次強調的那樣，貝葉斯的統計數字不是基於大樣本。蒙特卡洛類比的結果也加強了這一點。第五，最後，貝葉斯方法提供了更準確、更不敏感的擬合統計和模型比較工具。

儘管存在所有這些優勢，但主要目標不應被理解為鼓勵貝葉斯方法的一些天真應用，甚至為了
"數學"。

據我們瞭解，大多數旅遊研究人員通常更樂於使用常客方法進行 SEM 估計。

正如Depaoli和van de Schoot（2015年）所指出的，在不了解貝葉斯方法的情況下使用貝葉斯方法可能很危險，特別是在解釋貝葉斯特徵和/或結果方面。

貝葉斯方法也可以對選擇適當的先驗項敏感，但這是一個經驗問題。

從這裡，進行靈敏度分析，以檢查結果是否在先前選擇中是否穩定變得至關重要（Assaf等人，2016年）。

在使用貝葉斯方法時，還應檢查其他重要步驟- 我們請讀者參考 Depaoli 和 van de Schoot（2015 年）的研究以瞭解更多詳細資訊。

結果 (繁體中文) 3:

本文旨在全面介紹貝葉斯方法在掃描電鏡估計中的應用。
儘管貝葉斯方法在其他相關領域得到了廣泛的關注，但在旅遊文獻中的應用仍然非常有限。
本文著重討論了貝葉斯方法的威力，並討論了它與傳統的基於協方差的掃描電鏡估計方法的區別。
總的來說，我們認為旅遊研究者選擇貝葉斯方法進行掃描電鏡估計有五個主要原因。
首先，一些複雜的模型（如前一節討論的模型）較難與傳統方法（如混合模型、非正態模型等）收斂，有些模型甚至無法估計。
貝葉斯統計也有助於模型識別，並導致更準確的參數估計（Depaoli，2013；2014）。
其次，“許多學者更喜歡貝葉斯統計，因為他們相信人口參數
應視為隨機”（Depaoli&van de Schoot，2015，第3頁）。
第三，利用貝葉斯方法可以將先驗資訊引入到估計中。第四，如上所述，貝葉斯統計不是基於大樣本的。我們的蒙特卡羅類比結果也加强了這一點。第五，也是最後一點，貝葉斯方法提供了更準確和更不敏感的擬合統計和模型比較工具。
儘管有這些優點，但不應將主要目標理解為鼓勵貝葉斯方法的一些天真的應用，甚至不應為了以下目的而使用貝葉斯方法
“數學”。
我們知道，大多數旅遊研究人員通常更願意使用常客方法進行掃描電鏡估計。
正如Depaoli和van de Schoot（2015）所指出的，使用貝葉斯方法而不瞭解該方法可能是危險的，特別是在解釋貝葉斯特徵和/或結果方面。
貝葉斯方法對選擇合適的先驗知識也很敏感，但這是一個經驗問題。
從這裡開始，進行敏感性分析，以檢查之前選擇的結果是否穩定變得至關重要（Assaf等人，2016年）。
在使用貝葉斯方法時，還應檢查其他重要步驟，我們請讀者參閱Depaoli和van de Schoot（2015）的研究，瞭解更多細節。