PLS-PM with R 偏最小二乘路径建模 (R语言)

VIPPLS-PM with R 偏最小二乘路径建模 (R语言)
1. 引入1.1. 安装plspm包plspm 是一个用于执行偏最小二乘路径建模分析的 r 程序包。在 CRAN 上可以免费下载: Http://cran.r-project.org/web/packages/plspm/index.html.此后,通过以下代码在r中安装并加载该程序包即可。install.packages("plspm")library("plspm")2. 一些简单概念2.1. 潜变量和观测变量不少变量如满意度、成功指数是无法通过观测得到
开通可读全文 ·1.2w 人阅读
最低0.47元/天 解锁文章

1. 引入

1.1. 安装plspm包

plspm 是一个用于执行偏最小二乘路径建模分析的 r 程序包。

在 CRAN 上可以免费下载: Http://cran.r-project.org/web/packages/plspm/index.html.

此后,通过以下代码在r中安装并加载该程序包即可。

install.packages("plspm")
library("plspm")

2. 一些简单概念

2.1. 潜变量和观测变量

不少变量如满意度、成功指数是无法通过观测得到的,我们将之称作潜变量(latent variables)。

但是,我们可以通过观测变量(manifest variables)度量潜变量。

2.2. 形成性指标和反应性指标

若观测变量被认为是由潜变量引起的,即观测变量为潜变量的后果或效果,如进球个数为攻击能力的结果,我们称之为反应性指标(reflective indicators)。

若认为观测变量引起了潜变量,即观测变量为潜变量的原因,如训练小时数为攻击能力的原因,我们称该观测变量为形成性指标(formative indicators)。

2.3. 路径模型

观测变量以矩形形式表示。

潜变量用椭圆形表示。

变量之间的关系用直线箭头表示。

如下:

路径模型由外部模型和内部模型构成。

内部模型反应潜变量之间的关系,如下:

VIP PLS-SEM(偏最小二乘路径建模)模型拟合优度指标 PLS-SEM(偏最小二乘路径建模)是一种基于方差的分析方法,侧重于预测导向,通过迭代优化路径系数和外部权重来最大化潜变量的解释方差(R²)。其评估指标分为外部测量模型和结构模型两部分:外部测量模型关注潜变量与显变量的关系,通过标准化载荷(>0.7)、信度指标(Cronbach’s α、复合信度CR>0.7)、聚合效度(AVE>0.5)和区分效度(Fornell-Larcker标准、HTMT<0.85)来评估模型的可靠性和有效性。结构模型则检验潜变量间的因果关系,通过路径系数(β值) 开通可读全文·3.2k 阅读·31 点赞·17 收藏 阅读全文

相关推荐

偏最小二乘回归和偏最小二乘路径模型

1. 偏最小二乘回归(Partial least squares regression, PLS回归) 偏最小二乘 (PLS) 回归是将预测变量减少为较小的一组不相关分量并对这些分量(而不是原始数据)执行最小二乘回归的方法。当预测变量高度共线,或者预测变量比观测值多并且普通的最小二乘回归所产生的系数标准误高或完全失败时,PLS 回归特别有用。与多个回归不同,PLS 不会假设预测变量是固定的。这意味着预测变量的测量可能会有误差,使 PLS 的测量更具不确定性。 在 PLS 回归中,重点是建立预测模型。因

sinat_34873854的博客 9957

r语言pls分析_科学网—R语言统计:偏最小二乘路径模型(plspm) - 涂波的博文...

R包“plspm”作者:Gaston Sanchez单位:Berkeley, California.包使用说明文件:http://www.gastonsanchez.com/PLS Path Modeling withR.pdf原理:pls-pm:Partial Least Squares Path Modeling,偏最小二乘路径模型定义:1、是结构方程模型的偏最小二乘方式2、用于研究显变量和潜...

weixin_39529463的博客 3656

PLS-PM实战指南:R语言中小样本因果路径建模

偏最小二乘路径建模(PLS-PM)是一种面向探索性研究的潜变量建模方法,其核心原理是通过可观测指标的加权组合代理不可观测构念,并基于最小二乘迭代估计变量间因果路径。相比传统结构方程模型(SEM)和线性回归,PLS-PM不依赖正态分布假设与大样本渐近理论,具备强稳健性、高容错性与良好预测能力,特别适用于小样本(n<200)、多重共线性显著、测量模型为反映性或形成性的实证场景。在市场研究、医疗满意度评估、教育公平分析等需解释中介传导机制的业务问题中,PLS-PM能输出可解释的路径系数、Bootstrap置信区间

weixin_33824385的博客 329

Python 3实现PLS-PM偏最小二乘路径建模:从原理到代码

结构方程模型是研究潜变量间因果关系的重要分析框架,在客户满意度、市场营销和社会科学领域应用广泛。偏最小二乘路径建模(PLS-PM)作为方差导向的结构方程估计方法,不依赖多元正态假设,对样本量要求较低,特别适合处理非正态分布、小样本以及高相关指标数据。其核心思想是通过迭代外估计和内估计,将多个观测变量压缩为潜变量得分,进而估计潜变量间的路径系数。在Python 3生态中,虽然R语言拥有成熟的plspm包,但Python环境下的可用实现较少。本文基于NumPy从零构建了一个最小可复现的PLS-PM类,完整覆盖测

weixin_29044713的博客 291

用Python手写偏最小二乘路径建模(PLS-PM):从迭代权重到路径系数

结构方程模型常用于处理潜变量与可测变量之间的复杂关系,但传统协方差方法对正态性、样本量等假设要求较高。偏最小二乘路径建模(PLS-PM)作为基于方差的替代方法,不要求数据严格正态,在小样本问卷研究中尤为实用。其核心原理是通过外部估计与内部估计的交替迭代,逐步更新显变量权重直至收敛,从而获得潜变量得分与路径系数。借助Python的numpy库手写实现,不仅能让研究者清晰理解收敛条件、测量模型模式(反映式/形成式)的选择,还能灵活扩展Bootstrap显著性检验。该方法适用于用户满意度、服务质量、顾客忠诚度等模

weixin_29483277的博客 299

Python 3 实现偏最小二乘路径建模(PLS-PM):从算法迭代到Bootstrap与置换检验

偏最小二乘路径建模(PLS-PM)是一种结合主成分分析与路径分析的结构方程建模方法,通过迭代偏最小二乘算法交替估计测量模型与结构模型,不依赖多元正态分布,对小样本和形成性指标具有良好容忍度。其技术价值在于能够同时处理潜变量与指标、潜变量之间的复杂关系,并输出权重、载荷、路径系数、R²和GoF等关键参数。在问卷分析、社会科学研究和市场调研等场景中,PLS-PM 常被用于探索变量间的因果路径。本文以 Python 3 和 NumPy 为基础,详细讲解 PLS-PM 的迭代逻辑、最小实现、Bootstrap 区间

weixin_29047545的博客 263

Python 3 实现偏最小二乘路径建模:从 R 迁移到 plspm 的完整指南

结构方程模型(SEM)是分析复杂因果关系的统计方法,偏最小二乘路径建模(PLS-PM)作为其基于相关性的变体,对中小样本和非正态数据更友好。其原理通过迭代更新外部权重和内部权重,估计潜在变量间的路径系数。在工程实践中,Python 生态的 plspm 包实现了 PLS-PM 的完整流程,支持测量模型与结构模型估计、Bootstrap 验证及单维性检验,便于嵌入数据管道和 CI 流程。应用场景包括问卷分析、顾客满意度建模等。本文深入拆解 plspm 源码,分享从 R 迁移的落地经验与避坑技巧。

weixin_42524308的博客 258

plspm:R包plspm

pm "plspm"是一个软件包,专用于对度量和非度量数据进行偏最小二乘路径建模(PLS-PM)分析。 高于4.0的版本包含一组全新的功能来处理非度量变量。 捐款 如果您在plspm发现任何价值和实用性,请考虑一次性捐款。 您的支持确实很重要。 安装 您可以使用软件包"devtools"的功能install_github()安装"plspm" "devtools" # install "devtools" install . packages ( "devtools" ) library ( devtools ) # install "plspm" install_github ( "gastonstat/plspm" ) 具有指标数据的PLS-PM 客户满意度模型的典型示例 # load plspm library ( plspm ) # load dataset satisfa

偏最小二乘路径建模 (PLS-PM)算法 的Python 3 实现

plspm是一个 Python 3 包,专门用于偏最小二乘路径建模 (PLS-PM) 分析。它是 R 包 plspm 的一个端口,具有从 R 包 seminr采用的附加功能 PLSPM(偏最小二乘路径建模)是一种基于相关性的结构方程建模 (SEM) 算法。它允许使用潜在/表现变量来估计复杂的因果或预测模型。 PLSPM 可能优于其他 SEM 方法,原因如下:它是一种适合探索性研究的方法,可用于中小型样本(以及大型数据集),并且不需要多变量假设常态

PyPI 官网下载 | plspm-0.2.1.tar.gz

资源来自pypi官网。 资源全名:plspm-0.2.1.tar.gz

AXI_IIC读写操作

其实在之前调试过一次AXI_IIC,没调试通,碍于赶进度,就直接使用了zynq-PS侧的IIC,就一直搁置着了,这次抽空将这部分内容继续调试下去,这一次没花多少时间就调通了,现在将我的调试过程,经历,以及参考文档如下: 参考文档:pg090-axi-iic.pdf 参考链接:https://forums.xilinx.com/t5/Design-and-Debug-Techniques-Blog/IIC-Protocol-and-Programming-Sequence/ba-p/1072248 上面的这个

qq_32134427的博客 1万+

Power BI常见问题篇1:无法打开文档

Power BI常见问题篇1:无法打开文档

weixin_48273257的博客 3311

APK静态分析(取证角度)——理论部分

APP是指应用程序(Application),是指能够在手机、平板电脑、电脑等移动设备上运行的软件。APP可以帮助用户进行各种功能操作,如社交媒体、游戏、购物、学习、工作等。用户可以通过应用商店或者在线下载安装APP,然后在设备上使用它们。APP的种类非常丰富,能够满足用户不同的需求和兴趣。

currify的博客 3213

41-dify案例分享-基于database插件实现Text2sql的数据库查询图表工作流

本文介绍基于 Text2SQL 的 Dify 工作流实现过程。先阐述 Text2SQL 概念、步骤及应用领域。接着说明工作流制作,包括用 chatflow 加开场白、获取系统时间,配置 LLM 生成 SQL,用 SQL Execute 工具查询,经 LLM 汇总结果,代码生成 ECharts 数据,条件分支判断图表类型输出。最后介绍验证测试、提供体验地址,还提及借助工具生成建表和初始化数据 SQL 语句。

个人技术 1万+

深度学习—各种卷积

深度学习之各种卷积了解知识

m0_47005029的博客 3119

win10 离线安装.Net Framework3.5

起因,安装软件比如3dmax2014等需要.Net Framework3.5支撑,那么需要安装低版本的.Net Framework3.5 闲话少说。 1.下载 NetFx3.cab 链接: https://pan.baidu.com/s/124to7F3BOy4yAlY61OjbDg 提取码: kixu 2.将NetFx3.cab 放入 系统盘的windows目录下(示例 C:\Wi...

m0_37615458的博客 7741

【保姆级教程/代码】GNSS反演大气可降水量(Precipitable Water Vapor, PWV)

GPS精密单点定位(PPP)是一种采用精密卫星星历和卫星钟差进行非差单点定位的方法,在观测过程中采用双频载波相位观测法以确保高精度定位精度。本文利用PPP技术来求解天顶对流层延迟(zenith tropospheric delay,ZTD)。ZTD由湿延迟(ZWD)和干延迟(ZHD)组成,其中占比90%的ZHD与地面测站高程、大气压和测站纬度等参数有良好的相关性,可以通过Saastamoinen模型精确求出;

weixin_43910227的博客 2937

深入浅出讲解外部服务提供者 OAuth 2.0 帐户客户端创建与 ABAP 系统集成

本文详细介绍了在SAP ABAP平台配置OAuth 2.0客户端以安全调用外部Web服务的完整流程。主要内容包括:首先需要在外部服务提供者平台注册OAuth客户端,获取client ID和client secret;其次需特别注意重定向URI必须是公开可访问的地址;然后在ABAP系统中通过事务码OA2C_CONFIG配置OAuth客户端信息;最后阐述了常见的错误排查方法。文章强调了OAuth 2.0作为SAP系统与外部服务安全集成的标准协议,正确配置客户端是确保后续API调用安全可靠的关键前提。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1737

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

上一篇: 离散数学笔记
下一篇: 计量经济学笔记
小天使甲
博客等级 码龄6年 147粉丝 16原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址