Asumsi PLS

Beberapa asumsi dalam PLS SEM diantaranya: 

• Asumsi utama dalam penggunaan PLS SEM ialah tidak mengharuskan mengikuti asumsi normalitas karena PLS SEM tidak memperlakukan data sebagaimana dalam SEM yang berbasis kovarian dimana dalam SEM tersebut data diharuskan berdistribusi normal. Kelonggaran ini memungkinkan kita menggunakan data yang tidak berdistribusi normal. 
• Asumsi berikutnya ialah PLS SEM dapat menggunakan ukuran sampel yang kecil tidak seperti pada SEM yang berbasis kovarian yang mengharuskan peneliti menggunakan ukuran sampel yang besar dikarenakan SEM merupakan suatu prosedur yang dikategorikan kedalam prosedur multivariat dimana hampir semua prosedur multivariat mengharuskan jumlah data yang besar, misalnya setidak-tidaknya 400. Sebaliknya PLS SEM tidak mengharuskan peneliti menggunakan jumlah data yang besar. Dengan demikian prosedur ini memberikan keuntungan bagi pengguna saat kesulitan mencari data dalam jumlah yang besar. 
• Tidak mengharuskan randomisasi sampel dengan demikian sampel yang dipilih dengan pendekatan non-probabilitas, seperti ‘accidental sampling’, ‘purposive sampling’ dan sejenisnya dapat digunakan dalam PLS SEM. 
• Memberbolehkan indikator formatif dalam mengukur variabel laten selain indikator reflektif. 
• Hal ini tidak diijinkan dalam SEM berbasis kovarian yang menggunakan indikator reflektif saja. 
• PLS SEM mengijinkan adanya variabel laten dikotomi PLS SEM memberi kelonggaran terhadap keharusan adanya skala pengukuran interval. Dengan demikian peneliti dapat menggunakan skala pengukuran selain interval. 
• Distribusi residual dalam PLS SEM tidak diharuskan seperti pada SEM yang berbasis kovarian dimana dalam SEM tersebut distribusi residual harus sekecil mungkin seperti pada regresi linier. 
• PLS SEM cocok digunakan sebagai prosedur yang digunakan untuk mengembangkan teori pada tahap awal. Hal ini berbeda dengan SEM yang berbasis kovarian yang menggunakan teori untuk dikonfirmasi dengan menggunakan data sampel. 
• Pendekatan regresi dalam PLS SEM lebih cocok dibandingkan dalam SEM yang berbasis kovarian. 
• Dalam PLS SEM hanya diperbolehkan model recursive (sebab - akibat ) saja dan tidak mengijinkan model non – recurisve (timbal balik) sebagaimana dalam SEM yang berbasis kovarian. 
• PLS SEM memungkinkan model sangat kompleks dengan banyak variabel laten dan indikator