Boletín Nº 184 - Marzo 2018
Modelos de Ecuaciones
Estructurales: Una opción metodológica para las Ciencias Sociales
Los Modelos de Ecuaciones Estructurales están pasando a convertirse
en una de las opciones metodológicas más utilizadas en las ciencias sociales.
El más conocido y empleado de los métodos de ecuaciones estructurales es el
enfoque basado en la covarianza (LISREL es uno de los programas que mejor
ejemplifican este enfoque). Sin embargo, existe otro enfoque alternativo, Partial Least Squares
(PLS), que en determinadas circunstancias puede llegar a ser más apropiado.
El Instituto Tecnológico de Costa Rica,
por medio de sus Seminarios Gerenciales 2018 ha organizado el Seminario PLS (Partial Least Squares)-Modelos de ecuaciones estructurales basados en
la varianza. El seminario será
impartido por Ph.D. José Luis Roldán Salgueiro y Ph.D. Gabriel
Cepeda Carrión de la Universidad de Sevilla y fundadores de la comunidad PLS
en Español.
En este contexto, presentarmos una
entrevista realizada por Fabián Mora Chaverri,
Promotor de Seminarios Gerenciales de la Escuela de Administración de
Empresas a los expertos.
1. ¿Qué son los modelos de
ecuaciones estructurales?
En los últimos 30 años, los modelos de ecuaciones estructurales
(SEM) se han convertido en uno de los desarrollos recientes más importantes
del análisis multi-variante y su uso se ha
extendido en la investigación en ciencias sociales.
|
Ph.D José Luis Roldán Salgueiro.
|
|
|
|
|
|
|
Los SEM combinan: (1) el uso de variables
latentes (no observadas) que representan conceptos de la teoría, y (2) datos
que provienen de medidas (indicadores o variables manifiestas) que son usados
como insumos para un análisis estadístico que proporciona evidencia acerca de
las relaciones entre variables latentes.
2.
Desde una perspectiva general ¿cómo se aplican los modelos de
ecuaciones estructurales en las investigaciones?
Los modelos de ecuaciones estructurales
permiten valorar en un análisis único, sistemático e integrador:
a.
El modelo de medida. Las
relaciones entre las variables latentes y sus indicadores.
b.
El modelo estructural. La
parte del modelo completo que propone relaciones entre las variables latentes.
Tales relaciones reflejan hipótesis sustantivas basadas en consideraciones
teóricas.
c.
Consideramos que el enfoque
SEM es particularmente útil en investigación en ciencias sociales, donde una
gran mayoría de conceptos claves no son directamente observables. Como ejemplos
de este tipo de variables en investigación en el área de negocios podríamos
citar los siguientes: satisfacción de clientes, culturas organizativas,
rendimiento de negocio, adopción de tecnologías, etc.
3. ¿Cuáles modelos de
ecuaciones estructurales existen?
El análisis holístico que los SEM desarrollan puede ser llevado a
cabo por medio de dos tipos de técnicas estadísticas: (1) Métodos
basados en el análisis de las covarianzas (factores) (CBSEM) y (2) Métodos
basados en la varianza (o en componentes, o compuestos). Entre otros, Partial Least Squares
(PLS).
Ambos enfoques han
sido diseñados para alcanzar objetivos diferentes: (a) CBSEM
busca en estimar un conjunto de parámetros del modelo de tal modo que la matriz
teórica de covarianzas determinada por el sistema de ecuaciones
estructurales sea tan próxima como sea posible a la matriz empírica de
covarianzas observada en la muestra de estimación. (b) PLS
trabaja con bloques de variables (componentes) y estima los parámetros del
modelo por medio de la maximización de la varianza explicada de todas
las variables dependientes (tanto latentes como observadas).
4. ¿Qué ventajas tiene la
aplicación de los modelos de ecuaciones estructurarles basados en las varianzas
(PLS) por sobre otros modelos?
De
forma general, las investigaciones señalan que PLS es una técnica adecuada
siempre que se quiera testar modelos que bien contengan compuestos, o bien
incluyan combinaciones de compuestos con factores. Los compuestos son formas de
medir los llamados constructos de diseño o artefactos, los cuales son el
producto del pensamiento teórico, representando construcciones que están
justificadas teóricamente y que son creadas por seres humanos. Estos artefactos
constan de componentes elementales, por lo que pueden ser entendidos como una
mezcla de elementos. De esta forma, los compuestos pueden ser aplicados para
modelar conceptos tales como instrumentos de gestión, innovaciones o sistemas
de información. Como ejemplo de compuesto podríamos señalar la variable
agilidad organizativa, la cual se compone de agilidad con los clientes,
agilidad con socios y proveedores, y agilidad operacional.
Por otra parte, se podría
señalar que PLS presenta las siguientes características, que lo hacen bastante
interesante para los investigadores en ciencia sociales:
a.
PLS no impone ninguna
suposición de distribución específica (p.ej. normalidad) para los indicadores y
no necesita que las observaciones sean independientes unas de otras.
b.
Comparado con MBC, PLS evita
dos serios problemas:
·
Soluciones inadmisibles o impropias
ü P.ej.
Estimaciones negativas de la varianza de los indicadores y cargas
estandarizadas (correlaciones) mayores que 1.
·
Indeterminación de factores.
ü PLS
define explícitamente las variables latentes (compuestos) por lo que son fácilmente
disponibles las puntuaciones de los factores o variables latentes.
c.
PLS establece mínimos
requerimientos sobre escalas de medida:
· Se
pueden emplear escalas de tipo nominal (sólo como variable exógena), ordinal,
por intervalos o ratios.
· No requiere
uniformidad en las escalas de medida.
d.
Comparado con CBSEM, PLS puede
estimar técnicamente modelos estructurales con muestras más pequeñas que las
que requeriría CBSEM
e.
PLS puede estimar modelos con
medidas estimadas en Modo A (tradicionalmente reflectivas)
y en Modo B (tradicionalmente formativas) sin ningún problema de identificación
f.
PLS es bastante robusto frente
a tres insuficiencias:
·
Distribuciones sesgadas en las variables manifiestas en vez de
simétricas.
·
Multi-colinealidad tanto entre variables latentes
como entre indicadores.
·
Incorrecta especificación del modelo estructural (omisión de regresores).
Ph.D. Gabriel Cepeda.
|
5.
¿En cuáles condiciones se puede aplicar PLS?
Aquí, nos gustaría empezar reseñando las
conclusiones de un reciente artículo del profesor Jörg
Henseler (University of Twente, Holanda), quien señala que PLS se puede usar con
diferentes propósitos, y dependiendo del objetivo que se persiga, pondremos
el foco en diferentes aspectos. De este modo, PLS se podría utilizar en los
siguientes tipos de investigación:
a.
Investigación confirmatoria: Si el modelo incluye uno o más
constructos modelados como compuestos. Foco de atención: Indicadores de
bondad de ajuste del modelo
b.
Investigación explicativa: Si el modelo incluye uno o más constructos
modelados como compuestos. Foco de atención: R2 de las variables
dependientes, inferencia estadística de las relaciones estructurales, y
tamaños de los efectos (f2).
|
|
|
|
c.
Investigación exploratoria: Rápida identificación de potenciales
relaciones entre variables. Foco de atención: Magnitud de los caminos
estructurales. Requeriría posterior investigación causal.
d.
Investigación descriptiva: Si los pesos de uno o más índices se basan en
la red nomológica. Foco de atención: Puntuaciones medias (scores) y pesos de
los indicadores de las variables.
e.
Investigación predictiva: Cuando el propósito sea la predicción y cómo
se logra dicha predicción. Foco de atención: Errores de predicción del modelo y
relevancia predictiva de cada efecto
Una vez
dicho esto, podríamos indicar que PLS, y su variante PLS consistente (PLSc), podrían ser utilizados:
a.
Cuando las variables del modelo sean compuestos (PLS) o una mezcla de
compuestos con variables de factor común (PLSc).
b.
Cuando el objetivo sea predecir constructos clave o identificar
constructos impulsores (drivers).
c.
Cuando se usen datos secundarios o datos de archivo.
d.
Cuando la muestra es pequeña porque la población es pequeña.
e.
Modelos complejos, con un alto número de indicadores y constructos.
f.
Cuando se adopte un enfoque exploratorio en situaciones donde se dé
abundancia de datos, bajo sostenimiento teórico y una no clara determinación de
los modelos de medida aplicables. Por ejemplo, aplicaciones de big data.
g.
Cuando se usan puntuaciones agregadas (scores) de los compuestos en
análisis posteriores, como por ejemplo, para modelizar
constructos de segundo orden).
6.
¿Qué son las variables de mediación y moderación? Favor explicar
con un ejemplo. ¿Es posible medir los efectos de las variables de mediación y
modelación con PLS?
Las variables mediadoras juegan un rol clave en las
llamadas relaciones indirectas o mediadas. En estas relaciones:
a. Existe una
tercera variable (M) que juega un rol de intermediación en la
relación entre una variable independiente (X) y una variable dependiente
(Y)
b. El efecto de
una variable independiente X sobre una variable dependiente Y es
mediada por una tercera variable M, llamada variable mediadora
Como ejemplo, podríamos señalar el caso de la
variable satisfacción del consumidor (M), la cual es una variable mediadora en
la relación entre la variable reputación percibida por el cliente (X) y la
variable lealtad del consumidor (Y).
Las variables moderadoras están presenten en los
efectos de moderación, los cuales ocurren cuando una variable moderadora (M)
cambia la fuerza o incluso la dirección de la relación
entre una variable independiente (X) y una variable dependiente (Y).
Como ejemplo de variable moderadora, podríamos señalar la edad en el
ejemplo indicado previamente. De forma general, está constatado que existe una
relación positiva entre la satisfacción y la lealtad. Sin embargo, esta
relación se incrementa cuando aumenta la edad de los consumidores, mientras que
se constata que dicha relación se debilita cuando se reduce la edad de los
consumidores. Aquí se puede constatar el efecto moderador de la variable edad
en dicha relación.
7.
¿Existe software para utilizar PLS o deben realizarse los cálculos
de manera específica en hoja de cálculo?
La siguiente tabla refleja el
software existente para PLS-SEM:
Cuadro de datos
|
Software
|
Developer
|
Web-site
|
ADANCO
|
Composite Modeling
|
http://www.composite-modeling.com
|
LVPLS 1.8
|
Jan-Bernd Lohmöller
|
|
matrixpls
|
Mikko Rönkkö
|
https://cran.r-project.org/web/packages/matrixpls/matrixpls.pdf
|
PLS-Graph
|
Wynne Chin
|
http://www.plsgraph.com/
|
plspm
|
G. Sánchez; L. Trinchera;
G. Russolillo
|
http://cran.r-project.org/web/packages/plspm/plspm.pdf
|
PLS-GUI
|
Geoff Hubona
|
http://pls-gui.com
|
SEMinR
|
Soumya Ray; Nicholas Danks
|
https://cran.r-project.org/web/packages/seminr/index.html
|
semPLS
|
Armin Monecke
|
http://cran.r-project.org/web/packages/semPLS/index.html
|
SmartPLS
|
SmartPLS
GmbH
|
http://www.smartpls.com/
|
VisualPLS
|
Jen-Ruei Fu
|
http://fs.mis.kuas.edu.tw/~fred/vpls/index.html
|
WarpPLS
|
Ned Kock
|
http://www.scriptwarp.com/warppls/
|
XLSTAT-PLSPM
|
XLSTAT
|
http://www.xlstat.com/en/products/xlstat-plspm/
|
|
8.
Particularmente, en ciencias sociales, ¿cuáles ventajas presenta
PLS?
Una vez observados los planteamientos
anteriores, podemos afirmar que PLS es una alternativa apropiada para
desarrollar MEE en los campos de las Ciencias Sociales, ya que en ellos pueden
verificarse bastantes de las condiciones señaladas previamente:
a.
Testamos modelos que están formados por compuestos.
b.
Los conjuntos de datos suelen ser pequeños.
c.
Las medidas no se encuentran muy desarrolladas.
d.
El fenómeno bajo investigación es relativamente
nuevo o cambiante y marco teórico no está sólidamente desarrollado.
e.
Los datos suelen presentar distribuciones no
normales.
f.
Existen abundantes datos ordinales, cuando no
categóricos.
g.
Interés por predecir la variable dependiente.
9.
Favor compartir ejemplos de investigaciones en las cuales PLS haya
sido aplicado y explicar cómo su aplicación contribuyó a mejorar los resultados
obtenidos.
Son innumerables los ejemplos de
aplicación de PLS en el ámbito de las Ciencias Sociales y los beneficios que
los investigadores están alcanzando con su uso. Quizás, la prueba más clara la
proporcionan los profesores Hair, Hult,
Ringle y Sarstedt cuando en su libro:
Hair, J. F.
J., Hult, G. T. M., Ringle,
C. M., & Sarstedt, M. (2017). A primer on partial
least squares structural equation modeling (PLS-SEM) (2nd ed.).
Thousand Oaks, CA: SAGE Publications.
incluyen el siguiente gráfico acerca del
uso de la técnica PLS en las áreas de marketing, management
y sistemas de información.
Fotografías tomadas de: https://www.facebook.com/groups/PLShispano/photos/