PLS 回歸和 PLS 路徑建模之間的區別。對 PLS 的批評
在這裡提出了這個問題，但沒有人給出好的答案。所以我認為再次提出它是個好主意，我還想添加更多評論/問題。
- 第一個問題是“PLS 路徑建模”和“PLS 回歸”有什麼區別？更籠統地說，什麼是結構方程建模 (SEM)、路徑建模和回歸？據我了解，回歸更側重於預測，而 SEM 側重於響應和預測變量之間的關係，路徑建模是 SEM 的一個特例？
- 我的第二個問題是 PLS 的可信度如何？最近它受到了許多批評，正如Rönkkö 等人所強調的那樣。2016 年和Rönkkö 等人。2015 年，這導致在諸如運營管理期刊等高級期刊中拒絕基於 PLS 的論文（這裡是期刊編輯的註釋）：
我們拒絕幾乎所有基於 PLS 的手稿，因為我們得出的結論是，在 OM 研究人員使用的模型類型中，PLS 無一例外都是錯誤的建模方法。
我應該注意我的領域是光譜學，既不是管理/心理學也不是統計學。在上面鏈接的論文中，作者更多地談論 PLS 作為一種 SEM 方法，但對我來說，他們的批評似乎也適用於 PLS 回歸。
第一個問題是“PLS 路徑建模”和“PLS 回歸”有什麼區別？
沒有，它們是同義詞。
更籠統地說，什麼是結構方程建模 (SEM)、路徑建模和回歸？據我了解，回歸更側重於預測，而 SEM 側重於響應和預測變量之間的關係，路徑建模是 SEM 的一個特例？
SEM是一種回歸形式。回歸是關聯自變量和因變量的任何方法，包括使用作為單獨實體處理的多個變量的方法。SEM 特別使用變量之間的數學關係來約束最終模型，在 PLS 的情況下，這就是協方差。我的理解是路徑建模是一個領域（不是我的，我是像你一樣的光譜學家）特定的術語。
我的第二個問題是 PLS 的可信度如何？最近它受到了許多批評，正如 Rönkkö 等人所強調的那樣。2016 年和 Rönkkö 等人。2015
在Henseler 等人中找到了一個很好的反駁。2013 年關於 PLS 的共同信念和現實。Rönkkö 等人的主要關注點。是 PLS 在某些假設有共同潛在因素的情況下表現不佳。事實上，PLS 旨在處理多個潛在因素，這種情況在現實世界中更為常見。
可信度如何？對於光譜學來說，它是一個極好的工具，但也有其局限性。它確實存在過度擬合的風險，因為它可以構建複雜的模型來捕捉來自多個潛在因素的貢獻。出於這個原因，它確實需要謹慎使用，並且適當的外部驗證是必不可少的，但是這些警告適用於所有模型構建工具。我主要在現實世界的數據集上工作了 2 年，我還沒有遇到任何實驗數據集只有一個共同因素支持因變量（既不是基於數據也不是基於科學理論）。