Partial Least Square (PLS) merupakan sebuah metode untuk mengkonstruksi model-model yang dapat diramalkan ketika faktorfaktor terlalu banyak. PLS dikembangkan pertama kali oleh Wold sebagai metode umum untuk mengestimasi path model yang menggunakan variabel laten dengan mutiple indikator. PLS juga merupakan factor indeterminacy metode analisis yang powerful karena tidak mengasumsikan data harus dengan pengukuran skala tertentu, jumlah sampel kecil. Awalnya Partial least Square berasal dari ilmu sosial (khususnya ekonomi, Herman Wold, 1996). Model ini dikembangkan 17 sebagai alternatif untuk situasi dimana dasar teori pada perancangan model lemah atau indikator yang tersedia tidak memenuhi model pengukuran refleksif. PLS selain dapat digunakan sebagai konfirmasi teori juga dapat digunakan untuk membangun hubungan yang belum ada landasan terorinya atau untuk pengujian proposisi. Selain PLS, metode lain yang dapat digunakan adalah SEM (Structur Equation Modelling) tetapi dengan jumlah sampel SEM dengan menggunakan diagram jalur memiliki beberapa ciri, diantaranya adalah:
a. Model struktural memenuhi sifat model rekursif.
b. Variabel laten, ada yang model pengukurannya bersifat formatif (sosial keluarga, ekonomi keluarga, kesejahteraan keluarga).
Dalam model formatif, indikator dipandang sebagai variabel yang mempengaruhi variabel laten menurut Bollen dan Lennox (1991). dan ada yang bersifat refleksif (motivasi kerja). Dalam model refleksif indikator atau manifest dipandang sebagai variabel yang dipengaruhi oleh variabel laten, sehingga perubahan dalam satu indikatornya akan berakibat pada perubahan indikator lainnya dengan arah yang sama. Structur Equation Model (SEM) adalah salah satu bidang kajian statistik yang dapat menguji sebuah rangkaian hubungan yang relatif sulit terukur secara bersamaan. SEM terdiri dari model structural dan model pengukuran sedangkan regresi merupakan suatu analisis yang bertujuan untuk menentukan model yang cocok untuk pasangan data. Berdasarkan ciri ke (2), maka penerapan SEM tidak bisa digunakan, mengingat SEM hanya bisa digunakan pada model struktural yang variabel latennya memiliki indikator bersifat refleksif. SEM berbasis covariance based, adapun perbedaan antara covariance based SEM 18 dengan component based PLS adalah dalam penggunaan model persamaan struktural untuk menguji teori atau pengembangan teori untuk tujuan prediksi oleh Ghozali ( 2008 : 5) . Pada situasi dimana penelitian mempunyai dasar teori yang kuat dan pengujian teori atau pengembangan teori sebagai tujuan utama riset, maka metode dengan covariance based (Generalized Least Squares) lebih sesuai. Namun demikian adanya indeterminacy dari estimasi factor score maka akan kehilangan ketepatan prediksi dari pengujian teori tersebut. Untuk tujuan prediksi, pendekatan PLS lebih cocok. Karena pendekatan untuk mengestimasi variabel laten dianggap sebagai kombinasi linier dari indikator maka menghindarkan masalah indeterminacy dan memberikan definisi yang pasti dari komponen skor. Bilamana model struktural yang akan dianalisis memenuhi model rekursif dan variabel laten memiliki indikator yang bersifat formatif, refleksif atau campuran, maka yang tepat diterapkan adalah PLS. PLS merupakan pendekatan yang lebih tepat untuk tujuan prediksi, hal ini terutama pada kondisi dimana indikator bersifat formatif. Dengan variabel laten berupa kombinasi linier dari indikatornya, maka prediksi nilai dari variabel laten dapat dengan mudah diperoleh, sehingga prediksi terhadap variabel laten yang dipengaruhinya juga dapat dengan mudah dilakukan (Ghozali 2008). Sedangkan SEM kurang cocok untuk tujuan prediksi karena indikatornya bersifat refleksif, sehingga perubahan nilai dari suatu indikator sangat sulit untuk mengetahui perubahan nilai dari variabel laten, sehingga pelaksanaan prediksi sulit dilakukan. Oleh karena itu dalam penelitian ini digunakan metode PLS.