Cómo estimar tu modelo PLS-SEM en SmartPLS paso a paso (TFM de ADE y Marketing, 2026)

Tienes 220 cuestionarios recogidos, un modelo con cinco constructos que has sacado de la literatura y un tutor que te ha dicho «esto se hace con PLS». Abres SmartPLS por primera vez, ves un lienzo en blanco con una barra de herramientas y no sabes ni por dónde empezar a dibujar.

Esta guía recorre el procedimiento completo, en el orden en que hay que hacerlo: preparar el archivo, dibujar el modelo, ejecutar el algoritmo, evaluar primero la medida y solo después las hipótesis, y saber qué tablas acaban en el capítulo de resultados. No es una discusión sobre si PLS-SEM es mejor que la alternativa basada en covarianzas —esa elección está tratada en la guía de modelado de ecuaciones estructurales— sino el manual de operaciones de quien ya la ha tomado.

Antes de abrir el programa: tres decisiones que ya deberían estar tomadas

El error más caro en un TFM de PLS-SEM no se comete dentro del software, sino antes de instalarlo.

Uno: el modelo viene de la teoría, no del programa. SmartPLS estimará cualquier cosa que dibujes, incluidas relaciones que no tienen sentido. El diagrama es la traducción de un marco teórico —TAM o UTAUT si trabajas adopción de tecnología, el modelo de calidad de servicio si aplicas SERVQUAL— y esa justificación se escribe antes.

Dos: cada constructo es reflectivo o formativo, y no da igual. En un constructo reflectivo los indicadores son manifestaciones intercambiables de algo latente: si sube la satisfacción, suben todos los ítems a la vez. En uno formativo los indicadores construyen la variable y no son intercambiables: quitar uno cambia el significado del constructo. La evaluación posterior es completamente distinta según el caso, así que esta decisión hay que documentarla ítem a ítem, con el mismo rigor con el que se hace la operacionalización de variables compuestas. La inmensa mayoría de las escalas tipo Likert que se usan en TFM son reflectivas.

Tres: el tamaño de muestra. La vieja «regla de diez veces» —diez casos por cada flecha que entra en el constructo más complejo— se cita mucho y hoy se considera insuficiente. La alternativa recomendada es el método de la raíz cuadrada inversa de Kock y Hadaya (2018): el mínimo aproximado es n ≈ (2,486 / p_mín)², donde p_mín es el coeficiente de trayectoria más pequeño que quieres poder detectar, con un 5 % de significación y un 80 % de potencia. Si esperas detectar un efecto de 0,20, necesitas unos 155 casos; si es de 0,10, te vas a más de 600. Conviene calcularlo antes de salir a campo, junto con el resto de los cálculos de tamaño muestral.

Paso 1. Preparar el archivo de datos

SmartPLS importa CSV y, en las versiones recientes, también archivos de Excel y de SPSS. El formato que nunca da problemas es un CSV con estas condiciones:

• Una fila por encuestado, una columna por ítem, y la primera fila con los nombres de las variables.
• Nombres de columna cortos y sin acentos, espacios ni signos: SAT1, SAT2, INT1. El texto completo de la pregunta no cabe y complica todas las tablas posteriores.
• Todo numérico. Las respuestas Likert como número, no como etiqueta de texto.
• Un único código para los valores perdidos —99 o −99 son los habituales— declarado en el diálogo de importación. No los dejes en blanco y no los mezcles con ceros reales.
• El separador decimal debe ser coherente con la configuración regional que declares al importar. Un Excel español exporta comas decimales y esa es la causa número uno de que un archivo se importe como si todo fuese texto.

Sobre los perdidos, la regla práctica es simple: si un indicador tiene más de un 5 % de valores ausentes, no lo arregles con sustitución por la media; plantéate eliminar el indicador o los casos. La sustitución por la media es aceptable por debajo de ese umbral y hay que declararla en la metodología.

Tras la importación, el programa muestra un resumen con la media, la desviación típica y los valores mínimo y máximo de cada indicador. Léelo. Un ítem de una escala de 1 a 5 con un máximo de 55 es un error de grabación, y encontrarlo aquí ahorra rehacer todo el análisis.

Paso 2. Dibujar el modelo

Con el proyecto creado se abre un lienzo. El procedimiento es siempre el mismo:

1. Crea un constructo latente por cada variable de tu modelo teórico y ponle un nombre legible; ese nombre aparecerá en todas las tablas del TFM.
2. Arrastra desde la lista de indicadores los ítems que corresponden a cada constructo. Se enganchan al círculo y aparecen como rectángulos.
3. Comprueba el sentido de las flechas de los indicadores: del constructo hacia los ítems si es reflectivo, de los ítems hacia el constructo si es formativo. En SmartPLS se cambia con la opción de modo del constructo, y equivocarse aquí invalida toda la evaluación posterior.
4. Dibuja las trayectorias estructurales entre constructos, una por cada hipótesis. Solo las que hayas hipotetizado: PLS-SEM no admite relaciones bidireccionales ni bucles.

Si tienes variables de control o moderadores, se añaden ahora. Un moderador se crea como término de interacción a partir de los dos constructos implicados, y conviene usar el enfoque de dos etapas cuando alguno de ellos es formativo.

Paso 3. Ejecutar el algoritmo PLS-SEM

La primera estimación se lanza desde el menú de cálculo, opción PLS-SEM Algorithm. Los valores por defecto son los recomendados en la literatura y rara vez hay que tocarlos:

• Esquema de ponderación: Path (por trayectoria). Es el que maximiza la R² de los constructos endógenos.
• Máximo de iteraciones: 300. Criterio de parada: 10⁻⁷.
• Estandarización de los datos activada.

El cálculo tarda segundos. Lo único que debes comprobar en el informe es que el algoritmo convergió antes del máximo de iteraciones. Si agotó las 300, hay un problema estructural —normalmente dos indicadores idénticos o un constructo con un solo ítem mal especificado— y ningún resultado posterior es interpretable.

Paso 4. Evaluar el modelo de medida (y solo después mirar las hipótesis)

Esta es la disciplina que distingue un TFM bien hecho: no se miran los coeficientes de trayectoria hasta que la medida está validada. Si tus constructos no miden lo que dicen medir, sus relaciones no significan nada.

Para constructos reflectivos, el informe de SmartPLS trae exactamente lo que necesitas en la pestaña de criterios de calidad: cargas externas de cada indicador, alfa de Cronbach, las fiabilidades compuestas rho_a y rho_c, la varianza extraída media (AVE) y la matriz HTMT para la validez discriminante. Los umbrales concretos de cada uno de esos estadísticos, y qué hacer cuando uno se queda corto, están desarrollados en la guía de análisis factorial confirmatorio; la interpretación del alfa y sus rangos, en la de alfa de Cronbach. Dos matices propios de PLS-SEM que conviene tener presentes:

• El alfa de Cronbach subestima la fiabilidad en PLS-SEM porque asume que todos los indicadores pesan igual, cosa que el algoritmo no hace. Reporta alfa y las dos fiabilidades compuestas juntas, y discute sobre rho_a, que es el valor intermedio.
• Eliminar indicadores para «arreglar» la fiabilidad tiene límite. Quitar ítems de una escala validada por otro autor te obliga a justificarlo y a reconocer que ya no estás usando el instrumento original.

Para constructos formativos el criterio es otro por completo: no aplican ni AVE ni fiabilidad interna. Lo que se examina es la colinealidad entre indicadores mediante el VIF —con la misma lógica que en la multicolinealidad de una regresión, aunque aquí el umbral habitual es más exigente, en torno a 3— y la significación de los pesos externos, que se obtiene en el paso siguiente.

Paso 5. Bootstrapping: de dónde salen los p valores

El algoritmo principal no da significación estadística. PLS-SEM no asume normalidad ni estima errores estándar de forma paramétrica, así que los contrastes se obtienen por remuestreo: se extraen miles de submuestras con reemplazo, se reestima el modelo en cada una y la variabilidad de los coeficientes entre submuestras hace de error estándar.

Se lanza desde el mismo menú, opción Bootstrapping, con esta configuración:

• Número de submuestras: 10 000 para los resultados definitivos que van al TFM. Con 5 000 se trabaja cómodamente mientras exploras, pero la cifra alta es la que se reporta.
• Tipo: complete bootstrapping, que devuelve también intervalos de confianza.
• Contraste bilateral salvo que tu hipótesis prediga explícitamente el signo, en cuyo caso el unilateral es defendible y hay que declararlo.
• Intervalos de confianza corregidos por sesgo y acelerados (BCa), que son los recomendados y los que hay que reportar junto al p valor.

Con 10 000 submuestras el cálculo puede tardar unos minutos. Anota el número exacto en la metodología: es un dato reproducible que el tribunal puede pedir.

Paso 6. Leer el modelo estructural

Ya sí. Con la medida validada y el bootstrapping hecho, la evaluación estructural tiene cuatro piezas:

1. Colinealidad interna (VIF). Entre los constructos predictores de cada ecuación. Por encima de 5 hay un problema serio; por debajo de 3 se está cómodo.
2. Coeficientes de trayectoria y su significación. Cada uno es tu contraste de hipótesis. Están estandarizados, así que se comparan entre sí directamente.
3. R² de cada constructo endógeno. Cuánta varianza explica el modelo. Los valores de referencia que se citan habitualmente en investigación de marketing son 0,25 débil, 0,50 moderado y 0,75 sustancial, pero dependen mucho de la disciplina y del constructo: predecir intención de compra no es predecir comportamiento observado.
4. Tamaño del efecto f². Cuánto aporta cada predictor por separado. Referencias: 0,02 pequeño, 0,15 medio, 0,35 grande. Es la respuesta a la pregunta «este efecto es significativo, pero ¿es relevante?».

Añade la relevancia predictiva: el procedimiento PLSpredict compara el error de predicción de tu modelo con el de una regresión lineal de referencia sobre los indicadores. Es lo que se espera hoy en un trabajo cuidadoso, y sustituye al Q² de blindfolding como criterio principal.

Una advertencia sobre el ajuste global: PLS-SEM no tiene índices de ajuste equivalentes a los de la estimación por covarianzas. SmartPLS ofrece el SRMR y algún criterio adicional, pero su uso como prueba de ajuste está discutido y varios de los autores del método desaconsejan tratarlo como un contraste. Si tu tribunal viene del mundo de AMOS y espera CFI, TLI y RMSEA, anticipa la pregunta y explica en la metodología por qué en PLS-SEM no se reportan.

Qué tablas van al capítulo de resultados

El diagrama del modelo con los coeficientes rotulados sobre las flechas es la figura que abre el capítulo. Expórtalo en buena resolución desde el propio programa, no con una captura de pantalla.

Y si no tienes licencia de SmartPLS

SmartPLS es software comercial con un periodo de prueba limitado y licencias académicas de estudiante; muchas escuelas de negocios tienen convenio, así que lo primero es preguntar en tu departamento antes de pagar nada. Si no hay licencia disponible, el paquete seminr de R es gratuito, está mantenido por autores del propio ámbito PLS-SEM y cubre la estimación, el bootstrapping y los criterios de evaluación con una sintaxis muy legible. La alternativa plspm, también en R, es más antigua y no incorpora los criterios más recientes.

Preguntas frecuentes

¿Cuántos indicadores necesita cada constructo?

Tres es el mínimo cómodo para un constructo reflectivo. Con dos la evaluación de fiabilidad se vuelve inestable y con uno solo desaparece: un constructo de ítem único no tiene error de medida estimable y hay que justificarlo muy bien.

¿Puedo eliminar ítems que cargan bajo?

Con criterio. Un indicador con carga por debajo de 0,40 se elimina; entre 0,40 y el umbral recomendado se elimina solo si al hacerlo mejoran la fiabilidad compuesta o el AVE del constructo, y siempre comprobando que no pierdes contenido conceptual. Documenta en el TFM qué ítems quitaste y por qué.

¿Necesito que mis datos sean normales?

No. Esa es una de las razones de peso para elegir PLS-SEM: el algoritmo no asume normalidad multivariante. Aun así, revisa asimetrías extremas, porque afectan a la estabilidad del bootstrapping.

¿Qué hago si una hipótesis sale no significativa?

Reportarla como no significativa y discutirla. Un TFM que confirma las nueve hipótesis levanta más sospechas que uno que confirma seis y explica bien por qué las otras tres no se sostuvieron en esta muestra. Eliminar la flecha del modelo para que el diagrama quede limpio es una mala práctica.

¿Puedo comparar dos grupos, por ejemplo hombres y mujeres?

Sí, con el análisis multigrupo. El requisito previo es establecer la invarianza de medida mediante el procedimiento MICOM; sin ese paso, cualquier diferencia entre grupos puede deberse a que el instrumento no funciona igual en ambos y no al fenómeno que estudias.

¿SmartPLS 3 o SmartPLS 4?

Si empiezas ahora, la versión 4. Un TFM hecho en la 3 sigue siendo perfectamente válido; basta con indicar la versión exacta en la metodología, como con cualquier otro software.

¿Cómo cito el programa y el método?

Se cita el software indicando programa, versión y desarrolladores, y por separado la referencia metodológica que has seguido para los criterios de evaluación. Hacerlo demuestra que los umbrales que aplicas no te los has inventado.

Del modelo estimado al capítulo escrito

Tener los informes no es tener el capítulo. Hay que justificar el método en la metodología, montar cuatro tablas legibles, redactar hipótesis por hipótesis y conectar cada resultado con la literatura que lo predecía. Tesify trabaja sobre tus propios resultados —no inventa coeficientes ni datos— y te ayuda a convertirlos en capítulos redactados, con las citas y la bibliografía en el formato que exija tu universidad.

Empieza gratis con Tesify y avanza tu TFM desde hoy. Más de 9.000 estudiantes ya lo usan, y el 100 % del texto sigue siendo tuyo.