PLS-SEM vs CB-SEM: Wie man wählt (ohne Dogma)

Andrzej Szymkowiak · Zuletzt geprüft im Juli 2026

TL;DR: Wählen Sie zwischen PLS-SEM und CB-SEM nach Forschungsziel und Messtheorie, nicht nach Bequemlichkeit. CB-SEM schätzt common factors und liefert globale Fit-Tests (χ², CFI, RMSEA), daher ist es der Standard, um eine Theorie mit validierten reflektiven Skalen zu testen. PLS-SEM schätzt gewichtete Composites und konzentriert sich auf erklärte Varianz (R²) und Prädiktion (Q²), daher passt es zu composite- oder formativer Messung, Prädiktionszielen und sehr komplexen Modellen. „Meine Stichprobe ist klein" ist kein Grund, PLS zu wählen: Eine kleine Stichprobe bedeutet in beiden Methoden geringe Power.

Ihre Betreuung sagt „Nehmen Sie AMOS", eine Arbeit, die Sie bewundern, hat SmartPLS verwendet, und ein Gutachter in Ihrem Feld hat PLS gerade „kein echtes SEM" genannt. Die Debatte zwischen den zwei SEM-Familien ist real, manchmal hitzig, und für jemanden, der diese Woche einfach eine Methode wählen muss, oft wenig hilfreich. Dieser Leitfaden liefert Ihnen die Entscheidungskriterien, in denen sich beide Lager tatsächlich einig sind, entkräftet je einen Mythos jeder Seite und ist ehrlich darüber, was weiterhin umstritten bleibt. Explonia rechnet beide Methoden, wir gewinnen also nichts dadurch, welche Sie wählen — uns interessiert nur, dass Sie sie aus dem richtigen Grund wählen.

Was ist der Unterschied zwischen PLS-SEM und CB-SEM?

Die zwei Familien beantworten die Frage „Was ist ein Konstrukt?" unterschiedlich, und fast jeder praktische Unterschied folgt daraus.

CB-SEM schätzt common factors. Eine latente Variable ist die geteilte Varianz ihrer Items — der Teil, den sie gemeinsam haben —, und das Modell reproduziert die Kovarianzmatrix der Daten. Weil die gesamte Kovarianzstruktur auf einmal modelliert wird, erhalten Sie einen globalen Modelltest (χ²) und die vertrauten Fit-Indizes (CFI, RMSEA, SRMR). Die Schätzung erfolgt meist per Maximum-Likelihood. Das ist der Rahmen hinter lavaan, AMOS und Mplus sowie hinter den Berichtskonventionen der meisten theorietestenden Zeitschriften.

PLS-SEM schätzt Composites. Ein Konstrukt ist eine gewichtete Summe seiner Indikatoren, wobei die Gewichte konventionell so beschrieben werden, dass sie die erklärte Varianz (R²) der abhängigen Konstrukte maximieren — auch wenn Kritiker anmerken, dass der Algorithmus kein einzelnes globales Kriterium optimiert (Rönkkö & Evermann, 2013). Der Algorithmus löst eine Reihe partieller Regressionen statt einer globalen Optimierung, weshalb er selbst bei sehr komplexen Modellen leicht konvergiert. Die natürliche Ausgabe ist R² für jedes abhängige Konstrukt, Pfadkoeffizienten und Prädiktionsmaße wie Q² — kein globaler Fit-Test im CB-Sinne, obwohl PLS ein eigenes approximatives Fit-Maß (SRMR) sowie bootstrap-basierte Exact-Fit-Tests hat, die neuer und umstrittener sind als CB-Fit-Indizes (Hair, Risher, Sarstedt, & Ringle, 2019).

Composites und common factors sind unterschiedliche Schätzgrößen (estimands), nicht bessere und schlechtere Versionen desselben Dings (Rigdon, 2012). Wenn Daten durch common factors erzeugt werden, weichen Standard-PLS-Schätzungen in eine bekannte Richtung ab — Ladungen werden tendenziell überschätzt und Strukturpfade unterschätzt —, und dieser Unterschied schrumpft, wenn die Zahl der Indikatoren und die Stichprobe wachsen. Eine korrigierte Variante, consistent PLS (PLSc), entfernt den größten Teil dieses Unterschieds, wenn Sie composite-basierte Schätzung, aber common-factor-ähnliche Ergebnisse wollen (Dijkstra & Henseler, 2015).

Die Entscheidungskriterien, auf die es ankommt

Zwei ehrliche Anmerkungen zu dieser Tabelle. Erstens: Die Zeilen sind keine Checkliste zum Abzählen — Forschungsziel und Messtheorie wiegen am schwersten, und die anderen Zeilen überstimmen sie selten. Zweitens: „Mein Feld erwartet es" ist ein legitimes Kriterium — Berichtskonventionen sind Teil wissenschaftlicher Kommunikation, und eine Verteidigung der Abschlussarbeit ist selten der richtige Ort, um sie zu bekämpfen.

Mythos 1: „PLS-SEM funktioniert mit kleinen Stichproben"

Das ist der häufigste Grund, den Menschen für die Wahl von PLS nennen, und er ist statistisch nicht gedeckt. Eine kleine Stichprobe trägt wenig Information, und kein Schätzer kann Information erzeugen, die in den Daten nicht enthalten ist (Marcoulides & Saunders, 2006). PLS berechnet Schätzungen aus einer kleinen Stichprobe, bei der ML manchmal nicht konvergiert — aber eine Schätzung zu berechnen ist nicht dasselbe wie sie präzise zu schätzen. Statistische Power ist eine Eigenschaft der Stichprobe und der Effektgröße, nicht des Algorithmus, sodass eine Studie, die in CB-SEM underpowered ist, es auch in PLS-SEM ist.

Die alte „10er-Regel" (zehn Fälle pro strukturellem Pfad, der auf ein Konstrukt zeigt) wurde von PLS-Methodologen selbst ausdrücklich zurückgezogen; die aktuelle Empfehlung ist die inverse-square-root-Methode, die die Mindeststichprobe aus dem kleinsten Pfadkoeffizienten berechnet, den Sie entdecken müssen (Kock & Hadaya, 2018). Diese Methode liefert ein Minimum, um einen Effekt zu entdecken, keine Lizenz für kleine Stichproben. Ist Ihre Stichprobe klein, ist die ehrliche Antwort eine ordentliche Stichprobengrößen-Begründung vor der Datenerhebung — der kostenlose Stichprobengrößen-Rechner deckt SEM-spezifische Ansätze ab —, nicht ein Wechsel des Schätzers.

Mythos 2: „PLS-SEM ist kein echtes SEM"

Der symmetrische Mythos vom anderen Lager. Die kritische Literatur hat reale Probleme dokumentiert, wie PLS oft verwendet und überverkauft wurde — Ausnutzen des Zufalls, fehlende Modelltests, Behauptungen zu kleinen Stichproben (Rönkkö & Evermann, 2013). Diese Kritik hat die Praxis verbessert. Aber die Schlussfolgerung „Composites sind kein legitimer Weg, Konstrukte zu modellieren" folgt daraus nicht. Composite-basierte Schätzung beantwortet eine wohldefinierte statistische Frage, Befürworter haben auf jede Kritik der Reihe nach reagiert (Henseler et al., 2014), und die moderne PLS-Praxis umfasst eigene Standards zur Modellbeurteilung (Hair et al., 2019). Eine Methode wird nicht durch die schwächsten Arbeiten disqualifiziert, die sie verwendet haben — auch CB-SEM hat seine eigene Geschichte des Missbrauchs, vom Cherry-Picking bei Fit-Indizes bis zum Hinzufügen von Parametern nur, weil Modifikationsindizes es nahelegen.

Was Sie aus der Debatte mitnehmen sollten, ist kein Sieger, sondern eine Disziplin: Welche Methode Sie auch verwenden, spezifizieren Sie das Messmodell bewusst, begründen Sie die Wahl, bevor Sie die Ergebnisse sehen, und berichten Sie die Beurteilungsstandards dieser Methode vollständig.

Ein Entscheidungsdurchgang

Zwei Szenarien zeigen, wie die Kriterien in der Praxis funktionieren.

Szenario A — Theorietest. Sie testen das Technology Acceptance Model mit validierten reflektiven Skalen (jedes Konstrukt hat 3–4 etablierte Items), einem moderaten Modell und Hypothesen zu bestimmten Pfaden. Die Zeitschriften Ihres Feldes erwarten χ² und Fit-Indizes. Jedes wichtige Kriterium — Ziel, Messtheorie, Fit-Konventionen — spricht für CB-SEM. Das ist der klassische Erst-CFA-dann-SEM-Workflow.

Szenario B — Treiberanalyse. Ein Unternehmen möchte wissen, welches von neun Serviceattributen die Bindungsabsicht am besten vorhersagt, mehrere „Konstrukte" sind formative Indizes aus Checklisten, und das Modell hat viele Prädiktoren. Das Ziel ist Prädiktion, und die Messung ist per Design composite. Die Kriterien sprechen für PLS-SEM, berichtet mit R², Q² und dem vollständigen PLS-Beurteilungsprotokoll statt CB-Fit-Indizes.

Liegt eine Studie zwischen den Szenarien — reflektive Skalen, aber ein Prädiktionsziel, oder ein Theorietest mit einem formativen Konstrukt —, ist der ehrliche Weg, die Spannung zu benennen, nach dem primären Ziel zu wählen und, wo möglich, eine Robustheitsprüfung zu berichten, die Gleiches mit Gleichem vergleicht: Für ein common-factor-Ziel bedeutet das PLSc (Dijkstra & Henseler, 2015). Einfache PLS- und CB-SEM-Schätzungen unterscheiden sich per Design durch die bekannte Verzerrung, sodass dieser Unterschied allein kein Beleg für Instabilität ist.

Häufige Fehler, die Sie vermeiden sollten

• PLS-SEM wählen, weil Ihr CFA-Fit schlecht war — das ist Method Shopping, keine methodologische Entscheidung.
• PLS-SEM allein mit „kleine Stichprobe" begründen; geringe Power betrifft beide Methoden gleichermaßen.
• PLS-SEM mit CB-Vokabular berichten (CFI oder RMSEA für ein Composite-Modell beanspruchen) oder CB-SEM ohne jede Fit-Beurteilung.
• Nur eine Seite der Debatte zitieren — Gutachter aus dem anderen Lager bemerken das.
• Die zurückgezogene „10er-Regel" für die Stichprobengröße statt der inverse-square-root-Methode oder einer Power-Analyse verwenden.
• Methoden nach dem Sehen der Ergebnisse wechseln und den Wechsel als geplant darstellen.

Häufig gestellte Fragen

References

Dijkstra, T. K., & Henseler, J. (2015). Consistent partial least squares path modeling. MIS Quarterly, 39(2), 297–316. https://doi.org/10.25300/MISQ/2015/39.2.02

Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2–24. https://doi.org/10.1108/EBR-11-2018-0203

Henseler, J., Dijkstra, T. K., Sarstedt, M., Ringle, C. M., Diamantopoulos, A., Straub, D. W., Ketchen, D. J., Hair, J. F., Hult, G. T. M., & Calantone, R. J. (2014). Common beliefs and reality about PLS: Comments on Rönkkö and Evermann (2013). Organizational Research Methods, 17(2), 182–209. https://doi.org/10.1177/1094428114526928

Kock, N., & Hadaya, P. (2018). Minimum sample size estimation in PLS-SEM: The inverse square root and gamma-exponential methods. Information Systems Journal, 28(1), 227–261. https://doi.org/10.1111/isj.12131

Marcoulides, G. A., & Saunders, C. (2006). PLS: A silver bullet? MIS Quarterly, 30(2), iii–ix. https://doi.org/10.2307/25148727

Rigdon, E. E. (2012). Rethinking partial least squares path modeling: In praise of simple methods. Long Range Planning, 45(5–6), 341–358. https://doi.org/10.1016/j.lrp.2012.09.010

Rönkkö, M., & Evermann, J. (2013). A critical examination of common beliefs about partial least squares path modeling. Organizational Research Methods, 16(3), 425–448. https://doi.org/10.1177/1094428112474693

Wie Explonia das für Sie erledigt

Explonia ist eine der wenigen Plattformen, die sowohl CB-SEM als auch PLS-SEM durchgängig rechnet — vom Fragebogen über die Datenerhebung bis zum Strukturmodell —, sodass die Wahl zwischen beiden eine methodologische Entscheidung bleibt, kein Software-Zwang. CB-SEM-Ergebnisse sind gegen R/lavaan validiert (siehe /validation/). Welche Methode Sie auch wählen, die Funktion „Article description" entwirft einen Ergebnisabsatz im APA-Stil mit Ihren tatsächlichen Zahlen — Sie bleiben der Autor und bearbeiten jedes Wort —, und Tabellen exportieren nach Word, R, SPSS/.sav und LaTeX. Wenn Sie von einem bestimmten Werkzeug kommen, siehe wie sich Explonia mit SmartPLS vergleicht oder mit lavaan.

Bereit, nach Forschungsziel zu wählen, nicht nach Software? Rechnen Sie CB-SEM und PLS-SEM auf derselben Studie in Explonia. Kostenlos starten →