PLS-SEM vs CB-SEM: jak wybrać (bez dogmatyzmu)
Ta strona jest tłumaczeniem zrecenzowanego angielskiego oryginału. Zobacz oryginał (EN)
PLS-SEM vs CB-SEMAndrzej Szymkowiak · Ostatnia aktualizacja: lipiec 2026
TL;DR: Wybieraj między PLS-SEM a CB-SEM według celu badania i teorii pomiaru, nie wygody. CB-SEM estymuje czynniki wspólne i daje globalne testy dopasowania (χ², CFI, RMSEA), więc jest domyślnym wyborem do testowania teorii ze zwalidowanymi skalami refleksyjnymi. PLS-SEM estymuje ważone kompozyty i koncentruje się na wyjaśnionej wariancji (R²) oraz predykcji (Q²), więc pasuje do pomiaru kompozytowego lub formatywnego, celów predykcyjnych i bardzo złożonych modeli. „Moja próba jest mała" nie jest powodem wyboru PLS: mała próba oznacza niską moc w obu metodach.
Promotor mówi „użyj AMOS-a", praca, którą podziwiasz, użyła SmartPLS, a recenzent w twojej dziedzinie właśnie nazwał PLS „nie prawdziwym SEM". Debata między dwiema rodzinami SEM jest realna, czasem zażarta i często niepomocna dla kogoś, kto po prostu musi wybrać metodę w tym tygodniu. Ten przewodnik podaje kryteria decyzyjne, co do których obie strony faktycznie się zgadzają, obala jeden mit z każdej strony i jest uczciwy co do tego, co pozostaje sporne. Explonia uruchamia obie metody, więc nie zyskujemy na tym, którą wybierzesz — zależy nam tylko, byś wybrał ją z właściwego powodu.
Jaka jest różnica między PLS-SEM a CB-SEM?
Obie rodziny metod inaczej odpowiadają na pytanie „czym jest konstrukt?" i niemal każda praktyczna różnica wynika właśnie z tego.
CB-SEM estymuje czynniki wspólne. Zmienna latentna to wspólna wariancja jej pozycji — część, którą mają one ze sobą wspólną — a model odtwarza macierz kowariancji danych. Ponieważ cała struktura kowariancji jest modelowana naraz, otrzymujesz globalny test modelu (χ²) oraz znane wskaźniki dopasowania (CFI, RMSEA, SRMR). Estymacja zwykle odbywa się metodą maximum likelihood. To ramy stojące za lavaan, AMOS i Mplus oraz za konwencjami raportowania większości czasopism testujących teorię.
PLS-SEM estymuje kompozyty. Konstrukt jest ważoną sumą swoich indykatorów, z wagami konwencjonalnie opisywanymi jako maksymalizujące wyjaśnioną wariancję (R²) zmiennych zależnych — choć krytycy zauważają, że algorytm nie optymalizuje jednego globalnego kryterium (Rönkkö & Evermann, 2013). Algorytm rozwiązuje serię regresji cząstkowych zamiast jednej globalnej optymalizacji, dlatego zbiega się łatwo nawet dla bardzo złożonych modeli. Naturalnym wynikiem jest R² dla każdego konstruktu zależnego, współczynniki ścieżek i miary predykcyjne, takie jak Q² — nie globalny test dopasowania w sensie CB, choć PLS ma własną przybliżoną miarę dopasowania (SRMR) oraz testy exact-fit oparte na bootstrapie, które są nowsze i bardziej dyskutowane niż wskaźniki dopasowania CB (Hair, Risher, Sarstedt, & Ringle, 2019).
Kompozyty i czynniki wspólne to różne estymandy, nie lepsza i gorsza wersja tego samego (Rigdon, 2012). Gdy dane są generowane przez czynniki wspólne, standardowe estymatory PLS różnią się w znanym kierunku — ładunki bywają przeszacowane, a ścieżki strukturalne niedoszacowane — a ta różnica maleje wraz ze wzrostem liczby indykatorów i wielkości próby. Skorygowany wariant, consistent PLS (PLSc), usuwa większość tej różnicy, gdy chcesz estymacji opartej na kompozytach, ale z wynikami przypominającymi czynniki wspólne (Dijkstra & Henseler, 2015).
Kryteria decyzyjne, które mają znaczenie
| Kryterium | Wskazuje na CB-SEM | Wskazuje na PLS-SEM |
|---|---|---|
| Cel badania | testowanie struktury teorii wobec danych | predykcja, eksploracja determinant wyniku |
| Teoria pomiaru | konstrukty jako czynniki wspólne, zwalidowane skale refleksyjne | konstrukty jako kompozyty; pomiar formatywny |
| Ocena dopasowania | globalny test dopasowania wymagany przez twoją dziedzinę (χ², CFI, RMSEA) | dopasowanie w sensie CB nie jest centralne; R², Q², błąd predykcji |
| Złożoność modelu | umiarkowane modele estymowane metodą ML | bardzo złożone modele, wiele konstruktów i indykatorów |
| Kwestie estymacji | dobrze zachowujące się dane, model zidentyfikowany | problemy ze zbieżnością w CB, dane wtórne z kompozytami |
Dwie uczciwe uwagi do tej tabeli. Po pierwsze, wiersze nie są listą do odhaczenia i zliczenia — cel badania i teoria pomiaru mają największą wagę, a pozostałe wiersze rzadko je przeważają. Po drugie, „moja dziedzina tego oczekuje" jest legitnym kryterium: konwencje raportowania są częścią komunikacji naukowej, a obrona pracy rzadko jest właściwym miejscem, by z nimi walczyć.
Mit 1: „PLS-SEM działa przy małych próbach"
To najczęstszy powód, jaki ludzie podają, wybierając PLS, i nie jest on wsparty statystyką. Mała próba niesie mało informacji, a żaden estymator nie może stworzyć informacji, których nie zawierają dane (Marcoulides & Saunders, 2006). PLS policzy estymaty z małej próby tam, gdzie ML czasem nie osiąga zbieżności — ale policzenie estymatu to nie to samo, co oszacowanie go precyzyjnie. Moc statystyczna jest właściwością próby i wielkości efektu, nie algorytmu, więc badanie niedomocowane w CB-SEM jest niedomocowane też w PLS-SEM.
Stara „reguła 10×" (dziesięć przypadków na każdą ścieżkę strukturalną wskazującą na konstrukt) została wyraźnie wycofana przez samych metodologów PLS; aktualną rekomendacją jest metoda inverse square root, która liczy minimalną wielkość próby na podstawie najmniejszego współczynnika ścieżki, jaki musisz wykryć (Kock & Hadaya, 2018). Ta metoda daje minimum do wykrycia efektu, nie licencję na małe próby. Jeśli twoja próba jest mała, uczciwą odpowiedzią jest właściwe uzasadnienie wielkości próby przed zbieraniem danych — darmowy kalkulator wielkości próby obejmuje podejścia specyficzne dla SEM — nie zmiana estymatora.
Mit 2: „PLS-SEM to nie jest prawdziwy SEM"
Symetryczny mit z drugiego obozu. Literatura krytyczna udokumentowała realne problemy z tym, jak PLS był często stosowany i przesprzedawany — kapitalizowanie na przypadku, brak testowania modelu, twierdzenia o małych próbach (Rönkkö & Evermann, 2013). Ta krytyka poprawiła praktykę. Ale wniosek „kompozyty nie są legitnym sposobem modelowania konstruktów" z niej nie wynika. Estymacja oparta na kompozytach odpowiada na dobrze zdefiniowane pytanie statystyczne, zwolennicy odpowiedzieli na każdy zarzut po kolei (Henseler et al., 2014), a współczesna praktyka PLS obejmuje własne standardy oceny modelu (Hair et al., 2019). Metoda nie jest zdyskwalifikowana przez najsłabsze prace, które jej użyły — CB-SEM ma własną historię nadużyć, od wybierania wskaźników dopasowania pod wynik po dodawanie parametrów tylko dlatego, że sugerują to indeksy modyfikacji.
To, co powinieneś wynieść z tej debaty, to nie zwycięzca, lecz dyscyplina: niezależnie od metody, specyfikuj model pomiarowy świadomie, uzasadniaj wybór przed zobaczeniem wyników i raportuj w pełni standardy oceny wybranej metody.
Przewodnik decyzyjny
Dwa scenariusze pokazują, jak te kryteria działają w praktyce.
Scenariusz A — test teorii. Testujesz model akceptacji technologii (technology acceptance model) ze zwalidowanymi skalami refleksyjnymi (każdy konstrukt ma 3–4 uznane pozycje), umiarkowanym modelem i hipotezami o konkretnych ścieżkach. Czasopisma w twojej dziedzinie oczekują χ² i wskaźników dopasowania. Każde ważne kryterium — cel, teoria pomiaru, konwencje dopasowania — wskazuje na CB-SEM. To klasyczny przebieg najpierw-CFA-potem-SEM.
Scenariusz B — analiza determinant. Firma chce wiedzieć, które z dziewięciu atrybutów usługi najlepiej przewidują intencję pozostania (retencję), kilka „konstruktów" to formatywne indeksy zbudowane z checklist, a model ma wielu predyktorów. Celem jest predykcja, a pomiar jest kompozytowy z założenia. Kryteria wskazują na PLS-SEM, raportowane z R², Q² i pełnym protokołem oceny PLS zamiast wskaźników dopasowania CB.
Gdy badanie znajduje się między tymi scenariuszami — skale refleksyjne, ale cel predykcyjny, albo test teorii z jednym konstruktem formatywnym — uczciwym posunięciem jest nazwanie napięcia, wybór wg głównego celu i, gdzie to możliwe, zaraportowanie kontroli odporności porównującej podobne z podobnym: dla celu opartego na czynniku wspólnym oznacza to PLSc (Dijkstra & Henseler, 2015). Zwykłe PLS i estymaty CB-SEM różnią się o znaną obciążoność z założenia, więc sama ta różnica nie jest dowodem niestabilności.
Częste błędy, których należy unikać
- Wybieranie PLS-SEM, bo dopasowanie CFA było słabe — to dobieranie metody pod wynik, nie decyzja metodologiczna.
- Uzasadnianie PLS-SEM samą „małą próbą"; niska moc dotyczy obu metod jednakowo.
- Raportowanie PLS-SEM słownictwem CB (twierdzenie o CFI lub RMSEA dla modelu kompozytowego) albo CB-SEM bez żadnej oceny dopasowania.
- Cytowanie tylko jednej strony debaty — recenzenci z drugiego obozu to zauważą.
- Używanie wycofanej „reguły 10×" do wielkości próby zamiast metody inverse square root albo analizy mocy.
- Zmiana metody po zobaczeniu wyników i przedstawianie tej zmiany jako zaplanowanej.
Najczęściej zadawane pytania
Jaka jest główna różnica między PLS-SEM a CB-SEM?
CB-SEM modeluje konstrukty jako czynniki wspólne i odtwarza macierz kowariancji, dając globalny test dopasowania. PLS-SEM modeluje konstrukty jako ważone kompozyty i maksymalizuje wyjaśnioną wariancję, dając R² i miary predykcyjne zamiast wskaźników dopasowania w stylu CB. Większość praktycznych różnic wynika z tej różnicy estymandów.
Kiedy powinienem użyć PLS-SEM zamiast CB-SEM?
Gdy celem badania jest predykcja lub analiza determinant, twój pomiar jest kompozytowy lub formatywny z założenia, albo twój model jest zbyt złożony dla stabilnej estymacji ML. Wybierz przed analizą i podaj powód — „oprogramowanie się zbiegło" i „moja próba jest mała" nie są powodami.
Czy PLS-SEM jest akceptowany w czasopismach z górnej ligi?
To zależy od dziedziny. PLS-SEM jest ugruntowany w czasopismach z zakresu information systems, marketingu i zarządzania, które stosują jego standardy raportowania (Hair et al., 2019); część czasopism psychologicznych i metodologicznych pozostaje sceptyczna (Rönkkö & Evermann, 2013). Sprawdź, jakie stanowisko ma twoje docelowe czasopismo, zanim się zobowiążesz — i tak czy inaczej stosuj pełny protokół oceny wybranej metody.
Czy mogę uruchomić obie metody na tych samych danych?
Jako kontrolę odporności — tak, ale porównuj podobne z podobnym: zwykłe PLS i estymaty CB-SEM różnią się z założenia, więc sensownym porównaniem dla modelu opartego na czynniku wspólnym jest PLSc vs CB-SEM (Dijkstra & Henseler, 2015). Zaraportuj jedną metodę jako główną, wybraną przed analizą, a drugą jako uzupełniającą. Uruchomienie obu i zaraportowanie tej, która wygląda lepiej, to ten sam p-hacking, przed którym ostrzega ten przewodnik.
Czy Explonia może uruchomić zarówno PLS-SEM, jak i CB-SEM?
Tak. Explonia uruchamia CB-SEM (zwalidowany wobec R/lavaan — zobacz stronę walidacji) oraz PLS-SEM na tych samych danych badania, więc możesz wybierać wg celu badania, nie wg tego, jakiego oprogramowania akurat masz. Funkcja „Article description" przygotowuje akapit wyników dla wybranej przez ciebie metody, a ty edytujesz go jako autor.
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
Jak Explonia robi to za ciebie
Explonia to jedna z niewielu platform, które prowadzą zarówno CB-SEM, jak i PLS-SEM od początku do końca — od kwestionariusza przez zbieranie danych po model strukturalny — więc wybór między nimi pozostaje decyzją metodologiczną, nie ograniczeniem oprogramowania. Wyniki CB-SEM są zwalidowane wobec R/lavaan (zobacz /validation/). Niezależnie od wybranej metody, funkcja „Article description" przygotowuje akapit wyników w stylu APA z twoimi rzeczywistymi liczbami — ty pozostajesz autorem i edytujesz każde słowo — a tabele eksportują się do Word, R, SPSS/.sav i LaTeX. Jeśli przechodzisz z konkretnego narzędzia, zobacz jak Explonia wypada na tle SmartPLS lub na tle lavaan.
Gotowy, by wybierać wg celu badania, nie wg oprogramowania? Uruchom CB-SEM i PLS-SEM na tym samym badaniu w Explonii. Zacznij za darmo →
Jak cytować ten artykuł
Jeśli ten artykuł pomógł w Twoich badaniach, możesz go zacytować (APA 7):
Szymkowiak, A. (2026). PLS-SEM vs CB-SEM: jak wybrać (bez dogmatyzmu). Explonia. https://explonia.com/pl/blog/pls-sem-vs-cb-sem/
Last updated: lipiec 2026
Przeprowadź całe badanie w jednym miejscu
Zaprojektuj je, zbierz dane i policz prawdziwe CFA oraz SEM na własnych danych — z gotowym akapitem APA, który możesz edytować. Start za darmo.
Zacznij za darmo