, Dans l'application pratique réalisée, les deux approches ont montré leur efficacité. Les aspects théoriques sont vérifiés : PLS favorise le modèle externe (corrélations plus fortes entre les variables manifestes et leurs latentes) et LISREL le modèle interne (R 2 plus forts). Pour la «Satisfaction générale», les coefficients de détermination obtenus par les deux approches représentent un bon résultat

. Selon-le-critère-d'amato, les performances de LISREL seraient meilleures que celles de PLS, mais les corrélations entre les scores donnés par PLS et ceux de LISREL, pour toutes les variables latentes sont supérieures à 0,94. En réalité, l'objectif des deux approches n'est pas le même : pour réaliser des prévisions, PLS est meilleur que LISREL, qui est plus orienté vers l'explication du modèle. D'autre part, LISREL demande une hypothèse de multinormalité des données qui est rarement remplie en marketing

S. Amato and W. W. France-chin, Partial Least Square for researchers: a overview and presentation of recent advances using the PLS approach, The PLS Approach to Path Modelling, IASC -IFCS Summer School, Lisbonne Jöreskog, vol.32, pp.443-482, 1967.

K. G. Jöreskog and H. Et-wold, The ML and PLS techniques for modelling with latent variables: historical and competitive aspect, Systems under indirect observation, Part 1, pp.263-270, 1982.

J. H. Steiger and J. C. Lind, Corrections to test statistics and standard errors in covariance structure analysis, Proceedings of the annual meeting of Psychometric Society Satorra, A. et Bentler, P. M, pp.399-419, 1980.

V. Stan and G. Saporta, Conjoint use of variables clustering and PLS structural equations modelling , PLS'05, 4 th International Symposium on PLS and Related Methods, 2005.

M. Barcelone-tenenhaus, PLS path modelling, Computational Statistics & Data Analysis, vol.48, pp.159-205, 2005.

H. Wold, Soft modeling by latent variables: The Non -Linear Iterative Partial Least Squares (NIPALS) approach, Perspectives in probability and statistics, vol.6, pp.581-591, 1975.