Análise Estatística de Dados

CB-SEM e PLS-SEM: quando usar cada abordagem?

Autor: Mário Rocha

A Modelagem de Equações Estruturais (SEM) é uma família de técnicas que permite analisar, no mesmo modelo, relações entre variáveis latentes e indicadores observáveis. Na prática, junta a lógica da análise fatorial com a análise de caminhos/regressão, sendo útil quando o investigador quer testar relações complexas por exemplo entre conceitos como satisfação, intenção, desempenho, confiança ou adoção tecnológica. A literatura distingue sobretudo duas abordagens: CB-SEM, baseada em covariâncias, e PLS-SEM, baseada em variância/compósitos (Dash & Paul, 2021; Hair et al., 2017).

O CB-SEM é mais indicado quando a teoria já está bem consolidada e o objetivo principal é confirmar se o modelo teórico se ajusta bem aos dados. A sua lógica é comparar a matriz de covariâncias observada com a matriz estimada pelo modelo, dando grande importância a índices de ajustamento como qui-quadrado (x²/gl), CFI, TLI, RMSEA, GFI e SRMR. Por isso, é uma abordagem forte para validação teórica, análise fatorial confirmatória e modelos reflexivos/fatoriais, mas tende a exigir mais dos dados, nomeadamente amostras adequadas, boa qualidade de medição e, em muitos casos, pressupostos de normalidade (Dash & Paul, 2021; Vargör & Öğretmen, 2025).

O PLS-SEM, por sua vez, é geralmente escolhido quando o objetivo é explicar e prever. Em vez de tentar reproduzir a matriz de covariâncias, procura maximizar a variância explicada dos constructos dependentes. Por isso, tornou-se popular em estudos exploratórios, modelos complexos, desenvolvimento de teoria, investigação aplicada e contextos em que o interesse está mais na capacidade preditiva do que no ajustamento global do modelo (Hair et al., 2022; Henseler et al., 2009; Richter et al., 2020; Ringle et al., 2023; Sarstedt et al., 2020; Changalima & Chuwa, 2025). Hair et al. (2017) sublinham, também, que o PLS-SEM trabalha com a lógica de compósitos e utiliza a variância total, enquanto o CB-SEM trabalha sobretudo com variância comum.

Tabela comparativa entre CB-SEM e PLS-SEM

Alguns resultados empíricos reforçam esta distinção. No estudo de Dash e Paul (2021), com 466 respondentes, as cargas dos itens tenderam a ser mais elevadas no PLS-SEM, enquanto o CB-SEM se destacou por oferecer uma avaliação mais completa do ajustamento global. O mesmo estudo mostrou que o PLSc – uma versão consistente do PLS – produz relações estruturais mais próximas do CB-SEM, sobretudo quando o modelo é de natureza fatorial/reflexiva.

Hair et al. (2017) também observaram que o PLS-SEM tende a reter mais indicadores e a apresentar bons níveis de fiabilidade composta e validade convergente, enquanto o CB-SEM pode exigir a eliminação de itens para atingir bom ajustamento. No entanto, estes autores não tratam os métodos como rivais: a escolha depende da pergunta de investigação. Se a prioridade é confirmar uma teoria, o CB-SEM é mais natural; se a prioridade é previsão e explicação prática, o PLS-SEM pode ser mais adequado.

Investigações recentes tornam a discussão ainda mais equilibrada. Vargör e Öğretmen (2025), ao compararem CB-SEM, PLS-SEM e PLSc-SEM em dados do PISA, concluíram que o CB-SEM apresentou melhores índices de ajustamento, enquanto PLS-SEM e PLSc-SEM foram úteis para parâmetros de fiabilidade e validade. Porém, alertam que é incorreto dizer que o PLS-SEM é sempre preferível em amostras pequenas ou distribuições não normais. Também Henseler e Schuberth (2024) acrescentam que tanto CB-SEM como PLSc evoluíram e podem lidar com modelos que incluem fatores comuns e compósitos, desde que o modelo seja especificado corretamente.

Assim, a melhor decisão não é perguntar qual método é melhor, mas qual método serve melhor o objetivo do estudo. Então, a mensagem essencial é simples: CB-SEM é mais forte para confirmação teórica e avaliação rigorosa de modelos fatoriais e estruturais. Já o PLS-SEM é mais forte para previsão, exploração e modelos orientados para variância. Em ambos os casos, a teoria, a qualidade dos dados, o tipo de constructo e a transparência na justificação metodológica continuam a ser mais importantes do que a escolha automática de um software.

Referências Bibliográficas

Changalima, I.A., & Chuwa, M.P. (2025). Partial Least Squares Structural Equation Modeling (PLS-SEM) in business research: A simple guide for novice researchers. International Journal of Research in Business and Social Science, 14(9), 497-506. https://doi.org/10.20525/ijrbs.v14i9.4601 

Dash, G., & Paul, J. (2021). CB-SEM vs PLS-SEM methods for research in social sciences and technology forecasting. Technological Forecasting and Social Change, 173. https://doi.org/10.1016/j.techfore.2021.121092 

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

Hair Jr., J. F., Matthews, L. M., Matthews, R. L., & Sarstedt, M. (2017). PLS-SEM or CB-SEM: Updated guidelines on which method to use. International Journal of Multivariate Data Analysis, 1(2), 107-123. https://doi.org/10.1504/IJMDA.2017.087624 

Henseler, J., & Schuberth, F. (2024). Should PLS become factor-based or should CB-SEM become composite-based? Both! European Journal of Information Systems, 34 (3). https://doi.org/10.1080/0960085X.2024.2357123 

Henseler, J., Ringle, C. M., & Sinkovics, R. R. (2009). The use of partial least squares path modeling in international marketing. Advances in International Marketing, 20, 277–319.  https://doi.org/10.1108/S1474-7979(2009)0000020014

Richter, N. F., Schubring, S., Hauff, S., Ringle, C. M., & Sarstedt, M. (2020). When Predictors of Outcomes are Necessary: Guidelines for the Combined Use of PLS-SEM and NCA. Industrial Management & Data Systems, 120(12), 2243–2267. https://doi.org/10.1108/IMDS-11-2019-0638

Ringle, C. M., Sarstedt, M., Mitchell, R., & Gudergan, S. P. (2023). Partial Least Squares Structural Equation Modeling in HRM Research. The International Journal of Human Resource Management, 31(12), 1617–1643. https://doi.org/10.1080/09585192.2017.1416655

Sarstedt, M., Hair, J. F., Cheah, J.-H., Becker, J.-M., & Ringle, C. M. (2020). How to Specify, Estimate, and Validate Higher-Order Constructs in PLS-SEM. Australasian Marketing Journal, 27(3), 197–211. https://doi.org/10.1016/j.ausmj.2019.05.003

Vargör, D., & Öğretmen, T. (2025). Comparison of covariance-based structural equation model and partial least squares equality models. General Surgery and Clinical Medicine, 3(2), 1-9. https://doi.org/10.21203/rs.3.rs-4991578/v1