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.

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).

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:

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/