VIF para bloques formativos
Diagnóstico de multicolinealidad por indicador formativo. Criterio de calidad estándar para constructos Mode B con umbrales claros (< 5 no crítico, < 3 ideal).
Funcionalidades
Todo lo que necesitas para hacer PLS-SEM con rigor.
Del modelo de medida al informe listo para publicar, organizado por caso de uso. Validado frente a valores de referencia consolidados en la literatura PLS-SEM.
Modelo de medida
Fiabilidad y validez de tus constructos. Reflectivo (Mode A) y formativo (Mode B) en un mismo editor.
Cargas, pesos y cargas cruzadas
Panel completo del modelo externo por indicador. Cargas para bloques reflectivos, pesos para bloques formativos, además de diagnóstico de método común a través de las cargas cruzadas.
AVE > 0.5 convergent validity
Fiabilidad: Cronbach, ρ_A, DG ρ, AVE
Cuatro medidas de fiabilidad en una sola tabla. Cronbach como límite inferior, Dijkstra-Henseler ρ_A como estimación puntual, DG ρ como límite superior, AVE como medida de convergencia.
Unidimensionalidad
Comprobación de autovalores por bloque reflectivo (Dillon-Goldstein, primer y segundo autovalor). Visible al instante si un bloque mide más de una dimensión.
Validez discriminante
Tres perspectivas independientes sobre la distinción entre constructos en un mismo panel.
HTMT
Ratio heterotrait-monotrait según Henseler, Ringle & Sarstedt (2015). Estándar en todo artículo PLS-SEM desde 2015. Umbral 0.85 (estricto) o 0.90 (liberal).
HTMT2
Refinamiento por media geométrica según Roemer, Schuberth & Henseler (2021). No sesgado ante cargas desiguales dentro de un bloque, más conservador que el HTMT clásico.
Criterio de Fornell-Larcker
Compara √AVE de cada LV con su correlación máxima con otras LV. Test clásico desde 1981, todavía exigido por muchas revistas.
Modelo estructural
Coeficientes path, tamaños del efecto y descomposición de efectos. Directos, indirectos, específicos.
Coeficientes path y VIF interno
Betas estandarizadas para cada path estructural, más VIF interno para diagnosticar multicolinealidad entre LV predictoras.
R², R² ajustado y BIC
Poder explicativo por LV endógena más una variante ajustada al tamaño muestral y el criterio de información bayesiano para comparar modelos.
0.02 · 0.15 · 0.35 Cohen f² thresholds
Tamaños del efecto f²
f² de Cohen por path: mide la contribución única de cada predictor al R² de la LV endógena. 0.02 / 0.15 / 0.35 como regla práctica.
Efectos indirectos específicos
Cada cadena de mediación listada por separado, con estimación puntual e IC bootstrap por cadena. No solo el efecto indirecto total, sino la contribución individual de cada path.
Q² > 0 predictive relevance
Relevancia predictiva Q²
Q² de Stone-Geisser mediante blindfolding. Identifica si el modelo tiene capacidad predictiva más allá del ajuste dentro de la muestra.
Inferencia y validación
Cuantificación de la incertidumbre y comparación de muestras. Procedimientos estandarizados de la comunidad PLS-SEM.
Bootstrap
Remuestreo con reemplazo para valores t, valores p e intervalos de confianza. Se ejecuta en Cloud Run, 5000 iteraciones típicamente en 2 a 5 minutos.
Moderación (two-stage)
Términos de interacción en el modelo estructural, enfoque two-stage según Henseler & Chin (2010). Con un clic desde el editor.
Análisis multigrupo (MGA)
Test de diferencias estructurales entre grupos. Basado en bootstrap (Henseler MGA) y basado en permutaciones en la misma vista.
SRMR < 0.08 · GoF ≥ 0.36 approximate fit indices
Ajuste del modelo (SRMR, d_ULS, GoF)
Índices aproximados de ajuste del modelo: SRMR (< 0.08 bueno), d_ULS para saturated/estimated, goodness-of-fit según Tenenhaus et al. (2005).
Métodos avanzados
Técnicas PLS-SEM modernas que suelen faltar en las herramientas estándar. Un editor, un clic.
FIMIX-PLS
La segmentación por mezcla finita revela subgrupos no observados. Hace visibles los efectos heterogéneos antes de que sesguen tus resultados.
PLSpredict e IPMA
Validación cruzada k-fold con el panel completo de Shmueli (RMSE, MAE, MAPE frente a LM) y mapa de importancia-rendimiento para priorización gerencial.
PLSc (PLS consistente)
Corrección del sesgo de Dijkstra-Henseler para modelos de medida reflectivos. Entrega ρ_A por LV, correlaciones desatenuadas y paths corregidos.
Constructos de orden superior
Flujo de trabajo disjoint two-stage para modelos jerárquicos. Los cuatro tipos canónicos (R-R, R-F, F-R, F-F) más HOCs anidados.
Cópula gaussiana
Test de endogeneidad de Park-Gupta / Hult et al. para predictores estructurales. Detecta sesgo sin variables instrumentales, con comprobación de admisibilidad.
Esquemas Newton y PCA
Inner weighting quasi-Newton para una convergencia más estable, esquema PCA de Lohmöller como alternativa a centroid y path.
Informes y exportación
Del modelo directamente al paper. Formatos abiertos, sin lock-in.
PDF publication-ready
Informe PDF de publicación
Informe PDF listo para publicar con todas las tablas, diagrama estructural y sección de métodos. Se inserta directamente en tu anexo.
Tablas XLSX y LaTeX
Cada tabla como hoja XLSX y como snippet LaTeX, copia con un clic. Ahorra horas de reformateo en Overleaf.
Bundle Report en JSON
El informe completo como JSON estructurado para declaraciones de reproducibilidad y análisis legible por máquina. Formato documentado, sin contenedor propietario.
Importación SmartPLS (.splsm)
Importa modelos SmartPLS existentes sin volver a crearlos. Migración en un paso, sin pérdida de datos.
Docker · GPL · On-Premise cloud or self-hosted
Self-host y equipos
Imagen Docker para datos sensibles, proyectos multiusuario con comparación de versiones para grupos de investigación. Cloud o on-premise, tú eliges.
¿Listo para correr tu primer modelo?
Cuenta gratuita, sin tarjeta de crédito. Los primeros proyectos corren en la nube, un clic para self-host cuando estés listo.