Partial Least Squares SEM (PLS-SEM)
Esegui il PLS-SEM sui tuoi dati — path coefficient, intervalli di confidenza bootstrap e R² — senza bisogno di una licenza SmartPLS.
Questa pagina è una traduzione dell'originale inglese revisionato. Vedi l'originale (EN)
analisi pls-semChe cos'è
Il partial least squares structural equation modeling (PLS-SEM) stima un path model massimizzando la varianza spiegata dei costrutti dipendenti. È basato sulla varianza, non sulle covarianze, quindi si concentra sulla previsione più che sul confermare il fit globale. Il PLS-SEM gestisce modelli complessi, costrutti formativi e campioni più piccoli meglio del CB-SEM, ed è per questo che è diffuso nel marketing, nei sistemi informativi e nella ricerca manageriale. È il metodo dietro SmartPLS, ed Explonia lo esegue nel browser.
Quando usarlo
- Il tuo obiettivo è la previsione o lo sviluppo di una teoria, più che la sua stretta conferma.
- Hai costrutti formativi, o un misto di misure formative e riflessive.
- Il tuo modello è complesso (molti costrutti e indicatori) oppure il campione è piuttosto piccolo.
- I dati sono lontani dalla normalità, cosa che il PLS gestisce senza assunzioni distribuzionali.
Quando non usarlo
- Devi confermare una teoria consolidata e riportare il fit globale del modello — il CB-SEM è la scelta migliore.
- Ti serve un test del fit esatto basato sul chi-quadro — il PLS-SEM non lo fornisce nel senso classico.
Assunzioni
- Nessuna assunzione distribuzionale — la significatività viene dal bootstrap, non dalla teoria normale.
- Campione sufficiente rispetto al numero massimo di frecce che puntano a un singolo costrutto.
- Specificazione corretta di ogni costrutto come riflessivo o formativo — questo cambia il modo di valutarlo.
- Gli indicatori sono affidabili; indicatori deboli distorcono le stime che massimizzano la varianza.
Soglie e valori limite
| Criterion | Rule of thumb | Source |
|---|---|---|
| Outer loading (riflessivo) | ≥ .70 ideale, ≥ .40 può essere mantenuto se AVE/CR reggono | Hair et al. (2017) |
| AVE | ≥ .50 | Fornell & Larcker (1981; https://doi.org/10.2307/3151312) |
| CR (ρc) / ρA | .70–.95 (composite reliability; riporta ρA o omega accanto, non solo l'alpha di Cronbach) | Hair et al. (2017); Dijkstra & Henseler (2015) |
| HTMT | < .85 rigoroso, < .90 liberale; conferma che il CI bootstrap esclude 1 | Henseler et al. (2015; https://doi.org/10.1007/s11747-014-0403-8); Franke & Sarstedt (2019) |
| R² | .25 debole, .50 moderato, .75 sostanziale (dipende dal contesto) | Hair et al. (2017) |
| Q² (rilevanza predittiva) | > 0 indica rilevanza predittiva | Hair et al. (2017) |
Come riportarlo in APA
La validità discriminante era supportata, con tutti i rapporti HTMT sotto .85 e il limite superiore di ogni intervallo di confidenza bootstrap sotto 1 (Henseler et al., 2015; Franke & Sarstedt, 2019). Il modello strutturale spiegava R² = .XX della varianza nel costrutto target. Il percorso ipotizzato era significativo, β = .XX, con un intervallo di confidenza bootstrap al 95% di [.XX, .XX] (5000 ricampionamenti), e Q² = .XX indicava rilevanza predittiva.
Come Explonia lo esegue
Explonia esegue il PLS-SEM basato sulla varianza nel browser. Costruisci il path model, segni ogni costrutto come riflessivo o formativo, ed Explonia riporta outer loading, AVE, CR, HTMT, path coefficient, R² e intervalli di confidenza bootstrap — con le soglie di qualità applicate. Prepara un'“Article description” in stile APA che puoi modificare. Puoi esportare in R o SPSS (.sav). Nota: il MICOM per l'invarianza di misura nel PLS è in roadmap; la valutazione riflessiva e formativa è già disponibile.
Domande frequenti
Il PLS-SEM è un'alternativa gratuita a SmartPLS?
Explonia esegue il PLS-SEM nel browser ed è gratis per iniziare, così puoi stimare un path model senza una licenza SmartPLS. L'esportazione nativa in R e SPSS è disponibile nei piani a pagamento.
Come riporto la validità discriminante nel PLS-SEM?
Lo standard attuale è il rapporto HTMT: valori sotto .85 (rigoroso) o .90 (liberale) supportano la validità discriminante, idealmente confermati da un intervallo di confidenza bootstrap il cui limite superiore resta sotto 1 (Henseler et al., 2015; Franke & Sarstedt, 2019). Vedi la nostra pagina HTMT e la guida HTMT vs Fornell-Larcker.
Quale R² è considerato buono nel PLS-SEM?
Non esiste una soglia universale. Come guida approssimativa, R² di .25, .50 e .75 sono debole, moderato e sostanziale, ma il riferimento dipende dal tuo campo (Hair et al., 2017).
Il PLS-SEM fornisce il fit del modello come il CB-SEM?
Non nello stesso modo. Il PLS-SEM enfatizza la previsione (R², Q²) più del fit globale. Se devi confermare una teoria con CFI e RMSEA, usa il CB-SEM.
Last updated: luglio 2026
Esegui PLS-SEM sui tuoi stessi dati
Raccogli o carica i tuoi dati, esegui l'analisi nel tuo browser e ottieni una bozza di paragrafo APA che puoi modificare. Inizia gratis. Nessuna carta di credito.
Inizia gratis