Partial Least Squares SEM (PLS-SEM)
Ejecuta PLS-SEM sobre tus propios datos — coeficientes de trayectoria, intervalos de confianza bootstrap y R² — sin necesidad de licencia de SmartPLS.
Esta página es una traducción del original inglés revisado. Ver el original (EN)
análisis pls-semQué es
El partial least squares structural equation modeling (PLS-SEM) estima un modelo de rutas maximizando la varianza explicada de los constructos dependientes. Está basado en la varianza, no en la covarianza, así que se centra en la predicción más que en confirmar el ajuste global. El PLS-SEM maneja modelos complejos, constructos formativos y muestras más pequeñas mejor que el CB-SEM, por lo que es popular en marketing, sistemas de información e investigación en gestión. Es el método detrás de SmartPLS, y Explonia lo ejecuta en el navegador.
Cuándo usarlo
- Tu objetivo es la predicción o el desarrollo de teoría más que la confirmación estricta de una teoría.
- Tienes constructos formativos, o una mezcla de medidas formativas y reflexivas.
- Tu modelo es complejo (muchos constructos e indicadores) o tu muestra es más bien pequeña.
- Los datos están lejos de la normalidad, algo que PLS maneja sin supuestos distribucionales.
Cuándo no usarlo
- Debes confirmar una teoría establecida y reportar el ajuste global del modelo — el CB-SEM encaja mejor.
- Necesitas una prueba de ajuste exacto basada en chi-cuadrado — el PLS-SEM no la proporciona en el sentido clásico.
Supuestos
- Sin supuesto distribucional — la significación proviene del bootstrapping, no de la teoría normal.
- Muestra suficiente en relación con el mayor número de flechas que apuntan a un mismo constructo.
- Especificación correcta de cada constructo como reflexivo o formativo — esto cambia cómo lo evalúas.
- Los indicadores son fiables; los indicadores débiles distorsionan las estimaciones que maximizan la varianza.
Umbrales y valores de corte
| Criterion | Rule of thumb | Source |
|---|---|---|
| Carga externa (reflectiva) | ≥ .70 ideal, ≥ .40 puede conservarse si AVE/CR se mantienen | Hair et al. (2017) |
| AVE | ≥ .50 | Fornell & Larcker (1981; https://doi.org/10.2307/3151312) |
| CR (ρc) / ρA | .70–.95 (composite reliability; reporta ρA u omega junto a ella, no solo el alpha de Cronbach) | Hair et al. (2017); Dijkstra & Henseler (2015) |
| HTMT | < .85 estricto, < .90 liberal; confirma que el CI bootstrap excluye 1 | Henseler et al. (2015; https://doi.org/10.1007/s11747-014-0403-8); Franke & Sarstedt (2019) |
| R² | .25 débil, .50 moderado, .75 sustancial (depende del contexto) | Hair et al. (2017) |
| Q² (relevancia predictiva) | > 0 indica relevancia predictiva | Hair et al. (2017) |
Cómo informarlo en APA
Se respaldó la validez discriminante, con todos los ratios HTMT por debajo de .85 y el límite superior de cada intervalo de confianza bootstrap por debajo de 1 (Henseler et al., 2015; Franke & Sarstedt, 2019). El modelo estructural explicó R² = .XX de la varianza en el constructo objetivo. La ruta hipotetizada fue significativa, β = .XX, con un intervalo de confianza bootstrap del 95% de [.XX, .XX] (5000 remuestreos), y Q² = .XX indicó relevancia predictiva.
Cómo lo ejecuta Explonia
Explonia ejecuta el PLS-SEM basado en varianza en el navegador. Construyes el modelo de rutas, marcas cada constructo como reflexivo o formativo, y Explonia reporta las cargas externas, el AVE, el CR, el HTMT, los coeficientes de trayectoria, el R² y los intervalos de confianza bootstrap — con los umbrales de calidad aplicados. Redacta una «Article description» en estilo APA que puedes editar. Puedes exportar a R o SPSS (.sav). Nota: MICOM para la measurement invariance en PLS está en la hoja de ruta; la evaluación reflectiva y formativa están disponibles ahora.
Preguntas frecuentes
¿Es PLS-SEM una alternativa gratuita a SmartPLS?
Explonia ejecuta PLS-SEM en el navegador y es gratis para empezar, así que puedes ajustar un modelo de rutas sin una licencia de SmartPLS. La exportación nativa a R y SPSS está disponible en los planes de pago.
¿Cómo reporto la validez discriminante en PLS-SEM?
El estándar actual es el ratio HTMT: valores por debajo de .85 (estricto) o .90 (liberal) respaldan la validez discriminante, idealmente confirmados por un intervalo de confianza bootstrap cuyo límite superior se mantenga por debajo de 1 (Henseler et al., 2015; Franke & Sarstedt, 2019). Consulta nuestra página de HTMT y la guía HTMT vs Fornell-Larcker.
¿Qué R² cuenta como bueno en PLS-SEM?
No hay un umbral universal. Como guía aproximada, un R² de .25, .50 y .75 es débil, moderado y sustancial, pero el referente depende de tu campo (Hair et al., 2017).
¿Da el PLS-SEM ajuste del modelo como el CB-SEM?
No de la misma manera. El PLS-SEM enfatiza la predicción (R², Q²) sobre el ajuste global. Si necesitas confirmar una teoría con CFI y RMSEA, usa CB-SEM.
Last updated: julio 2026
Ejecuta PLS-SEM con tus propios datos
Recoge o sube tus datos, ejecuta el análisis en tu navegador y obtén un borrador de párrafo APA que puedes editar. Empieza gratis. Sin tarjeta.
Empezar gratis