Partial Least Squares SEM (PLS-SEM)
Uruchom PLS-SEM na własnych danych — współczynniki ścieżkowe, bootstrapowe przedziały ufności i R² — bez licencji SmartPLS.
Ta strona jest tłumaczeniem zrecenzowanego angielskiego oryginału. Zobacz oryginał (EN)
analiza pls-semCzym jest
Partial least squares structural equation modeling (PLS-SEM) estymuje model ścieżkowy, maksymalizując wyjaśnioną wariancję konstruktów zależnych. Jest oparte na wariancji, a nie na kowariancji, więc skupia się na predykcji, a nie na potwierdzaniu globalnego dopasowania. PLS-SEM lepiej niż CB-SEM radzi sobie ze złożonymi modelami, konstruktami formatywnymi i mniejszymi próbami, dlatego jest popularne w marketingu, systemach informacyjnych i badaniach z zakresu zarządzania. To metoda stojąca za SmartPLS, a Explonia uruchamia ją w przeglądarce.
Kiedy stosować
- Twoim celem jest predykcja lub rozwój teorii, a nie ścisłe potwierdzanie teorii.
- Masz konstrukty formatywne albo mieszankę miar formatywnych i refleksyjnych.
- Twój model jest złożony (wiele konstruktów i wskaźników) lub Twoja próba jest raczej mniejsza.
- Dane są dalekie od normalności, z czym PLS radzi sobie bez założeń o rozkładzie.
Kiedy nie stosować
- Musisz potwierdzić ustaloną teorię i raportować globalne dopasowanie modelu — CB-SEM pasuje lepiej.
- Potrzebujesz testu dokładnego dopasowania opartego na chi-kwadrat — PLS-SEM nie zapewnia go w klasycznym sensie.
Założenia
- Brak założenia o rozkładzie — istotność pochodzi z bootstrapu, a nie z teorii rozkładu normalnego.
- Wystarczająca próba względem największej liczby strzałek wskazujących na jeden konstrukt.
- Poprawna specyfikacja każdego konstruktu jako refleksyjnego lub formatywnego — to zmienia sposób jego oceny.
- Wskaźniki są rzetelne; słabe wskaźniki zniekształcają estymacje maksymalizujące wariancję.
Progi i wartości graniczne
| Criterion | Rule of thumb | Source |
|---|---|---|
| Ładunek zewnętrzny (refleksyjny) | ≥ .70 idealnie, ≥ .40 można zachować, jeśli AVE/CR się utrzymują | Hair et al. (2017) |
| AVE | ≥ .50 | Fornell & Larcker (1981; https://doi.org/10.2307/3151312) |
| CR (ρc) / ρA | .70–.95 (composite reliability; raportuj obok ρA lub omega, nie samą Cronbach's alpha) | Hair et al. (2017); Dijkstra & Henseler (2015) |
| HTMT | < .85 rygorystyczny, < .90 liberalny; potwierdź, że bootstrapowy CI wyklucza 1 | Henseler et al. (2015; https://doi.org/10.1007/s11747-014-0403-8); Franke & Sarstedt (2019) |
| R² | .25 słaby, .50 umiarkowany, .75 znaczny (zależnie od kontekstu) | Hair et al. (2017) |
| Q² (trafność predykcyjna) | > 0 wskazuje na trafność predykcyjną | Hair et al. (2017) |
Jak raportować w APA
Trafność różnicowa została potwierdzona — wszystkie wskaźniki HTMT poniżej .85, a górna granica każdego bootstrapowego przedziału ufności poniżej 1 (Henseler et al., 2015; Franke & Sarstedt, 2019). Model strukturalny wyjaśnił R² = .XX wariancji konstruktu docelowego. Hipotetyczna ścieżka była istotna, β = .XX, z bootstrapowym 95% CI [.XX, .XX] (5 000 prób), a Q² = .XX wskazało na trafność predykcyjną.
Jak liczy to Explonia
Explonia uruchamia oparte na wariancji PLS-SEM w przeglądarce. Budujesz model ścieżkowy, oznaczasz każdy konstrukt jako refleksyjny lub formatywny, a Explonia raportuje ładunki zewnętrzne, AVE, CR, HTMT, współczynniki ścieżkowe, R² i bootstrapowe przedziały ufności — z zastosowanymi progami jakości. Przygotowuje „Article description” w stylu APA do edycji. Możesz wyeksportować do R lub SPSS (.sav). Uwaga: MICOM dla inwariancji pomiarowej w PLS jest w planach; ocena refleksyjna i formatywna jest dostępna już teraz.
Najczęściej zadawane pytania
Czy PLS-SEM to darmowa alternatywa dla SmartPLS?
Explonia uruchamia PLS-SEM w przeglądarce i ma darmowy start, więc możesz dopasować model ścieżkowy bez licencji SmartPLS. Natywny eksport do R i SPSS jest dostępny w płatnych planach.
Jak raportować trafność różnicową w PLS-SEM?
Obecnym standardem jest wskaźnik HTMT: wartości poniżej .85 (rygorystyczny) lub .90 (liberalny) wspierają trafność różnicową, najlepiej potwierdzone bootstrapowym przedziałem ufności, którego górna granica pozostaje poniżej 1 (Henseler et al., 2015; Franke & Sarstedt, 2019). Zobacz naszą stronę HTMT oraz poradnik HTMT vs Fornell-Larcker.
Jakie R² uchodzi za dobre w PLS-SEM?
Nie ma uniwersalnego progu. Z grubsza R² na poziomie .25, .50 i .75 to słaby, umiarkowany i znaczny, ale punkt odniesienia zależy od Twojej dziedziny (Hair et al., 2017).
Czy PLS-SEM podaje dopasowanie modelu jak CB-SEM?
Nie w ten sam sposób. PLS-SEM kładzie nacisk na predykcję (R², Q²) nad globalnym dopasowaniem. Jeśli musisz potwierdzić teorię za pomocą CFI i RMSEA, użyj CB-SEM.
Last updated: lipiec 2026
Policz PLS-SEM na własnych danych
Zbierz lub wgraj swoje dane, wykonaj analizę w przeglądarce i uzyskaj gotowy akapit APA, który możesz edytować. Start za darmo. Bez karty.
Zacznij za darmo