顾客满意度模型估计的

（cross-validation）方法检验，考察因果预测关系（8）。LISREL方法一般使用似然比检验，考察观测矩阵S和理论矩阵Σ的拟合程度。

第五，估计顺序不同。PLS方法通过逼近，先将每个区组的隐变量的估计得分表示为测量变量的加权合计，ηjn:=fj

∑

kj

~Y，然后通过一系列权重关系的迭代，得到权重wkjkjn

的估计。LISREL方法先估计载荷Λy和Λx，在这个过程中消去隐变量，然后通过对测量变量的多元OLS回归，估计隐变量的样本值（因子得分）。

第六，对方程中变量间的关系理解不同。PLS方法将系统部分（6）和（7）定义为给定解释变量值时的条件期望，作为变量间的因果预测关系。因此，对于（6），PLS方法假设，

E（y/η）=Λyη E（x/ξ）=Λxξ （9） 对于（7），PLS方法假设，

E（η/η，ξ）＝Bη+Гξ （10） 而LISREL方法将结构关系（6）和（7）定义为具有误差的确定性“方程”，即变量间是具有误差的确定性关系。

第七，模型的识别不同。PLS方法中，虽然隐变量的估计是逼近得到的，但由于估计是显式的（explicit），因此PLS方法中没有识别问题。LISREL方法中，矩阵Σ的结构是由区组结构（6）决定的，（6）又受到路径关系（7）的限制，LISREL方法有可能不能识别模型。因此，LISREL估计的第一个阶段就是考察模型的可识别性。如果不能识别，模型中必须包括一些参数假设（reparameterization assumption）。

最后，PLS方法中，还可以选择三种加权关系，取决于更关注（6）、（7）还是（8）的操作性。权重关系模式A和模式B分别使用简单OLS回归和多元OLS回归，模式C是二者的结合。在PLS模型的图形中，显变量与其隐变量之间的箭头指向表明了选择的估计模式。

三、PLS和LISREL的适用条件

人们在两种方法的选择上一直存在分歧，由以上比较可见，PLS适用于以下情况： 1．研究者更加关注通过测量变量对隐变量的预测，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隐变量的最优预测5。

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；而LISREL假设观测是独立的，且服从多元正态分布。

3．适用于关注隐变量得分的情况，因为PLS在参数估计过程中就计算隐变量得分，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隐变量得分，计算结果因目标函数选择不同而不同。

4．适用于小样本满意度研究6，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。 这个性质类似于普通最小二乘回归估计量的近似有效性，在解释变量有测量误差时，估计量有偏，但这时仍会产生最优预测。 6

样本量至少为模型中具有最多结构路径指向的隐变量的路径数的十倍。更弱一些的限制类似于多元回归，用至少五倍的样本量（Wynne W Chin，1995）。

5