Editor visual
Variables latentes, indicadores y rutas mediante drag & drop. Sin YAML, sin código, sin fricciones.
PLS-SEM · Motor de código abierto Modelado de ecuaciones estructurales.
Modelado de ecuaciones estructurales.
Por fin moderno.
La plataforma abierta para modelos de ecuaciones estructurales: editor visual de rutas, el pipeline completo de PLS-SEM e informes listos para publicar. Directamente en el navegador. O autoalojado, cuando tus datos son sensibles.
Sin instalación, sin tarjeta de crédito · Motor de código abierto · Validado frente a valores de referencia establecidos
Vista previa en vivo
Un modelo real, totalmente calculado.
Esto es lo que openpls-engine devuelve para una pequeña cadena Calidad → Satisfacción → Lealtad. Trayectorias, R², HTMT e ICs bootstrap en una sola vista.
Muestra de satisfacción del cliente ECSI (n = 250), 5 000 remuestreos bootstrap. Reproducible en el proyecto de demostración.
Funcionalidades
Todo lo que necesitas para hacer PLS-SEM en serio.
Estadística consolidada, herramientas modernas, estándares abiertos.
Pipeline completo de PLS-SEM
Cargas, pesos, coeficientes de ruta, R², GoF, validados frente a valores de referencia establecidos de la literatura PLS-SEM.
Informes claros
PDF, XLSX, LaTeX y un bundle JSON listo para publicación, preparado para insertar directamente en tu artículo. Tablas, gráficos y sección de métodos, cada uno a un clic.
Autoalojamiento para datos sensibles
Imagen Docker para docencia, trabajo clínico y empresa. Tus datos nunca salen de tu red.
Formatos de exportación abiertos
Modelos, pesos e informes en estándares abiertos (JSON, CSV, LaTeX). Migra hacia y desde otras herramientas PLS, sin lock-in.
Equipos y versionado
Coautores, revisores y comparación de versiones para grupos de investigación. Sin cadenas interminables de correos.
Análisis avanzados Nuevo
Más allá del pipeline estándar.
Diez análisis modernos de PLS-SEM, a un clic en el mismo editor, sin una segunda herramienta.
Cuantifica la incertidumbre de los efectos y convierte el modelo en predicciones fuera de muestra.
-
IPMA
Importance-Performance Map: muestra qué constructos son altamente importantes y a la vez tienen bajo desempeño. Prioridad de gestión de un vistazo.
-
PLSpredict
Evaluación fuera de muestra con validación k-fold y el panel completo de Shmueli: RMSE, MAE y MAPE frente a un benchmark de modelo lineal, además de una tabla de ajuste dentro de muestra como contexto.
-
Efectos indirectos específicos
Cada cadena de mediación de tu modelo con estimaciones puntuales e intervalos de confianza bootstrap, valores t y valores p. Deja de reportar solo el efecto indirecto total.
-
FIMIX-PLS
La segmentación por mezcla finita revela subgrupos no observados en tu muestra. Haz visibles los efectos heterogéneos.
Somete el modelo de medición y las ecuaciones estructurales a pruebas frente a sesgos habituales.
-
PLSc (PLS consistente)
Corrección del sesgo de Dijkstra-Henseler para mediciones reflectivas. ρ_A por LV, correlaciones desatenuadas, trayectorias y R² corregidos.
-
Validez discriminante
HTMT junto con el refinamiento por media geométrica HTMT2 (Roemer et al. 2021) y la prueba de Fornell-Larcker en paralelo. Tres perspectivas independientes sobre la distinción entre constructos en un solo panel.
-
Cópula gaussiana
Prueba de endogeneidad Park-Gupta / Hult et al. para predictores estructurales. Detecta sesgo sin variables instrumentales, con verificación de admisibilidad incorporada.
-
Moderación (Two-Stage)
Prueba términos de interacción en tu modelo estructural. Enfoque en dos etapas según Henseler & Chin, en un clic.
Construye topologías más ricas y elige el algoritmo de convergencia adecuado para tus datos.
-
Construcciones de orden superior (HOC)
Procedimiento disjoint two-stage para modelos jerárquicos. Los cuatro tipos canónicos (R-R, R-F, F-R, F-F) y HOC anidados, sin reconfigurar el editor.
-
Esquema Newton
Ponderación interna quasi-Newton para una convergencia más estable y rápida en modelos complejos.
-
Esquema PCA
Esquema de ponderación interna PCA de Lohmöller como alternativa a centroide y path. Libertad algorítmica por modelo.
Métodos, visualizados
Así se ven los resultados de verdad.
Cuatro ejemplos de lo que OpenPLS produce para tus análisis. Directamente desde los paneles explicativos de la app.
01
Distribución Bootstrap
5.000 remuestreos, estimación puntual y CI al 95 %. Así se ve la incertidumbre de un coeficiente de trayectoria.
02
Mapa de importancia y rendimiento
¿Qué constructos son importantes y rinden por debajo de lo esperado? Una vista en cuatro cuadrantes para priorizar decisiones de gestión.
03
Segmentación FIMIX
Detecta subgrupos no observados. Saca a la luz efectos heterogéneos antes de que sesguen tus resultados.
04
Simple Slopes
¿Cómo cambia un coeficiente de trayectoria con moderador bajo, medio y alto? Tres líneas dicen más que un solo p-value.
Flujo de trabajo
Cuatro pasos, de los datos al modelo.
- 01
Sube los datos
CSV, XLSX, SPSS o Stata: leemos lo que tengas.
- 02
Dibuja el modelo
Constructos y rutas mediante drag & drop. Vista previa en vivo de la estructura del modelo.
- 03
Calcula
Un clic. plspm calcula: cargas, rutas, intervalos de confianza por Bootstrap.
- 04
Exporta
Informe en PDF, tablas en XLSX, modelo en JSON o snippet LaTeX, todo en formatos abiertos.
Para quién
Aplicaciones concretas desde la práctica.
PLS-SEM se usa allí donde hay que estimar relaciones entre constructos latentes no medibles directamente, desde tesis doctorales hasta el departamento de investigación de mercados de una compañía Fortune 500.
Investigación y docencia
Investigación empírica sin barreras de licencia
Tesis doctorales, envíos a revistas y seminarios: sin licencia comercial, sin cuenta compartida de laboratorio. Motor abierto, metodología documentada, informes reproducibles.
- Modelos de aceptación (TAM / UTAUT) para la adopción de TI en salud
- Calidad del servicio y lealtad (ACSI / ECSI) en investigación hotelera
- Modelos de reputación y confianza (Corporate Reputation Model)
Marketing y CX
¿Qué impulsa realmente tus KPIs de cliente?
En lugar de correlacionar puntos de contacto aislados, OpenPLS estima todo el sistema simultáneamente. Ves qué palanca mueve de verdad la lealtad y el NPS, y cuál es solo ruido.
- Modelos de drivers de NPS y CSAT a partir de datos de encuesta
- Modelos de impacto del customer journey (Awareness → Confianza → Conversión)
- Estudios de brand equity con índices formativos
Industria y operaciones
Haz medibles los drivers latentes de procesos complejos
OpenPLS es especialmente fuerte con N pequeñas y muchos indicadores, el escenario típico para encuestas a empleados, proveedores e innovación.
- Compromiso de empleados y cultura de seguridad (modelos de safety climate)
- Desempeño de proveedores y resiliencia de la cadena de suministro
- Capacidad de innovación (absorptive capacity, dynamic capabilities)
Salud y sector público
Datos sensibles, metodología clara
El autoalojamiento como contenedor Docker mantiene los datos de pacientes y empleados dentro de tu propia red. Metodológicamente idéntico a la versión en la nube, documentado para comités de ética.
- Modelos de patient-reported outcomes en rehabilitación y cuidados
- Adopción de ofertas de salud digital (DTx, telemedicina)
- Modelos de confianza ciudadana para iniciativas de e-government
Casos de uso
Reproducibles en 60 segundos.
Cuatro modelos PLS-SEM publicados, disponibles como clones de un clic en tu workspace de OpenPLS. Cada uno incluye datos originales sintéticos, la definición completa del path y métricas clave reproducibles.
ECSI
European Customer Satisfaction Index
Customer Experience
Seis constructos reflectivos (Image → Expectations → Quality → Value → Satisfaction → Loyalty), el modelo canónico de la investigación en marketing de servicios.
- N
- 250
- LVs
- 6
- R²(SAT)
- 0.71
Fornell et al. (1996)
Abrir caso de uso UTAUT2 + Trust
Aceptación en e-commerce con confianza
Marketing / E-commerce
Performance expectancy, effort expectancy, influencia social y confianza explican la intención de compra y el uso real. Incluye variables sociodemográficas para multi-group analysis.
- N
- 400
- LVs
- 6
- MGA
- Age · Device
Venkatesh et al. (2012)
Abrir caso de uso JD-R
Engagement laboral (Job Demands-Resources)
RR. HH. / Comportamiento organizacional
Job demands y job resources actúan sobre la satisfacción y el desempeño vía engagement. Un modelo mediador clásico con cinco constructos.
- N
- 350
- LVs
- 5
- R²(JP)
- 0.40
Bakker & Demerouti (2017)
Abrir caso de uso TAM + Privacy
Adopción de apps de salud digital
Salud / mHealth
PEOU, utilidad, conciencia de salud y riesgo de privacidad inciden sobre actitud e intención conductual. El path negativo de privacidad funciona muy bien como ejemplo de tamaños de efecto f².
- N
- 380
- LVs
- 6
- Efecto
- PR → BI negativo
Davis (1989); Sun et al. (2013)
Abrir caso de usoClonar requiere una cuenta gratuita de OpenPLS.
Código abierto
Un motor que puedes inspeccionar.
Revisores y tribunales de tesis quieren saber exactamente cómo se han producido tus cifras. Con OpenPLS la respuesta es simple: aquí está el código.
Motor de código abierto
El motor de cálculo (cargas, rutas, Bootstrap, ajuste) es abierto: GPL-3.0, reproducible, auditable. Sin vendor lock-in para tu sección de métodos.
Ampliado continuamente
IPMA, PLSpredict, moderación, segmentación FIMIX y los esquemas de ponderación interna Newton y PCA ya están disponibles. Cada extensión llega primero al motor y luego a la app.
Validado frente a referencias
Una matriz creciente de modelos de ejemplo se contrasta con valores de referencia establecidos de la literatura PLS-SEM: cargas, rutas, R², SRMR. El estado por caso es público.
Precios
Abierta hoy. Abierta para siempre.
La aplicación web es de uso gratuito. El motor es de código abierto bajo GPL-3.0 y siempre lo será.
Cloud
Gratis
Todo lo que necesitas para tu investigación. Alojado por nosotros.
- Modelos y datasets ilimitados
- Todos los informes y exportaciones
- Editor visual de rutas
- Comparación de versiones
Self-host
$0 GPL-3.0
Motor como contenedor Docker y librería de Python. En tu servidor, dentro de tu red.
- Funcionalidad completa del motor sin conexión
- CLI y API en Python
- Soberanía de datos para clínica e industria
- Soporte de la comunidad en GitHub
Consulting
Bajo petición A medida
Adaptaciones a medida, formación y asesoría metodológica para grupos de investigación.
- Coaching metodológico
- Modelos y plugins a medida
- Talleres in situ
- Soporte prioritario