Partial Least Squares SEM (PLS-SEM)
Rode o PLS-SEM com seus próprios dados - coeficientes de caminho, intervalos de confiança bootstrap e R² - sem precisar de uma licença do SmartPLS.
Esta página é uma tradução do original em inglês, revisado por pares. Ver o original (EN)
análise pls-semO que é
A modelagem de equações estruturais por mínimos quadrados parciais (PLS-SEM) estima um modelo de caminhos a partir de compostos ponderados dos indicadores. Os pesos costumam ser descritos como os que maximizam a variância explicada (R²) dos construtos dependentes, mas críticos argumentam que o algoritmo não otimiza um único critério global (Rönkkö et al., 2016). Ela é baseada em variância, não em covariância, então foca na predição em vez de confirmar o ajuste global. O PLS-SEM lida bem com modelos complexos e construtos formativos e é comum em pesquisas de marketing, sistemas de informação e gestão. Ele não elimina a necessidade de uma amostra adequada: planeje a amostra a partir do modelo e dos tamanhos de efeito esperados, não da regra de que o PLS funciona com N pequeno. É o método por trás do SmartPLS, e a Explonia o roda no navegador.
Quando usar
- Seu objetivo é predição ou desenvolvimento de teoria, e não confirmação estrita de teoria.
- Você tem construtos formativos, ou uma combinação de medidas formativas e reflexivas.
- Seu modelo é complexo (muitos construtos e indicadores), ou o CB-SEM não converge ou gera soluções inadmissíveis (por exemplo, variâncias de erro negativas). O PLS-SEM ainda converge nesses casos (Henseler et al., 2014), mas não acrescenta poder estatístico, então uma amostra pequena, sozinha, não é motivo para escolhê-lo. Verifique o modelo primeiro: um modelo CB-SEM que não converge também pode indicar um modelo mal especificado (Rönkkö et al., 2016).
- Os dados estão longe da normalidade e você prefere a inferência por bootstrap a testes baseados na teoria normal.
Quando não usar
- Você precisa confirmar uma teoria estabelecida e reportar o ajuste global do modelo - o CB-SEM é a opção melhor.
- Você precisa de um teste de ajuste exato baseado em qui-quadrado - o PLS-SEM não oferece isso no sentido clássico.
Pressupostos
- Sem pressuposto de normalidade multivariada para a estimação; a inferência se baseia no bootstrapping, que exige uma amostra adequada e casos independentes.
- Uma amostra grande o suficiente para detectar o menor caminho que interessa a você, planejada antes da coleta de dados com uma análise de poder ou o método da raiz quadrada inversa (inverse square root method; Kock & Hadaya, 2018). O CB-SEM exige o mesmo planejamento, com uma análise de poder para o modelo estrutural.
- Especificação correta de cada construto como reflexivo ou formativo - isso muda a forma de avaliá-lo.
- Os indicadores são confiáveis; indicadores fracos distorcem as estimativas que maximizam a variância.
Pontos de corte
| Criterion | Rule of thumb | Source |
|---|---|---|
| Carga externa (reflexiva) | ≥ .70 ideal, ≥ .40 pode ser mantida se AVE/CR se sustentarem | Hair et al. (2017) |
| AVE | ≥ .50 | Fornell & Larcker (1981; https://doi.org/10.2307/3151312) |
| CR (ρc) / ρA | .70-.95 (confiabilidade composta; reporte ρA ou ômega junto, não apenas a alfa de Cronbach) | Hair et al. (2019; https://doi.org/10.1108/EBR-11-2018-0203), Table I; Dijkstra & Henseler (2015) |
| HTMT | < .85 rigoroso, < .90 liberal; confirme que o CI do bootstrap exclui 1 | Henseler et al. (2015; https://doi.org/10.1007/s11747-014-0403-8); Franke & Sarstedt (2019) |
| R² | .25 fraco, .50 moderado, .75 substancial (depende do contexto) | Hair et al. (2011; https://doi.org/10.2753/MTP1069-6679190202); Hair et al. (2019; https://doi.org/10.1108/EBR-11-2018-0203) |
| Q² (relevância preditiva) | > 0 indica relevância preditiva | Hair et al. (2019; https://doi.org/10.1108/EBR-11-2018-0203) |
| SRMR (ajuste aproximado) | Não há ponto de corte estabelecido para o PLS: sugere-se < .08, mas esses limiares são muito provisórios, então reporte o SRMR sem um veredito de ajuste | Henseler et al. (2016; https://doi.org/10.1108/IMDS-09-2015-0382); Hair et al. (2019) |
Como reportar em APA
A validade discriminante foi sustentada, com todas as razões HTMT abaixo de .85 e o limite superior de cada CI bootstrap abaixo de 1 (Henseler et al., 2015; Franke & Sarstedt, 2019). O modelo estrutural explicou R² = .XX da variância do construto-alvo. O caminho hipotetizado foi significativo, β = .XX, com um CI bootstrap de 95% de [.XX, .XX] (5000 reamostragens), e Q² = .XX indicou relevância preditiva.
Como a Explonia calcula isso
A Explonia roda o PLS-SEM baseado em variância no navegador: o PLS padrão como configuração inicial, ou o PLS consistente (PLSc) como opção (Dijkstra & Henseler, 2015). Você constrói o modelo de caminhos, marca cada construto como reflexivo ou formativo e escolhe o esquema de ponderação interna (path, factor ou centroid). Para o modelo de mensuração, a Explonia reporta as cargas externas e a confiabilidade dos indicadores, os pesos externos com VIF para construtos formativos, a alfa de Cronbach, ρA, a confiabilidade composta (ρc) e a AVE, o HTMT com intervalos de confiança bootstrap, o critério de Fornell-Larcker e as cargas cruzadas. Para o modelo estrutural, ela reporta os coeficientes de caminho com intervalos de confiança bootstrap (200, 1000, 2000 ou 5000 reamostragens, percentil ou com correção de viés), f², R² e R² ajustado, Q² por blindfolding (apenas no PLS padrão), o VIF do modelo interno, os efeitos indiretos e totais para mediação e um termo de moderação opcional. O SRMR é mostrado sem um veredito de ajuste. Ela redige uma 'Article description' em APA que você pode editar, com as configurações do bootstrap, os intervalos de confiança e o Q². O PLSc corrige os construtos reflexivos por meio de ρA: ele fornece cargas consistentes e correlações entre construtos corrigidas pelo erro de mensuração, e calcula caminhos, R², f² e VIF a partir dessas correlações corrigidas. ρc e AVE vêm das cargas consistentes, os construtos formativos não são corrigidos, e o mesmo bootstrap fornece os intervalos para caminhos e cargas. Com o PLSc, a Explonia não calcula o Q² (blindfolding), e o PLSc não pode ser combinado com um termo de moderação. Os resultados do PLSc foram conferidos contra o R (cSEM). Você pode exportar os dados para SPSS (.sav) e um script em R (seminr) com o mesmo modelo de mensuração e estrutural; com o PLSc, o script define os construtos reflexivos com reflective(), o que exige o seminr 2.6.0 ou posterior. O MICOM para invariância de medida no PLS está no roteiro.
Perguntas frequentes
O PLS-SEM é uma alternativa gratuita ao SmartPLS?
A Explonia roda o PLS-SEM no navegador e é grátis para começar, então você pode ajustar um modelo de caminhos sem uma licença do SmartPLS. A exportação nativa para R e SPSS está disponível nos planos pagos.
Como reportar a validade discriminante no PLS-SEM?
O padrão atual é a razão HTMT: valores abaixo de .85 (rigoroso) ou .90 (liberal) sustentam a validade discriminante, idealmente confirmados por um CI bootstrap cujo limite superior permanece abaixo de 1 (Henseler et al., 2015; Franke & Sarstedt, 2019). Veja nossa página sobre HTMT e o guia HTMT vs Fornell-Larcker.
Que R² conta como bom no PLS-SEM?
Não existe um ponto de corte universal. Como orientação aproximada, R² de .25, .50 e .75 são fraco, moderado e substancial, mas o parâmetro depende da sua área (Hair et al., 2011; Hair et al., 2019).
O PLS-SEM fornece ajuste do modelo como o CB-SEM?
Não da mesma forma. O PLS-SEM enfatiza a predição (R², Q²) em vez do ajuste global. O SRMR pode ser calculado para um modelo PLS, mas seus pontos de corte são debatidos: Henseler et al. (2016) sugerem SRMR < .08, enquanto Hair et al. (2019) consideram esses limiares muito provisórios. A Explonia mostra o SRMR para o PLS-SEM sem um veredito de ajuste. Se você precisa confirmar uma teoria com CFI e RMSEA, use o CB-SEM.
Last updated: outubro 2026
Rode PLS-SEM nos seus próprios dados
Colete ou envie seus dados, rode a análise no seu navegador e obtenha um parágrafo APA que você pode editar. Comece grátis. Sem cartão de crédito.
Começar grátis