در این رویکرد بیشتر به برآورد مجموعه ای از پارامترهای مدل توجه می شود و هدف، نزدیک تر شدن ماتریس کواریانس نظری به ماتریس کواریانس مشاهده شده در نمونه برآوردی است.
این رویکرد به تخمین ضرایب مسیرها، بارهای عاملی با استفاده از به حداقل رساندن تفاوت بین ماتریس کواریانس مبتنی بر نمونه و ماتریس کواریانس مبتنی بر مدل می پردازند.
متداولترین و معروف ترین نرم افزار این حوزه، نرم افزار لیزرل است.
سایر نرم افزارها:
AMOS
EQS
NPLUS
(تکنیک های برآورد)
متغیرهای ابزاری (IV)
کمترین مجذورات دو مرحله ای (TSLS)
کمترین مجذورات بدون وزن (ULS)
کمترین مجذورات تأمین یافته (GLS)
بیشینه احتمال (ML)
کمترین مجذورات وزن دار کلی (WLS)
کمترین مجذورات وزن دار قطری (DWLS)
گزینه برجسته (OR)
2-رویکرد مبتنی بر واریانس (VBSEM)
برخلاف رویکرد دیگر، رویکرد مبتنی بر واریانس به جای بازتولید ماتریس کواریانس تجربی، بر بیشینه سازی واریانس متغیرهای وابسته که توسط متغیرهای مستقل پیشبینی میشوند تمرکز دارد.
در این رویکرد نیز از بخش ساختاری که نمایانگر روابط بین متغیرهای پنهان یا مکنون؛ و بخش اندازهگیری که نشانگر روابط بین متغیرهای پنهان با نشانگرهایشان به دو صورت ترکیبی و انعکاسی استفاده شده است که بخش ساختاری، مدل درونی (Inner Model) و بخش اندازهگیری، مدل بیرونی (Outer Model) نام دارد
معروف ترین و پرکاربردترین نرم افزار در این رویکرد، نرم افزار Smart-PLS می باشد.
سایر نرم افزارها:
Visual PLS
PLS Graph
Warp PLS
XLStat
کاربرد رویکرد مبتنی بر واریانس (VBSEM)
-زمانی که هدف محقق پیش بینی باشد
-تعداد نمونه قابل ملاحظه ای در دسترس نمی باشد
-نرمال بودن چندمتغیری مطرح نباشد
-در مدل ما، حداقل یک مدل اندازه گیری ترکیبی (Formative Model) وجود داشته باشد.
-وجود همخطی چندگانه بالا (حداقل 0.8) بین متغیرهای مستقل
-مدل ما، مدل پیچیده ای باشد و هدف ما سنجش تعمیم پذیری مدل مفهومی بر اساس نظریات نباشد.