在这里提出了这个问题，但没有人给出好的答案。所以我认为再次提出它是个好主意，我还想添加更多评论/问题。
第一个问题是“PLS 路径建模”和“PLS 回归”有什么区别？更笼统地说，什么是结构方程建模 (SEM)、路径建模和回归？据我了解，回归更侧重于预测，而 SEM 侧重于响应和预测变量之间的关系，路径建模是 SEM 的一个特例？
我的第二个问题是 PLS 的可信度如何？最近它受到了许多批评，正如Rönkkö 等人所强调的那样。2016 年和Rönkkö 等人。2015 年导致在诸如运营管理期刊等高级期刊中拒绝基于 PLS 的论文（这里是期刊编辑的说明）：
我们拒绝几乎所有基于 PLS 的手稿，因为我们得出的结论是，PLS在 OM 研究人员使用的各种模型中毫无例外地是错误的建模方法。
我应该注意我的领域是光谱学，既不是管理/心理学也不是统计学。在上面链接的论文中，作者更多地谈论 PLS 作为一种 SEM 方法，但对我来说，他们的批评似乎也适用于 PLS 回归。
第一个问题是“PLS 路径建模”和“PLS 回归”有什么区别？
没有，它们是同义词。
更笼统地说，什么是结构方程建模 (SEM)、路径建模和回归？据我了解，回归更侧重于预测，而 SEM 侧重于响应和预测变量之间的关系，路径建模是 SEM 的一个特例？
SEM是一种回归形式。回归是关联自变量和因变量的任何方法，包括使用作为单独实体处理的多个变量的方法。SEM 特别使用变量之间的数学关系来约束最终模型，在 PLS 的情况下，这就是协方差。我的理解是路径建模是一个领域（不是我的，我是像你一样的光谱学家）特定的术语。
我的第二个问题是 PLS 的可信度如何？最近它受到了许多批评，正如 Rönkkö 等人所强调的那样。2016 年和 Rönkkö 等人。2015
在Henseler 等人中找到了一个很好的反驳。2013 年关于 PLS 的共同信念和现实。Rönkkö 等人的主要关注点。是 PLS 在某些假设有共同潜在因素的情况下表现不佳。事实上，PLS 旨在处理多个潜在因素，这种情况在现实世界中更为常见。
可信度如何？对于光谱学来说，它是一个极好的工具，但也有其局限性。它确实存在过度拟合的风险，因为它可以构建复杂的模型来捕捉来自多个潜在因素的贡献。出于这个原因，它确实需要谨慎使用，并且适当的外部验证是必不可少的，但是这些警告适用于所有模型构建工具。20 年来，我主要研究现实世界的数据集，我还没有遇到任何实验数据集只有一个共同因素支持因变量（既不是基于数据，也不是基于科学理论）。