Metode Stable2 dan Stable3 telah dikembangkan sebagai alternatif dari metode Stable1.

Berbeda
dengan metode Stable1, mereka bergantung pada aplikasi langsung dari rumus smoothing
eksponensial (untuk detail, lihat: Kock, 2014b dan Kock, 2018b), dan yang dengan demikian dapat
lebih mudah diimplementasikan dan diuji oleh para peneliti metodologis. Beberapa eksperimen
Monte Carlo menunjukkan bahwa metode Stable2 dan Stable3 menghasilkan perkiraan kesalahan
standar aktual yang konsisten dengan yang diperoleh melalui bootstrap, dalam banyak kasus
menghasilkan perkiraan kesalahan standar aktual yang lebih tepat (Kock, 2014b; 2018b; Kock &
Hadaya, 2018). Yang lebih akurat dari kedua metode tersebut tampaknya adalah metode Stable3,
yang juga tampaknya lebih akurat daripada metode Stable1. Dengan demikian, metode Stable3
ditetapkan sebagai standar perangkat lunak yang dimulai pada versi 5.0.

Dengan metode Parametrik, nilai P dihitung dengan asumsi normalitas multivariat dan juga bahwa
estimasi koefisien jalur didistribusikan seperti yang diharapkan berdasarkan pada teorema batas
pusat. Baik metode Parametrik maupun tiga metode “stabil” (Stable1, Stable2 dan Stable3) benar-
benar menghasilkan sampel, sehingga memanggil mereka metode resampling dilakukan di sini untuk
kesederhanaan dalam pengelompokan opsi pengaturan. Karena tidak ada sampel yang dihasilkan, ini
adalah metode yang paling efisien dari perspektif beban komputasi. Metode-metode ini dapat
sangat berguna dalam analisis aset data besar, karena dalam kasus-kasus ini membuat sampel bisa
sangat berat secara komputasi. Dengan munculnya konsep "data besar", kebutuhan untuk
menganalisis kumpulan data besar menjadi semakin umum.

Tahapan selanjutnya yaitu menentukan metode analisis algoritma yang akan digunakan. PLS SEM
memiliki tiga pilihan algoritma yaitu factorial, centroid, dan path atau structural weighting. Menurut
Wold, algoritma PLS yang disarankan adalah path weighting (Latan & Ghozali, 2012). Sehingga,
dalam penelitian ini menggunakan algoritma path atau structural weighting untuk analisis.