Seperti yang telah dijelaskan sebelumnya bahwa perhatian atau titik berat utama dari analisis PLS-SEM adalah pada variansi yang mampu dijelaskan oleh model seperti pada penentuan signifikansi dari seluruh estimasi jalur. Secara spesifik, kekuatan dan kesesuaian prediktif dari suatu model struktural ditentukan oleh nilai R2 (R-square) variabel laten endogen. Perubahan nilai pada R2 dapat ditinjau untuk melihat apakah efek dari sebuah variabel laten eksogen terhadap sebuah variabel laten endogen memiliki dampak yang nyata atau tidak.
dimana dan adalah R2 yang tertera pada variabel laten endogen saat variabel laten eksogen digunakan atau dikeluarkan dari persamaan struktural secara bersamaan. Perhitungan kesesuaian prediktif tidak cukup hanya dilihat dari nilai R2 saja. Teknik penggunaan sampel kembali (blindfolding) yang diciptakan oleh Stone (1974) dan Geisser (1975) menghasilkan Q2 yang merepresentasikan hasil pengukuran dari seberapa baik variabel terukur direkonstruksi oleh model dan estimasi parameternya
Secara singkat, prosedur dari blindfolding ini adalah mengambil sebuah blok dari sejumlah N responden (case) dan K indikator serta pengambilan porsi dari N oleh K titik data. Dengan menggunakan omission distance D, titik pertama (responden 1 indikator 1) dihilangkan dan lalu setiap titik data D lainnya yang dipindah antar kolom dan baris dihilangkan sampai tercapai akhir dari matriks data. Dengan titik data yang tersisa, estimasi diperoleh dengan cara menangani missing values 20 lewat penghapusan berpasangan (pairwise deletion), substitusi rata-rata (mean substitution), atau dengan prosedur imputasi lain. Jumlah dari kuadrat prediksi kesalahan (E) dihitung saat titik data yang dihilangkan diprediksi. Jumlah kuadrat kesalahan menggunakan rata-rata untuk prediksi (O) juga turut dihitung. Titik data yang dihilangkan dikembalikan dan kemudian berlanjut ke titik data selanjutnya pada matriks data (responden 1 indikator 2) sesuai dengan titik permulaan untuk baris baru dari penghilangan. E dan O yang baru dihitung. Proses ini berlanjut sampai set D dari E dan O diperoleh. Selain Q2 ada pula perhitungan kesesuaian spesifikasi model yang diistilahkan sebagai indeks Goodness of Fit (GoF). Pada PLS-SEM sendiri, GoF berperan sebagai ukuran performansi baik untuk model pengukuran (outer model) dan model struktural (inner model) dengan fokus pada prediksi keseluruhan performansi model
Tenenhaus et al. (2005) mendefinisikan GoF sebagai akar dari perkalian antara rata-rata communality index dan rata-rata R2 . Communality index untuk sebuah variabel laten didefinisikan sebagai jumlah dari muatan kuadrat variabel laten tersebut, dengan masing-masing muatan berasosiasi dengan sebuah indikator, dibagi dengan jumlah indikatornya.