结构方程模型用pls还是lisrel分析好

算法不同，需要看软件对数据的要求。

我找到一篇博客，你看下：

结构方程建模中的PLS和LISREL方法比较

第一，分布假设不同。PLS为了处理缺乏理论知识的复杂问题，采取“软”方法，避免LISREL模型严格的“硬”假设。这样，不论模型大小，PLS方法都可以得到“瞬时估计（instant estimation）”，并得到渐进正确的估计，即PLS方法没有分布要求，而LISREL方法假设显变量的联合分布为多元正态。

第二，准确性取向不同。PLS估计在样本量很大和每个隐变量的显变量很多时，是一致（consistency）和基本一致（consistency at large）的，但LISREL估计在大样本时是最优的（置信区间渐近最小）。最优性包括一致性，但一致性不包括最优性。因此，PLS和LISREL对同一参数的估计都在一致性的范围内。两种估计的差别不可能、也不应该很大。

第三，假设检验不同。PLS方法采用Stone（1974）和Geisser（1974）的交互验证（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。

不是我写的，你去感谢博主吧：

来自：http://blog.163.com/fjm82@126/blog/static/3335303020061014111026311/

增减样本量，保持样本均匀，改变模型形式提高pls模型的拟合优度。

增减样本量即增加数据资料或者减少数据资料。

更换样本匀样本数据。这是指对于缺省的数据资料或者易确定的现有数据，通过移动平均或者对于相邻数据的平均值代替再建立相应的模型，以取得较好的效果。

改变模型形式。这是指如果允许用另外的模型以取得比现有模型更好的预测效果，则通过改变模型形式可能更有效。如直线型改变为曲线形或者一种曲线型改变为另一种曲线型。

增加模型中的解释变量，对一些问题如果能够获得更多的影响因素数据，则增加解释变量个数则会使我们的模型更加可靠。一般地，模型的拟合优度系数会随着解释变量个数增加而增加，除非所加入的变量对被解释变量没有更多地解释力度。

---