PLS与LISREL的区别
在使用结构方程建模中，PLS和LISREL两种建模技术应用最为广泛，对于LISREL和PLS来说人们在两种方法的选择上一直存在分歧，一般认为PLS适用于以下情况：

1、研究者更加关注通过测量变量对潜变量的预测，胜于关注满意度模型的参数估计值大小，因为PLS的估计量是有偏的，但可以根据测量变量得到潜变量的最优预测 。

2、适用于数据有偏分布的情况，因为PLS使用非参数推断方法（例如Jackknife），不需要对数据进行严格假定（比如多元正态分布、同方差性等等）；而LISREL却有严格的假设观测是独立的，且必须服从多元正态分布。

3、适用于关注潜变量得分的情况，因为PLS在参数估计过程中就计算潜变量得分，可以得到确定的计算结果。而LISREL在进行参数估计之后，再采用某个目标函数计算潜变量得分，计算结果因目标函数选择不同而不同。

4、适用于小样本研究 ，因为PLS是一种有限信息估计方法，所需要的样本量比完全信息估计方法LISREL小得多。虽然关于小样本这个问题的详细的讨论应该基于统计力（Statistical Power Analysi）的基础上，但Chin and Newsted (1999)进行的Monte Carlo Simulation证明显示样本的大小可以小至50，H. Wold甚至“用10个样本来分析有27个变量组成的潜变量” (Chin, Marcolin,& Newsted, 2003a, AppendixA, p. 5)。

5、适用于较大、较复杂的结构方程模型，因为PLS收敛速度非常快，计算效率比LISREL更高 。

6、 适用于有形成型（Formative）变量的结构模型，LISREL只能处理反映型（Reflective）的潜变量，而不能处理形成型（Formative）的潜变量。关于形成型和反映型的指标的问题，也是最近讨论的比较多的话题，因为以往的很多文章都是直接把指标当成反映型的，当然这个对于在组织、心理、人力资源方面的研究来说，基本上是正确的，但对于管理科学领域来说，就可能出现错误。这方面的文献有（e. g., Diamantopoulos and Winklhofer 2001, Jarvis et al. 2003）。由于这种两类指标的误用，容易造成在统计的角度来说，第一类和第二类的错误放大，所以，得到的统计结果也就没有什么说服力，当然，结论的可靠性就会得到质疑。
——（摘自孟川瑾的博士论文）