از عبارت PLS-SEM در مقابل CB-SEM استفاده نمی شود. هر دو روش مکمل هم هستند تا رقابتی. با وجود اینکه این موضوع کاملاً شناخته شده است (برای مثال به Jöreskog و Wold، 1982 مراجعه کنید)، بسیاری از محققان همچنان بر روی مقایسه تفاوت‌های برآورد مدل در هنگام استفاده از مدل‌سازی معادلات ساختاری مبتنی بر کوواریانس (CB-SEM) و مدل‌سازی معادلات ساختاری حداقل مربعات جزئی(PLS-SEM) تمرکز می‌کنند.

به جای تمایز بین مدل‌های عامل رایج و مدل‌های ترکیبی (هنسلر و همکاران، 2014)، این بحث‌ها بر قابلیت‌های PLS-SEM از تقليد  CB-SEM تمرکز دارند. اما PLS-SEM در شکل اصلی خود (Wold, 1982; Lohmöller, 1989) به عنوان يك كپي از CB-SEM ایجاد نشده است! محققان PLS-SEM باید فراخوان ریگدون (2012) را دنبال کنند و شروع به رهاسازی روش از خواهر و برادر CB-SEM خود کنند (همچنین رجوع کنید به Sarstedt و همکاران، 2014؛ Sarstedt و همکاران. 2016؛ Rigdon 2014؛ Rigdon و همکاران، 2017). به عنوان مثال، فورنل و بوکستاین (1982)، چین و نیستد (1999)، مو و همکاران. (2011)، مو و همکاران. (2012)، مو و همکاران. (2014)، Jöreskog و Wold (1982)، و Reinartz و همکاران (2009) توصیه هایی را برای استفاده از CB-SEM یا PLS-SEM ارائه می دهد. مهم ترین دلیل برای انتخاب CB-SEM یا PLS-SEM هدف تحقیق (ساختار یا پیش بینی) است: "هدف اولیه رویکرد ML مطالعه ساختار قابل مشاهده ها است. هدف اصلی رویکرد PLS پیش‌بینی شاخص‌ها با استفاده از بسط مؤلفه‌ها (1) است. Jöreskog و Wold، 1982; پ. 266). در راستای این مفهوم، Hair et al. (2011؛ ص 144) توصیه می کنند:

اگر هدف، پیش‌بینی سازه‌های هدف کلیدی یا شناسایی ساختارهای کلیدی «محرک» است،PLS-SEMرا انتخاب کنید.

اگر هدف آزمون تئوری، تایید تئوری یا مقایسه نظریه های جایگزین است،CB-SEMرا انتخاب کنید.

اگر تحقیق، اکتشافی یا بسط یک نظریه ساختاری موجود است،PLS-SEMرا انتخاب کنید.

با این حال، اخیراً (2014) Bentler و Huang (2014)، Dijkstra  و Dijkstra و Henseler (2015) روش‌هایی را معرفی کردند که برآوردهای PLS-SEM سازگار را ارائه می‌دهند. این برآوردهای PLS سازگار (PLSc) از مدل‌های عامل مشترک برای تقلید از CB-SEM طراحی شده‌اند (Sarstedt و همکاران، 2016). بنابراین، محققان می توانند از PLS-SEM برای مطالعه ساختار استفاده کنند (Rigdon et al., 2017). در نتیجه، شاهد دو پیشرفت PLS-SEM هستیم: یک جهت از PLS-SEM برای مطالعات پیش‌بینی‌محور استفاده می‌کند و جهت دیگر از PLS-SEM (از طریق PLSc) برای تقلید از CB-SEM برای مطالعاتی استفاده می‌کند که بر تجزیه و تحلیل و آزمون ساختار مدل تمرکز دارند.

References

• Arbuckle, J. L. 2006. "Amos (Version 7.0)." Chicago: SPSS.

• Bentler, P. M., and Huang, W. 2014. "On Components, Latent Variables, PLS and Simple Methods: Reactions to Ridgon’s Rethinking of PLS." Long Range Planning 47 (3): 138-145.

• Chin, W. W., and Newsted, P. R. 1999. "Structural Equation Modeling Analysis with Small Samples Using Partial Least Squares." In Statistical Strategies for Small Sample Research. Ed. R. H. Hoyle. Thousand Oaks: Sage, 307-341.

• Davis, F. D. 1989. "Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology." MIS Quarterly 13 (3): 319-340.

• Dijkstra, T. K. 2014. "PLS' Janus Face – Response to Professor Rigdon's ‘Rethinking Partial Least Squares Modeling: In Praise of Simple Methods’." Long Range Planning 47 (3): 146-153.

• Dijkstra, T. K., and Henseler, J. 2015. "Consistent Partial Least Squares Path Modeling." MIS Quarterly 39 (2): 297-316.

• Fornell, C. G., and Bookstein, F. L. 1982. "Two Structural Equation Models: LISREL and PLS Applied to Consumer Exit-Voice Theory." Journal of Marketing Research 19 (4): 440-452.

• Hair, J. F., Ringle, C. M., and Sarstedt, M. 2011. "PLS-SEM: Indeed a Silver Bullet." Journal of Marketing Theory and Practice 19 (2): 139-151.

• Hair, J. F., Sarstedt, M., Ringle, C. M., and Mena, J. A. 2012. "An Assessment of the Use of Partial Least Squares Structural Equation Modeling in Marketing Research." Journal of the Academy of Marketing Science 40 (3): 414-433.

• Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (3 ed.). Thousand Oaks, CA: Sage.

• Hair, J. F., Sarstedt, M., Ringle, C. M., and Gudergan, S. P. 2018. Advanced Issues in Partial Least Squares Structural Equation Modeling (PLS-SEM). Thousand Oaks, CA: Sage.

• 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., and Calantone, R. J. 2014. "Common Beliefs and Reality about Partial Least Squares: Comments on Rönkkö & Evermann (2013)." Organizational Research Methods 17 (2): 182-209.

• Jöreskog, K. G., and Wold, H. O. A. 1982. "The ML and PLS Techniques For Modeling with Latent Variables: Historical and Comparative Aspects." In Systems Under Indirect Observation, Part I. Eds. H. O. A. Wold and K. G. Jöreskog. Amsterdam: North-Holland, 263-270.

• Lohmöller, J.-B. 1989. Latent Variable Path Modeling with Partial Least Squares. Heidelberg: Physica.

• Reinartz, W. J., Haenlein, M., and Henseler, J. 2009. "An Empirical Comparison of the Efficacy of Covariance-Based and Variance-Based SEM." International Journal of Research in Marketing 26 (4): 332-344.

• Rigdon, E. E. 2012. "Rethinking Partial Least Squares Path Modeling: In Praise of Simple Methods." Long Range Planning 45 (5-6): 341-358.

• Rigdon, E. E. 2014. "Rethinking Partial Least Squares Path Modeling: Breaking Chains and Forging Ahead." Long Range Planning 47 (3): 161-167.

• Rigdon/ E. E./ Sarstedt, M./ Ringle, C. M. (2017). On Comparing Results from CB-SEM and PLS-SEM. Five Perspectives and Five Recommendations. Marketing ZFP, 39(3), 4-16.

• Ringle, C. M., Wende, S., and Becker, J.-M. 2022. "SmartPLS 4." Oststeinbek: SmartPLS GmbH.

• Sarstedt, M./ Hair, J.F./ Ringle, C.M./ Thiele, K.O./ Gudergan, S.P. Estimation Issues with PLS and CBSEM: Where the Bias Lies!, Journal of Business Research, 69 (2016), Issue 10, pp. 3998-4010.

• Sarstedt, M., Ringle, C. M., Henseler, J., and Hair, J. F. 2014. "On the Emancipation of PLS-SEM: A Commentary on Rigdon (2012)." Long Range Planning 47 (3): 154-160.

• Wold, H. O. A. 1982. "Soft Modeling: The Basic Design and Some Extensions." In Systems Under Indirect Observations: Part II. Eds. K. G. Jöreskog and H. O. A. Wold. Amsterdam: North-Holland, 1-54.