PLS-SEM vs CB-SEM: cómo elegir (sin dogmatismo)

Andrzej Szymkowiak · Última revisión: julio de 2026

TL;DR: Elige entre PLS-SEM y CB-SEM por objetivo de investigación y teoría de medición, no por conveniencia. CB-SEM estima factores comunes y ofrece pruebas de ajuste global (χ², CFI, RMSEA), por lo que es la opción por defecto para probar una teoría con escalas reflectivas validadas. PLS-SEM estima composites ponderados y se centra en la varianza explicada (R²) y la predicción (Q²), por lo que se ajusta a la medición composite o formativa, a objetivos de predicción y a modelos muy complejos. "Mi muestra es pequeña" no es una razón para elegir PLS: una muestra pequeña significa poca potencia en ambos métodos.

Tu supervisor dice "usa AMOS", un artículo que admiras usó SmartPLS, y un revisor de tu campo acaba de llamar a PLS "no es SEM de verdad". El debate entre las dos familias de SEM es real, a veces acalorado, y a menudo poco útil para quien simplemente tiene que elegir un método esta semana. Esta guía te da los criterios de decisión en los que ambos bandos realmente coinciden, desmonta un mito de cada lado, y es honesta sobre lo que sigue en disputa. Explonia ejecuta ambos métodos, así que no ganamos nada según cuál elijas — solo nos importa que lo elijas por la razón correcta.

¿Cuál es la diferencia entre PLS-SEM y CB-SEM?

Las dos familias responden de forma distinta a la pregunta "¿qué es un constructo?", y casi toda diferencia práctica se deriva de eso.

CB-SEM estima factores comunes. Una variable latente es la varianza compartida de sus ítems — la parte que tienen en común — y el modelo reproduce la matriz de covarianzas de los datos. Como toda la estructura de covarianzas se modela a la vez, obtienes una prueba global del modelo (χ²) y los índices de ajuste habituales (CFI, RMSEA, SRMR). La estimación suele ser de máxima verosimilitud. Este es el marco detrás de lavaan, AMOS y Mplus, y detrás de las convenciones de reporte de la mayoría de las revistas que prueban teoría.

PLS-SEM estima composites. Un constructo es una suma ponderada de sus indicadores, con pesos convencionalmente descritos como maximizadores de la varianza explicada (R²) de los constructos dependientes — aunque los críticos señalan que el algoritmo no optimiza un único criterio global (Rönkkö & Evermann, 2013). El algoritmo resuelve una serie de regresiones parciales en lugar de una optimización global única, por lo que converge fácilmente incluso en modelos muy complejos. El resultado natural es el R² de cada constructo dependiente, los coeficientes de senderos, y métricas de predicción como Q² — no una prueba de ajuste global en el sentido CB, aunque PLS tiene su propia medida de ajuste aproximado (SRMR) y pruebas de ajuste exacto basadas en bootstrap, que son más nuevas y más debatidas que los índices de ajuste CB (Hair, Risher, Sarstedt, & Ringle, 2019).

Composites y factores comunes son estimandos distintos, no versiones mejor y peor de lo mismo (Rigdon, 2012). Cuando los datos son generados por factores comunes, las estimaciones PLS estándar difieren en una dirección conocida — las cargas tienden a sobreestimarse y los coeficientes estructurales a subestimarse — y esta diferencia se reduce a medida que crecen el número de indicadores y la muestra. Una variante corregida, PLS consistente (PLSc), elimina la mayor parte de esta diferencia cuando quieres una estimación basada en composites pero con estimaciones parecidas a las de factores comunes (Dijkstra & Henseler, 2015).

Los criterios de decisión que importan

Dos notas honestas sobre esta tabla. Primero, las filas no son una lista para contar — el objetivo de investigación y la teoría de medición tienen más peso, y las demás filas rara vez las anulan. Segundo, "mi campo lo espera" es un criterio legítimo: las convenciones de reporte son parte de la comunicación científica, y la defensa de una tesis rara vez es el lugar adecuado para luchar contra ellas.

Mito 1: "PLS-SEM funciona con muestras pequeñas"

Esta es la razón más común que da la gente para elegir PLS, y no está respaldada por la estadística. Una muestra pequeña contiene poca información, y ningún estimador puede crear información que los datos no contienen (Marcoulides & Saunders, 2006). PLS calculará estimaciones a partir de una muestra pequeña donde ML a veces no converge — pero calcular una estimación no es lo mismo que estimarla con precisión. La potencia estadística es una propiedad de la muestra y el tamaño del efecto, no del algoritmo, así que un estudio infrapotenciado en CB-SEM también lo está en PLS-SEM.

La antigua "regla de 10 veces" (diez casos por cada sendero estructural que apunta a un constructo) ha sido retirada explícitamente por los propios metodólogos de PLS; la recomendación actual es el método de la raíz cuadrada inversa, que calcula la muestra mínima a partir del coeficiente de sendero más pequeño que necesitas detectar (Kock & Hadaya, 2018). Ese método da un mínimo para detectar un efecto, no una licencia para muestras pequeñas. Si tu muestra es pequeña, la respuesta honesta es una justificación adecuada del tamaño de muestra antes de la recogida de datos — la calculadora de tamaño de muestra gratuita cubre los enfoques específicos de SEM — no un cambio de estimador.

Mito 2: "PLS-SEM no es SEM de verdad"

El mito simétrico del otro bando. La literatura crítica ha documentado problemas reales sobre cómo PLS se usó y se vendió con frecuencia — capitalización del azar, ausencia de pruebas del modelo, afirmaciones sobre muestras pequeñas (Rönkkö & Evermann, 2013). Esas críticas mejoraron la práctica. Pero la conclusión "los composites no son una forma legítima de modelar constructos" no se sigue de ahí. La estimación basada en composites responde a una pregunta estadística bien definida, sus defensores respondieron a cada crítica por turno (Henseler et al., 2014), y la práctica moderna de PLS incluye sus propios estándares de evaluación del modelo (Hair et al., 2019). Un método no queda descalificado por los artículos más débiles que lo usaron — CB-SEM tiene su propia historia de mal uso, desde elegir a dedo índices de ajuste hasta añadir parámetros solo porque los índices de modificación lo sugieren.

Lo que deberías sacar de este debate no es un ganador sino una disciplina: cualquiera que sea el método que uses, especifica el modelo de medición deliberadamente, justifica la elección antes de ver los resultados, y reporta por completo los estándares de evaluación de ese método.

Un recorrido de decisión

Dos escenarios muestran cómo funcionan los criterios en la práctica.

Escenario A — prueba de teoría. Estás probando el modelo de aceptación de la tecnología con escalas reflectivas validadas (cada constructo tiene entre 3 y 4 ítems establecidos), un modelo moderado, e hipótesis sobre senderos específicos. Las revistas de tu campo esperan χ² e índices de ajuste. Casi todos los criterios principales — objetivo, teoría de medición, convenciones de ajuste — apuntan a CB-SEM. Este es el clásico flujo de trabajo primero CFA, luego SEM.

Escenario B — análisis de factores impulsores. Una empresa quiere saber cuáles de nueve atributos de servicio predicen mejor la intención de retención, varios "constructos" son índices formativos construidos a partir de listas de verificación, y el modelo tiene muchos predictores. El objetivo es la predicción, y la medición es composite por diseño. Los criterios apuntan a PLS-SEM, reportado con R², Q², y el protocolo completo de evaluación de PLS en lugar de índices de ajuste CB.

Cuando un estudio queda entre los dos escenarios — escalas reflectivas pero un objetivo de predicción, o una prueba de teoría con un constructo formativo — el movimiento honesto es declarar la tensión, elegir según el objetivo principal, y, cuando sea posible, reportar una comprobación de robustez que compare lo comparable: para un objetivo de factor común eso significa PLSc (Dijkstra & Henseler, 2015). Las estimaciones de PLS simple y CB-SEM difieren por el sesgo conocido por diseño, así que esa diferencia por sí sola no es evidencia de inestabilidad.

Errores comunes que conviene evitar

• Elegir PLS-SEM porque el ajuste de tu CFA fue pobre — eso es "method shopping" (elegir el método según el resultado), no una decisión metodológica.
• Justificar PLS-SEM solo con "muestra pequeña"; la baja potencia afecta a ambos métodos por igual.
• Reportar PLS-SEM con vocabulario CB (reclamar CFI o RMSEA para un modelo composite) o CB-SEM sin ninguna evaluación de ajuste.
• Citar solo un lado del debate — los revisores del otro bando lo notarán.
• Usar la "regla de 10 veces" retirada para el tamaño de muestra en lugar del método de la raíz cuadrada inversa o un análisis de potencia.
• Cambiar de método después de ver los resultados y presentar el cambio como planeado.

Preguntas frecuentes

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

Cómo Explonia hace esto por ti

Explonia es una de las pocas plataformas que ejecuta tanto CB-SEM como PLS-SEM de principio a fin — desde el cuestionario, pasando por la recogida de datos, hasta el modelo estructural — así que la elección entre ambos sigue siendo una decisión metodológica, no una limitación de software. Los resultados de CB-SEM están validados frente a R/lavaan (consulta /validation/). Cualquiera que sea el método que elijas, la función "Article description" redacta un párrafo de resultados en estilo APA con tus números reales — tú sigues siendo el autor y editas cada palabra — y las tablas se exportan a Word, R, SPSS/.sav y LaTeX. Si vienes de una herramienta específica, consulta cómo se compara Explonia con SmartPLS o con lavaan.

¿Listo para elegir según el objetivo de investigación, no según el software? Ejecuta CB-SEM y PLS-SEM sobre el mismo estudio en Explonia. Empieza gratis →