[SmartPLS 비교] PLSpredict — SmartPLS 결과와 맞춰보기

# SmartPLS와 SSRA의 PLSpredict, 같은 자료로 맞춰보기 — Corporate Reputation 모형

![PLSpredict 맞춰보기 — SmartPLS · SSRA](upload/diagrams/ex_smartpls_predict.png)

[SmartPLS 비교 카드](post.php?id=146)에서는 Corporate Reputation 모형의 경로계수·요인부하량·신뢰도를 SmartPLS 출판값과 맞춰 보았습니다. 이 카드는 그 다음 단계로, **표본 밖 예측력을 재는 PLSpredict**를 두 프로그램에서 각각 돌려 숫자를 나란히 놓습니다.

PLSpredict가 무엇이고 어떻게 판정하는지는 [예측력(PLSpredict)](post.php?id=189) 글에 정리했습니다. 여기서는 **«같은 조건이면 같은 숫자가 나오는가»** 만 다룹니다.

> **이 카드의 SSRA 수치는 실제로 실행한 값입니다.** SmartPLS 쪽 칸은 아직 채우지 않았습니다. 아래 절차대로 SmartPLS에서 직접 돌려 맞춰 보실 수 있게 비워 두었고, SSRA 운영팀이 SmartPLS 실행 결과를 확인하는 대로 이 글에 채워 넣겠습니다.

---

## 한눈에 보는 순서

| 단계 | 하는 일 | 참고 |
| --- | --- | --- |
| 1 | 자료 올리기 · 기본모형 설정 | [SmartPLS 비교 카드](post.php?id=146) 1)~3) |
| 2 | PLS 구조방정식모형 실행 (평균대체, 344명) | 같은 카드 4) |
| 3 | SSRA에서 **예측력(PLSpredict)** 실행 | 이 카드 |
| 4 | SmartPLS에서 **PLSpredict** 실행 | 이 카드 |
| 5 | 결과 대조 | 이 카드 |

---

## 1) 자료와 모형 — 앞 카드 그대로

자료 내려받기, 업로드, 잠재변수 일괄등록은 [SmartPLS 비교 카드](post.php?id=146)의 1)~3)을 그대로 따릅니다. 이 카드는 **기본모형(Simple Model)** 을 씁니다.

| 구성개념 | 측정지표 | 비고 |
| --- | --- | --- |
| 역량 COMP | comp_1 comp_2 comp_3 | 외생 |
| 호감도 LIKE | like_1 like_2 like_3 | 외생 |
| 고객만족 CUSA | cusa | 내생, **단일지표** |
| 고객충성도 CUSL | cusl_1 cusl_2 cusl_3 | 내생 |

경로: COMP·LIKE → CUSA, COMP·LIKE·CUSA → CUSL

**결측 처리는 평균대체(표본 344명 유지)** 입니다. SSRA와 SmartPLS 모두 기본값입니다.

### 자료가 제대로 들어갔는지 먼저 확인

PLSpredict를 돌리기 전에, 전체 표본의 경로계수가 교재와 같은지 보세요. 여기가 다르면 자료나 모형 설정부터 어긋난 것입니다.

| 경로 | SSRA |
| --- | --- |
| COMP → CUSA | 0.162 |
| LIKE → CUSA | 0.424 |
| COMP → CUSL | 0.009 |
| LIKE → CUSL | 0.342 |
| CUSA → CUSL | 0.504 |

---

## 2) SSRA에서 예측력(PLSpredict) 실행

1. [**PLS 구조방정식모형 실행**]을 합니다. 이때 PLSpredict에 쓸 모형과 자료가 함께 저장됩니다.
   > 2026년 10월 4일 이전에 실행해 둔 분석에는 이 사본이 없습니다. 한 번 다시 실행하세요.
2. 분석결과 메뉴에서 [**예측력(PLSpredict)**]을 누릅니다.
3. **겹 수 10겹, 반복 10회**(기본값)로 [실행]합니다.

### SSRA 결과 — 10겹 × 10회

| 지표 | Q²predict | PLS-SEM RMSE | PLS-SEM MAE | LM RMSE | LM MAE |
| --- | --- | --- | --- | --- | --- |
| cusa | 0.282 | 0.996 | 0.777 | **0.990** | 0.776 |
| cusl_1 | 0.308 | **1.257** | 0.945 | 1.262 | 0.939 |
| cusl_2 | 0.320 | **1.433** | 1.074 | 1.442 | 1.092 |
| cusl_3 | 0.203 | **1.474** | 1.088 | 1.489 | 1.106 |

* 네 지표 모두 **Q²predict > 0** 입니다.
* 예측오차의 왜도가 모두 |1| 미만(−0.40 ~ −0.90)이라 **RMSE** 로 견줍니다.
* PLS-SEM의 RMSE가 LM보다 작은 지표: **cusl_1·cusl_2·cusl_3 의 3개 / 4개 → 과반 → 예측력 중간**
* cusa 는 LM이 근소하게 낫습니다(0.990 대 0.996).

SSRA는 난수 시드를 고정해 두어서 **몇 번을 실행해도 이 숫자 그대로** 나옵니다.

---

## 3) SmartPLS에서 PLSpredict 실행

SmartPLS가 없다면 **30일 무료 평가판**으로 충분합니다(설치 방법은 [앞 카드](post.php?id=146)의 1) 참고). 무료 student 판은 표본 100명 제한이 있어 344명 자료가 들어가지 않습니다.

1. 같은 프로젝트에서 **기본모형(Simple model)** 을 엽니다.
2. 계산 메뉴(**Calculate**)에서 **PLSpredict** 를 고릅니다.
3. 설정 창에서 다음을 확인합니다.
   * **Number of folds: 10**
   * **Number of repetitions: 10**
   * 결측 처리: **Mean replacement**
4. 실행 후 결과 보고서에서 **측정지표(MV) 예측 요약** 표를 엽니다. Q²predict, PLS-SEM의 RMSE·MAE, LM의 RMSE·MAE 가 지표별로 나옵니다.

> SmartPLS 판(3·4)에 따라 메뉴와 표 이름이 조금 다를 수 있습니다. 설정 창에 예측 방식(prediction approach)을 고르는 옵션이 있다면 그 값도 적어 두세요. 결과가 갈릴 때 가장 먼저 볼 곳입니다.

### 대조표 — SmartPLS 칸을 채워 보세요

| 지표 | Q²predict SSRA / SmartPLS | PLS-SEM RMSE SSRA / SmartPLS | LM RMSE SSRA / SmartPLS |
| --- | --- | --- | --- |
| cusa | 0.282 / ( ) | 0.996 / ( ) | 0.990 / ( ) |
| cusl_1 | 0.308 / ( ) | 1.257 / ( ) | 1.262 / ( ) |
| cusl_2 | 0.320 / ( ) | 1.433 / ( ) | 1.442 / ( ) |
| cusl_3 | 0.203 / ( ) | 1.474 / ( ) | 1.489 / ( ) |

---

## 4) 어디까지 같아야 «같은 결과»인가

### 10겹 × 10회는 셋째 자리까지 같을 수 없습니다

PLSpredict는 표본을 **무작위로** 열 겹으로 나눕니다. 어느 응답자가 어느 겹에 들어가는지는 프로그램마다, 실행할 때마다 다릅니다. 그래서 같은 알고리즘이어도 **소수점 셋째 자리는 흔들립니다.** SmartPLS를 두 번 돌려도 마찬가지입니다.

얼마나 흔들리는지 감을 잡으려면, 같은 SSRA 계산에서 **겹 나누는 방식만 바꾼** 결과(아래 LOOCV)와 비교해 보세요. 차이는 대부분 0.001~0.002 수준입니다.

확인할 것은 두 가지입니다.

1. 숫자가 **소수점 둘째 자리 안팎**에서 같은가
2. **판정**이 같은가 — Q²predict의 부호, 그리고 PLS가 LM보다 나은 지표의 수(이 자료는 4개 중 3개)

### 겹을 나누지 않으면 정확히 같아야 합니다 — LOOCV

**한 명씩 빼는 교차검증**(LOOCV, leave-one-out)은 겹 수를 표본 수(344)와 같게 두는 것입니다. 모든 응답자가 정확히 한 번씩 혼자 시험 겹이 되므로 **무작위가 끼어들 자리가 없습니다.** 두 프로그램이 같은 방식으로 계산한다면 셋째 자리까지 같아야 합니다.

SSRA는 이 방법으로 R 패키지 **seminr**(`predict_pls`, earliest antecedent 방식)와 대조했고, PLS-SEM과 LM의 RMSE·MAE 가 모두 **소수점 셋째 자리까지 일치**했습니다.

| 지표 | PLS-SEM RMSE SSRA / seminr | PLS-SEM MAE SSRA / seminr | LM RMSE SSRA / seminr | LM MAE SSRA / seminr |
| --- | --- | --- | --- | --- |
| cusa | 0.996 / 0.996 | 0.776 / 0.776 | 0.991 / 0.991 | 0.777 / 0.777 |
| cusl_1 | 1.257 / 1.257 | 0.945 / 0.945 | 1.263 / 1.263 | 0.939 / 0.939 |
| cusl_2 | 1.434 / 1.434 | 1.075 / 1.075 | 1.444 / 1.444 | 1.094 / 1.094 |
| cusl_3 | 1.474 / 1.474 | 1.088 / 1.088 | 1.490 / 1.490 | 1.108 / 1.108 |

SmartPLS에서도 **Number of folds를 344, Number of repetitions를 1** 로 둘 수 있다면 같은 대조를 해 볼 수 있습니다.

> SSRA 화면은 겹 수를 10·5 중에서만 고르게 되어 있습니다. LOOCV 값은 검증을 위해 같은 계산 코드를 겹 수만 바꿔 돌린 것입니다.

### 많이 다르다면 먼저 볼 곳

| 확인할 것 | 왜 |
| --- | --- |
| 표본 수 344, 평균대체인가 | 사례삭제(336명)면 모든 숫자가 달라집니다 |
| 전체 표본 경로계수가 위 표와 같은가 | 다르면 자료·모형부터 다릅니다 |
| 예측 방식 | SSRA는 외생변수에서 출발해 차례로 내려가는 **EA**(earliest antecedent) 방식입니다. 내생변수의 실제 값을 쓰는 방식(직접 선행변수, DA)이면 CUSL 의 예측이 달라집니다 |
| LM 기준모형의 설명변수 | SSRA의 LM은 각 내생 지표를 **외생변수(COMP·LIKE)의 측정지표 6개 전부**에 회귀합니다 |

---

## 실행하면서 확인할 것

* 단일지표 구성개념(**cusa**)도 예측 대상입니다. 지표 하나가 곧 구성개념이라, 적재값 1로 그대로 예측합니다.
* 외생변수(COMP·LIKE)의 지표는 표에 나오지 않습니다. 예측할 선행 변수가 없기 때문입니다.
* SSRA 결과는 보고서에도 들어갑니다. PLS 보고서를 새로 만들면 «구조모형 적합도» 다음에 **«예측력»** 절이 표·서술과 함께 붙습니다.

## 참고문헌

* Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). *A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM)* (3rd ed.). Sage.
* Shmueli, G., Ray, S., Velasquez Estrada, J. M., & Chatla, S. B. (2016). The elephant in the room: Predictive performance of PLS models. *Journal of Business Research*, 69(10), 4552–4564.
* Shmueli, G., Sarstedt, M., Hair, J. F., Cheah, J.-H., Ting, H., Vaithilingam, S., & Ringle, C. M. (2019). Predictive model assessment in PLS-SEM: Guidelines for using PLSpredict. *European Journal of Marketing*, 53(11), 2322–2347.

## 함께 보기

* [SmartPLS 비교 — Corporate Reputation 모형](post.php?id=146): 같은 자료로 경로계수·신뢰도·타당도 대조
* [예측력(PLSpredict)](post.php?id=189): 절차·지표·판정 기준
* [모형 적합도(SRMR)와 예측적합성(Q²)](post.php?id=188): 표본 안에서 보는 예측적합성