Está en la página 1de 142

UNIVERSIDAD TCNICA FEDERICO SANTA MARIA

DEPARTAMENTO DE INDUSTRIAS
CASA CENTRAL VALPARASO

PROPUESTA DE MODELO DE MEDICIN DE IMAGEN DE MARCA.


CASO APLICADO A UTFSM.

JUAN PABLO EDUARDO RUIZ BERGER


MEMORIA PARA OPTAR AL TTULO DE INGENIERO CIVIL INDUSTRIAL

PROFESOR GUIA: LUIS YAEZ S.


PROFESOR CORREFERENTE: CRISTBAL FERNNDEZ R.

2012

RESUMEN EJECUTIVO
El siguiente trabajo de ttulo trata como tema central el generar un modelo para la medicin de
marca a la Universidad Tcnica Federico Santa Mara. Esta necesidad se hace frente a la
visualizacin de la problemtica en la falta de este tipo de instrumentos de monitoreo, sobre todo
en el sector de educacin superior.
La investigacin se desarroll en dos fases, la primera de ellas corresponde a la fase exploratoria,
en donde se hizo la revisin de literatura y reuniones con las unidades de la universidad
pertinentes: Direccin de Admisin, Direccin General de Planificacin y Desarrollo y la
Asociacin de Ex - Alumnos de la USM (AEXA).
Junto a ellos, se definieron las partes interesadas a abarcar en el estudio, adems de definir un
conjunto de dimensiones a evaluar en base al tema.
Producto de esto se definieron 33 variables a evaluar, que fueron agrupadas en base al modelo
conceptual Brand Total, en base a atributos, beneficios y personalidad.
La etapa concluyente, consisti en la aplicacin de una encuesta va correo electrnico, enviadas
a 3 bases de datos de las partes interesadas: Estudiantes secundarios (proporcionada por
Direccin de Admisin), Estudiantes actuales de la universidad (proporcionada por los Centros
de alumnos) y los Ex Alumnos (proporcionada por AEXA), de los cuales se obtuvo un total de
2912 respuestas.
Con esto se hizo en primera instancia un anlisis univariado de algunas variables de inters
particular las cuales se adecuaron en gran manera a la hiptesis planteadas: La universidad tiene
una imagen consolidada como especialista y lder en las reas de Ingeniera, Ciencia y
Tecnologa; se evala como universidad con buen nivel de acadmicos y alumnos; pero no se
percibe como una universidad con buen nivel de formacin integral.
Posteriormente, el anlisis multivariante se erealiz en base a la modelizacin de ecuaciones
estructurales (SEM), particularmente con un Anlisis factorial de segundo orden, en que se
buscaba comprobar que la estructura de la imagen de marca se agrupa en funcin de los tres

factores detallados anteriormente: atributos, beneficios y personalidad.


Despus de analizar las distintas condiciones de ajuste, se lleg finalmente a un modelo con 18
variables, en que el factor que ms impacto tiene en la imagen de marca es el de personalidad,
seguido por atributos y beneficios.
Esto concord con los anlisis previos, en que la condicin de expertiz en las reas de ingeniera,
ciencia y tecnologa, hacen de una marca con un posicionamiento claro frente a los
competidores.
Finalmente en los anlisis respecto a las distintas partes interesadas, de manera general se pudo
apreciar que la muestra de futuros alumnos es la que valora en mayor grado todas las variables y
dimensiones. En contraste, la muestra de actuales alumnos es la que en trminos generales evala
de menor manera a la universidad.
Finalmente se entregan las conclusiones a estos anlisis, y algunas recomendaciones, en que se
basan en su mayora en mejorar las brechas entre ciertos indicadores, como lder y especialista,
sumado adems a trabajar en la mejora de percepcin por parte de los actuales alumnos, ya que
son un foco importante de comunicacin frente a actores externos.

INDICE DE CONTENIDOS
RESUMEN EJECUTIVO ............................................................................................................................. 2
1.

PROBLEMTICA ............................................................................................................................... 6
1.1 Contexto que motiva la realizacin. ................................................................................................... 6
1.2 Definicin del problema ...................................................................................................................... 7

2.

TEMA ................................................................................................................................................... 9

3.

OBJETIVOS ......................................................................................................................................... 9
3.1 Objetivo general.................................................................................................................................. 9
3.2 Objetivos especficos........................................................................................................................... 9

4.

ANTECEDENTES ............................................................................................................................. 10
4.1 Educacin superior en Chile .............................................................................................................. 10
4.2 Universidad Tcnica Federico Santa Mara. ...................................................................................... 12

5.

MARCO TERICO ............................................................................................................................ 17


5.1 Definiciones y conceptos asociados a imagen de marca .................................................................. 17
5.2 Imagen de marca universitaria. ........................................................................................................ 20
5.3. Imagen de la UTFSM. ....................................................................................................................... 24
5.4. Tcnicas Multivariantes utilizadas. .................................................................................................. 24
5.4.1. Definicin de Anlisis Multivariante. ....................................................................................... 24
5.4.2. Anlisis factorial. ...................................................................................................................... 25
5.4.3. Anlisis factorial confirmatorio (AFC). .................................................................................... 29
5.4.4. Modelos de Ecuaciones Estructurales. ...................................................................................... 33
5.4.5. Anlisis factorial confirmatorio de segundo orden. .................................................................. 56

6. METODOLOGA ................................................................................................................................... 58
7. ANLISIS Y RESULTADOS ............................................................................................................... 64
7.1. Tamao muestral. ............................................................................................................................ 64
7.2. Anlisis univariado. .......................................................................................................................... 64
7.3. Anlisis multivariado. ....................................................................................................................... 75
7.3.1. Tamao muestral anlisis univariado. ....................................................................................... 75
7.3.2. Prueba de normalidad................................................................................................................ 76
7.3.3. Conceptualizacin del modelo SEM. ........................................................................................ 77
7.3.3. Construccin del diagrama de ruta............................................................................................ 80
4

7.3.4. Especificacin del modelo. ....................................................................................................... 82


7.3.5. Identificacin del modelo.......................................................................................................... 83
7.3.6. Estimacin de parmetros. ........................................................................................................ 83
7.3.7. Anlisis de ajuste. ..................................................................................................................... 84
7.3.8. Modificacin del modelo. ......................................................................................................... 87
7.3.9. Interpretacin del modelo. ........................................................................................................ 91
8. CONCLUSIONES ................................................................................................................................ 101
9. BIBLIOGRAFA .................................................................................................................................. 107
10. ANEXOS ............................................................................................................................................ 110

1. PROBLEMTICA

1.1 Contexto que motiva la realizacin.

Hoy en da, producto de la globalizacin y el entorno competitivo en que estn las empresas, la
eleccin y satisfaccin de los consumidores no se origina solo por los atributos funcionales del
producto o servicio, sino que se logra en mayor medida por los aspectos simblicos y
psicolgicos que proyectan stos, en donde la mxima expresin se traduce bajo el concepto de
marca.

El hecho de que un consumidor recuerde, elija o se identifique con una marca, es consecuencia
de diversos factores, por lo que todas las actividades enfocadas a la gestin de sta, se pueden
traducir en ventajas competitivas para una empresa.

Chile no queda ajeno a esto, lo que ha hecho necesario para muchas empresas comenzar a
trabajar en este aspecto, buscando una diferenciacin que les permita obtener buenos resultados.
Uno de los factores claves en este tema, es el de la imagen de marca, que contempla las
percepciones y asociaciones que se crean en los consumidores al momento de evaluar una marca.

Esto toma mayor importancia, ya que considerando el escenario descrito anteriormente, se suma
adems la serie hechos que han ocurrido en el ltimo tiempo en nuestro pas, donde en diversos
sectores se han producido episodios polmicos que han puesto a prueba la credibilidad de las
empresas frente a los consumidores, como lo son el retail (Caso La Polar en 2011), salud
(colusin de precios de Farmacias en 2008; polmicas utilidades de Isapres en 2011) y educacin
(movilizaciones estudiantiles en el 2011).

Diversos estudios pblicos referentes a la imagen, como el ranking de marcas de BAV Chile
2011, Ranking de Reputacin Corporativa de Collect GFK 2011, o el ranking de YouGov 2011,

demuestran explcitamente como golpearon estos eventos particulares a las empresas y sus
marcas en general.

Este impacto en la imagen de diferentes empresas, aumenta el inters en estudiar este fenmeno
en las organizaciones de educacin, ya que el gran nmero de actores ha producido un escenario
de gran competencia y rivalidad. Considerando adems, que durante el ltimo ao el tema de la
educacin ha cobrado mayor importancia, especialmente en lo referente sobre la calidad de sus
instituciones, por lo que la manera en como son percibidas las casas de estudio por diferentes
actores presenta un contexto adecuado para abordar en una investigacin.
1.2 Definicin del problema
Situados en este contexto, las instituciones de educacin superior enfrentan un gran reto en su
gestin respecto a tiempos pasados. Por esto, Carmelo y Calvo (2010) plantean 5 reas
estratgicas claves a definir en estas organizaciones:

a) Estrategia Acadmica: que corresponde a la determinacin de la cartera productos y


servicios (oferta acadmica), considerando tambin los servicios complementarios al
aspecto acadmico.
b) Estrategia de Segmentacin: contempla la segmentacin misma del mercado,
considerando la imposibilidad de atender todas las necesidades. La identificacin de un
segmento permite proyectar su actividad (cartera de productos y servicios, imagen,
estrategia de comunicacin entre otras).
c) Estrategia Competitiva: comprende las acciones para mantener o incrementar la
participacin en el mercado objetivo.
d) Estrategia de Oportunidad: basadas en orientar la ampliacin institucional, identificando
oportunidades.
e) Estrategia de Posicionamiento: Una vez definido el mercado, plantear como se quiere ser
reconocido por el pblico objetivo, y cul es la ubicacin que se ocupa dentro del
conjunto de competidores en la mete de los clientes.

En base a esto, los autores afirman que en esencia la estrategia de posicionamiento representa la
imagen institucional que se alcanza, transformndose en el tpico fundamental a elaborar. En
base a esto, los autores definen cuatro elementos claves para el desarrollo de imagen en una
organizacin:

1 Debe derivarse del proyecto institucional (valoracin de lo que es o quiere ser).


2 Debe reiterarse continuamente en su comportamiento.
3 Debe ser promovida.
4 Debe ser monitoreada constantemente.

ste ltimo punto es donde se encuentra el problema a tratar, ya que no existe un instrumento
que genere consenso para esta tarea, lo que ha provocado gran fragmentacin en la literatura.
Adems, tampoco existe una profundizacin en el tema especfico de la educacin superior.

La problemtica del tema tratado radica en la necesidad de contar con instrumentos confiables
para medir y controlar la gestin de marca, al igual como ocurre en cualquier otra organizacin o
empresa.

La Universidad Tcnica Federico Santa Mara no queda ajena al contexto competitivo y


controversial que se ha producido en torno a la educacin superior en Chile, debiendo poner a
prueba el desempeo de gestin de identidad de marca frente a la imagen creada por las diversas
partes interesadas.

2. TEMA

El tema a desarrollar consiste en entregar una propuesta de un modelo de medicin de imagen de


marca de la Universidad Tcnica Federico Santa Mara, considerando los modelos de imagen
existentes y evaluando la aplicacin de ellos o la nueva definicin de uno, teniendo en cuenta la
gran fragmentacin respecto a este tema.

Esto representa una dificultad en trminos de que no se ha podido definir un instrumento que sea
aplicable de manera universal para distintos sectores, lo que ha producido que cada modelo
propuesto tiene las componentes a considerar propias de su sector, industria o simplemente
aplicable solo a su organizacin.

El fin que se busca es entregar una herramienta que permita ser aplicable a otras instituciones
similares, adems de poder ser aplicado en distintos instantes de tiempo otorgando la posibilidad
de ir monitoreando las estrategias aplicadas en la institucin.

3. OBJETIVOS

3.1 Objetivo general

El objetivo general de este trabajo consiste en medir la imagen de marca de la Universidad


Tcnica Federico Santa Mara, estableciendo los actores y componentes que la definen,
permitiendo entregar una herramienta de evaluacin de gestin de marca.
3.2 Objetivos especficos

Identificar las partes interesadas (stakeholders), basndose en las investigaciones y


modelos previos, para poder definir la muestra a consultar.

Identificar las dimensiones que componen la imagen consultando a las partes interesadas,
para especificar el modelo y medir las percepciones que tienen cada una de ellas.
9

Definir un modelo de imagen de marca, agrupando las dimensiones identificadas, para


poder medir cuantitativamente la gestin de marca de la institucin.

Proponer en modelo de escala flexible, utilizando dimensiones de orden superior, que


pueda ser aplicado en diversos mercados e industrias.

4. ANTECEDENTES

4.1 Educacin superior en Chile

En Chile, la oferta de la educacin superior est compuesta principalmente por tres actores:
universidades, institutos profesionales y centros de formacin tcnica. Adems de stos, la ley
reconoce oficialmente como instituciones de educacin superior a los establecimientos de las
Fuerzas Armadas, de la Direccin General de Aeronutica Civil, de Carabineros y de la Polica
de Investigaciones.

Respecto a las universidades, existe un total de 59 a lo largo del pas (sin considerar las que estn
en proceso de cierre), que congregan a 661.000 alumnos. De stas, 25 pertenecen al Consejo de
Rectores y otras 34 son universidades privadas. Las primeras representan el 41,5% de la
matrcula de 1er ao 2011, y las privadas representan el 58,5% de la matrcula de 1er ao 2011.
(Consejo Nacional de Educacin, 2011).
El Consejo de Rectores de las Universidades Chilenas (CRUCH), es una persona jurdica de
derecho pblico, de administracin autnoma, creado el 14 de agosto de 1954, (Ley N 11.575)
como un organismo de coordinacin de la labor universitaria de la nacin. Est integrado por los
Rectores de las veinticinco universidades pblicas y tradicionales del pas. El acceso a estas
universidades es mediante un sistema comn de seleccin y admisin, denominada Prueba de
Seleccin Universitaria (PSU), aplicada desde el ao 1967 a la fecha. Cabe destacar que tambin,
aunque en un porcentaje mnimo, estas Universidades tienen sistemas anexos de admisiones
especiales que lo define cada una de ellas.
10

Las otras 34 universidades, llamadas privadas, corresponden a las fundadas posteriores al ao


1980, en el que la nueva ley permiti un nuevo sistema de creacin de universidades sin acceso a
financiamiento pblico directo y que al no pertenecer al Consejo de Rectores, tampoco formaban
parte del proceso de seleccin descrito anteriormente.
Esto cambi en el proceso de admisin 2012, en que 8 de stas universidades se adscribieron al
sistema PSU.
Los institutos profesionales (IP), son 45 en total, y congregan a 268.000 alumnos.
Los centros de formacin tcnica (CFT), en total son 64 (sin considerar los que estn en proceso
de cierre), y congregan a 139.000 alumnos. De ellos, 13 estn acreditados, los que representan el
68% de la matrcula de CFT.

Por ltimo, las escuelas y academias pertenecientes a las Fuerzas Armadas, Orden y Seguridad,
en total agrupan a unos 2000 alumnos aproximadamente.

En este sistema, la ley establece que las universidades se encuentran facultadas para otorgar toda
clase de ttulos y grados acadmicos, los institutos profesionales slo pueden otorgar ttulos
profesionales (con excepcin de aquellos reservados nicamente para las universidades) y ttulos
tcnicos de nivel superior, mientras que los centros de formacin tcnica slo se encuentran
habilitados para entregar ttulos tcnicos de nivel superior. Los grados acadmicos, que son
otorgados exclusivamente por las universidades, son los de licenciado, magster y doctor.

Las instituciones pertenecientes a las Fuerzas Armadas, de Orden y Seguridad, estn facultadas
para entregar ttulos y grados acadmicos propios del mbito de su competencia, segn
corresponda.

El nmero de alumnos que rinden la PSU, ha aumentado desde el ao 2006 en ms de un 45%,


alcanzando en el ao 2011 un total de 231 mil alumnos aproximadamente segn datos del
DEMRE.

11

Estos aspectos del sistema educacin en Chile, lo sitan como uno de los de mayor grado de
privatizacin en el mundo. Brunner (2006), seala que este nivel se forma por dos aspectos: nivel
de privatizacin de matrcula y nivel de privatizacin de recursos. La privatizacin de matrcula
est generada por el incremento en actores privados descritos anteriormente, sumada a la
decreciente participacin del Estado en las instituciones pblicas durante los ltimos aos.

La privatizacin de los recursos, queda definida principalmente por la reduccin de los aportes
fiscales directos por parte del gobierno a sus instituciones, dando paso a diferentes mecanismos
que intensifican la competencia como aportes fiscales indirectos que son guiados por la
demanda, adems de los sistemas de becas y crditos con base comercial (Brunner, 2006), donde
la mayor parte de los recursos que ingresan al sistema provienen de parte de los alumnos y las
familias.

En base a los punto anteriores, la educacin superior presenta un escenario atractivo para evaluar
en temas de imagen, ya que adems de lo meditico del ltimo ao, los cambios producidos en el
sistema, han convertido a este sector en uno de los con mayor competencia en nuestro pas.
4.2 Universidad Tcnica Federico Santa Mara.

La Universidad Tcnica Federico Santa Mara (UTFSM o USM), es una fundacin de Derecho
Privado, con carcter de universidad particular, y forma parte de los 25 planteles tradicionales
miembros del Consejo de Rectores de las Universidades Chilenas.

Fue fundada el 27 abril de 1926, en Valparaso, mediante el Decreto Supremo N 996 del
Ministerio de Justicia, por el que se concedi la personalidad jurdica a la Fundacin Federico
Santa Mara de acuerdo a los estatutos presentados en escritura pblica, siguiendo la voluntad
testamentaria de don Federico Santa Mara Carrera, que entreg la donacin para dotar a
Valparaso de un centro de estudio compuesto de una Escuela de Artes y Oficios y un Colegio de
Ingenieros.

12

A lo largo de los aos, la Universidad ha construido presencia nacional e internacional


estructurada a travs de Campus y Sedes:
Casa Central, inaugurada en Valparaso en 1931, con ms de 55.000 metros cuadrados,
edificada en un entorno de parques y jardines en una superficie de 7 hectreas.
A fines de la dcada del 60, de acuerdo a los planes de desarrollo de la Universidad, se crean
dos nuevas sedes para la formacin de Tcnicos Universitarios: Sede Via del Mar con 15
hectreas de terreno y con ms de 12.000 metros cuadrados edificados, y la Sede
Concepcin con 7,5 hectreas de terreno y sobre los 10.000 metros cuadrados construidos.
En 1995, inicia sus actividades el Campus Santiago impartiendo carreras de pregrado de
Ingeniera; y el ao siguiente se crea el Campus Guayaquil, en Ecuador, el cual funciona
bajo la supervisin acadmica de la Universidad, ofreciendo carreras de pre y postgrado en
el rea de Ingeniera.
Desde el 2000 cuenta con una propiedad de 31.400 metros cuadrados en la comuna de
Vitacura, la que actualmente tiene ms de 9.000 metros cuadrados construidos, habiendo
incorporado las carreras de Ingeniera Comercial, Ingeniera Civil Industrial, , e Ingeniera
Civil Informtica, donde adems comienzan las actividades en la Academia de Ciencias
Aeronuticas, en convenio con LAN.

4.2.1. Misin y Visin de la UTFSM.

Esta institucin, en base a su modelo estratgico, define su misin y visin de la siguiente


manera:

Misin UTFSM

"Constituye misin de la Universidad el contribuir mediante la Docencia, la Investigacin y la


Extensin, a la creacin de nuevos conocimientos, a su difusin y entrega universal, a la
formacin humana, cientfica y profesional de sus alumnos en un marco de excelencia y de
respeto para que stos, utilizando el conocimiento de las distintas reas y los altos valores
cultivados, sean capaces de contribuir al desarrollo y mejoramiento de la humanidad.

13

La Institucin tiene una extensin nacional e internacional y de acuerdo con la voluntad


testamentaria de su fundador, don Federico Santa Mara Carrera, busca la excelencia acadmica
y pone especial nfasis en facilitar la admisin y la permanencia de aquellos que, reuniendo las
aptitudes y actitudes exigidas por el trabajo acadmico, no poseen suficientes medios
materiales."

Visin UTFSM

"Ser una Universidad lder en Ingeniera, Ciencia y Tecnologa para Chile y reconocida
internacionalmente".

4.2.2. Posicin competitiva de la UTFSM.

Para entender de alguna manera la posicin de la UTFSM con alguno de sus competidores, es
importante entregar algunas cifras importantes de este sector.

a) Nivel de alumnos: una manera de ver el nivel de excelencia acadmica de los estudiantes que
ingresan a las instituciones de educacin superior, es mediante el indicador de AFI (Aporte
Fiscal Indirecto), que es el monto asignado anualmente por el Estado a todas las stas
instituciones reconocidas por el MINEDUC, que obtengan a los 27.500 mejores puntajes de la
PSU en cada ao.

Segn cifras entregadas por DIVESUP, en base a los montos entregados el ao 2012, la UTFSM
ocupa el tercer lugar con el 7,36% del monto total, bajo la Universidad de Chile con un 20,55% y
la Pontificia Universidad Catlica de Chile 17,87%. En la tabla 1 se pueden ver las instituciones
que ocupan los siete primeros lugares a nivel nacional.

14

Tabla 1. Montos AFI 2012 por institucin.

2012

Nombre de la Institucin

(M$)
4.622.892.110
4.020.008.842
1.655.436.650
1.450.933.818
1.430.863.945
1.085.216.118
809.353.735

UNIVERSIDAD DE CHILE
PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE
UNIVERSIDAD TECNICA FEDERICO SANTA MARIA
UNIVERSIDAD DE CONCEPCION
UNIVERSIDAD DE SANTIAGO DE CHILE
UNIVERSIDAD ADOLFO IBAEZ
PONTIFICIA UNIVERSIDAD CATOLICA DE VALPARAISO

%
20,546
17,867
7,357
6,449
6,359
4,823
3,597

Fuente: www.divesup.cl.

b) Investigacin: En este punto se pueden describir distintos indicadores, como lo son el nmero
de publicaciones indexadas en las principales bases de datos (ISI, Scopus, entre otras), patentes,
cantidad de proyectos y montos asignados de parte de distintas entidades (Fondef, Fondecyt,
Corfo).
Tabla 2. Publicaciones ISI y SCIELO.

PU BLICACION ES
ISI
IN ST IT U CION
U.de Chile
P.U.Catlica de Chile
U. de Concepcin
U. Austral
U. de Santiago
U. Catlica del Norte
U. Catlica de Valparaso
U. Tc. Federico Sta.Maria

T OT AL ISI
1.351
1.077
634
310
295
190
165
180

%
26,0%
20,7%
12,2%
6,0%
5,7%
3,7%
3,2%
3,5%

PU BLICACION ES
SCIELO
T OT AL
%
SCIELO
91
24,2%
93
24,7%
23
6,1%
15
4,0%
13
3,5%
12
3,2%
27
7,2%
1
0,3%

suma
1.442
1.170
657
325
308
202
192
181

Fuente: Elaboracin propia en base a datos de www.divesup.cl

c) Oferta Acadmica: Otro tema importante es el de analizar la oferta acadmica de distintas


instituciones. En la tabla 3, podemos ver a las instituciones que ocupan los primeros lugares en el
Ranking de Universidades 2011 elaborado por la Revista Qu Pasa y TNS, con la descripcin
de su nmero de programas tanto de pregrado y postgrado. A su vez, tambin se pueden ver las
reas de conocimiento que abarcan cada una de ellas.

15

Tabla 3. Oferta carreras y reas de conocimiento.

N Carreras Pregrado
N Doctorados
N Magister
N Especialidades Medicas-Odo

PUC
89
31
79
58

U de Chile UTFSM UAI USACH PUCV UDP UNAB UV


67
39
10
60
63
30
67
41
37
7
1
15
10
1
7
2
120
22
34
39
28
21
70
29
72
21
6
16
18

reas de conocimiento
Administracin y Comercio
Arte y Arquitectura
Ciencias
Ciencias Sociales
Derecho
Educacin
Humanidades
Recursos Naturales
Salud
Tecnologa

PUC
x
x
x
x
x
x
x
x
x
x

U de Chile UTFSM UAI USACH PUCV UDP UNAB UV


x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x

Fuente: elaboracin propia a partir de Ranking de Universidades 2011, Revista Qu Pasa.

16

5. MARCO TERICO

5.1 Definiciones y conceptos asociados a imagen de marca

Como se mencion anteriormente, las empresas hoy deben ir ms all de entregar satisfaccin
mediante los atributos fsicos, funcionales y objetivos de productos o servicios, sino que deben
entregar una experiencia completa, relacionndose con el consumidor tanto en mbitos
simblicos y psicolgicos, convirtiendo a la marca en el atributo diferenciador.

Por esto mismo, el valor de la marca constituye uno de los principales activos intangibles de toda
organizacin, convirtindose en una condicin necesaria para obtener resultados sostenibles en el
tiempo, siendo la principal fuente de los flujos en exceso, impidiendo caer en guerras de precio
que el mercado produce, disminuyendo los mrgenes de los competidores (Espsito, 2001).

El valor de marca ha sido abordado principalmente en dos aspectos: sus fuentes de valor y sus
consecuencias o resultados, en donde este ltimo ha sido el que ha acaparado la mayor cantidad
de estudios (Olavarrieta, 2002). Aqu se concentran gran cantidad de modelos de valoracin de
marca, donde el foco principal es poder medir que parte de los flujos de la empresa est definido
por la eleccin de una marca en particular por parte de los consumidores.

Entre los trabajos enfocados en medir las fuentes de su valor, autores como Keller y Aaker
(citados en Olavarrieta, 2002), generaron modelos que trabajan con elementos que derivan de
aspectos como las interacciones, relaciones y percepciones de los consumidores frente a stas. El
modelo propuesto por Olavarrieta (2002), define 3 fuentes de valor de este activo: el
conocimiento de la marca, la experiencia con ella y la imagen de marca. Esta ltima componente
es la cual engloba las asociaciones y significados que se producen en el consumidor, siendo la
que definir finalmente las actitudes positivas o negativas frente a stas.

Revisando la literatura referente a imagen de marca, lo primero a lo que se hace referencia, es en


la gran ambigedad que todava persiste frente a su definicin, ya que la lnea de diferenciacin
17

es muy delgada frente a una gran cantidad de otros conceptos que se utilizan de manera
intercambiable, como es el caso de imagen corporativa, reputacin corporativa, reputacin de
marca, personalidad de marca, imagen de producto e identidad de marca.

Para comenzar a aclarar estos conceptos, y a como se utilizarn en este estudio, un buen punto de
partida lo entrega Dowling (citado en Martinez, E.; Montaner, T. y Pia, J.M., 2004) definiendo
imagen como conjunto de significados por los que un objeto es conocido y a travs de los
cuales la gente lo describe, recuerda y relaciona.
En la misma lnea, para Prahalad y Hamel la imagen es la suma de creencias, actitudes, ideas,
comportamientos o impresiones relevantes que se tiene sobre un objeto, una persona o una
organizacin. (citados en Luque & Del Barrio, 2008).
Otro concepto importante de aclarar es el de marca. Para Aaker las marcas corresponden a todo
signo y/o smbolo cualquiera que sea su clase y forma, que sirva para identificar los productos o
servicios de un fabricante o grupo de ellos, con objeto de que el pblico los conozca y distinga,
sin que pueda confundirlos con otros idnticos o similares de la misma especie que ofrezca la
competencia. (Gutierrez, 2002).
Segn la Asociacin Americana de Marketing (AMA), una marca es un nombre, trmino, signo,
diseo o una combinacin de ellos, pensado para identificar al producto o servicio y para
diferenciarlos de la competencia. Por lo tanto una marca puede identificar un tem, una familia
de ellos, o todos los tems de un vendedor.
Uniendo estos conceptos, Keller define imagen de marca como: percepciones sobre la marca
que se reflejan como asociaciones existentes en la memoria del consumidor. (citado en
Hernandez & Zamora, 2010).

Ayuda tambin en este contexto la aclaracin por parte de algunos autores definiendo imagen de
marca como asociaciones que finalmente se perciben frente a identidad de marca, que
corresponde a las asociaciones que la empresa intenta comunicar (Martnez et al. 2004).
18

Como fue mencionado anteriormente, frente a la ambigedad que se puede producir con estas
definiciones, algunos autores han hecho los intentos de diferenciar algunos conceptos de imagen
marca, imagen corporativa y de productos situando a la imagen corporativa en un nivel con
mayor influencia en las restantes.

En un enfoque ms moderno, otros autores consideran injustificable esta separacin (Martnez et


al. 2004), ya que el trabajo de medicin de imagen implica un trabajo similar. De la misma
manera, Cian (2011) se suma al enfoque del uso indiferente de estos trminos cuando la
aplicacin lo justifica, aportando que la imagen de marca es un concepto amplio, que puede ser
aplicado a las organizaciones, productos o servicios.
En la misma lnea, Sanna (2010), utiliza el concepto de Imagen de marca corporativa para los
mismos fines, adems de exponer como sinnimos reputacin e imagen.

Otro trmino muy utilizado en este campo, y muchas veces considerado como sinnimo, es el de
personalidad de marca. En el modelo Brand Total de Olavarrieta (2002), la personalidad de
marca es parte de las asociaciones que generan la imagen, junto a los atributos y beneficios. Este
concepto se refiere a la atribucin de caractersticas humanas como sexo, edad o nivel social. Por
esto es que encontramos a personas definiendo marcas como simpticas, entretenidas o
serias.

Para Brown, esto nace de la necesidad del ser humano de antropomorfizar a elementos no
humanos para interactuar con ellos (Sanna, 2010) y que se transforma en uno de los elementos
centrales al momento de generar preferencias. (Olavarrieta, 2001).

Los atributos son el otro elemento de la imagen de marca, que corresponde a las caractersticas
tangibles e intangibles que tiene el producto o servicio. Aqu encontramos aspectos como precio,
forma e ingredientes.

19

Los beneficios son todas las asociaciones de aumento de bienestar que el consumidor espera y
busca ser satisfecho con las marcas.

La figura 1 se expone el modelo Brand Total, en que se refleja los elementos descritos
anteriormente.
Figura 1

Fuente: Olavarrieta (2002).

.
5.2 Imagen de marca universitaria.

Las universidades, al igual que todas las empresas u organizaciones, deben definir estrategias
para lograr ventajas competitivas si desean perdurar en el tiempo (Valle, 2005). Por esto, si se
considera el escenario antes descrito, trabajar en conseguir estas ventajas se hace necesario para
poder crear un elemento diferenciador en la mente de los distintos actores al momento de crear
sus asociaciones.

20

Estudios previos concuerdan que al igual que en cualquier otro mercado, el aumento en la
competitividad de la educacin supone un clima propicio para realizar polticas y estrategias
de comunicacin ms eficaces y rentables para posicionar cada Universidad. (Hernandez y
Zamora, 2010).

Considerando esta situacin, surge un problema particular en este tipo de organizaciones, en las
que muchas por su condicin sin fin de lucro se resisten a entrar en una competencia de mercado
por captar a mejores estudiantes o acadmicos. Carmelo y Calvo (2010) expresan que estas
instituciones tienen el gran reto de terminar con la negativa a considerar a los estudiantes como
clientes, resistindose a la aplicacin de tcnicas de gestin de imagen que van ms all de
estrategias y tcticas de marketing de producto o servicio concreto. Adems, los autores
avanzan en este tema definiendo clientes potenciales a futuros estudiantes y a actuales
estudiantes de otras universidades.

Esta propuesta es interesante, ya que el modelar a los estudiantes como clientes, supone un tema
conflictivo contingente en nuestro pas, producto de los debates en torno al rol del sistema de
educacin vivido durante las movilizaciones producidas en el ao 2011. Estas posiciones han
impedido el desarrollo ms formal de investigacin en este campo.

Luque y Del Barrio (2008) reconocen la falta de profundizacin en trabajos de este tpico para
organizaciones sin fines de lucro, pero a su vez afirman que las universidades, estn entre las
instituciones que dependen en mayor medida de su imagen o reputacin para prosperar en estos
escenarios de alta competencia, donde adems se exige que estas instituciones mejoren su
capacidad de gestin institucional.

De igual manera, Pizarro y Cazanga (Garuti & Escudey 2005), consideran que las actuales
estrategias y parmetros de control no son los indicados en gran parte de estas instituciones,
sealando como criterios de control principal: las Carreras, Infraestructura e Imagen.

Siendo conscientes de la importancia que radica trabajar en este mbito, el punto clave es
reconocer que la imagen se forma en todos los grupos de inters de estas organizaciones, que no
21

slo lo componen los futuros postulantes, sino que tambin estn los estudiantes en general, los
profesores, funcionarios, y agentes de la sociedad en general. Ms an, es importante tener
presente que las polticas para promoverse de manera propicia, tienen incidencia tanto en actores
nacionales como extranjeros (Barra, 2005).

Brunner

(2006), seala que en sistemas educativos de avanzada privatizacin, e intensa

mercadizacin, los elementos claves por los que compiten las Universidades son los alumnos, los
recursos (humanos y de financiamiento) y la reputacin.

Frente a esto, entendiendo que no existe una imagen nica, sino que sta se forma por el
conjunto de imgenes individuales, lo que perciban estos actores influye de distinta manera,
como por ejemplo, el que futuros estudiantes elijan por una institucin u otra, puede depender de
cmo perciben la calidad de los profesores que trabajan; o de manera inversa, que el atraer a
buenos profesores, dependa si stos sienten que los alumnos son de un buen nivel acadmico;
tambin puede ocurrir que la capacidad de atraer a diferentes inversionistas privados, est
condicionado a si stos consideran que los alumnos y acadmicos son de cierto nivel.

Por esto, estudios previos se han concentrado en hacer mediciones de imagen de los diferentes
stakeholders descritos anteriormente, como por ejemplo Luque y Del Barrio (2008) desarrollan
una metodologa para medir la imagen que tienen los profesores de su propia universidad,
obteniendo que las dimensiones relevantes para ellos son los servicios que la institucin presta a
la sociedad, actividades docentes que desarrolla, la gestin administrativa y el nivel de
infraestructura.

Otros en cambio, se han enfocado en analizar la imagen de los estudiantes ya egresados. En el


caso de Sanna (2010), estudia como la imagen de marca de los egresados, predice de gran
manera la lealtad de compra y satisfaccin, evidenciando adems lo difcil que es medir la lealtad
en este contexto, ya que para un servicio como la educacin, la opcin de recompra carece
muchas veces de sentido, pero se hace vlida para los casos de oferta de postgrado donde la
satisfaccin del cliente por su primeros estudios, puede mantener o no una imagen de la
institucin al momento de evaluar sus estudios posteriores.
22

Sung y Yang (2008), investigan las dimensiones que conforman la imagen de marca para los
estudiantes de primer ao, donde la personalidad de marca, reputacin y prestigio externo, son
los factores que influyen de mayor manera en cmo se forma un actitud positiva de los
estudiantes con su propia universidad, pudiendo analizar efectos motivacionales y de desempeo.
En Chile han sido pocos los acercamientos a las fuentes de valor de la marca para el caso de
entidades universitarias, donde lo que se encuentra principalmente son aplicaciones de la escala
de personalidad de marca presentada por Aaker en 1997, utilizada muchas veces de manera
indiferente para medir imagen, considerando como sinnimos los dos conceptos (Cian, 2011).
El trabajo presentado por Denegri, Cabezas, Herrera, Paez y Vargas (2009), mide la personalidad
de marca asociada a la carrera Ingeniera Comercial, exhibiendo las diferencias percibidas entre
estudiantes de una Universidad Pblica frente a los de una Privada.

Bajo la misma lnea, Denegri, Etchebarne, Geldres, Cabezas y Herrera (2009), identifican la
personalidad de marca de la carrera de Psicologa para dos Universidades estatales, encontrando
con mayor relevancia el factor Competencia, siendo clave para comprender que los mismos
usuarios tambin con conscientes de la gran explosin de profesionales que existen,
convirtindose en contrincantes al momento de buscar puestos de trabajos.

Ambos casos presentados anteriormente, se basan en la aplicacin de la escala de personalidad


de marca presentada por Aaker en 1997, que como fue descrito anteriormente, muchas veces se
utiliza para medir esta componente de la asociacin utilizando de manera indiferente aquel
trmino con el de imagen (Cian, 2011).

Esto nace bajo el actual estado fragmentado en que se encuentra el consenso para medir imagen
de marca, donde algunos autores han hecho los esfuerzos por entregar escalas universales y
aplicables a distintos sectores, como Martinez, E.; Montaner, T. y Pia, J.M. (2004), que
proponen una escala de medicin compuesta por tres dimensiones: imagen funcional, imagen
afectiva y reputacin.

Es clave tener presente que la medicin en el caso del sector educacin, puede tener dimensiones
importantes que no sean fcilmente representadas por las escalas propuestas.
23

5.3. Imagen de la UTFSM.

Respecto a la medicin de imagen en la Universidad Tcnica Federico Santa Mara, encontramos


el trabajo hecho por Zapata (2000), en que establece de manera comparativa a distintas
Universidades en un mapa de posicionamiento al estudiar la percepcin en estudiantes de Cuarto
ao medio provenientes de colegios de la Regin Metroplitana y Valparaso.

Si bien este estudio aporta como antecedente, no hace una definicin de imagen formal como se
ha tratado en los puntos anteriores.
5.4. Tcnicas Multivariantes utilizadas.

Si bien en los puntos anteriores se han desarrollado conceptos y definiciones, es importante


tambin presentar las herramientas y tcnicas con que se trabajan y analizan los datos.
En la mayora de los estudios de los que se hace referencia se han utilizado principalmente
tcnicas de anlisis multivariante, de las cuales en este trabajo se presentarn dos de ellas, el
Anlisis Factorial y Modelo de Ecuaciones Estructurales, que a su vez son las utilizadas en el
trabajo presentado.

5.4.1. Definicin de Anlisis Multivariante.


Segn Hair, Anderson, Tathan y Black (2004), el Anlisis Multivariante es el conjunto de los
mtodos estadsticos que analizan simultneamente medidas de mltiples de cada individuo u
objeto sometido a estudio. Adems, consideran que para que un anlisis pueda ser calificado
realmente de multivariante, todas las variables deben ser aleatorias y estar interrelacionadas de
tal forma que sus diferentes efectos puedan ser interpretados separadamente con algn sentido.

Entre las principales tcnicas, encontramos la Regresin Mltiple, Anlisis Discriminante,


Anlisis Conjunto, Anlisis Cluster, Anlisis Factorial y Modelo de Ecuaciones Estructurales.

24

5.4.2. Anlisis factorial.


El Anlisis Factorial es una tcnica multivariada que tiene como objetivo el resumen y la
reduccin de datos (variables), analizando la estructura de correlaciones entre las variables
definiendo una serie de dimensiones subyacentes comunes conocidas como factores. (Hair et al,
2004).
Adems, el anlisis factorial permite descubrir estructuras latentes o dimensiones no observables
a partir de un conjunto de variables observables. El modelo del anlisis factorial supone que
existen factores, independientes entre s, que al combinarse representan los datos explicitados en
los atributos.
El modelo de anlisis factorial comn expresa cada variable de estudio ( ,...,

) como una

combinacin lineal de los factores comunes (F1,..., Fp) de la siguiente forma:

Donde:
.

Dependiendo de lo que est siendo agrupado, existen dos tipos de anlisis factorial; el Anlisis
Factorial tipo Q, que agrupa casos (individuos del estudio), y el Anlisis Factorial tipo R, que
agrupa variables.

25

5.4.2.1. Adecuacin del uso del anlisis factorial

Existen diversas pruebas estadsticas que permiten analizar la pertinencia de la aplicacin del
anlisis factorial a un conjunto de variables determinadas, entre las cuales se presentan las
siguientes:
a. Coeficientes y nivel de significacin
La matriz de correlaciones muestra los coeficientes de correlacin entre las variables con sus
respectivos niveles de significancia.
b. Determinante Matriz de Correlaciones
Los determinantes prximos a cero indican que las variables utilizadas estn linealmente
relacionadas, siendo factible realizar este anlisis para las variables en estudio.
c. Contraste de esfericidad de Barlett
La hiptesis nula a contrastar es que la matriz de correlaciones es una matriz identidad, con lo
que no existiran correlaciones significativas entre las variables y el anlisis de factores no
tendra sentido. Un valor alto de este estadstico (significancia tendiendo a 0), favorece el
rechazo de la hiptesis nula.
d. Medida de adecuacin muestral KMO (Kaiser-Mayer-Olkin)
Por hiptesis, los coeficientes de correlacin parcial tericos calculados entre cada par de
factores nicos son nulos, ya que estos coeficientes se pueden interpretar como la correlacin
entre las variables descontando los efectos de los factores comunes.
El estadstico KMO vara entre 0 y 1. Un valor bajo de este estadstico, indica que estas
correlaciones no podrn ser explicadas por medio los factores comunes. Valores superiores a 0,5
indican que el anlisis de factores puede llevarse a cabo.

26

5.4.2.2. Extraccin de Factores


Posterior al anlisis de de la adecuacin del modelo factorial, corresponde determinar el mtodo
de extraccin de los factores. Entre los distintos mtodos, se pueden nombrar los siguientes:
a. Componentes Principales
Es el mtodo de extraccin ms popular y el que todos los paquetes traen por defecto. Los
factores son los autovectores de la matriz de correlaciones re-escalados.
b. Mnimos cuadrados no ponderados
En este mtodo, el criterio que se aplica es la minimizacin de la suma de diferencias al cuadrado
entre los elementos de las matrices de correlacin observada y reproducida, aunque sin tener en
cuenta los elementos de la diagonal principal. Con esto, se intenta que las correlaciones
muestrales directas entre las variables sean lo ms parecidas posibles a las correlaciones
reproducidas obtenidas por los factores.
c. Mnimos cuadrados generalizados
Este mtodo aplica el mismo criterio que el mtodo anterior pero pondera las correlaciones por el
inverso de su especificidad, de manera que las variables cuya especificidad es alta reciben un
peso menor que aquellas cuyo valor es bajo. Este mtodo genera un estadstico de bondad de
ajuste chi-cuadrado que permite contrastar la hiptesis nula que la matriz residual es una matriz
nula.
d. Mxima verosimilitud
Aqu se toma como estimacin de los parmetros los valores que con mayor probabilidad han
producido la matriz de correlaciones observada, asumiendo que la muestra procede de una
distribucin normal multivariante. Las correlaciones se ponderan por el inverso de la unicidad de
las variables y se emplea un algoritmo iterativo. Este mtodo genera un estadstico de bondad de
ajuste chi-cuadrado que permite contrastar la bondad del modelo para explicar la matriz de
correlaciones.

27

Para el clculo del nmero de factores, existen una serie de criterios, entre los cuales se destacan:
1. Criterio de raz latente: Considera los factores que tiene races latentes o autovalores mayores
que la unidad.
2. Criterio de porcentaje de la varianza: Se basa en obtener

un porcentaje acumulado

especificado de la varianza total extrada, con el propsito de asegurar una significacin prctica
de los factores derivados.
3. Contraste de cada: Consiste en identificar el nmero ptimo de factores que pueden sr
extrados antes de que la cantidad de la varianza nica empiece a dominar la estructura de la
varianza comn.
4. Criterio a priori. El investigador puede simplemente fijar el nmero de factores para
comprobar cierta hiptesis. Los paquetes estadsticos como el SPSS ofrecen esta opcin.
5.4.2.3. Rotacin de los factores

La rotacin de factores se aplica para favorecer la interpretacin de stos, maximizando las


cargas, redistribuyendo la varianza logrando un patrn ms simple y tericamente ms
significativo.

El caso ms simple es la rotacin ortogonal, en la que los ejes se mantienen formando un ngulo
de 90 grados. Entre los principales mtodos de rotacin ortogonal encontramos:

a. Varimax
Minimiza el nmero de variables que tienen saturaciones altas en cada factor, maximizando la
suma de las varianzas de las cargas factoriales al cuadrado dentro de cada factor. Simplifica la
interpretacin de los factores optimizando la solucin por columna.

b. Quartimax
Minimiza el nmero de factores necesarios para explicar cada variable. Simplifica la
interpretacin de las variables observadas optimizando la interpretacin por filas.

28

c. Equimax
Mtodo de rotacin que es combinacin del mtodo Varimax, que simplifica los factores, y el
mtodo Quartimax, que simplifica las variables. Se minimiza tanto el nmero de variables con
alta saturacin en un factor, como el nmero de factores necesarios para explicar cada variable.

Tambin se encuentran los mtodos de rotacin oblicua, en que se permite la existencia de de


factores correlacionados, a diferencia de los ortogonales en que existe independencia entre ellos.

d. Oblimin directo
Esta rotacin oblicua (no ortogonal) depende del valor delta, que permite controlar el grado de
oblicuidad que puede llegar a alcanzar los factores de la solucin. Cuando delta es igual a cero
(el valor por defecto y ms adecuado para las mayora de los anlisis), las soluciones son las ms
oblicuas. Para anular el valor por defecto de delta, puede introducirse un nmero menor o igual
que 0,8.

e. Promax
Rotacin oblicua que permite que los factores estn correlacionados. Puede calcularse ms
rpidamente que una rotacin Oblimin Directa, por lo cual su utilizacin es ms conveniente
cuando se tiene una cantidad mayor de datos. Kappa es el parmetro que controla el clculo de la
rotacin Promax. El valor por defecto es 4, siendo generalmente adecuado en los anlisis.

En los software estadsticos tambin podemos encontrar mtodos como: ORTOBLIQUE y


DQUART.
5.4.3. Anlisis factorial confirmatorio (AFC).
En el apartado anterior, la utilizacin del anlisis factorial se supona sin tener una hiptesis a
priori de la estructura adecuada de las variables con los factores. Este es conocido como el
anlisis factorial exploratorio (AFE). En esta seccin, se presenta el anlisis factorial
confirmatorio (AFC), que tiene como objetivo contrastar un modelo terico u obtenido por un
AFE, con datos de una muestra caracterstica.

29

En el AFC, el investigador pone a prueba la hiptesis de que un determinado constructo est


compuesto por un conjunto de dimensiones o factores latentes, reflejados a su vez por un nmero
de variables observables o indicadores con un error de medida asociado. En resumen, el AFC
busca confirmar si el modelo especificado representa el fenmeno en la realidad. (Lvy &
Varela, 2006).
De manera grfica, la diferencia entre el AFE y el AFC queda representada en la figura 2.
Figura 2

Fuente: Elaboracin propia a partir de Lvy & Varela 2006.


Aqu se puede ver como en el AFE, los indicadores o variables observables X1, , X6 cargan en
ambos factores, representados por los coeficientes , en que la estimacin de stos me indicar
como se agrupan finalmente. En la figura que representa el AFC, el investigador a priori defini
que las primeras tres variables X1, X2 y X3 cargan solo en el primer factor, ocurriendo lo mismo
con las otras variables en el segundo factor.

El AFC constituye un caso particular del anlisis mediante ecuaciones estructurales o tambin
llamado Modelos de estructuras de covarianza, que se ver ms adelante.

Lvy y Varela (2006) describen una serie de pasos para la ejecucin del AFC, representados en
la figura 3. No se profundizar en estos pasos producto de que son equivalentes a los de

30

ecuaciones estructurales que se ver en la siguiente seccin, pero si cabe destacar que el inicio de
este grfico comienza con un modelo propuesta basado en una hiptesis terica o de un AFE.
Figura 3

Fuente: elaboracin propia a partir de Lvy y Varela (2006).

Las principales diferencias entre AFC Y AFE:


Tabla 4. Diferencias entre AFE y AFC.

AFE

AFC

Todos los factores estn correlacionados (solucin El investigador determina que factores comunes
oblicua) o no existe ninguna correlacin ente ellos estarn relacionados.
(solucin ortogonal).
Todas las variables observables saturan en todos El investigador determina que factores comunes
los factores comunes.

afectan a qu variables observables.

Los trminos de error no estn correlacionados Habitualmente no existe relacin entre los trminos
entre s.

de error.

Todas las variables observables estn afectadas por Las variables observables tienen asociado un error
un trmino de error.

de medida. Este error puede ser fijado a un valor


nulo.

Todos los factores estn incorrelacionados con los Habitualmente no existe relacin entre los trminos
trminos de error.

de error y los factores comunes.


Fuente: Lvy y Varela (2006).

31

Las relaciones entre las variables observables y latentes de la estructura del AFC que se presenta
en la figura 3, pueden expresarse mediante las siguientes ecuaciones:

Donde:
: corresponde a las variables observables exgenas.
: corresponde a las cargas factoriales de la variable xi sobre el factor j.
: corresponde a las variables latentes exgenas.
: corresponde a los errores de medidas de xi o factores especficos.

De manera compacta se puede expresar de la siguiente manera:

Donde X es un vector qx1 que contiene q variables observables, es un vector s x 1 que contiene
los s factores comunes, x es una matriz q x s que contiene las cargas factoriales de las variables
latentes y es un vector q x 1 de los factores especficos o errores.

Se asume tambin:
E() = 0 ;

E(X) = 0;

E() = 0 ;

Adems de la independencia entre factores especficos y comunes:


COV (,) = 0.

Se definen tambin las matrices:


= E[ ]

= E[ ]

32

Con estos elementos, se puede describir que el AFC se reduce a obtener estimaciones de x, y
, que hagan que la matriz de varianzas y covarianzas poblacional estimada a partir de ellas, sea
lo ms parecida posible a la matriz de varianzas y covarianzas muestral que se obtiene a partir de
los valores muestrales de las variables observables.

5.4.4. Modelos de Ecuaciones Estructurales.


El modelamiento mediante ecuaciones estructurales (SEM, Structure equation modeling), es una
tcnica estadstica multivariante que tiene la ventaja de poder examinar ms de una relacin al
mismo tiempo, a diferencia de otras como la Regresin mltiple, en que una variable es
explicada por una serie de otras independientes. Esta tcnica permite representan de mejor
manera algunos fenmenos de la realidad, que generalmente tiene mltiples dimensiones
interrelacionadas.
Los modelos de ecuaciones estructurales son redes de ecuaciones interrelacionadas, donde la
variable independiente en una ecuacin de regresin puede ser una variable dependiente en otra.

Otro elemento importante en SEM, es la capacidad de representar en un mismo modelo,


variables latentes junto a variables manifiestas. Las variables latentes, corresponden a conceptos
supuestos (constructos) y no observados, que slo se pueden aproximar mediante variables
medibles u observables, como la Imagen o satisfaccin (Hair et al, 2004).
Las variables manifiestas (u observables), son las variables que obtenemos a travs de mtodos
de recoleccin de datos como estudios de mercado, experimentos u otros. En este modelo,
incorporamos a las variables manifiestas a travs de indicadores para poder medir los
constructos, incluyendo su respectivo error de medida.

El sistema de ecuaciones se interconecta por medio de causalidades que provienen del anlisis de
ruta, las cuales incorporan las variables latentes, el error de medida y estructural generados
mediante el anlisis factorial confirmatorio. Los errores estructurales corresponden a las
variables que se omitieron en la formulacin de la variable latente endgena, junto con los
errores de medida en las variables endgenas. Una relacin causal enlaza las causas con los
efectos de forma comprensible, como si fuera un teorema lgico. SEM, adems de permitir
33

formular hiptesis sobre relaciones causales, posibilita cuantificar estadsticamente estas


relaciones.

Las relaciones entre las variables, queda descrita en las matrices de covarianza o correlaciones de
las variables, pero cabe aclarar que los valores de sta relacin estadstica no implica la
existencia de una relacin causal entre las variables. La base de la modelacin mediante
ecuaciones estructurales est en el conocimiento terico que se posea en la investigacin, por lo
cual cada componente del modelo, relacin entre variables, o la falta de sta, debe estar
fundamentada tericamente, para luego ser evaluada mediante los test de bondad de ajuste.

El modelo de ecuaciones estructurales est compuesto por dos submodelos:

a) Modelo de medida: en que se especifican los indicadores tanto endgenos y exgenos de los
constructos. En otras palabras, especfica la correspondencia entre las variables latentes y
manifiestas.

b) Modelo estructural: representa las relaciones entre los constructos endgenos y exgenos.
Queda descrito por una serie de ecuaciones de regresin mltiple distintas pero interrelacionadas.

5.4.4.1. Modelo de Medida

El modelo de medida corresponde a las relaciones entre las variables latentes (variables no
observadas) con sus respectivas variables observables (manifiestas, de medida o indicadores).

Este modelo busca corroborar la idoneidad de los indicadores seleccionados en la medicin de


los constructos de inters, evaluando que tan bien las variables observables combinan (covaran o
correlacionan) para identificar el constructo hipotetizado.

Para generar esto, pasamos del anlisis factorial exploratorio, en que no se tiene control sobre
que variables describen cada factor, a un modo confirmatorio, en que cada investigador

34

especifica que variables definen cada constructo (factor). Por esto, se deben especificar dos
modelos de medida, uno para las variables endgenas y otro para las exgenas.
Ecuacin para variables endgenas:

Donde:
y : vector px1 de variables endgenas observadas de
y : matriz pxm de coeficientes de regresin que relacionan y con
: vector mx1 de variables latentes endgenas
: vector mx1 de errores de medida con respecto a y.

Para las variables exgenas, el modelo se representa con la ecuacin:

Donde:
x : vector qx1 de variables exgenas observadas de
x : matriz qxk de coeficientes de regresin que relacionan x con
: vector qx1 de variables latentes exgenas
: vector qx1 de errores de medida con respecto a x.

Gonzalez (2008), especifica que el modelo de medida asume las siguientes restricciones con
respecto a los errores de medida y variables endgenas:
E() = E() = E() = E()=0
cov(,) = cov(,) = cov(,) = cov(,) = cov(,) = 0

Como punto de partida, el modelo de medida se construye sobre una matriz de relaciones entre
variables, la que puede ser una Matriz de correlaciones o una Matriz de covarianzas:

35

Matriz de correlaciones: favorece la comparacin de los coeficientes estructurales, lo que


contribuye a una mejor interpretacin de los resultados.
Matriz de covarianzas: se utiliza cuando el objetivo es comparar poblaciones distintas entre
s, ms que cuando se quiere evaluar un determinado modelo.

5.4.4.2. Modelo Estructural


El modelo estructural es aquel que describe las relaciones causales entre variables latentes
(exgenas y endgenas) y/o variables observadas, cuando estas ltimas no actan como
indicadores de las variables latentes.
Este modelo toma su estructura del anlisis de ruta, a partir de una serie de ecuaciones de
regresin mltiple que interrelaciona variables latentes. Su forma general es:

Donde:
: vector mx1 de variables latentes endgenas
B : matriz mxm de coeficientes que relaciona las variables latentes entre s
: matriz mxk de coeficientes que relaciona variables latentes endgenas con
variables latentes exgenas
: vector kx1 de variables latentes exgenas
: vector mx1 de errores latentes

El modelo estructural asume las siguientes restricciones:


E() = E() = E() = 0
cov(,)=0
(I-B) es no singular, con I matriz identidad

36

Explicado la base y composicin general de SEM por medio del modelo de medida y estructural
en su forma de ecuacin matemtica, se proceder a explicar los pasos para el modelamiento de
ecuaciones estructurales.

5.4.4.3. Pasos en el modelamiento de ecuaciones estructurales.

Segn Diamantopoulo & Siguaw (Gonzalez, 2008), el modelamiento de ecuaciones estructurales


puede llevarse a cabo en 7 pasos, como lo describe la Figura 4.
Figura 4. Pasos para el modelamiento de ecuaciones estructurales.

Fuente: Gonzalez, 2008.

5.4.4.3.1. Conceptualizacin del modelo.

El modelamiento de ecuaciones estructurales se basa en el estudio de relaciones causales,


analizando el efecto de una variable explicativa sobre una explicada, y en qu medida se produce
esta variacin.
Para desarrollar con xito un modelo SEM es primordial poseer slidos fundamentos tericos
que avalen estas relaciones hipotticas; relaciones entre las variables latentes medibles por medio
de las variables observadas.
37

La validez y fuerza de estas relaciones no estar dada por los mtodos analticos escogidos por el
investigador, sino que ser la justificacin terica de las relaciones de causalidad entre las
variables la que otorgue consistencia al modelo. Es por esto que antes de comenzar con el
anlisis de las relaciones, se deber contar con fundamentos tericos que respalden el modelo
propuesto en la investigacin. El error ms crtico en la modelacin con fundamentos tericos es
la omisin de variables endgenas y/o exgenas importantes en el modelo, falta conocida como
error de especificacin, con lo cual al omitir una variable significativa implica que el modelo
no es fehacientemente representativo de la poblacin y de las variables en estudio. La necesidad
de incluir todas las variables posibles tiene que ser contrastado con la significancia terica del
estudio y con las limitantes de procesamiento de los paquetes estadsticos computacionales. Una
regla a seguir en la modelacin, es buscar modelos tericamente concisos y parsimoniosos. En
general esta etapa de conceptualizacin del modelo se basa en los conocimientos tericos del
tema, y no en la teora estadstica, por lo cual la experiencia y estudios anteriores sern
fundamentales para un buen modelamiento con ecuaciones estructurales. La siguiente etapa
consiste en plasmar estas relaciones en un esquema grfico de relaciones.

5.4.4.3.2. Construccin del diagrama de ruta.

El diagrama de ruta o de relaciones es la representacin grfica del modelo de ecuaciones


estructurales. Por medio de este se pueden visualizar las relaciones directas e indirectas de los
elementos del modelo, tanto en las relaciones predictivas (variables dependientes e
independientes), como en la relaciones asociativas (correlaciones) entre las distintas variables de
latentes e indicadores.
Esta representacin permite comprender ms fcilmente las hiptesis que encarna el modelo, en
comparacin con ecuaciones matemticas o incluso desde una forma verbal.

Al mismo tiempo, el diagrama de ruta ayuda a disminuir los errores de especificacin del modelo
por la inclusin o exclusin de variables y/o relaciones y los errores computacionales cometidos
en la programacin del modelo. Adems facilita la interpretacin de los resultados y las posibles
modificaciones al modelo.

38

El diagrama de ruta presentado en la Figura 5 es un ejemplo bsico de un modelo de ecuaciones


estructurales. Los elementos que lo componen son:
Rectngulos, que representan las variables observables. Pueden ser los indicadores que generan
las variables latentes del modelo de medida. En el modelo estructural pueden ser variables
independientes (exgenas) como dependientes (endgenas).
Elipses, que representan las variables latentes, tanto exgenas como endgenas del modelo
estructural, adems de los trminos de error de medida y estructural del modelo.
Figura 5. Diagrama de ruta en SEM.

Fuente: Gonzalez, 2008.

Flechas rectas unidireccionales, que simbolizan las relaciones causales entre las variables
conectadas.
Flechas curvas bidireccionales, que indican correlaciones entre los constructos.

Existen software como LISREL y AMOS que permiten construir los diagramas de ruta de forma
sencilla e interactiva, lo que facilita enormemente la modelacin.

39

Adems entregan directamente los resultados en los diagramas, otorgando una interpretacin ms
fcil y directa de las relaciones.

5.4.4.3.3. Especificacin del modelo.

Una vez que se tiene desarrollada la conceptualizacin del modelo terico y representado en un
diagrama de ruta, es necesario especificar el modelo en trminos matemticos ms formales,
plasmando lo anterior en sistemas de ecuaciones lineales.
Es posible incluir modelos no lineales en algunos de los parmetros, pero la complejidad
aumentara considerablemente. La especificacin consiste en formular las ecuaciones que
definen al:

Modelo estructural, por medio de las ecuaciones que vinculan a las variables latentes
(constructor) entre s. De la Figura 3 se desprenden las siguientes ecuaciones:

Modelo de medida, con las ecuaciones que especifica que variables (indicadores) miden a cada
variable latente (constructo). De la Figura 3 se tiene que las ecuaciones son: Modelo de medida
para variables exgenas:

40

Modelo de medida para variables endgenas:

Las correlaciones entre las variables o constructos por medio de una serie de matrices.

En la Figura 5, la correlacin entre 1 y 2 se denota con la sigla 12. Se debe tener presente
que las variables latentes al no ser observables no tienen una mtrica asociada, por lo que es
necesario seleccionar la mejor variable observable (indicador) que la compone y fijar con carga
unitaria este indicador sobre la variable latente. Esta variable observable recibe el nombre de
variable de referencia.

Al estimar la varianza de los errores se obtiene la cantidad de varianza en las variables


endgenas que no es cuantificada por otras influencias en el modelo. La eleccin de la variable
de referencia afecta la varianza de la variable latente, y por ende los pesos (cargas) en la
estimacin del modelo. Esto no afecta a los resultados estandarizados. Cabe destacar que en el
modelo de medida, el investigador tiene plena autoridad en definir las variables (indicadores) que
definen a cada constructo, de ah el nombre de anlisis factorial confirmatorio que recibe, a
diferencia del anlisis factorial exploratorio, en el cual el investigador no tiene control de las
ponderaciones que influyen en los constructos.

Determinacin del nmero de indicadores.

El nmero de indicadores que debe poseer un constructo es relativo segn lo estime el


investigador, de acuerdo a los fundamentos tericos en la materia. El nmero mnimo de
indicadores en un constructo es uno, pero es necesario realizar estimaciones de fiabilidad.
41

Tambin podra ser dos la cantidad de indicadores para una variable latente, pero se ha
encontrado que tres es el nmero mnimo preferido de indicadores, ya que con slo dos
aumentan las probabilidades de encontrar una solucin no factible. No existe lmite superior del
nmero de indicadores que puede contener un constructo, pero si se deben tener fundamentos
tericos de las variables seleccionadas como indicadores.

Justificar la fiabilidad del constructo.

Una vez que se ha especificado el modelo de medida, se debe establecer la fiabilidad de los
indicadores. Existen dos mtodos principales para probar la fiabilidad: Estimacin emprica y
especificacin por el investigador.
Estimacin emprica.
Este mtodo slo es posible si el constructo posee dos o ms indicadores, en caso contrario se
debe proceder con el otro mtodo mencionado. En este caso, la estimacin emprica consiste en
analizar la fiabilidad de las estimaciones de los coeficientes de los indicadores y del constructo
cuando los modelos de medida y estructural son estimados.
Especificacin por el investigador.
Para fijar (especificar) la fiabilidad de un indicador en una matriz de correlacin, se debe
especificar el valor de ponderacin como la raz cuadrada de la fiabilidad deseada o estimada, o
fijar el trmino de error de esa variable como 1,0 menos el valor de fiabilidad deseado. Si se
utiliza la matriz de covarianza, entonces el trmino de error o valor de ponderacin se multiplica
por el valor de la varianza de la variable. En la etapa 6 se analizar con ms detalle tcnico el
procedimiento de estimacin de la fiabilidad del constructo.

5.4.4.3.4. Identificacin del modelo

La etapa de identificacin consiste en asegurar que se puedan estimar los parmetros del modelo.
Por lo tanto, el modelo est identificado si todos los parmetros lo estn, es decir, si existe la

42

informacin necesaria para obtener una solucin nica para cada uno de los parmetros
estimados.

Una de las reglas ms usadas para identificar un modelo es la regla de los grados de libertad, los
cuales se obtienen de la diferencia entre el nmero de varianzas y covarianzas (ecuaciones) y el
nmero de parmetros a estimar. Los software computacionales entregan directamente esta cifra,
la que a su vez se puede calcular como:

Donde:
p = nmero de indicadores endgenos
q = nmero de indicadores exgenos
t = nmero de coeficientes estimados en el modelo propuesto

Existen tres situaciones de identificacin en las cuales un modelo se puede encontrar:


Modelo sub-identificado: cuando los grados de libertad del modelo son menores a 0, por lo cual
no se puede obtener al menos un valor para los parmetros libres, impidiendo la estimacin del
modelo.
Modelo exactamente identificado: ocurre cuando se posee una nica solucin ajustada al
modelo, teniendo cero grados de libertad. Esto implica que el modelo no tiene una solucin
generalizada, por lo cual es de poca relevancia.
Modelo sobre-identificado: es el objetivo de todos los modelos de ecuaciones estructurales. En
esta configuracin se tiene ms informacin en la matriz de datos que el nmero de parmetros a
estimar, lo que significa que se tiene un nmero positivo de grados de libertad. Se busca el
mayor nmero de grados de libertad para asegurar que el modelo sea lo suficientemente
generalizable. Ante esto ltimo, es necesario proceder con la identificacin del modelo para
asegurar la estimacin de los parmetros.

43

Sin embargo, no existe una regla general que permita asegurar la identificacin, pero si hay una
gama de condiciones necesarias que encaminan el proceso:

Regla de Normalizacin: en la cual se fijan los elementos de la diagonal de la matriz principal


de en cero, con lo cual se evita que una variable endgena tenga efectos directos sobre s
misma.

Condicin de orden: para que el modelo este identificado es necesario que el nmero de grados
de libertad sea mayor o igual a cero.
Mtrica de : los errores del modelo estructural, que al no ser observables no poseen mtrica,
estn cada uno presentes en slo una ecuacin con un coeficiente de 1,0 asociado a la variable
latente, con lo cual estas perturbaciones tendrn la misma mtrica que su respectiva variable
endgena latente.

5.4.4.3.5. Estimacin de parmetros.

Luego de las etapas de especificacin e identificacin se deber seleccionar la matriz de datos de


entrada, comprobar los supuestos de SEM, verificar los datos ausentes y outliers, seleccionar el
mtodo de estimacin con sus tcnicas y procesos de estimacin posibles.

Introduccin de datos SEM a diferencia de otras tcnicas multivariantes slo utiliza como datos
de entrada la matriz de varianza-covarianza o matriz de correlaciones de los datos. Los datos que
corresponden a las observaciones individuales de los objetos con sus respectivos atributos o
variables, son introducidos a los programas computacionales, los cuales extraen las matrices
anteriormente sealadas para la estimacin del modelo. El inters de SEM no est en las
observaciones individuales de los datos, sino en el patrn de relaciones entre los encuestados.
La utilizacin de las matrices de correlaciones en SEM es adecuada cuando los indicadores se
miden en diferentes escalas y se pretende hacer una comparacin de los coeficientes estimados.
En cambio es recomendable usar las matrices de covarianzas cuando se pretende comparar
muestras diferentes de individuos.
44

Supuestos

Un aspecto importante para obtener buenos resultados de estimacin en el modelo, es comprobar


que los datos cumplen con los supuestos de SEM: normalidad multivariante, muestreo aleatorio y
tamao de muestra suficientemente grande..

La ausencia de normalidad multivariante es particularmente problemtica porque abulta


sustancialmente el estadstico de la Chi-cuadrado y crea un sesgo alcista en valores crticos para
determinar la significacin de los coeficientes. A pesar de esto, algunos programas informticos
son menos sensibles a los datos no normales, por lo cual no afecta significativamente en el
resultado el incumplimiento de este supuesto.

Datos ausentes y outliers Los datos ausentes y valores fuera de rango (outlier) pueden afectar
considerablemente el clculo de la matriz de entrada de datos, y con esto alterar la capacidad
predictiva de los resultados del modelo. Por lo tanto, los registros de las bases de datos deben ser
revisados previamente a su utilizacin en la modelacin, y si es necesario corregir alguna
alteracin de los datos, utilizar una tcnica acorde a las caractersticas de estos.

Los outliers o valores fuera de rango son valores que escapan al comn de los datos, afectando
los resultados reales. Es por esto que se debe decidir entre mantenerlos o eliminarlos de los
registros. Existen diferentes doctrinas sobre cmo tratar estos valores, pero se debe tener cuidado
en mantener el registro a no ser que exista una comprobable distorsin de la representatividad de
las observaciones de la poblacin.

Mtodos de estimacin

Una vez que se ha especificado, identificado, seleccionado la matriz de entrada y corroborado los
supuestos del modelo, se debe establecer cul ser el mtodo de estimacin, para lo cual hay
varios tipos posibles, pero todos con el mismo fin de minimizar la diferencia entre cada elemento
de la matriz de varianzas-covarianzas observada (S) y el correspondiente en la matriz predicha
(). La matriz de varianza-covarianza observada de la muestra es representativa de la poblacin.
45

Tcnicas de estimacin

La tcnica ms usada para la estimacin de los parmetros es la de Mxima Verosimilitud


(MLE), dado que es eficiente y no sesgada cuando se cumplen los supuestos de normalidad
multivariante. La limitante de sensibilidad a la no normalidad de los datos origino la necesidad
de crear otras tcnicas alternativas de estimacin, no tan sensibles a la normalidad multivariante
como son los Mnimos Cuadrados Ponderados (WLS), Mnimos Cuadrados Generalizados
(GLS) y Asintticamente Libre de Distribucin (AGL o ADF). ltimamente AGL ha recibido
mayor aceptacin por su insensibilidad a la no normalidad de los datos, con la exigencia de un
aumento del tamao muestral.

Sin embargo, gracias a los avances en el procesamiento computacional es posible resolver con
mayor facilidad y factibilidad cualquier problema de estimacin con ecuaciones estructurales.

Procesos de estimacin

Adems de elegir la tcnica de estimacin se puede escoger el tipo de proceso de estimacin, los
cuales van desde estimacin directa, similar al comn de las tcnicas multivariante, hasta
mtodos iterativos que generan miles de estimaciones del modelo. Las principales tcnicas de
estimacin son:
Estimacin directa: se estima el modelo en base a una nica estrategia de estimacin
elegida. Primero se calculan los parmetros; a continuacin el intervalo de confianza. El
error estndar de cada parmetro se basa en el error muestral. Todo el proceso se realiza
considerando una sola base muestral. Es el proceso de estimacin ms usado.
Bootstrapping: es una tcnica alternativa de estimacin, en la cual se realizan mltiples
estimaciones para determinar finalmente los parmetros y sus intervalos de confianza. La
estimacin se desarrolla en 4 pasos a travs de los cuales se seleccionan submuestras
aleatorias de la muestra general, estimando finalmente el modelo como la media de los
parmetros de cada una de ellas.
46

Simulacin: similar al Bootstrapping, tambin descansa en muestras mltiples y modelos


estimados. La diferencia radica en la posibilidad de intervenir en el proceso de seleccin de
muestras en funcin de un objetivo de investigacin.
Jackknife: esta tcnica calcula nuevas muestras tamao N-1 donde N es el tamao de la
muestra original. Cada vez que se crea una muestra nueva se omite una observacin
diferente. La ventaja de este proceso es la facilidad para identificar observaciones
influyentes mediante el anlisis de los cambios en los parmetros estimados.

5.4.4.3.6. Evaluacin de criterios de calidad del ajuste.

En esta etapa se determina la bondad del ajuste del modelo, evaluando la exactitud de los
supuestos del modelo especificado, para as establecer s el modelo es correcto y es vlido como
predictor del fenmeno estudiado, precisando su grado de efectividad. En este sentido, se evala
si el modelo se ajusta a los datos empleados, para lo cual como se mencion anteriormente se
busca estrechar la diferencia entre la matriz observada de los datos con la matriz predicha por el
modelo.

Estimaciones Infractoras

El primer paso para el anlisis de la calidad del modelo es revisar que las estimaciones de los
parmetros sean razonables y acordes a lo esperado segn la teora del modelo. Para esto se
puede revisar el valor de la estimacin, en conjunto con un anlisis de significancia. Tambin
debe constatarse que las varianzas sean positivas, que los coeficientes estandarizados sean
inferiores a 1 segn sea el caso. Si no se cumpliera alguna de estas condiciones, debera
redefinirse el modelo.

47

Ajuste Global del Modelo

El anlisis del nivel de ajuste del modelo propiamente tal consiste en comparar lo observado con
lo predicho por el modelo, a travs de una serie de indicadores para distintos tipos de casos. Para
esto existen tres tipos de medidas de ajuste a evaluar:

1. Medidas de Ajuste Absoluto


Establecen el grado de ajuste global del modelo, comparando la matriz de varianzas y
covarianzas observada con la matriz predicha por el modelo. Entre las principales ndices se
encuentra:
Estadstico 2.
Es la medida fundamental de bondad de ajuste en SEM. La hiptesis nula a contrastar es que el
modelo predice la matriz de covarianzas observada, por lo cual el objetivo es no rechazarla.
Cuanto mayor sea el valor obtenido del estadstico 2 en comparacin con los grados de libertad,
peor ser el ajuste, por lo cual el modelo no es representativo de la poblacin.

Entre las limitaciones de este estadstico se encuentra que depende del supuesto de normalidad
multivariante de los datos, adems es muy sensible al tamao muestral, ya que a mayor N, el
ndice ser cada vez mayor, lo cual puede generar el error de rechazar el modelo cuando
efectivamente cumple con los requisitos de SEM. Se recomienda un espacio muestral de 100
casos como mnimo y de 500 como mximo para que el modelo tenga un ndice aceptable.
Parmetro de No Centralidad (NCP).

Es una modificacin al Chi cuadrado por los grados de libertad para que se vea menos afectada
por el tamao muestral. Consiste en restar los grados de libertad al ndice 2.

48

Para que el ndice NCP no sea afectado por la medida del tamao muestral, se puede estandarizar
el ndice dividiendo por el tamao de muestra, obteniendo un parmetro de no centralidad a
escala (SNCP).

La interpretacin de estos ndices es similar al estadstico Chi-cuadrado, por ende el objetivo es


minimizar el valor del parmetro.
ndice de Bondad de Ajuste (GFI).

Medida de ajuste absoluto cuando se realizan estimaciones mediante el mtodo de mxima


verosimilitud y ADF (asintticamente libre de distribucin). Representa la cantidad relativa de
varianza y covarianza observada que es explicada por la matriz del modelo propuesto. Su
interpretacin es similar a una correlacin cuadrada mltiple, donde el ndice puede tomar
valores entre 0 y 1. Mientras ms cercano a 1, mayor es el ajuste del modelo.
Medida del Error de Aproximacin Cuadrtico Medio (RMSEA).

Este ndice se basa en el anteriormente mencionado NCP. Consiste en evaluar la discrepancia por
grado de libertad en trminos de la poblacin. El valor es representativo de la bondad del ajuste
esperado si el modelo fuera estimado con la poblacin, en vez de la muestra extrada de esta.
Valores recomendables de este ndice se encuentran entre 0,05 y 0,08. Mientras menor sea el
valor de RMSEA, mejor es el ajuste del modelo.

2. Ajuste incremental

Mide el ajuste del modelo propuesto comparndolo con un modelo base especificado a priori por
el investigador, comnmente son los modelos: saturado (mejor modelo) y de independencia
(peor modelo). Se utilizan los siguientes ndices:

49

ndice de Tucker Lewis (TLI) o ndice de Ajuste No Normado (NNFI).

Compara la falta de ajuste del modelo formulado contra un modelo base (saturado o
independencia usualmente). Los valores de este ndice van desde 0 a 1, siendo aceptables valores
iguales o superiores a 0,90 para tener un buen modelo. No es recomendable usar este test para
muestras inferiores a 150 casos.
ndice de Ajuste Normado de Bentler-Bonett (NFI).

Al igual que el TLI, este ndice es una comparacin de la proporcin de mejora entre el modelo
propuesto y el modelo nulo, con valores entre 0 (ningn ajuste) a 1 (ajuste perfecto), por lo cual
un nivel de ajuste aceptable se tiene con valores superiores a 0,90.
Al igual que estas medidas de ajuste incremental se tienen otras que tienen la misma
sustentabilidad como el ndice de Ajuste Relativo (RFI), ndice de Ajuste Incremental de Bollen
(IFI) e ndice de Ajuste Comparativo (CFI) que comparan el modelo estimado con el modelo
nulo o independiente, siendo valores admisibles superiores a 0,90 para reconocer un modelo
ajustado.

3. Ajuste de parsimonia

Las medidas de ajuste de parsimonia relacionan la calidad de ajuste del modelo con el nmero de
coeficientes estimados. Tiene como objetivo establecer si el ajuste del modelo se ha conseguido
debido a un sobreajuste de los datos por tener demasiados coeficientes, con lo cual se hace
referencia a la simplicidad del modelo utilizando el menor nmero de parmetros posibles. Los
ndices de ajuste de parsimonia son:
ndice de Ajuste Normado de Parsimonia (PNFI).

Este ndice es una modificacin del NFI, el cual considera el nmero de grados de libertad
utilizados para conseguir un nivel de ajuste. Se obtiene ponderando el NFI por el cuociente entre
los grados de libertad del modelo propuesto y un modelo nulo. La parsimonia se define como la
50

consecucin de mayores niveles de ajuste por grado de libertad utilizado (un grado de libertad
por parmetro estimado), por ende se busca tener la mayor parsimonia posible. Se recomienda
que este ndice sea mayor que 0,5.

El PNFI permite comparar modelos con distintos grados de libertad. Se recomienda diferencias
mnimas de 0,06 a 0,09 para indicar cambios importantes en los modelos.
Criterio de Informacin de Akaike (AIC)
Al igual que el PNFI es una medida que compara modelos con diferentes nmeros de
constructos. Se calcula como:

Se busca tener el menor valor posible, lo cual significa un mejor ajuste y mayor parsimonia. Es
vlido slo cuando se utiliza el mtodo de estimacin de mxima verosimilitud y para muestras
superiores a 200 casos.
Chi-Cuadrado Normalizado (NCS).

Esta medida es el ratio de la Chi-cuadrado dividida por los grados de libertad y tiene dos formas
de aplicacin para evaluar modelos: (1) cuando NCS presenta valores menores que 1,0 el modelo
puede estar sobreajustado, por tanto su baja significacin se debe a la causalidad; y (2) cuando
NCS es superior a 2,0 o 3,0 el modelo no es representativo de los datos observados, por lo cual
se hace necesaria una mejora; o con un valor superior a 5,0 cuando con un criterio ms relajado
se trabaja con muestras grandes.

51

Ajuste del Modelo de Medida

Siguiendo con el anlisis de ajuste del modelo corresponde evaluar la calidad de los submodelos
que lo componen. En primer lugar, se analiza la calidad del ajuste del modelo de medida a travs
de la validez y confiabilidad de las medidas utilizadas para componer los constructos de
variables latentes. Para esto se revisa la magnitud y significancia de las ponderaciones estimadas
de cada indicador (variable observable) con el constructo (variable latente) que lo define.

1. Validez

La validez de un constructo tiene relacin con que los indicadores utilizados midan
correctamente lo que se supone que estn midiendo de los conceptos tericos de inters.
Para verificar la validez de cada constructo se debe revisar los parmetros estandarizados y su
significancia. Se tendr que mientras mayor sea la estimacin del coeficiente estandarizado,
mayor ser su validez para representar la variable latente.

2. Medidas de Fiabilidad

La fiabilidad de los indicadores hace alusin a la capacidad de obtener resultados consistentes en


mediciones sucesivas del mismo fenmeno en estudio. En este sentido, la fiabilidad mide todos
los factores que influyen en la medicin, incluyendo los trminos de error. Para esto se dispone
de dos ndices comnmente usados:
Fidelidad Compuesta

La fidelidad es una medida de la consistencia interna de los indicadores del constructo, que
representa el grado en que stos indican el constructo latente, y su frmula es:

52

Las ponderaciones estandarizadas se obtienen directamente del resultado que entrega el


programa computacional con la estimacin del modelo, y el i es el error de medida de cada
indicador. El error de medida se obtiene de la sustraccin de 1 menos la fidelidad del indicador,
que es el cuadrado de las ponderaciones estandarizadas del indicador.

Se aceptan valores de fidelidad mayores a 0,5, pero si se desea asegurar con mayor exactitud la
medicin del constructo se recomienda valores superiores a 0,7.
Varianza Extrada

La medida de varianza extrada representa la cantidad total de la varianza de los indicadores


contenida por el constructo latente, se calcula como:

Cuando los indicadores son efectivamente representativos del constructo latente, se obtiene la
mayor varianza extrada. Es una medida similar a la fidelidad compuesta, salvo por trmino que
tiene las ponderaciones estandarizadas elevadas al cuadrado antes de sumarlas.

Esta medida toma valores entre 0 y 1, siendo el umbral mnimo aceptable de 0,5 para un
constructo.

Ajuste del Modelo Estructural

El ajuste del modelo estructural consiste en examinar si las relaciones entre las variables latentes
planteadas en el modelo se encuentran efectivamente en los datos. Para esto se debe analizar si
los signos y magnitudes de los parmetros concuerdan con la teora del modelo, para
posteriormente corroborar la significancia de estos coeficientes estimados.

53

Como medida de ajuste de la ecuacin estructural, se tiene el coeficiente de determinacin o de


correlacin mltiple cuadrada (R2), semejante al de una regresin lineal mltiple. Esta medida
relativa de ajuste para cada ecuacin estructural se calcula de la siguiente forma, aunque los
paquetes estadsticos computacionales como AMOS los entregan directamente en sus resultados.

Var(i) : varianza estimada del error de medida de la ecuacin implicada.

La interpretacin de R2 para una ecuacin estructural es similar al caso de una regresin lineal,
ya que cuando este valor es cercano a 1, la relacin estructural es ms fuerte. En caso contrario
cuando R2 tiende a 0, significa que no existe relacin entre las variables del modelo estructural.
De igual forma, el beneficio de usar este indicador tambin se puede extrapolar al ajuste del
modelo de medida, ya que cuando R2 toma valores cercanos a la unidad, implica que el
constructo posee buenos indicadores.

5.4.4.3.7. Interpretacin y modificacin del modelo.

Luego de haber realizado en las etapas anteriores los ajustes necesarios al modelo y habiendo
llegado considerar el modelo propuesto aceptable a los requerimientos y consideraciones
tericas, se procede a la interpretacin de los resultados y al anlisis de posibles reespecificaciones del modelo.

Interpretacin

La interpretacin de los resultados puede realizarse a travs de dos anlisis posibles; analizando
las soluciones estandarizadas o las no estandarizadas; las cuales tendrn diferencias en el proceso
interpretacin y uso de los resultados.

54

Los coeficientes estandarizados permiten la comparacin entre distintos coeficientes para una
misma muestra, dado que las ponderaciones no se ven afectadas por la escala de medicin de los
indicadores, por lo cual son de gran utilidad en la determinacin de la importancia relativa que
tiene cada indicador sobre los dems en el modelo. Los coeficientes cercanos a cero tienen poco
impacto en la relacin, en cambio mientras mayor sea el coeficiente estandarizado estimado,
mayor ser la importancia de la relacin causal. Los coeficientes sin estandarizar corresponden a
las ponderaciones de una regresin mltiple, las cuales se expresan en trminos de la escala del
constructo, por lo cual es posible comparar mismos coeficientes para distintas tomas de muestra,
ya que se retienen los efectos de la escala de medicin. Sin embargo, se torna ms difcil la
comparacin entre coeficientes.

Re-especificacin del modelo

Existen mtodos que pueden mejorar an ms el ajuste del modelo y/o adecuarlo a la teora
subyacente del problema. Este es el caso de la re-especificacin del modelo, en la cual se pueden
aadir o eliminar parmetros al modelo. Sin embargo, estas modificaciones deben estar
tericamente fundamentadas, y no deben hacerse con el slo fin de mejorar las estimaciones
empricamente. Si se hacen las modificaciones, se debe realizar una validacin cruzada, es decir,
realizar las estimaciones con distintos conjuntos de datos, para que as el modelo modificado sea
finalmente aceptado valido.
Para la modificacin del modelo en bsqueda de mejores resultados se analizan los siguientes
dos indicadores:
Residuos Normalizados

Los residuos normalizados (o tambin llamados residuos estandarizados) provienen de la


diferencia entre las matrices de covarianza o correlacin observada y la matriz de covarianza o
correlacin estimada del modelo. Para que un residuo sea significativo al nivel de 0,05, y por
ende se considere para una posible modificacin en
el modelo, este debe ser mayor que 2,58. Un residuo significativo significa que existe un error
de prediccin para un par de indicadores, pero no especfica como se puede mejorar, para lo cual
55

se debe resolver mediante la modificacin del modelo con la incorporacin o eliminacin de


relaciones.
ndices de Modificacin

Los ndices de modificacin es otra evaluacin de re-especificacin del modelo y se calcula para
cada relacin (parmetro) no estimada del modelo propuesto. El valor del ndice representa
aproximadamente cunto disminuira el estadstico Chi-cuadrado si el coeficiente fuera estimado.
Se sugiere un valor superior a 3,84 del ndice de modificacin para que la reduccin de la Chicuadrado sea estadsticamente significativa producto de la estimacin del parmetro. Cabe
destacar que la utilizacin de este ndice no es efectiva, si no est respaldada tericamente y
complementada con otras tcnicas de ajuste.

5.4.5. Anlisis factorial confirmatorio de segundo orden.

El anlisis factorial de segundo orden, es una extensin del AFC de primer orden, convirtindose
tambin en un caso particular de los modelos de ecuaciones estructurales.

En este anlisis se ingresa un nuevo constructo latente que acta como variable exgena frente a
factores de primer orden. La diferencia entre los modelos reside en que las correlaciones entre
los factores se sustituyen en este anlisis por saturaciones de esos factores en la nueva variable
latente exgena. Como muestra la figura 6, las variables latentes del primer nivel se convierten
en variables latentes endgenas del constructo de orden superior 1.
En trminos prcticos, la modelizacin de AFC de segundo orden contempla los mismos pasos
metodolgicos de los AFC de primer orden y de SEM en general, pero se recomienda en este
caso corroborar si existe correlacin por lo menos entre 2 factores de primer orden (Lvy &
Varela, 2006).

56

Figura 6. Ejemplo AFC de segundo orden.

Fuente: Elaboracin propia.

Respecto a la especificacin del modelo, es importante destacar algunos aspectos de las


ecuaciones del modelo estructural y de medida.
Sobre el modelo estructural, los parmetros B tienen un valor de cero puesto que no existen ms
variables latentes exgenas con las que se relacionen. Esto provoca que las ecuaciones queden
descritas por la siguiente forma:

Donde contiene los valores de las saturaciones .


En cuanto al modelo de medida, es importante destacar que est compuesto solo por variables
observables endgenas (Y), al no existir en modelos de AFC superior variables observables
exgenas (X).

57

6. METODOLOGA
En el presente estudio, la medicin de imagen de marca se har en base al modelo Brand Total
(Olavarrieta, 2002), aplicando el mtodo de Ecuaciones Estructurales y utilizando los datos
obtenidos de una investigacin de mercado.

El proceso de investigacin de mercados se hace en base a los pasos propuestos por Kinnear y
Taylor (1998):
Figura 7. Pasos del proceso de Investigacin.

Fuente: Kinnear, T., Taylor, J. (1998).

6.1. Establecer la necesidad de informacin.

La informacin necesaria para este trabajo, se divide en primera instancia en lo relacionado a


entender el mercado actual y sus actores, seguido por todo lo referente al marco terico respecto
del branding que sustenta la investigacin, para posteriormente definir con esto las partes

58

interesadas relevantes y las variables que definen la imagen en cada una de ellas. Las
necesidades se resumen de la siguiente manera:

Situacin actual del mercado de la Educacin Superior, sus actores relevantes tanto en
oferta y demanda, estadsticas, y todo lo necesario para definir el contexto actual.

Cifras y datos de la situacin actual de la Universidad Tcnica Federico Santa Mara,


para determinar su posicin competitiva.

Conceptos y definiciones asociados a Marca, Imagen, Reputacin y otros relacionados


que han sido presentados en las secciones anteriores.

Dimensiones importantes que determinan la imagen de marca, tanto productos o


servicios, como tambin especficamente para el caso de Educacin Superior.

6.2. Especificar los objetivos y necesidades de la informacin.

Los objetivos de la investigacin son los presentados en la seccin 3, que persiguen bsicamente
definir las dimensiones importantes que configuran la imagen de marca de una universidad, y
especficamente de la UTFSM. Junto a esto, es poder determinar las partes interesadas relevantes
que asociadas, para poder configurar el modelo que permita su medicin.

6.3. Determinar el diseo de la investigacin y las fuentes de datos.

El diseo de la investigacin, se caracteriza por dos etapas relevantes, la fase exploratoria y fase
concluyente.

En la fase exploratoria, se hizo el levantamiento de informacin guiado en primera instancia por


la revisin de material bibliogrfico de distintos estudios y papers relacionados con el tema.
Destaca principalmente lo realizado por Sanna (2010); Luque y Del Barrio (2008), que entregan
resultados especficos del tema de imagen para instituciones de Educacin Superior. Adems de
59

entregar variables y modelos para medir imagen, definen y trabajan con distintas partes
interesadas, siendo importante tambin lo de Carmelo

y Calvo (2010), que definen como

clientes de este mercado a los Estudiantes (Secundarios y Universitarios), Empresas y las


Familias.

Posterior a esto, se realizaron reuniones con las personas a cargo de las reas involucradas con
las partes interesadas de la Universidad:

Marcos Lpez, Director de Admisin de la UTFSM.

Hctor Hidalgo, Coordinador general RED de Ex Alumnos USM.

Mara Alicia Garca, Coordinadora Ejecutiva Direccin General de Planificacin y


Desarrollo UTFSM.

Estas reuniones tuvieron como objetivo invitar a participar a las personas nombradas en la
investigacin, y tambin recoger opiniones expertas respecto a las distintas dimensiones y
variables que conforman la imagen para los distintos actores. De aqu tambin surgen varias
hiptesis que complementan el trabajo, y que surgen de ciertas variables a introducir en el
modelo que son de particular inters de las unidades descritas:

H1. La USM tiene una fuerte imagen percibida definida por su carcter de especialista y lder en
ingeniera, ciencia y tecnologa.
H2. La USM es percibida como universidad de excelencia: alumnos y profesores de buena
calidad.
H3. La USM no se percibe como una universidad que entregue una educacin integral (falta de
desarrollo de competencias blandas).
H4. Los alumnos y ex alumnos de la USM no perciben que entregue una alta red de contactos.
H5. Los alumnos de la universidad, y de educacin superior no perciben un alto nmero de becas
y beneficios.
H6. Los alumnos de educacin secundaria no perciben a la universidad como una institucin
privada (en muchos casos est la creencia de universidad estatal).

60

Con esto, se acord en conjunto que por temas de alcance, los stakeholders a tratar en el estudio
son: Futuros postulantes (estudiantes de 4to ao medio), actuales estudiantes de la USM
(abarcando Casa Central y Campus Santiago) y ex - alumnos de la Universidad.

Para complementar esto, se realizaron tambin 3 Focus Group con estudiantes de cuarto ao
medio, ya que se considera a este grupo como el de mayor impacto en temas de percepcin
universitaria, producto de que los estudiantes secundarios siguen siendo el mayor pblico
objetivo por el que compite en el actual sistema. Estos Focus Group se realizaron en 2
instituciones:

Colegio de los Sagrados Corazones de Via del Mar/Valparaso. Fecha: Lunes 13 de


Agosto del 2012.

Liceo Ren Descartes de Via del Mar. Fecha: Viernes 17 de Agosto del 2012.

En el segundo establecimiento se hicieron dos de estas actividades, sumando con ello las tres
descritas.
A partir de esta fase, se obtuvieron las partes interesadas a trabajar y las dimensiones relevantes a
poner a prueba en la fase concluyente, que agrupadas segn el modelo Brand Total son:
Tabla 5. Dimensiones del estudio.
ATRIBUTOS
Acreditacin
Disponibilidad de talleres
Nivel de profesores (Calidad docente)
infraestructura
Altos puntajes (difcil entrar)
Formacin integral
Nivel de alumnos (excelencia acadmica)
Servicios de apoyo a estudiantes

Precio (Arancel)
Contacto con Universidades extranjeras
Oferta de magister y doctorados
Amplitud de reas de conocimiento
Importancia del deporte, arte, cultura
Ambiente universitario
Nivel de Investigacin
BENEFICIOS

Desempeo laboral de Egresados


Empleabilidad
Contactos profesionales

Red de Exalumnos
Becas y beneficios estudiantiles
PERSONALIDAD

Lder en rea determinada


Especialista en rea determinada
Diversidad social, cultural, poltica, religin
Tendencia (social, poltica, religiosa)
Lucro como objetivo de la Universidad
Presente y vinculada con el medio
Exigente

Universidad con experiencia/ trayectoria


Innovadora /Moderna
Estatal
Universidad Movilizada (Paro)
Administracin sera
Universidad con recursos (econmicos-financieros)

Fuente: Elaboracin Propia.

61

La fase concluyente de la investigacin consiste en la aplicacin de una encuesta online dirigida


a las 3 partes interesadas descritas anteriormente. Para esto, se utilizaron tres bases de datos con
que cuenta la Universidad:

Estudiantes de educacin superior de todo el pas, con inters en seguir una carrera de
educacin superior, facilitada por la Direccin de Admisin de la USM.

Ex - alumnos de la universidad desde el ao 1980 y 2012, entregada por la Red de Ex


alumnos de la universidad.

Actuales estudiantes de la USM, facilitada por los centros de alumnos de alumnos de la


universidad.

6.4. Desarrollar el procedimiento de recoleccin de datos.

La recoleccin de datos se realiz mediante el envo de un correo electrnico a los sujetos que
componen las bases de datos descritas, en los cuales estaba el link al que deban acceder para
contestar la encuesta.

6.5. Disear la muestra.

El universo de las partes interesadas descritas anteriormente est compuesto por los siguientes
nmeros:
Los postulantes a la educacin superior en el 2011 que rindieron la PSU fueron 231.172 y segn
datos entregados por la USM en su pgina web el total de alumnos es de 13.658. El universo de
ex alumnos del que se tiene registro es de 50.000 aproximadamente.
Tabla 6. Universo y Bases de datos.

Postulantes

231.000

Base de
datos
38.000

Estudiante actual USM

13.658

6.000

Ex estudiante USM

50.000

20.000

293.658

64.000

Universo

Total

Fuente: Elaboracin Propia


62

El muestreo a utilizar es no probabilstico, seleccionado por conveniencia, por lo cual no es


posible calcular el error.

El nmero final a utilizar es de 2650 datos (que se detallarn en la siguiente seccin). La muestra
final utilizada en el anlisis multivariante, se seleccion base a los distintos criterios de muestra
expuestos en la literatura referente a SEM, buscando un nmero alto de datos para enfrentar el
incumplimiento de normalidad multivariante. Esto debido principalmente a los problemas que
ocurren en la estimacin de parmetros por el mtodo de Mxima Verosimilitud, siendo sugerido
superar las 2.500 observaciones en estos casos (Uriel y Aldas, 2005). Este mismo nmero de
muestra se recomienda si es que se opta por otro mtodo de estimacin como el ADF, en que no
se adopta el supuesto de normalidad.

6.6. Recolectar los datos

La recoleccin de datos se realiz entre las fechas 30 de octubre al 18 de noviembre del 2012.

6.7. Procesar los datos.

El procesamiento de datos se hace mediante el software IBM SPSS AMOS 20.0.0.


Los pasos 8 y 9, que corresponden a Analizar los datos y Presentar los resultados se detallan
en la seccin siguiente, presentando en primera instancia el anlisis univariado y posteriormente
el multivariado en base al mtodo de ecuaciones estructurales, siguiendo los pasos a seguir
descritos por Diamantopoulo & Siguaw, y detallados en la seccin 5.4.4.3.

63

7. ANLISIS Y RESULTADOS
7.1. Tamao muestral.

El tamao muestral a utilizar ser diferenciado para los anlisis univariado y multivariado. Para
el caso univariado, se har con el total de las respuestas obtenidas, siendo que se obtuvieron gran
cantidad de datos (2.912). Para el caso de anlisis multivariado, la muestra se tomar en base a
los diversos criterios que se expondrn posteriormente.
7.2. Anlisis univariado.

Como ya se mencion anteriormente, el total de datos recolectados es de 2.912 observaciones,


los que estn distribuidos de la siguiente manera:

Tabla 7. Distribucin muestra.

Nmero

Porcentaje

Postulantes

2138

73,42%

Estudiante actual USM

379

13,02%

Ex estudiante USM

395

13,56%

2912

100%

Total

Fuente: Elaboracin propia.

El anlisis del comportamiento de variables individuales, se hace en base a las hiptesis


planteadas con anterioridad. Estas dimensiones fueron consultadas con la valoracin de la USM
en una escala Likert de 5 puntos (donde 1 era Totalmente en Desacuerdo y la opcin era 5
Totalmente de Acuerdo).

64

Las primeras 3 hiptesis consideran todas las partes interesadas, por lo que el detalle de las
respuestas se entrega por cada una de ellas por separado. stas son:

H1: La USM tiene una fuerte imagen percibida definida por su carcter de especialista y lder en
ingeniera, ciencia y tecnologa.
H2: La USM es percibida como universidad de excelencia: alumnos y profesores de buena
calidad.
H3: La USM no se percibe como una universidad que entregue una educacin integral (falta de
desarrollo de competencias blandas).

Para H1, las preguntas correspondan a las siguientes afirmaciones:


Preg. 23: Es lder en reas de Ingeniera, Ciencia y Tecnologa.
Preg. 24: Es especialista en las reas de Ingeniera, Ciencia y Tecnologa.

Para estas afirmaciones, la distribucin de respuestas se puede ver en la tabla 8, en que ms del
50% asigna con nota 5 en ambas dimensiones. Tambin en las columnas N-P, se puede ver la
distribucin de respuestas negativas (notas 1 y 2) y positivas (4 y 5), en las que en ambas
tambin se consigue ms de un 80% de evaluaciones a favor de las afirmaciones.
Tabla 8. Evaluacin imagen de Lder y Especialista Muestra Admisin.

1
2
3
4
5
total

Lder
66
92
181
536
1263
2138

%
3,09%
4,30%
8,47%
25,07%
59,07%
100,00%

N-P
7,39%
8,47%
84,14%
100,00%

Especialista
51
57
166
421
1443
2138

%
2,39%
2,67%
7,76%
19,69%
67,49%
100,00%

N-P
5,05%
7,76%
87,18%
100,00%

En el grfico 1, se puede apreciar la fuerte tendencia de las respuestas de mayor puntuacin.

65

Grfico 1. Distribucin respuestas Lder y Especialista. Muestra Admisin USM.

Lder/Especialista (Admisin USM)


1600

1443
1263

1400
1200
1000

Lder

800
536

600
400
200

66 51

92 57

Especialista

421

181 166

0
3

Fuente: Elaboracin propia.

Para el caso de actuales alumnos USM, las evaluaciones son tambin con notas positivas en su
mayora, pero sufriendo una baja en el caso de Lder, en el que las notas de evaluacin negativa
obtienen casi un 20% del total de la muestra.
Grfico 2. Distribucin respuestas Lder y Especialista. Muestra Actuales alumnos USM.

Lder/Especialista (Actuales alumnos USM)


190
173

200
180

148

160
140

111

120

Lder

100

Especialista

80
60
40

41

29
9

20

19

25

13

0
1

Fuente: Elaboracin Propia.

66

La tendencia en la muestra de los ex - alumnos es an ms marcada, ya que aproximadamente el


90% las evaluaciones son del rango positivo.
Grfico 3. Distribucin respuestas Lder y Especialista Ex Alumnos.

Lder/Especialista (Ex Alumnos)


300
249

250
200

175

165

150

Lder

122

Especialista

100
50

29
7

11

19 10

0
1

Fuente: Elaboracin Propia.

En el caso de H2, las afirmaciones a evaluar son:


Preg 3. La Universidad tiene un alto nivel de profesores (calidad docente)
Preg 6. La Universidad cuenta con un alto nivel de alumnos (excelencia acadmica).

Para el caso de la muestra de admisin, al igual que en la variable anterior se ve una clara
asociacin positiva, en que tanto para el nivel de alumnos y profesores ronda el 80%.

67

Grfico 4. Nivel de alumnos y profesores para muestra admisin USM.

Nivel Alumnos/Profesores (Admisin USM)

1400

1167

1200

993

1000
729

800

303

400
200

Alumnos

522

600

40 42

73 27

Profesores

380

0
3

Fuente: Elaboracin Propia.

Comparativamente, la percepcin de los actuales alumnos de la USM si bien tambin es positiva


en su mayora, baja con respecto a la muestra anterior, principalmente por la mayor cantidad de
evaluaciones con nmero de 2 (Medianamente en Desacuerdo) en trminos absolutos y relativos
al total de la muestra.
Grfico 5. Nivel de alumnos y profesores para muestra actuales alumnos USM.

Nivel Alumnos/Profesores (Actuales alumnos USM)


250
205
184

200
150

Alumnos

100

78
62

75
52

Profesores
65

50
6

16

15

0
1

Fuente: Elaboracin Propia.

68

De los ex - alumnos, 318 concuerdan positivamente con el nivel de los alumnos, lo que
representa el 80% del total. En el caso de los profesores, se alcanza ms de un 84% las notas 4 y
5.
Grfico 6. Nivel de alumnos y profesores para muestra ex alumnos.

Nivel Alumnos y profesores (Ex Alumnos)


183

200

173

150

162
135
Alumnos

100

Profesores
37 31

50

36
20

4 9
0
1

Fuente: Elaboracin Propia.

La tercera hiptesis (H3), fue referida a la afirmacin de la pregunta 19: La formacin que
entrega es la ms integral para un profesional (conocimientos y desarrollo personal).

En el grfico 7, se ve una clara tendencia positiva para los estudiantes secundarios sobre la
formacin en la universidad. Comprendiendo un 67% las valoraciones positivas, pero teniendo
en cuenta la alta indiferencia que logra un 26%.
Grfico 7. Evaluacin Formacin Integral muestra admisin USM

Formacin Integral (Admisin USM)


1000
773

800

660
553

600
400
200

49

103

0
1

Fuente: Elaboracin propia.


69

Referente a los actuales alumnos, no se evidencia una evaluacin positiva ya que es bastante
equiparado con las evaluaciones 1 y 2, siendo porcentajes muy cercanos, obteniendo 40,63%
para las notas negativas y 47,49% para las positivas.
Grfico 8. Evaluacin Formacin Integral muestra actuales alumnos USM.

Formacin Integral (actuales alumnos USM)


160
140
120
100
80
60
40
20
0

149
108

46

45

31

Fuente: Elaboracin Propia.

La evaluacin de los ex alumnos tampoco es mayormente evidente, a pesar de que 165 sujetos lo
evaluaron con nota 4 (41,77%), los valores negativos suman 64 observaciones, las que sumadas a
los indiferentes, llegan a un 45,57%.
Grfico 9. Evaluacin Formacin Integral muestra ex alumnos.

Formacin Integral (Ex alumnos)


200
165
150
96

100

52
50

50

32

0
1

Fuente: Elaboracin propia.

70

La siguiente dimensin a analizar corresponde al contraste de H4: Los alumnos y ex alumnos de


la USM no perciben que entregue una alta red de contactos.
Este punto se pregunt directamente por la afirmacin de la pregunta 18: La USM. Cuenta
con una gran red de contactos profesionales, y tambin se analiz las respuestas de la pregunta
22: Sus red de ex alumnos se contacta y desarrolla actividades que conectan con el mundo
laboral, que evala si el medio por el que se genera esta conexin con el medio laboral es por la
coordinacin entre los ex alumnos.
Grfico 10. Evaluacin Red de Contactos muestra alumnos actuales USM.

Red de contactos (Actuales USM)


160

140

140
107

120
100
80

67

57

60
40
20

0
1

Fuente: Elaboracin propia.

Grfico 11. Evaluacin Red de Contactos por muestra de ex alumnos.

200

Red de contactos (Ex alumnos)


145

150
89

100

81
52

50

28

0
1

Fuente: Elaboracin propia.

71

De los grficos 10 y 11, se ve que aunque la mayor opinin en de las dos muestras es la opcin 4,
con alrededor de 140 respuestas en ambas, existe una alto nmero en las respuestas negativas.
Esto refleja que no existe una opinin muy dominante en este tema. En la primera muestra las
opciones 1,2 y 3 alcanzan en conjunto un 45,38%, mientras que en la segunda obtienen un
50,13%.

Sobre la pregunta 22, la muestra de actuales alumnos USM refleja una clara mayora a la
indiferencia con respecto a este tema, pero si se compara en trminos de respuestas positivas y
negativas, las primeras alcanzan un 48,41% frente a un 13,34% de las ltimas.
Grfico 12. Evaluacin Nexo Red de Ex Alumnos por muestra de actuales alumnos USM.

Nexo Red Ex Alumnos (Actuales alumnos USM)


200
143

150

125

100
60
50

35
16

0
1

Fuente: Elaboracin propia.

La muestra de ex alumnos refleja una mayor tendencia a las respuestas de percepcin positiva,
alcanzando un 55,95%, frente a un 20,51% de indiferentes y 23,54% de respuestas de las
opciones 1 y 2.

72

Grfico 13. . Evaluacin Nexo Red de Ex Alumnos por muestra de ex alumnos USM.

Nexo Red Ex Alumnos (Ex-alumnos)

200

155
150
100

81
66

50

66

27

0
1

Fuente: Elaboracin propia.

La quinta hiptesis (H5), postula: Los alumnos de la universidad, y de educacin secundaria no


perciben un alto nmero de becas y beneficios.

De los grficos 14 y 15, se puede ver que efectivamente no hay una opinin favorable respecto a
este tema. En el caso de los alumnos secundarios, casi el 50% de la muestra no sabe de este tema.
Grfico 14. Evaluacin Becas y Beneficios por muestra Admisin USM.

1200

Becas y Beneficios (admisin USM)


1034

1000
800
486

600
314

400
200

199

105

0
1

Fuente: Elaboracin propia.

73

Para los actuales alumnos de la universidad, tambin la mayor nota es 3 con casi un 42%, y
seguido despus por las notas 1 y 2 que obtienen en conjunto un 42,48%.
Grfico 15. Evaluacin Becas y Beneficios por actuales alumnos USM.

Becas y Beneficios (actuales alumnos USM)


200
159
150
100

92
69
45

50

14

0
1

Fuente: Elaboracin propia.

La ltima hiptesis (H6) postula lo siguiente: Los alumnos de educacin secundaria no tienen
una clara percepcin de que la universidad es una institucin privada (creencia de universidad
estatal).

Del grfico 16, se ve claramente que la respuesta mayoritaria es la opcin 3, que obtiene un
51,92%, y las dems opciones se reparten en forma balanceada, lo que indica una
desinformacin respecto al estado real de la institucin.
Grfico 16. Evaluacin Propiedad del estado por admisin USM

Propiedad del Estado (admisin USM)


1110

1200
1000
800
600
400

253

236

330

209

200
0
3

Fuente: Elaboracin propia.

74

7.3. Anlisis multivariado.

De manera previa a los pasos estipulados para la modelizacin de ecuaciones estructurales


expuestos en la seccin 5.4.4.3, se har una evaluacin previa de los datos, tanto en definir un
tamao indicado, como tambin para evaluar las condiciones de supuestos de normalidad de las
variables estudiadas. Se levantaron 33 de estas variables, en que la descripcin de stas, y la
nomenclatura a utilizar se detallan en el anexo C.
7.3.1. Tamao muestral anlisis univariado.
Para definir la muestra a utilizar del total de datos se siguieron distintos criterios expuestos por
Lvy y Varela (2006):

Tamao muestral que ronde las 200 observaciones mnimo, aumentndolo ante la
existencia de posibles errores de especificacin y/o violacin de supuestos.

Considerar un ratio adecuado de al menos 10 observaciones por variable.

Contar con un mnimo de 5 observaciones por parmetro a estimar, siendo lo ms


adecuado 10 sujetos por parmetro.

Si existe incumplimiento de normalidad, aumentar la tasa a 15 encuestados por


parmetro. (Hair et al., 2004).

El tamao muestral tambin depende del mtodo de estimacin a utilizar, siendo recomendable
rondar los 200 casos para el de Mxima Verosimilitud, y aumentado considerablemente para
otros como el ADF en que se sugiere superar las 1000 observaciones.

Considerando estas recomendaciones, se trabaj en primera instancia considerando el ratio de 10


observaciones por cada variable. Con esto se alcanza un total de 330 datos para cada parte
interesada (33 variables x 10 obs = 330), con lo que se verificar la normalidad de los datos, y en
caso de no cumplir este supuesto se aumentar el tamao considerando la tasa de 15 por cada
parmetro a estimar.

75

7.3.2. Prueba de normalidad.


Se seleccion una muestra aleatoria de 330 casos de cada una de las partes de inters. Para las
pruebas de normalidad, se realizaron los test del software AMOS 20.0.0, en que entregan los
ndices de simetra y curtosis para cada variable. En la tabla 9 vemos un extracto de la tabla de
resultados de la muestra de 330 estudiantes secundarios (admisin USM), en el que se debe
verificar que los ratios crticos (c.r.) de cada una de las variables no sobrepase el rango entre los
valores -1,96 y 1,96 simultneamente, siendo el caso para distribuciones simtricas y
mesocrticas. De la tabla, se puede ver que solo cumple la variable de Tendencia (Tend). AMOS
tambin entrega una prueba para el anlisis de normalidad multivariante en el final de la tabla.
En esencia el ratio crtico corresponde al ndice de Mardia (Byrne, 2010), en que se recomienda
que no supere el valor 5,99. En este caso se puede ver que tampoco cumple con la condicin, por
lo que tampoco el supuesto de normalidad para esta muestra.
Tabla 9. Extracto prueba de normalidad para muestra de Admisin.

Variable

skew

c.r.

kurtosis

c.r.

Postgrd

-0,342

-2,535

-0,38

-1,409

Talleres
Prof
Recursos
Tend
Multivariate

-0,798
-1,118
0,317
0,073

-5,916
-8,292
2,348
0,542

0,238
0,882
0,778
2,885
0,26
0,965
0,453
1,68
129,731
24,517
Fuente: Elaboracin propia.

Cumple supuesto
normalidad
No
No
No
No
Si

El detalle de los resultados se puede encontrar en el anexo D. A modo de resumen, en la tabla 10


se muestra el resultado del incumplimiento de los supuestos de simetra y mesocurtosis para cada
una de las muestras aleatorias. En las ltimas 2 columnas vemos el resultados de los ratios
crticos de curtosis multivariante y el estado de cumplimiento de normalidad multivariante.

76

Tabla 10. Resumen pruebas de normalidad univariante y multivariante de muestras aleatorias.

Variables

Variables No

CR

Normalidad

Asimtricas

Mesocrticas

Multivariante

Admisin

25

14

24,517 > 5,99

No cumple

Estudiantes USM

23

23

18,386 > 5,99

No cumple

Ex Alumnos USM

27

22

32,645 > 5,99

No cumple

Fuente: Elaboracin propia.

Quedando de manifiesto que no se cumplen los requisitos de normalidad, se procede a aumentar


el tamao de la muestra siguiendo el criterio del ratio de 15 casos por cada parmetro a estimar
(Hair, 2004). Los parmetros a estimar en esto modelo en primera instancia son 69 (los cuales se
detallarn en las siguientes secciones), dando esto un total de 1035 de sujetos necesarios para
conformar la muestra (69 x 15 = 1035).
Tabla 11. Composicin muestra final.

Nmero

Porcentaje

Postulantes

760

73,42%

Estudiante actual USM

135

13,02%

Ex estudiantes USM

140

13,56%

Total

1035

100%

Fuente: Elaboracin propia.

7.3.3. Conceptualizacin del modelo SEM.


Para modelar el constructo de imagen de marca, en las secciones anteriores si hizo referencia al
modelo conceptual Brand Total (Olavarrieta, 2002), en que sta tiene tres componentes:
Atributos, Beneficios y Personalidad. La hiptesis que se plantea en este trabajo, sobre la
estructura de stos componentes, es que la variable Imagen de marca es un constructo de
segundo orden que se refleja en la evaluacin de imagen de las personas, pero a travs de la

77

agrupacin de constructos de primer orden, que corresponden a los componentes sealados. La


idea de la estructura es como la que se plantea en la figura 8.
Figura 8. Modelo de imagen de marca.

Fuente: Elaboracin propia.

Las 33 variables que se levantaron en la etapa exploratoria, buscan representar estas tres
dimensiones de primer orden. Como hiptesis previa, la agrupacin de estas variables
corresponde a las presentadas en la tabla 5.

De manera previa y para apoyar la teora, se realiz un anlisis factorial exploratorio (AFE)
como lo recomiendan Lvy y Varela (2006), en que permiti ver como cargan las variables
observables en cada uno de las variables latentes. Junto a esto adems, se realiz una prueba de
fiabilidad de escala mediante el alfa de Cronbach, para poder medir la consistencia de cada
factor.

Se utiliz el mtodo de extraccin por Mxima Verosimilitud, fijando el nmero de factores a


tres, y utilizando rotacin Varimax. Se obtuvo un ndice KMO de 0,953, con un Chi-cuadrado
mayor al nivel crtico. La tabla 10 muestra las cargas factoriales rotadas, en donde se puede ver
como 18 de las 33 variables cargan en mayor medida sobre los factores propuestos.

78

Tabla 12. Matriz de factores rotados.


Variable

F1

F2

F3

Variable

F1

F2

F3

Acredit

,403

,126

,258

Lder

,233

,054

,793

Talleres

,570

,152

,375

Especialista

,120

,062

,858

Prof

,434

,179

,551

Diversidad

,418

,152

,255

Infraestr

,369

,069

,544

Tendencia

,486

,051

-,006

PSU

,205

,153

,375

Lucro

,408

,111

,297

Integral

,608

,235

,385

Presencia

,574

,158

,302

Alumnos

,321

,263

,464

Exigente

,169

,324

,608

Servicios

,501

,097

,288

Experiencia

,144

,256

,625

Arancel

,298

-,023

,017

Moderna

,533

,105

,503

U_extran

,441

,189

,324

Estatal

,279

,037

,002

Postgrd

,478

,186

,316

Paro_posit

-,167

,134

,245

Area_conoc

,573

,029

,012

Admintr

,532

,082

,387

Deporte_arte

,658

,049

,272

Recursos

,486

,107

,180

Ambiente

,458

,181

,391

Investig

,523

,117

,380

Desempeo

,209

,621

,537

Empleab
Contacto_pr
o
Red_aexa

,157

,698

,585

,517

,403

,376

,450

,196

,254

Becas

,556

,032

,133

Fuente: Elaboracin propia a partir del SPSS.

Asumiendo que F1 representa al factor Atributos, F2 a Beneficios y F3 Personalidad, de este


primer anlisis, las variables Becas, Tendencia (Tend), Estatal y Recursos, asoman como
posibles variables a eliminar del modelo, puesto que cargan muy poco sobre los factores
respectivos.
Variables como Prof, Infraestr, PSU, Alumnos, Contact_prof, y Red_aexa, pese a no cargar en
mayor medida junto con las variables que se proponen en un mismo factor, tienen valores altos
en los otros factores lo que sirve para el anlisis de confirmacin.

Complementando esto, se hace un anlisis de fiabilidad, primero considerando a todas las


variables (constructo de imagen nico), y despus por cada uno de los factores propuestos.

79

Para los tres constructos, se obtuvieron valores sobre 0,70, que es lo recomendado por algunos
autores (Hair et al, 2004), con 0,88; 0,79 y 0,814. Tambin se analiz para el constructo global
de Imagen, el cual obtuvo un valor de 0,935. Las tablas de estos resultados se encuentran en el
anexo D.

En cada una de las tablas, se entrega la informacin de la variabilidad de estos ndices si se


eliminan ciertas variables. En base a esta informacin, sumado a lo expuesto por el AFE y la
evaluacin de relevancia de cada una de las variables por parte del investigador, se eliminaron
las siguientes variables: Becas; Tendencia; Estatal; Recursos y Area_Conoc.

Por ltimo, segn lo recomendado por Lvy y Varela (2006), se realiz un AFC de primer orden
haciendo covariar los tres factores para comprobar la correlacin entre ellos, y as verificar el
grado de validez convergente. Los resultados fueron positivos entregando valores sobre 0,7, por
lo que la propuesta de modelo tiene sustento. Los valores de stos se pueden encontrar en el
anexo D.
7.3.3. Construccin del diagrama de ruta.
Ya con las variables definidas del modelo propuesto, se procedi a construir el diagrama de ruta.
Esto se hace mediante el programa IBM SPSS AMOS 20.0.0. Si bien, el modelo ir variando
en base a las ajustes, en la figura 9 se muestra el modelo inicial a comprobar.

En ella se ven las 28 variables totales: 14 para el factor Atributos, 4 para el factor Beneficios, y
10 para Personalidad.

80

Figura 9. Modelo Inicial Imagen de Marca.

Fuente: Elaboracin propia mediante IBM SPSS AMOS 20.0.0.

81

7.3.4. Especificacin del modelo.


Aqu se representan en forma de sistemas de ecuaciones lineales, las distintas relaciones
propuestas en el diagrama de ruta.

Modelo estructural: Ecuaciones que vinculan a las variables latentes (constructos) entre s. En
este caso, corresponden a las correspondientes de los factores de primer orden influenciados por
el constructo de segundo orden (Imagen).

Modelo de medida. Especifica relacin entre las variables (indicadores) y los tres factores
propuestos:

82

7.3.5. Identificacin del modelo.

En cuanto a la identificacin del modelo, el software entrega los valores de grados de libertad,
cumpliendo en este caso con la sobreidentifcacin con un valor de 347.
Tabla 13. Grados de libertad del modelo entregado por Amos.

Nmero de momentos distintos


Nmero de parmetros distintos a estimar
Grados de libertad (406 - 59):

406
59
347

Fuente: Elaboracin propia mediante datos entregados por AMOS v 20.

Tambin se platean algunas condiciones a los modelos factoriales confirmatorios (Levy &
Varela, 2006) que tambin se cumplen en este caso:

Mnimo de 3 indicadores por factor.

No existen correlaciones entre los errores de medida.

Cada variable latente solo carga en un factor.

Adems se cumple con fijar uno de los coeficientes de regresin en cada variable latente.

7.3.6. Estimacin de parmetros.


La estimacin de parmetros se realiz mediante los mtodos de mxima verosimilitud (MV) y
el de libre distribucin asinttica (ADF). Si bien ya se analiz que no se cumplen los supuestos
de normalidad multivariante para el mtodo MV, se utiliz el criterio de aumento de muestra de
15 observaciones por parmetro, logrando un total de 1035 individuos. Se utiliz este nmero
considerando los parmetros a estimar inicialmente, en el caso que se hubiesen ingresado las 33
variables originales.

83

La estimacin por medio de ADF, entreg resultados muy pobres en la calidad ajuste, los que se
pueden ver en el anexo D. Por esta razn, en los resultados entregados en esta seccin y en las
siguientes harn en base solo al mtodo MV.

La primera estimacin por MV, entreg como resultado una estimacin de varianza negativa
(e37 = -0,002); estas situaciones son conocidas como casos Heywood. Lvy y Varela (2006),
sugieren que las soluciones para tratar estos casos pueden ser:

Aumentar el tamao de la muestra

Modificar el modelo

Fijar a un valor positivo prximo a cero el parmetro problemtico.

Si bien la solucin ms habitual es la tercera opcin, se har primero un anlisis de cul puede
ser la variable que est causando este problema, dado que si se trata de alguna de las variables
analizadas previamente que no representa un carcter relevante, la mejor opcin es prescindir de
ella.
Analizando la matriz de residuos estandarizados del anexo D, se puede apreciar que la variable
Diversidad contiene gran parte de los valores fuera del rango -2,58 y 2,58 con 8 casos.
Sumado adems a los anlisis previos en que no cargaba de mayor manera en el factor
correspondiente y que por lo demostrado en la investigacin no es una variable relevante se
procede a eliminarla.

Al proceder a la nueva estimacin, efectivamente se soluciona el caso Heywood, con lo que los
valores de los indicadores se muestran a continuacin.
7.3.7. Anlisis de ajuste.
A travs de la nueva estimacin por mxima verosimilitud, los indicadores entregaron resultados
por debajo de los valores recomendados de un buen ajuste, los cuales se analizarn a
continuacin.

84

7.3.7.1. Medidas de ajuste absoluto.

Comenzando por el estadstico de Chi cuadrado (CMIN), ste tiene un valor de 2694,96 que es
un valor muy alto para lo que quiere, aunque hay que tener presente que esta medida no presenta
buenos criterios para muestras muy elevadas. Tener en cuenta tambin que la significacin es
menor al 0,05.

Tabla 14. ndices de 2do modelo de 27 variables.

Model
Modelo actual
Modelo saturado
Modelo independiente

NPAR

CMIN

DF

CMIN/DF

57

2694,960

321

,000

8,396

378

,000

27

13672,149

351

,000

38,952

Fuente: Elaboracin propia mediante datos de AMOS v 20.0.

Los otros ndices de ajuste expuestos en la tabla 13, no cumplen con los valores recomendados,
siendo el caso del RMR, RMSEA y GFI con un 0,07, 0,085 y 0,794 respectivamente.
Tabla 15. ndices de ajuste absoluto para modelo de 27 variables.

ndice
GFI
0,794
RMR
0,07
RMSEA
0,085

Valores
Recomendados
> 0,9
No cumple
< 0,05
No cumple
< 0,08
No cumple

Fuente: Elaboracin propia mediante datos de AMOS v 20.0

85

7.3.7.2. Medidas de ajuste incremental.

En este caso, no se presentan los valores de los modelos base, ya que tampoco se cumplen con
los valores recomendados.
Tabla 16. ndices de ajuste incremental para modelo de 27 variables.

ndice
CFI
0,822
TLI
0,805
NFI
0,803
AGFI
0,757

Valores
Recomendados
> 0,9
No cumple
> 0,9
No cumple
> 0,9
No cumple
> 0,9
No cumple

Fuente: Elaboracin propia mediante datos de AMOS v 20.0

7.3.7.3. Medidas de ajuste de parsimonia.

En cuanto a parsimonia, tampoco se logran los valores esperados, encontrndose una gran
desviacin en el caso del ndice PGFI.
Tabla 17. ndices de ajuste de parsimonia para modelo de 27 variables.

ndice
PNFI
0,734
PGFI
0,674
AIC
2808,96

Valores
Recomendados
> 0,9
No cumple
> 0,9
No cumple
cercano a cero
menor

Fuente: Elaboracin propia mediante datos de AMOS v 20.0

86

7.3.8. Modificacin del modelo.


Producto de estos resultados, se procedi a la modificacin del modelo. Esto se hizo en base en
una serie de criterios indicados en Lvy y Varela (2006):

Test de significacin de parmetros: en donde la razn crtica de los parmetros


estimados no se encuentre entre los valores -1,96 y 1,96.

Matriz de residuos normalizados: se revisarn las variables que entreguen valores fuera
del rango -2,58 y 2,58,

ndices de modificacin: valores mayores a 3,84 se consideran significativos para una


disminucin del valor de Chi cuadrado, pero en este caso no aplicarn las modificaciones
propuestas, si no que se analizarn las variables que demuestren una carga fuerte con otro
factor, lo que implicara eliminarla del modelo.

Toda cambio se evala con estos criterios, pero siempre sustentada en base al propsito del
modelo y la investigacin, y se deben realizan de uno a la vez. Por esto, tras las sucesivas
modificaciones se mantuvieron 18 variables de las originales; 11 de Atributos, 3 de Beneficios y
4 de Personalidad las cuales estn en la tabla 18, y se pueden ver grficamente en la figura 10.
Tabla 18. Variables del modelo final de 18 variables.

Variable

Factor

Variable

Factor

Alumnos
Servicios

Atrib
Atrib

Investig
Ambiente

Atrib
Atrib

Acredit

Atrib

Empleab

Benef

Infraestr

Atrib

Desempeo

Benef

Postgrd

Atrib

Red_aexa

Benef

Prof

Atrib

Especialista

Pers

Integral

Atrib

Experiencia

Pers

PSU

Atrib

Lder

Pers

Talleres

Atrib
Exigente
Fuente: Elaboracin propia.

Pers

87

Figura 10. Modelo Final (18 variables)

Fuente: elaboracin propia mediante Amos v 20.0.


7.3.8.1. Evaluacin de ajuste del modelo modificado (18 variables).

1. Ajuste global modelo modificado.

Los ndices de ajuste de este modelo demuestran una mejora efectiva con respecto al inicial, tal
como se puede ver en la tabla 19. Los valores de RMSEA, CFI e IFI, que anteriormente
traspasaban los lmites recomendados, ahora obtienen valores de 0,078; 0,905 y 0,905
respectivamente. En el caso de RMR, GFI y TLI, pese a no cumplir con el umbral, mejoran
notablemente y quedan muy cerca de los valores recomendados.

88

En el caso de los valores estrictamente comparativos, como el NCP, ECVI y AIC, reflejan
tambin una importante mejora con respecto al inicial.
Tabla 19. Comparacin de ndices de ajuste.

ndice

Modelo con 27
variables

Modelo Final (18


variables)

Chi cuadrado
DF
p

2694,96
321
0

965,965
132
0

GFI

0,794

0,898

RMR
RMSEA

0,07
0,085

0,054
0,078

NCP

2373,96

833,965

ECVI

2,717

1,01

CFI

0,822

0,905

TLI

0,805

0,89

IFI

0,822

0,905

AGFI
PNFI

0,757
0,734

0,868
0,769

AIC

2808,96

1043,965

Ajuste
absoluto

Ajuste
Incremental
Ajuste de
Parsimonia

Fuente: elaboracin propia mediante de Amos v 20.0.

2. Ajuste modelo de medida.

a. Validez

En el anexo D, se encuentran las tablas que entrega el software con los valores de la estimacin
de los coeficientes. En ellas, se puede ver que todos ellos son significativos (C.R = t > |1,96| y
que slo tres de ellas saturan con un valor menor a 0,5 por lo que informa positivamente la
validez de los indicadores.

89

b. Fiabilidad

Como se describi en las secciones anteriores, para medir esta condicin, se calcul la fiabilidad
compuesta de cada constructo y la varianza extrada. Estos resultados se pueden ver en la tabla
20.
Tabla 20. Fiabilidad compuesta y varianza extrada.

Constructo
Atrib
Benef
Pers

Fiabilidad
compuesta
0,873

Varianza
extrada
0,390

0,793

0,581

0,850

0,587

Fuente: elaboracin propia.

Para cada constructo se obtienen valores que superan el valor recomendado de 0,7, y en el caso
de la varianza extrada, Benef y Pers obtienen valores satisfactorios sobre 0,50. En el caso de
Atributos, el valor se debe principalmente a las bajas estimaciones para las variables Red_aexa,
PSU y Acredit, que tambin se reflejan en que sus coeficientes de determinacin son menores a
0,3. Para mejorar esto, se podran eliminar estas variables, pero producto de la importancia
terica que conllevan para este estudio, se opt por mantenerlas.

3. Ajuste modelo estructural


Los valores de R2 de cada constructo dan por sobre los recomendados, lo que indica un ajuste
muy bueno en cada uno.
Tabla 21. Coeficientes de determinacin de variables latentes

Constructos
Pers
Benef
Atrib

R2
0,857
0,742
0,756

Fuente: Elaboracin propia.

90

A su vez, los valores t de sus coeficientes son significativos (C.R > |1,96|), y con valores
estimados de regresin estandarizados por sobre 0,85.

Como dato adicional, el valor de fiabilidad compuesta y varianza extrada del constructo Imagen
tambin est comprendido en los valores permitidos, con 0,916 y 0,78 respectivamente.

Con esta informacin, se puede evaluar un buen ajuste del modelo en trminos generales,
pudiendo aceptar las relaciones propuestas en ella. Por ello, se da paso a la interpretacin de
estos resultados.

7.3.9. Interpretacin del modelo.


Para ilustrar la interpretacin del modelo, nos centramos primero en el constructo de importancia
de la investigacin, que es Imagen de marca. Para ello, evaluamos el impacto que cada factor de
primer orden tiene en l, analizando los coeficientes estandarizados, que se utilizan justamente
para medir el efecto relativo, ya que son especficos de una muestra.

De la tabla 22, vemos que el factor de Personalidad (Pers), es el que genera un mayor impacto en
Imagen de marca, gracias a su coeficiente estandarizado de 0,93. Esto es positivo considerando
que la evaluacin promedio de sus variables es la mayor de los tres factores y con una menor
desviacin.
Tabla 22. Impacto y evaluacin de dimensiones de Imagen.

Impacto
Atrib
Benef
Pers

Evaluacin
promedio

3,82
0,87
4,00
0,86
4,34
0,93
Fuente: Elaboracin propia.

Desviacin
Estndar
1,07
1,00
0,94

91

De las variables que miden Personalidad, se puede ver que los coeficientes tienen altos valores,
siendo Especialista la mayor con un 0,83 y una evaluacin promedio de 4,45. Esto es consiste
con lo expuesto previamente en los anlisis univariados.
Tabla 23. Impacto y evaluacin de variables del Factor Personalidad.

Evaluacin
promedio

Impacto
Especialista
Lder
Exigente
Experiencia

4,45
0,83
4,20
0,81
4,30
0,71
0,70
4,41
Fuente: Elaboracin propia.

Desviacin
promedio
0,81
1,10
0,85
0,74

De la tabla 23, se puede ver que le sigue en impacto la variable Lder con un 0,81, pero en este
caso es la que obtiene una evaluacin promedio menor de las 4, y con mayor desviacin. En el
grfico 10, se pueden ver las 4 variables graficadas por su evaluacin e impacto en el factor.
Grfico 17. Mapa variables constructo Personalidad.

Constructo Personalidad
4,50

Especialista
Experiencia

Evaluacin

4,45
4,40
4,35

Exigente

4,30
4,25

Lder

4,20
4,15
0,60

0,70

Impacto 0,80

0,90

Fuente: Elaboracin propia.

En cuanto a los otros 2 factores, vemos que tienen un impacto muy similar, con coeficientes de
0,87 para Atributos y 0,86 para Beneficios.

92

Respecto al factor de Atributos, vemos que la variable de percepcin del nivel de profesores
tiene el impacto mayor con un valor de 0,75, respaldada adems con una alta evaluacin
promedio de 4,14. Del grfico 18, se puede ver una tendencia de mayor impacto a las variables
que conforman el nivel de oferta de servicio educativo, como Infraestructura, Talleres, formacin
integral del alumno (variable Integral), nivel de investigacin (Investig) y nivel de los alumnos
(Alumnos).
Grfico 18. Mapa variables constructo Atributos.

Constructo Atributos
4,40

Infraestr

4,30

Prof

Evaluacin

4,20
4,10
4,00

Alumnos
Ambiente

PSU

3,90
3,80

Talleres

Postgrd

Integral

3,70
3,60
3,50

Acredit

Investig

Servicios

3,40
0,45

0,50

0,55

0,60

0,65

0,70

0,75

0,80

Impacto
Fuente: Elaboracin propia.

Con muy bajo impacto, las variables sobre percepcin de puntaje de ingreso (PSU), y nivel de
acreditacin (Acredit), confirman algunos de los diagnsticos previos en la construccin del
modelo, en que varios criterios recomendaban sacarlas (bajos R2), pero se decidieron mantener
por la importancia conceptual de la teora del modelo.

93

Tabla 24. Impacto y evaluacin de variables del Factor Atributos.

Evaluacin Desviacin
promedio
estndar
0,75
4,14
1,01
0,72
3,67
1,14
0,68
3,84
1,05
0,68
4,28
1,01
0,98
0,65
4,07
0,63
3,52
1,06
0,63
3,93
1,07
0,58
3,68
0,96
0,97
0,54
3,51
1,09
0,47
3,46
0,47
3,90
1,07
Fuente: Elaboracin propia.
Impacto

Prof
Integral
Talleres
Infraestr
Alumnos
Investig
Ambiente
Postgrd
Servicios
Acredit
PSU

En el caso del constructo Beneficios, las variables Empleab y Desempeo tienen un muy alto
impacto con evaluaciones promedio cercanas a al valor mximo 5. El caso de la variable que
representa la red de contactos y vnculos de los ex - alumnos, tiene una muy baja ponderacin,
siendo consecuente con los diagnsticos previos en que recomendaban eliminarla del modelo,
pero al igual que en el caso anterior de las variables PSU y Acredit, se acord mantenerlas por el
inters en monitorear el comportamiento de sta variable.
Tabla 25. Impacto y evaluacin de variables del Factor Beneficios.

Evaluacin Desviacin
promedio estndar
4,26
Empleab
0,90
0,93
4,23
Desempeo
0,87
0,93
3,50
Red_aexa
0,42
0,94
Fuente: Elaboracin propia.
Impacto

94

Grfico 19. Mapa de variables constructo Beneficios.

Constructo Beneficios
5,0

Evaluacin

4,5

Empleab

4,0

Desempeo
Red_aexa

3,5
3,0
2,5
0,30

0,40

0,50

0,60

0,70

0,80

0,90

1,00

Impacto
Fuente: Elaboracin propia.

Si ahora focalizamos el anlisis respecto a las diferentes partes interesadas, podemos ver que la
mayor percepcin a nivel general es la de los estudiantes secundarios, siendo los con mejor
evaluacin promedio en Atributos y Beneficios, y los segundos en Personalidad. En el otro
extremo, los actuales alumnos de la universidad, son los que entregaron menor calificacin
promedio en dos de los tres factores, evidenciando una falta de valoracin en el momento que
reciben el servicio como tal.
Tabla 26. Evaluacin promedio de factores segn partes interesadas.

Atributos

Beneficios

Personalidad

Admisin

3,94

4,00

4,34

Actuales

3,32

3,99

4,23

AEXA

3,70

3,96

4,45

Fuente: Elaboracin propia.

95

De manera grfica, esto se evidencia de mejor manera. El grfico 20 representa el mapa de


posicionamiento segn las tres partes interesadas. De la misma manera que Martinez et al.
(2004), se grafican los tres constructos obtenidos en un solo mapa, en el que Beneficios se sita
en el eje vertical, Atributos en el horizontal, y Personalidad como el rea de cada crculo.
Grfico 20. Mapa de posicionamiento segn partes interesadas.

Posicionamiento segn partes interesadas


4,03

Beneficios

4,01

Admisin

4,00

Actuales

3,98

AEXA

3,97
3,95
3,25

3,35

3,45

3,55

3,65

3,75

3,85

3,95

Atributos
Fuente: Elaboracin propia.

En base al mapa, es posible ver como los estudiantes secundarios (Admisin) y los ex alumnos
de la universidad (AEXA) estn alejados de manera positiva respecto a la percepcin de
atributos. En el caso de Beneficios, si bien las evaluaciones son muy cercanas (diferencias del
segundo decimal), del grfico es posible ver como los ex alumnos quedan con los valores ms
bajos respecto a este tema. Las diferencias en personalidad son claramente mayores,
evidenciando una rea mayor para los ex alumnos, quedando actuales alumnos muy por debajo
los primeros.

96

Otra forma de presentar los resultados es bajo un Imamograma, utilizado por Sanz en 1994
(citado en Martinez et al, 2004), el cual permite ver grficamente la imagen actual y la deseada
por alguna organizacin. En el grfico 21, se puede ver el lugar de la percepcin de cada parte
interesada, y cun lejos se est de la nota 5
Grfico 21. Imamograma de la marca USM.

Fuente: Elaboracin propia.

Tambin es posible revisar el desglose en cada factor, para poder analizar cun lejos se est en
cada variable analizada.

97

Del grfico 22, se puede ver claramente lo expuesto anteriormente, en que la muestra de
Admisin tiene mayores puntuaciones en prcticamente todos los atributos. En segundo lugar, se
encuentran los ex - alumnos de la Universidad, solo obteniendo mayor evaluacin en la variable
que mide ambiente universitario (Ambiente).
Grfico 22. Imamograma del factor Atributos.

Fuente: Elaboracin propia.


Tabla 27. Evaluacin promedio de cada variable por partes interesadas.

Alum. Serv. Acredit Infraestr Postgrd


Admisin

Prof

Integral

PSU

Talleres Investig Amb.

4,16

3,54

3,63

4,38

3,83

4,27

3,91

4,02

4,04

3,64

3,94

Actuales

3,61

3,34

2,66

3,85

3,26

3,49

2,93

3,43

3,26

3,11

3,61

AEXA

4,03

3,49

3,43

4,21
3,35
4,16
3,28
Fuente: Elaboracin propia.

3,77

3,45

3,36

4,18

98

Para el caso del factor Beneficios, aqu se puede como la imagen de las tres muestras no se
diferencia en mayor medida con respecto al objetivo buscado. Tambin destaca la baja
evaluacin de la variable Red_aexa, en todas las muestras.
Grfico 23. Imamograma del factor Beneficios.

Fuente: Elaboracin propia.


Tabla 28. Evaluacin promedio de cada variable por partes interesadas.

Empleab Desempeo Red_aexa


Admisin
4,26
4,22
3,53
Actuales
4,36
4,18
3,43
AEXA
4,15
4,29
3,45
Fuente: Elaboracin propia.

99

El grfico 24, vuelve a representar la alta puntuacin obtenida en las variables del factor
Personalidad, que se reflejaban anteriormente en el alto impacto de ellas y del constructo. Aqu
se ve de manera grfica como el concepto de universidad Lder en su rea, baja un poco con
respecto a la tendencia general de las otras variables.
Grfico 24. Imamograma del factor Personalidad.

Fuente: Elaboracin propia.

Tabla 29. Evaluacin promedio de cada variable por partes interesadas.

Admisin
Actuales

Lder
4,30
3,75

Especial
4,46
4,30

AEXA

4,19

4,50

Exigente Experiencia
4,27
4,33
4,34
4,53
4,42

4,67

Fuente: Elaboracin propia.

100

8. CONCLUSIONES
Una vez realizados los anlisis correspondientes, es de utilidad contrastarlos con las hiptesis
planteadas en un inicio.

En primera instancia, las respuestas positivas obtenidas sobre las afirmaciones postuladas en H1
y H2 (lder, especialista, nivel de profesores y alumnos)

obteniendo sobre 80% y 70%

respectivamente, permiten comprobar la existencia de una buena percepcin de la universidad en


estos aspectos, siendo esenciales para la credibilidad a la hora de querer proyectar esto, y
considerando que contemplan parte de los ejes fundamentales expuestos en el marco terico a la
hora de obtener ventajas competitivas.

En cuanto a H3 (formacin integral), en funcin de lo dismiles de las respuestas entregadas no


fue posible corroborar sta, ya que la percepcin positiva de los futuros estudiantes y de los ex
alumnos se opone a lo postulado por los actuales alumnos. En los primeros se alcanz un 70%
aproximadamente de respuestas positivas, bajando a casi un 47% en el caso de los alumnos. Esto
se interpreta en cierta manera por lo levantado en la fase exploratoria, en que la exigencia de los
planes de estudio de los actuales alumnos muchas veces produce un cuestionamiento por parte de
ellos en la valoracin de cmo se van formando. Esto a su vez, es valorado solo una vez que han
terminado su etapa de estudiantes y salen al mercado laboral, y de la misma manera por los que
aspiran a ingresar a una casa de estudios.

Las respuestas respecto a la dimensin evaluada por H4 sobre red de contactos profesionales,
permiten aceptar con cautela la hiptesis en funcin de que no hay tendencia clara positiva sobre
este tema, pero considerando a su vez que tampoco existe una percepcin negativa.

Lo mismo ocurre para H5 (becas), en que se comprueba la hiptesis producto de que se obtuvo
sobre un 40% de respuestas indiferentes (opcin 3), pero dejando claro que tampoco existe una
evaluacin negativa como tal, existiendo una oportunidad para mejorar en este aspecto en
particular.

101

En el caso de H6 (pertenencia del estado), las respuestas de indiferencia alcanzaron un 52%,


comprobando que este es un aspecto difuso para los estudiantes de educacin secundaria y
evidenciando que la percepcin de excelencia de esta institucin no pasa por ese tema en
particular.

Las hiptesis que no muestran una tendencia clara estn en sintona con lo presentado en el
modelo de imagen de marca propuesto en este trabajo, entregando una interpretacin ms clara a
esos resultados puesto que las variables de las hiptesis H1 y H2, son parte del constructos de
primer orden que tienen un mayor impacto en la imagen de marca, Personalidad y Atributos, con
0,93 y 0,87 respectivamente.

Siendo consecuentes con este anlisis, anteriormente tambin se analiz que el mayor impacto
del factor Personalidad lo tienen justamente Especialista y Lder, ambas con ponderaciones
estandarizadas sobre 0,8.

Con esta informacin se puede dar sentido a que la actual posicin competitiva de la universidad
se sigue manteniendo en base a un posicionamiento claro en base a una imagen de marca
fuertemente diferenciada en estos aspectos, siendo respaldados ahora por estos altos coeficientes
de impacto entregados, y adems por las altas evaluaciones entregadas cercanas a la nota
mxima, con un 4,45 para Especialista y un 4,2 para Lder.

El desarrollo del modelo en este trabajo, permiti entregar una serie de variables en el final que
se ajustan a los aspectos conceptuales al momento de evaluar hoy en da este mercado en
particular, avalados adems por la serie de indicadores de nivel de ajuste que en su mayora
cumplieron con los niveles recomendados.

En base a esto, queda expuesto que resultara clave trabajar para aumentar la evaluacin de
percepcin de Lder en las reas de estudio que ofrece la universidad, de manera que por lo
menos iguale a la variable Especialista, evitando que se genere esa dualidad.

102

De igual manera, las variables que consideran la percepcin de una universidad con aos de
experiencia y trayectoria, y adems del carcter exigente, ayudan a contribuir en la imagen de
institucin seria y profesional.

Si las variables finales del primer factor, efectivamente representan uno de los aspectos ms
simblicos que marcan la diferencia en la mente del consumidor, lo que ocurri en el segundo
tambin se corresponde con el modelo Brand Total utilizado como base del estudio. En este
segundo factor con mayor impacto, las variables representan los aspectos de oferta propia del
servicio educativo y que en cierta medida son evaluados comparativamente por el pblico
objetivo, y son en general controlables por la propia institucin.

Las variables de nivel de infraestructura, profesores, alumnos, educacin integral, oferta de


talleres, ambiente, programas de postgrado y nivel investigacin tienen un alto impacto en el
constructo (sobre 0,5), de las cuales las tres ltimas tienen tendencia de evaluacin ms baja que
el resto, siendo posible trabajar en ello y lograr resultados favorables.

Como se dijo anteriormente, las variables PSU, acreditacin y servicios tienen poco impacto, lo
que sumado a indicadores como su bajo R2 recomendaban eliminarlas del modelo, pero se
decidi mantenerlas producto del inters en monitorearlas. La explicacin de esta situacin, se
justifica en que la imagen positiva hacia la universidad se produce por aspectos simblicos y de
reputacin histrica, ms que por parmetros actuales como la PSU y acreditacin, dado que
muchos son conscientes de que existen universidades que exigen mayor puntaje, e igualmente
tienen una alta percepcin positiva hacia la USM.

En el caso de la acreditacin, los indicadores demuestran que para los clientes no es algo
relevante, lo que puede ser explicado en base que muchas personas que no saben realmente cmo
funciona el sistema, o los que si lo tienen en cuenta, no lo consideran un sistema confiable.
Nuevamente esto respalda que la percepcin de universidad de calidad se crea en base a
asociaciones y percepciones que se mantienen por largo tiempo, indicando que no necesitan un
sistema de acreditacin para sealar que universidades como la PUC, U de Chile, y la USM son

103

buenas, y de la misma manera cuestionan que otras consideradas con percepcin negativa
estn en condicin de acreditadas.

El ltimo factor en impacto, agrupa a las variables que se consideran como el beneficio o el valor
retribuido de la inversin al terminar los estudios, otorgando una alta probabilidad de conseguir
empleo, poder desempearse de buena forma en l y estar insertos en una red que potencia estos
aspectos y que sirve de ayuda a lograr los otros dos.

Las primeras dos variables contienen un muy alto impacto (0,9 y 0,87), provocando que cada
punto que se logre aumentar en la evaluacin de percepcin producir un efecto real en la
percepcin global. En contraste, el poco impacto de la variable red de ex alumnos, se explica
por la poca valoracin que tienen este tipo de asociaciones, otorgando relevancia como factor de
xito a los aspectos adquiridos de manera individual, como obtener un ttulo de una institucin
considerada buena.

En base al anlisis diferenciado por partes interesadas, se refleja una menor evaluacin de los
actuales alumnos en los factores Atributos y Personalidad. De manera contraria, la muestra de
estudiantes secundarios, refleja una alta evaluacin en los tres constructos. Esto se interpreta con
algunos de los puntos expuestos anteriormente, en que al estar insertos en la realidad misma
universitaria, se pueden provocar ciertos sentimientos de desmotivacin y cuestionamientos a la
propia universidad producto de vivencias momentneas, en cambio los futuros postulantes tienen
en su mente diversas expectativas positivas que son mucho ms perdurables y constantes, al no
tener la opcin de comparar.
En el caso de los ex alumnos, stos otorgan una mejor percepcin en Personalidad que las otras
dos muestras, evidenciando un mayor posicionamiento de la marca. Esto remarca la influencia de
de los valores que se mantienen desde aos atrs en que la cantidad de competidores era menor y
no tenan la influencia de hoy.

Al ver el despliegue de cada una de las variables que componen estos factores, se ve primero que
en el caso de Atributos es positiva la mayor evaluacin que se obtiene por parte de la muestra de
104

admisin (promedios sobre nota 4). Lo que si merece atencin es la baja en la percepcin de los
actuales alumnos, ya que no ayuda a las estrategias de posicionamiento que los propios
estudiantes no compartan esta percepcin, siendo que son foco importante de comunicacin e
integracin con el medio. Esto refleja otro importante aspecto a mejorar, sobre todo en variables
particulares como el nivel investigacin y la formacin integral, que como vimos anteriormente
tienen un impacto sobre 0,5.

En el factor de beneficios, se pudo ver que a nivel general las diferencias entre las partes
interesadas eran muy pequeas, estando muy alineadas para las tres variables. En el caso de los
actuales alumnos esto si entrega un aspecto particular interesante, ya que anteriormente al
momento de evaluar las variables del factor atributo indicaron notas ms bajas, pero ahora en
Beneficios de todos modos expresan una percepcin positiva sobre que el mercado si valora a la
formacin profesional de esta universidad, y a su vez que se cuenta con buenas herramientas para
desempearse bien en el mundo laboral.

Para las variables del factor Personalidad, tambin se tienen buenas evaluaciones en general,
salvo la menor percepcin de los actuales alumnos con respecto a los dems en la variable
Lder. Esto nuevamente se interpreta con la menor valoracin de los aspectos en general una
vez que ya se est inserto en la institucin.

La evaluacin de esta variable se enmarca en uno de los aspectos ms importantes considerando


los ejes principales del plan estratgico de la universidad. Si bien se obtiene en su mayora un
buena evaluacin, es bueno comparar que la misma muestra asigna mejores notas a la variable
Especialista, lo que refleja que a pesar de que si consideran a la universidad con un enfoque
marcado, tambin reconocen en su evaluacin que perciben de mejor manera a otras, siendo
claro que estos lugares lo ocupan en gran medida la PUC y Universidad de Chile.

Finalmente, es importante destacar que la elaboracin de este modelo abre oportunidades no solo
para monitorear esta institucin o sus competidores, sino que colabora a la extensin de su
aplicacin en otros mercados de productos o servicios. Esto ya que el marco conceptual del
modelo Brand Total, permite orientar de buena manera los aspectos de cualquier marca y que son
105

perfectamente posibles de cuantificar mediante la herramienta de ecuaciones estructurales. Por


eso este trabajo va en la lnea de muchas otras publicaciones que buscan una herramienta y
escala comn para medir imagen de marca, pero reconociendo que cada situacin particular
tienen sus variables de importancia nica.

Por esto, al igual que el trabajo de Martinez et al (2004), se propuso realizarlo a travs de
indicadores especficos a cada organizacin, mercado o industria, pero agrupados en los 3
factores de primer orden del modelo de Olavarrieta (2002): Atributos, Beneficios y Personalidad.

Esto tambin abre posibilidades para temas a tratar en el futuro, como construir modelos que
permitan la medicin de las otras fuentes de valor de las marcas, abarcando las dimensiones de
recordacin, reconocimiento, niveles de satisfaccin y catacin, e integrndolos con los
resultados derivados de stas, como lealtad y calidad percibida.

Con esto, se puede avanzar an ms en desarrollo de teoras de branding, junto a sus aplicaciones
prcticas de medicin, que ayuden a contribuir a la gestin de las organizaciones contemplando
todos los aspectos que rodean este activo.

106

9. BIBLIOGRAFA
Brunner, J.J. (2006). Sistema privatizado y mercados universitarios: competencia reputacional y
sus efectos. Proyecto FONDECYT N 1050138. Revista UDP- Pensamiento y Cultura, 3,47-56.

Byrne, B. M. (2010). Structural equation modeling with Amos: Basic concepts, applications, and
programming. New York: Routledge, Taylor and Francis Group.

Calvo F., S y Carmelo G., M. (2009). Branding Universitario. Marcando la diferencia. Espaa:
Delta Publicaciones Universitarias, S.L.

Carrasco, V, Fritis, N. (2011). Ranking BAV 2011. De vuelta al almacn, Ranking Top 100 BAV
2011. Revista Qu pasa. Disponible en:
http://papeldigital.info/qp/index.html?2011112501

Consejo Nacional de Educacin. ndices: estadsticas y bases de datos, (2011). Recuperado de


http://www.cned.cl/public/Secciones/SeccionIndicesEstadisticas/indices_estadisticas_institucion
es.aspx?opcBusquedaCSE=9_3_3

Cian, L. (2011). How to measure brand image: a reasoned review. The Marketing Review, 11(2),
165187.

Dcimo Ranking de reputacin corporativa (s.f). En Estudios y Papers pblicos de Collect.cl.


Recuperado de
http://www.collect.cl/wpcontent/themes/equator/pdfs/estudios_disponibles/estudios_publicos/RankingRepCorp2011.pdf

Denegri, M; Etchebarne, S; Geldres, V; Cabezas, D y Herrera, V. (2009). Personalidad de marca


de las carreras de ciencias empresariales: un anlisis comparativo entre universidad pblica y
privada. Trabajo presentado en la XLIV Asamblea Anual del Consejo Latinoamericano de
Escuelas de Administracin (CLADEA), Noviembre, Guayaquil.

107

Denegri, M., Cabezas, D. y Herrera, V., Pez, A., Vargas, M. (2009). Personalidad de marca de
carreras de psicologa de Universidades estatales en Chile: Un estudio descriptivo. Revista de
Investigacin en Psicologa, 12(2), 13-23.

Espsito, I. (2001). Brand Equity: modelos de valuacin. (Tesis de Maestra en Direccin de


Empresas, Universidad del CEMA). Recuperado de http://www.ucema.edu.ar/posgradodownload/tesinas2001/Esposito-MADE.pdf.

Gonzalez H., F. (2008). Estudio de la calidad de servicio y patrones de comportamiento


transaccional de los clientes de una institucin financiera mediante modelos de ecuaciones
estructurales. Memoria para optar al ttulo de Ingeniero Civil Industrial. Universidad de Chile.
Santiago.

Hair, J.F., Anderson, R.E., Statham, R.L., Black, W.C (2004). Anlisis Multivariante. Editorial
Prentice Hall.
Hernandez, F., Zamora, R. (2010). Diagnstico de la imagen de marca de las instituciones
universitarias en Espaa. Actas. II Congreso Internacional Latina de Comunicacin Social,
Universidad

La

Laguna.

Diciembre,

Tenerife.

Recuperado

de:

http://ucam.academia.edu/ROCIOZAMORA/Papers/435522/Diagnostico_De_La_Imagen_De_
Marca_De_Las_Instituciones_Universitarias_En_Espana

Kinnear, T;

Taylor J. (1998). Investigacin de Mercados. Editorial McGraw-Hill. Quinta

Edicin.

Luque, T., Del Barrio, S. (2008). Modelizacin de la imagen de la universidad desde la


perspectiva del profesorado. International Congress Marketing Trends. Enero, Venecia.
Recuperado

de:

http://www.escp-

eap.eu/conferences/marketing/2008_cp/Materiali/Paper/Fr/LuqueMartinez_DelbarrioGarcia.pdf

Martinez, E., Montaner, T. y Pia, J.M. (2004): Propuesta de una metodologa. Medicin de la
imagen de marca. Un estudio exploratorio. ESIC-MARKET, 117, 200-213.
108

Mercado, V. (2004) Ranking general de marcas chilenas. Tesis de Ingeniera Comercial,


Universidad de Chile. Santiago.

Olavarrieta, S. (2002). Por qu tiene valor su marca para los consumidores?, Imgenes del
ranking de marcas 2002. Revista Economa y administracin. Facultad de Ciencias Econmicas
& Administrativas de la Universidad de Chile. 164. 19- 29.

Pizarro, C, Cazanga M. (2004). Anlisis de las universidades privadas chilenas a travs de ANP:
Principales criterios para captar los mejores estudiantes que ingresan a las universidades
privadas. En Garuti C., Escudey M. (Comps), Toma de decisiones en escenarios complejos.
(363-373). Santiago: Editorial Universidad de Santiago de Chile.
Sanna, D. (2010). Relaciones entre imagen de marca corporativa, satisfaccin y lealtad: Estudio
en una escuela de negocios de la Argentina. Serie Documentos de Trabajo. 419. Recuperado de:
http://mba.americaeconomia.com/sites/mba.americaeconomia.com/files/419.pdf

Sung, M., Yang, S. (2008). Toward the Model of University Image: The Influence of Brand
Personality, External Prestige, and Reputation. Journal of Public Relations Research. 20(4). 357376. doi: 10.1080/10627260802153207.

Valle B., M. (2005). Modelo de gestin universitaria basado en indicadores por dimensiones
relevantes. Revista Iberoamericana de Educacin, 35(8). Recuperado de
http://www.rieoei.org/deloslectores/948valle.PDF

Viales I., Jaime. (1994) Estudio de percepcin de la Carrera Ingeniera Civil Industrial.
Memoria para optar al Ttulo de Ingeniera Civil Industrial. U.T.F.SM. Valparaso.

Uriel J., E.; Aldas M., J. (2005). Anlisis multivariante aplicado: aplicaciones al marketing,
investigacin de mercados, economa, direccin de empresas y turismo. Thomson: Mardrid.
Zapata V., C. (2000). Estudio de percepcin de imagen y posicionamiento de la Universidad
Tcnica Federico Santa Mara. Tesis de Ingeniera Civil Industrial. U.T.F.S.M. Valparaso.
109

10. ANEXOS

ANEXO A.
Distribucin por regin muestra Admisin USM (fututos estudiantes)

ARICA Y PARINACOTA
TARAPAC
1,26%
2,39%
2,99%
1,87%
3,23%

25,26%

ANTOFAGASTA
ATACAMA
COQUIMBO
VALPARASO
DEL LIB. GRAL. BERNARDO
O'HIGGINS
DEL MAULE
DEL BIOBO

1,78%
1,03%

DE LA ARAUCANA
4,21%
DE LOS ROS
1,54%
DE LOS LAGOS

2,43%
5,99%

33,86%
6,31%

5,85%

AYSN GRAL. C. IBAEZ DEL


CAMPO
MAGALLANES Y DE LA ANTRTICA
CHILENA
REGIN METROPOLITANA

110

Regin
ARICA Y PARINACOTA
TARAPAC
ANTOFAGASTA
ATACAMA
COQUIMBO
VALPARASO
DEL LIB. GRAL. BERNARDO O'HIGGINS
DEL MAULE
DEL BIOBO
DE LA ARAUCANA
DE LOS ROS
DE LOS LAGOS
AYSN GRAL. C. IBAEZ DEL CAMPO
MAGALLANES Y DE LA ANTRTICA CHILENA
REGIN METROPOLITANA
TOTAL

%
1,26%
2,39%
2,99%
1,87%
3,23%
33,86%
5,85%
6,31%
5,99%
2,43%
1,54%
4,21%
1,03%
1,78%
25,26%

Cantidad
27
51
64
40
69
724
125
135
128
52
33
90
22
38
540
2138

Distribucin por Campus muestra actuales alumnos USM

14,5%

Campus
Santiago
Casa Central

85,5%

Campus
Campus Santiago
Casa Central
Total

Cantidad
14,5%
85,5%

55
324
379

111

Distribucin por carrera muestra actuales alumnos USM

Arquitectura
Construccin Civil

0,67%
0,34%

1,35%

0,67%

2,02%
Ingeniera Civil
Ingeniera Civil Ambiental

0,34%
5,39%

1,35%

2,36%

2,69%
Ingeniera Civil Elctrica

4,04%

0,34%

Ingeniera Civil Electrnica

9,09%

Ingeniera Civil Industrial


Ingeniera Civil Informtica

10,77%

Ingeniera Civil Mecnica


Ingeniera Civil Metalrgica

15,82%

4,38%

Ingeniera Civil Qumica


Ingeniera Civil Telemtica
Ingeniera Comercial

5,05%

Ingeniera de Ejecucin Electrnica

6,40%

Ingeniera de Ejecucin Informtica

14,81%
12,12%

Ingeniera Elctrica
Ingeniera en Diseo de Productos
Ingeniera Informtica
Ingeniera Mecnica Industrial
Plan Comn para Ingenieras Civiles y
Licenciaturas en Ciencias

112

Carrera
Arquitectura
Construccin Civil
Ingeniera Civil
Ingeniera Civil Ambiental
Ingeniera Civil Elctrica
Ingeniera Civil Electrnica
Ingeniera Civil Industrial
Ingeniera Civil Informtica
Ingeniera Civil Mecnica
Ingeniera Civil Metalrgica
Ingeniera Civil Qumica
Ingeniera Civil Telemtica
Ingeniera Comercial
Ingeniera de Ejecucin Electrnica
Ingeniera de Ejecucin Informtica
Ingeniera Elctrica
Ingeniera en Diseo de Productos
Ingeniera Informtica
Ingeniera Mecnica Industrial
Plan Comn para Ingenieras Civiles y Licenciaturas en Ciencias
TOTAL

%
0,67%
0,34%
2,36%
2,02%
2,69%
9,09%
15,82%
14,81%
12,12%
6,40%
5,05%
4,38%
10,77%
0,34%
1,35%
0,67%
4,04%
0,34%
1,35%
5,39%
379

Distribucin por Campus muestra ex alumnos USM


Campus
Campus Santiago
Casa Central
TOTAL

%
26,33%
73,67%

26,33%

Cantidad
104
291
395

Campus
Santiago
Casa Central

73,67%

113

ANEXO B.
Tablas del anlisis univariado.
Muestra Admisin.

1
2
3
4
5
total

Lder
66
92
181
536
1263
2138

%
3,09%
4,30%
8,47%
25,07%
59,07%
100,00%

1
2
3
4
5
total

Alumnos
40
73
303
729
993
2138

%
1,87%
3,41%
14,17%
34,10%
46,45%
100,00%

1
2
3
4
5
total

Integral
49
103
553
660
773
2138

%
2,29%
4,82%
25,87%
30,87%
36,16%
100,00%

1
2
3
4
5
total

Contacto_prof
30
40
662
611
795
2138

%
1,40%
1,87%
30,96%
28,58%
37,18%
100,00%

7,39%
8,47%
84,14%
100,00%

5,29%
14,17%
80,54%
100,00%

7,11%
25,87%
67,03%
100,00%

3,27%
30,96%
65,76%
100,00%

Especialista
51
57
166
421
1443
2138

%
2,39%
2,67%
7,76%
19,69%
67,49%
100,00%

Profesores
42
27
380
522
1167
2138

%
1,96%
1,26%
17,77%
24,42%
54,58%
100,00%

Becas
105
314
1034
486
199
2138

%
4,91%
14,69%
48,36%
22,73%
9,31%
100,00%

Red_aexa
36
44
1230
417
411
2138

1,68%
2,06%
57,53%
19,50%
19,22%
100,00%

5,05%
7,76%
87,18%
100,00%

3,23%
17,77%
79,00%
100,00%

19,60%
48,36%
32,04%
100,00%

3,74%
57,53%
38,73%
100,00%

114

1
2
3
4
5
total

Lucro
114
268
714
544
498
2138

%
5,33%
12,54%
33,40%
25,44%
23,29%
100,00%

Estatal
253
236
1110
330
209
2138

%
11,83%
11,04%
51,92%
15,43%
9,78%
100,00%

Especialista
9
19
13
148
190
379

%
2,37%
5,01%
3,43%
39,05%
50,13%
100,00%

Profesores
15
78
16
205
65
379

%
3,96%
20,58%
4,22%
54,09%
17,15%
100,00%

Becas
69
92
159
45
14
379

%
18,21%
24,27%
41,95%
11,87%
3,69%
100,00%

17,87%
33,40%
48,74%
100,00%

22,87%
51,92%
25,21%
100,00%

Muestra actuales alumnos USM.


1
2
3
4
5
total

Lder
29
41
25
173
111
379

%
7,65%
10,82%
6,60%
45,65%
29,29%
100,00%

1
2
3
4
5
total

Alumnos
6
62
52
184
75
379

%
1,58%
16,36%
13,72%
48,55%
19,79%
100,00%

1
2
3
4
5
total

Integral
46
108
45
149
31
379

%
12,14%
28,50%
11,87%
39,31%
8,18%
100,00%

1
2
3
4
5
total

Contacto_prof
8
57
107
140
67
379

%
2,11%
15,04%
28,23%
36,94%
17,68%
100,00%

18,47%
6,60%
74,93%
100,00%

17,94%
13,72%
68,34%
100,00%

40,63%
11,87%
47,49%
100,00%

17,15%
28,23%
54,62%
100,00%

Red_aexa
16
35
143
125
60
379

4,22%
9,23%
37,73%
32,98%
15,83%
100,00%

7,39%
3,43%
89,18%
100,00%

24,54%
4,22%
71,24%
100,00%

42,48%
41,95%
15,57%
100,00%

13,46%
37,73%
48,81%
100,00%

115

Lucro
77
116
46
97
43
379

%
20,32%
30,61%
12,14%
25,59%
11,35%
100,00%

1
2
3
4
5
total

Lder
7
29
19
165
175
395

%
1,77%
7,34%
4,81%
41,77%
44,30%
100,00%

1
2
3
4
5
total

Alumnos
4
37
36
183
135
395

%
1,01%
9,37%
9,11%
46,33%
34,18%
100,00%

1
2
3
4
5
total

Integral
32
96
52
165
50
395

%
8,10%
24,30%
13,16%
41,77%
12,66%
100,00%

1
2
3
4
5
total

Estatal
121
116
86
52
4
379

%
31,93%
30,61%
22,69%
13,72%
1,06%
100,00%

Especialista
3
11
10
122
249
395

%
0,76%
2,78%
2,53%
30,89%
63,04%
100,00%

Profesores
9
31
20
173
162
395

%
2,28%
7,85%
5,06%
43,80%
41,01%
100,00%

Becas
24
65
203
79
24
395

%
6,08%
16,46%
51,39%
20,00%
6,08%
100,00%

50,92%
12,14%
36,94%
100,00%

62,53%
22,69%
14,78%
100,00%

Ex alumnos

1
2
3
4
5
total

Contacto_prof
28
89
81
145
52
395

%
7,09%
22,53%
20,51%
36,71%
13,16%
100,00%

9,11%
4,81%
86,08%
100,00%

10,38%
9,11%
80,51%
100,00%

32,41%
13,16%
54,43%
100,00%

29,62%
20,51%
49,87%
100,00%

Red_aexa
27
66
81
155
66
395

6,84%
16,71%
20,51%
39,24%
16,71%
100,00%

3,54%
2,53%
93,92%
100,00%

10,13%
5,06%
84,81%
100,00%

22,53%
51,39%
26,08%
100,00%

23,54%
20,51%
55,95%
100,00%

116

ANEXO C.

Descripcin Variable
IMAGEN DE MARCA
ATRIBUTOS
Acreditacin
Disponibilidad de talleres
Nivel de profesores (Calidad docente)
infraestructura
Altos puntajes (difcil entrar)
Formacin integral
Nivel de alumnos (excelencia acadmica)
Servicios de apoyo a estudiantes
Precio (Arancel)
Contacto con Universidades extranjeras
Oferta de magister y doctorados
Amplitud de reas
Importancia del deporte, arte, cultura
Ambiente universitario
Investigacin
BENEFICIOS
Desempeo laboral de Egresados
Empleabilidad
Contactos profesionales
Red de ex Alumnos
Becas y beneficios estudiantiles
PERSONALIDAD
Lder en rea determinada
Especialista en rea determinada
Diversidad social, cultural, poltica, religin
Tendencia (social, poltica, religiosa)
Lucro como objetivo de la Universidad
Presencia y vinculacin con el medio
Exigente
Universidad con experiencia/ trayectoria
Innovadora /Moderna
Estatal
Tiempo en Movilizaciones (Paro)
Nivel de la administracin (buena, seria,etc)
Universidad con recursos (econom-financieros)

Nomenclatura
Imagen
Atrib
Acredit
Talleres
Prof
Infraestr
PSU
Integral
AlumnoS
Servicios
Arancel
U_extran
Postgrd
Area_conoc
Deporte_arte
AmbIente
Investig
Benef
Desempeo
Empleab
Contacto_prof
Red_aexa
Becas
Pers
Lder
Especialista
Diversidad
Tendencia
Lucro
Presencia
Exigente
Experiencia
Moderna
Estatal
Paro_posit
Admintr
Recursos

Tipo Variable
Latente (2do orden)
Latente
Observable
Observable
Observable
Observable
Observable
Observable
Observable
Observable
Observable
Observable
Observable
Observable
Observable
Observable
Observable
Latente
Observable
Observable
Observable
Observable
Observable
Latente
Observable
Observable
Observable
Observable
Observable
Observable
Observable
Observable
Observable
Observable
Observable
Observable
Observable
117

ANEXO D.
Tablas anlisis multivariado.
Pruebas de Normalidad.
Muestra Admisin USM (muestra aleatoria de 330 individuos).
Variable
Postgrd
Talleres
Prof
Recursos
Tend
Moderna
Experiencia
Paro_posit
Red_aexa
Infraestr
Investig
Especialista
Deporte_art
Diversidad
Lder
Exigente
Estatal
Presencia
Lucro
Desempeo
Empleab
Contacto_pro
Amb
Acredit
Area_conoc
U_extran
Arancel
Admin
Alumn
Servicios
Becas
Integral
PSU
Multivariate

skew

c.r.

kurtosis

c.r.

-0,342
-0,798
-1,118
0,317
0,073
-0,752
-1,278
-0,806
0,342
-1,675
-0,386
-2,159
-0,514
-0,445
-1,759
-1,395
-0,105
-0,3
-0,315
-1,243
-1,434
-0,471
-0,59
-0,312
0,195
-0,07
0,235
-0,198
-1,276
0,15
0,037
-0,499
-1,198

-2,535
-5,916
-8,292
2,348
0,542
-5,575
-9,475
-5,977
2,534
-12,42
-2,863
-16,012
-3,813
-3,302
-13,042
-10,348
-0,776
-2,228
-2,335
-9,218
-10,635
-3,491
-4,378
-2,311
1,446
-0,519
1,742
-1,465
-9,465
1,116
0,275
-3,698
-8,887

-0,38
0,238
0,778
0,26
0,453
0,337
1,14
-0,036
-0,102
2,31
-0,411
4,263
-0,221
-0,341
2,444
1,762
-0,484
-0,143
-0,732
1,471
1,853
-0,335
-0,419
0,437
-1,097
-0,582
-0,218
-0,655
1,312
-0,399
-0,192
-0,333
0,65
129,731

-1,409
0,882
2,885
0,965
1,68
1,25
4,227
-0,135
-0,379
8,564
-1,524
15,807
-0,818
-1,264
9,063
6,533
-1,795
-0,53
-2,716
5,453
6,872
-1,242
-1,552
1,622
-4,069
-2,159
-0,807
-2,428
4,865
-1,478
-0,714
-1,236
2,408
24,517

118

Muestra alumnos actuales USM (muestra aleatoria de 330 individuos).


Variable

skew

c.r.

kurtosis

c.r.

Postgrd
Talleres
Prof
Recursos
Tend
Moderna
Experiencia
Paro_posit
Red_aexa

-0,189
-0,249
-0,823
0,033
0,419
-0,526
-2,019
-1,716
-0,368

-1,404
-1,843
-6,101
0,245
3,105
-3,898
-14,974
-12,73
-2,727

-0,46
-1,213
-0,333
-0,177
-0,719
-0,818
5,328
3,746
-0,09

-1,704
-4,499
-1,234
-0,655
-2,666
-3,032
19,757
13,892
-0,335

Infraestr
Invest
Especial

-0,884
-0,269
-1,706

-6,556
-1,992
-12,651

-0,382
-1,033
3,219

-1,415
-3,829
11,936

Deporte_art
Diversidad
Lder
Exigente
Estatal

-0,087
-0,657
-1,07
-1,753
0,425

-0,643
-4,872
-7,938
-13,003
3,155

-1,326
-0,716
0,298
2,948
-0,913

-4,916
-2,655
1,105
10,932
-3,386

Presencia
Lucro
Desempeo
Empleab

0,063
0,12
-0,59
-1,253

0,47
0,886
-4,373
-9,292

-0,783
-1,292
-0,531
1,38

-2,904
-4,793
-1,97
5,119

Contacto_prof
Amb
Acredit
Area_conoc
U_extran
Arancel
Admin
Alumn
Servicios
Becas
Integral
PSU

-0,291
-0,731
0,042
1,623
-0,452
1,073
0,142
-0,679
-0,436
0,127
-0,219
-0,578

-2,159
-5,419
0,312
12,033
-3,354
7,959
1,05
-5,038
-3,236
0,94
-1,624
-4,289

-0,597
-0,542
-1,395
2,203
-0,106
0,005
-1,121
-0,314
-0,738
-0,419
-1,202
-0,735

-2,213
-2,009
-5,174
8,169
-0,393
0,019
-4,155
-1,165
-2,738
-1,554
-4,458
-2,724

97,289

18,386

Multivariate

119

Muestra Ex Alumnos USM (muestra aleatoria de 330 individuos).


Variable
Postgrd
Talleres
Prof
Recursos
Tend
Moderna
Exper
Paro_posit
Red_aexa
Infraestr
Invest
Especial
Deporte_arte
Diversidad
Lder
Exigente
Estatal
Presencia
Lucro
Desempeo
Empleab

skew
-0,337
-0,35
-1,273
-0,313
0,13
-0,836
-3,432
-1,246
-0,532
-1,539
-0,343
-2,11
-0,042
-0,878
-1,388
-1,928
0,318
-0,037
-0,801
-1,231
-1,199

c.r.
-2,499
-2,597
-9,442
-2,324
0,963
-6,203
-25,454
-9,239
-3,945
-11,413
-2,541
-15,65
-0,313
-6,515
-10,291
-14,301
2,355
-0,273
-5,944
-9,128
-8,892

kurtosis
-0,802
-0,689
1,202
-0,099
-0,691
0,08
15,555
1,061
-0,563
2,111
-0,794
5,396
-0,99
-0,14
1,497
3,863
-0,96
-1,044
-0,433
1,679
1,355

c.r.
-2,974
-2,554
4,458
-0,368
-2,561
0,295
57,678
3,934
-2,087
7,828
-2,944
20,008
-3,672
-0,518
5,551
14,325
-3,561
-3,871
-1,605
6,225
5,023

Contacto_prof
Amb
Acredit
Area_conoc
U_extran
Arancel
Admin
Alumn
Servicios
Becas
Integral
PSU

-0,333
-1,353
-0,383
0,937
-0,433
-0,015
-0,693
-1,016
-0,229
-0,027
-0,422
-0,82

-2,472
-10,036
-2,839
6,951
-3,208
-0,112
-5,143
-7,537
-1,695
-0,2
-3,128
-6,084

-0,848
1,447
-0,483
-0,018
-0,519
-0,675
-0,182
0,616
-0,345
0,277
-0,949
0,082

-3,144
5,366
-1,79
-0,065
-1,923
-2,502
-0,673
2,283
-1,281
1,027
-3,518
0,304

172,742

32,645

Multivariate

120

Resultados AFE.
KMO y prueba de Bartlett
Medida de adecuacin muestral de Kaiser-Meyer-Olkin.
Chi-cuadrado aproximado
Prueba de esfericidad de
Bartlett

,953
15827,262

gl

528

Sig.

,000

Matriz de factores rotados

Factor
1

Deporte_arte

,658

,272

,049

Integral

,608

,385

,235

Presencia

,574

,302

,158

Area_conoc

,573

,012

,029

Talleres

,570

,375

,152

Becas

,556

,133

,032

Moderna

,533

,503

,105

Admintr

,532

,387

,082

Investig

,523

,380

,117

Contacto_prof

,517

,376

,403

Servicios

,501

,288

,097

Recursos

,486

,180

,107

Tendencia

,486

-,006

,051

Postgrd

,478

,316

,186

Ambiente

,458

,391

,181

Red_aexa

,450

,254

,196

U_extran

,441

,324

,189

Diversidad

,418

,255

,152

Lucro

,408

,297

,111

Acredit

,403

,258

,126

Arancel

,298

,017

-,023

Estatal

,279

,002

,037

Especialista

,120

,858

,062

Lder

,233

,793

,054

Experiencia

,144

,625

,256

Exigente

,169

,608

,324

Prof

,434

,551

,179

Infraestr

,369

,544

,069

Alumnos

,321

,464

,263

121

PSU

,205

,375

,153

-,167

,245

,134

Empleab

,157

,585

,698

Desempeo

,209

,537

,621

Paro_posit

Mtodo de extraccin: Mxima verosimilitud.


Mtodo de rotacin: Normalizacin Varimax con
Kaiser.
a. La rotacin ha convergido en 7 iteraciones.

Anlisis previo Fiabilidad Constructo Atributos (15 variables)


Estadsticos de fiabilidad
Alfa de

N de elementos

Cronbach
,880

15

Estadsticos total-elemento
Media de la

Varianza de la

Correlacin

Alfa de

escala si se

escala si se

elemento-total

Cronbach si se

elimina el

elimina el

corregida

elimina el

elemento

elemento

elemento

Acredit

50,990338

84,669

,470

,875

Talleres

50,606763

81,680

,662

,867

Prof

50,306280

82,230

,661

,867

Infraestr

50,168116

83,566

,584

,870

PSU

50,553623

86,300

,395

,879

Integral

50,775845

79,855

,698

,864

Alumnos

50,383575

84,254

,563

,871

Servicios

50,941063

85,030

,520

,873

Arancel

51,772947

90,199

,185

,888

U_extran

50,766184

84,736

,543

,872

Postgrd

50,772947

84,158

,579

,871

Area_conoc

51,857971

83,257

,439

,878

Deporte_arte

50,948792

81,213

,625

,868

Ambiente

50,517874

82,968

,575

,871

Investig

50,927536

82,280

,618

,869

122

Anlisis previo Fiabilidad Constructo Beneficios (5 variables).


Estadsticos de fiabilidad
Alfa de

N de elementos

Cronbach
,779

Estadsticos total-elemento
Media de la

Varianza de la

Correlacin

Alfa de

escala si se

escala si se

elemento-total

Cronbach si se

elimina el

elimina el

corregida

elimina el

elemento

elemento

elemento

Desempeo

14,609662

7,778

,658

,703

Empleab

14,572947

7,765

,662

,702

Contacto_prof

15,032850

7,421

,655

,702

Becas

15,790338

9,311

,326

,809

Red_aexa

15,333333

8,515

,489

,759

Anlisis previo Fiabilidad Constructo Personalidad (13 variables).


Estadsticos de fiabilidad
Alfa de

N de elementos

Cronbach
,814

13

Estadsticos total-elemento
Media de la

Varianza de la

Correlacin

Alfa de

escala si se

escala si se

elemento-total

Cronbach si se

elimina el

elimina el

corregida

elimina el

elemento

elemento

elemento

Lder

43,962319

46,559

,640

,786

Especialista

43,720773

48,244

,618

,790

Diversidad

44,465700

48,417

,448

,802

Tendencia

45,332367

51,746

,268

,816

Lucro

44,723671

46,993

,510

,797

Presencia

44,792271

46,931

,580

,791

Exigente

43,863768

48,621

,570

,794

Experiencia

43,757488

49,333

,558

,795

Moderna

44,272464

46,593

,668

,785

123

Estatal

45,337198

53,113

,151

,827

Paro_posit

44,187440

54,953

,038

,835

Admintr

44,559420

46,430

,576

,791

Recursos

45,030918

50,976

,393

,806

Anlisis Fiabilidad Constructo nico


Estadsticos de fiabilidad
Alfa de

N de elementos

Cronbach
,935

33

Estadsticos total-elemento
Media de la

Varianza de la

Correlacin

Alfa de

escala si se

escala si se

elemento-total

Cronbach si se

elimina el

elimina el

corregida

elimina el

elemento

elemento

elemento

Acredit

117,992271

359,756

,482

,933

Talleres

117,608696

353,757

,661

,931

Prof

117,308213

353,859

,688

,931

Infraestr

117,170048

356,888

,606

,932

PSU

117,555556

362,597

,421

,934

Alumnos

117,385507

357,970

,595

,932

Admintr

117,843478

352,159

,636

,932

Arancel

118,774879

370,587

,214

,936

U_extran

117,768116

359,652

,556

,932

Postgrd

117,774879

358,890

,579

,932

Recursos

118,314976

363,783

,480

,933

Area_conoc

118,859903

359,558

,401

,935

Investig

117,929469

354,598

,630

,932

Ambiente

117,519807

355,132

,612

,932

Desempeo

117,226087

357,535

,639

,932

Empleab

117,189372

357,260

,648

,932

Contacto_prof

117,649275

353,410

,694

,931

Integral

117,777778

349,297

,715

,931

Becas

118,406763

362,572

,487

,933

Servicios

117,942995

359,640

,551

,933

Red_aexa

117,949758

361,471

,521

,933

Lder

117,246377

354,335

,648

,931

124

Especialista

117,004831

359,359

,608

,932

Deporte_arte

117,950725

352,743

,630

,932

Diversidad

117,749758

358,526

,491

,933

Tendencia

118,616425

366,359

,343

,935

Lucro

118,007729

356,474

,510

,933

Presencia

118,076329

354,067

,625

,932

Exigente

117,147826

359,588

,587

,932

Experiencia

117,041546

361,955

,559

,933

Moderna

117,556522

353,189

,706

,931

Estatal

118,621256

371,344

,195

,936

Paro_posit

117,471498

377,493

,052

,938

Correlaciones entre factores primer orden. Modelo inicial.


Estimate
Atrib <--> Benef

,793

Atrib <--> Pers

,929

Pers <--> Benef

,846

Indicadores de ajuste para estimacin por ADF de modelo inicial (28 variables).

Model
Default model
Saturated model
Independence model

NPAR
59
406
28

CMIN
1738,338
0
2837,889

DF
347
0
378

P
0

CMIN/DF
5,01

7,508

Model
Default model

RMR
0,178

GFI
0,811

AGFI
0,779

PGFI
0,693

Model
Default model

NFI
0,387

RFI
0,333

IFI
0,441

TLI
0,384

Model
Default model

PRATIO
0,918

PNFI
0,356

PCFI
0,399

Model
Default model
Independence model

RMSEA
0,062
0,079

LO 90
0,059
0,077

HI 90
0,065
0,082

CFI
0,434

PCLOSE
0
0

125

Indicadores de ajuste para estimacin por MV de modelo inicial (28 variables).


CMIN
Model

NPAR

CMIN

DF

CMIN/DF

59

2898,198

347

,000

8,352

406

,000

28

14131,080

378

,000

37,384

Default model
Saturated model
Independence model
RMR, GFI
Model

RMR

GFI

AGFI

PGFI

Default model

,071

,786

,749

,672

Saturated model

,000

1,000

Independence model

,379

,210

,151

,195

Baseline Comparisons
Model

NFI
Delta1

RFI
rho1

IFI
Delta2

TLI
rho2

CFI

,795

,777

,815

,798

,814

Default model
Saturated model

1,000

Independence model

,000

1,000

1,000

,000

,000

,000

PRATIO

PNFI

PCFI

Default model

,918

,730

,748

Saturated model

,000

,000

,000

1,000

,000

,000

Parsimony-Adjusted Measures
Model

Independence model

,000

126

NCP
Model
Default model

NCP

LO 90

HI 90

2551,198

2383,114

2726,666

,000

,000

,000

13753,080

13367,817

14144,677

Saturated model
Independence model
FMIN
Model

FMIN

F0

LO 90

HI 90

Default model

2,803

2,467

2,305

2,637

,000

,000

,000

,000

13,666

13,301

12,928

13,680

Saturated model
Independence model
RMSEA
Model

RMSEA

LO 90

HI 90

PCLOSE

Default model

,084

,081

,087

,000

Independence model

,188

,185

,190

,000

AIC
Model
Default model
Saturated model
Independence model

AIC

BCC

BIC

CAIC

3016,198

3019,603

3307,785

3366,785

812,000

835,431

2818,516

3224,516

14187,080

14188,696

14325,460

14353,460

127

ECVI
Model
Default model
Saturated model
Independence model

ECVI

LO 90

HI 90

MECVI

2,917

2,754

3,087

2,920

,785

,785

,785

,808

13,721

13,348

14,099

13,722

HOELTER
Model
Default model
Independence model

HOELTER
.05

HOELTER
.01

140

147

32

33

128

Tabla de residuos normalizados modelo inicial de 28 variables.


Diversidad

Desempeo

Empleab

Contacto_prof

Diversidad

0,00

Desempeo

-0,09

0,00

Empleab

-1,35

1,33

0,00

Contacto_prof

0,99

-1,50

-0,89

0,00

Red_aexa

4,36

-1,76

-2,13

4,10

Admintr

Red_aexa

Admintr

Paro_posit

Moderna

Experiencia

Exigente

Lucro

Especialista

0,00

0,22

-2,11

-3,12

2,12

1,72

0,00

Paro_posit

-1,52

2,03

2,92

0,11

-1,62

-1,44

0,00

Moderna

-0,09

-2,38

-2,49

1,72

2,99

1,18

-0,69

0,00

Experiencia

-0,12

1,62

2,34

-0,29

1,28

-2,55

2,04

-1,78

Exigente

-1,52

1,75

3,22

0,83

1,24

-2,36

2,87

-1,88

4,23

0,00

Presencia

1,73

-2,23

-1,80

3,57

4,73

0,91

-3,95

2,05

-2,97

-2,23

Lucro

Presencia

0,00

0,00

4,72

-0,93

-1,89

-0,67

2,08

4,05

-0,68

1,20

-0,52

-1,87

2,15

0,00

Especialista

-1,63

0,32

0,99

-0,41

0,10

-2,64

2,31

-1,30

3,10

1,56

-2,53

-2,25

Lder

0,00

-3,00

-0,38

0,03

0,16

0,52

-0,78

0,29

-0,44

0,25

0,74

-1,80

-2,00

6,44

Investig

1,89

-1,52

-1,55

3,22

2,98

0,24

-2,96

1,88

-1,79

-0,17

1,02

0,01

-0,79

Ambiente

5,03

-0,43

-0,31

1,98

3,46

2,44

1,09

0,41

-0,12

-0,93

0,52

2,34

-1,28

Deporte_arte

3,40

-3,46

-4,20

3,22

4,76

1,69

-2,70

2,02

-3,41

-3,78

3,58

0,96

-3,13

Postgrd

-1,13

-0,70

-0,90

3,81

3,21

0,14

-1,39

1,75

-1,53

-1,39

2,26

-0,56

-2,16

U_extran

0,23

0,21

-0,82

5,45

4,44

-1,05

0,32

0,04

-0,55

-1,99

2,61

-1,42

-1,06

Arancel

5,20

-0,39

-2,72

-1,29

1,02

5,17

-5,32

0,41

-0,82

-3,00

1,82

8,12

-1,72

Servicios

2,72

-1,64

-2,25

2,48

6,81

1,17

-2,33

0,34

0,37

-0,79

2,12

1,32

-1,72

Alumnos

-1,05

1,63

2,01

1,57

1,43

1,95

0,54

-0,44

0,92

3,48

-0,42

0,58

-0,72

Integral

1,34

-0,12

-0,74

5,96

2,18

2,52

-2,00

1,88

-3,37

-2,28

2,40

0,08

-2,29

PSU

-3,47

-0,22

1,80

1,59

0,64

0,50

0,50

0,53

0,05

3,93

-0,21

-2,19

0,75

Infraestr

-1,07

-1,50

-1,16

0,47

0,33

1,27

0,53

1,79

1,04

0,67

-0,69

-0,64

1,02

Prof

-0,70

0,23

-0,27

3,15

1,22

3,03

0,19

0,88

0,17

-0,24

-0,16

0,30

0,24

Talleres

1,21

-2,01

-2,07

3,30

3,52

0,84

-1,56

1,12

-1,66

-2,06

2,44

-1,13

-2,47

Acredit

-1,48

-0,82

-0,96

2,73

1,90

2,40

-2,90

0,37

-0,42

-0,15

1,40

1,19

-2,06

Tabla de Residuos normalizados modelo de 28 variables (Continuacin).


Lder

Investig

Ambiente

Deporte_arte

Postgrd

U_extran

Arancel

Servicios

Alumnos

Integral

PSU

Infraes
tr

Prof

Talleres

Acredit

Diversidad
Desempeo
Empleab
Contacto_prof
Red_aexa
Admintr
Paro_posit
Moderna
Experiencia
Exigente
Presencia
Lucro
Especialista
Lder
Investig

0
0,331

Ambiente

-1,301

0,583

Deporte_arte

-2,442

-0,369

0,683

Postgrd

-1,649

0,504

-1,609

-0,307

U_extran

-0,697

0,713

-0,328

0,66

5,57

Arancel

-1,308

0,523

1,551

1,625

-0,069

0,176

Servicios

-2,574

0,726

0,903

2,226

-0,352

0,234

0,131

Alumnos

0,494

0,233

-1,873

-2,18

-0,827

-1,968

-1,447

-1,558

Integral

-0,897

1,234

1,324

2,033

-0,299

-0,443

0,639

-0,847

-0,75

PSU

1,667

0,392

-3,62

-1,969

0,564

-1,738

-3,114

-2,151

7,292

-1,364

Infraestr

0,499

-1,693

0,384

-0,379

-0,144

-0,982

-3,327

1,068

0,695

-1,856

1,719

Prof

0,401

-1,3

-0,514

-1,037

-0,12

-1,72

0,08

-0,455

1,02

-0,031

-0,123

0,984

Talleres

-2,537

-0,369

-0,131

3,53

0,62

1,682

-1,201

1,21

-1,604

0,087

-2,275

0,906

-0,056

Acredit

0,244

-0,234

-0,168

-0,229

-0,089

0,382

3,193

-1,314

0,778

0,862

1,62

-1,941

-0,086

0,141

130

Indicadores de ajuste para estimacin por MV de segundo modelo (27 variables).


CMIN
Model
Default model
Saturated model
Independence model

NPAR

CMIN

DF

CMIN/DF

57

2694,960

321

,000

8,396

378

,000

27

13672,149

351

,000

38,952

RMR, GFI
Model

RMR

GFI

AGFI

PGFI

Default model

,070

,794

,757

,674

Saturated model

,000

1,000

Independence model

,380

,212

,152

,197

NFI
Delta1

RFI
rho1

IFI
Delta2

TLI
rho2

CFI

,803

,784

,822

,805

,822

Baseline Comparisons
Model
Default model
Saturated model
Independence model

1,000
,000

1,000
,000

,000

Parsimony-Adjusted Measures
Model
PRATIO

PNFI

PCFI

Default model

,915

,734

,752

Saturated model

,000

,000

,000

1,000

,000

,000

Independence model

1,000
,000

,000

NCP
NCP

LO 90

HI 90

2373,960

2211,991

2543,327

,000

,000

,000

13321,149

12942,140

13706,489

Model
Default model
Saturated model
Independence model
FMIN
Model

FMIN

F0

LO 90

HI 90

Default model

2,606

2,296

2,139

2,460

,000

,000

,000

,000

Independence model

13,223

12,883

12,517

13,256

RMSEA
Model

RMSEA

LO 90

HI 90

PCLOSE

Default model

,085

,082

,088

,000

Independence model

,192

,189

,194

,000

Saturated model

AIC
Model
Default model
Saturated model
Independence model

AIC

BCC

BIC

CAIC

2808,960

2812,133

3090,663

3147,663

756,000

777,042

2624,135

3002,135

13726,149

13727,652

13859,587

13886,587

132

ECVI
Model

ECVI

LO 90

HI 90

MECVI

2,717

2,560

2,880

2,720

,731

,731

,731

,751

13,275

12,908

13,647

13,276

Default model
Saturated model
Independence model
HOELTER
Model

HOELTER
.05

HOELTER
.01

140

147

30

32

Default model
Independence model

Indicadores de ajuste para estimacin por MV de modelo final (18 variables).


CMIN
Model

NPAR

CMIN

DF

CMIN/DF

39

965,965

132

,000

7,318

171

,000

18

8933,004

153

,000

58,386

Default model
Saturated model
Independence model
RMR, GFI
Model

RMR

GFI

AGFI

PGFI

Default model

,054

,898

,868

,693

Saturated model

,000

1,000

Independence model

,384

,259

,172

,232

133

Baseline Comparisons
Model

NFI
Delta1

RFI
rho1

IFI
Delta2

TLI
rho2

CFI

,892

,875

,905

,890

,905

Default model
Saturated model

1,000

Independence model

1,000

,000

1,000

,000

,000

,000

PRATIO

PNFI

PCFI

Default model

,863

,769

,781

Saturated model

,000

,000

,000

1,000

,000

,000

Parsimony-Adjusted Measures
Model

Independence model

,000

NCP
Model
Default model
Saturated model
Independence model

NCP

LO 90

HI 90

833,965

738,971

936,425

,000

,000

,000

8780,004

8473,578

9092,742

FMIN
Model

FMIN

F0

LO 90

HI 90

Default model

,934

,807

,715

,906

Saturated model

,000

,000

,000

,000

8,639

8,491

8,195

8,794

Independence model

134

RMSEA
Model

RMSEA

LO 90

HI 90

PCLOSE

Default model

,078

,074

,083

,000

Independence model

,236

,231

,240

,000

AIC
Model

AIC

BCC

BIC

CAIC

Default model

1043,965

1045,425

1236,709

1275,709

Saturated model

342,000

348,402

1187,109

1358,109

Independence model

8969,004

8969,677

9057,962

9075,962

ECVI
Model

ECVI

LO 90

HI 90

MECVI

Default model

1,010

,918

1,109

1,011

Saturated model

,331

,331

,331

,337

Independence model

8,674

8,378

8,977

8,675

HOELTER
Model
Default model
Independence model

HOELTER
.05

HOELTER
.01

172

185

22

23

135

Coeficientes de correlacin mltiple de modelo final (18 variables).


Variable
Pers
Benef
Atrib
Exigente
Ambiente
Red_aexa
Investig
Talleres
Prof
Postgrd
Experiencia
Infraestr
Especialista
Lder

R2
0,857
0,742
0,756
0,504
0,392
0,179
0,397
0,466
0,568
0,341
0,49
0,456
0,695
0,659

Desempeo
Empleab
Acredit
Servicios
Alumnos
Integral
PSU

0,752
0,813
0,225
0,294
0,418
0,519
0,219

Coeficientes de Regresin de modelo final (18 variables).

Estimate

S.E.

C.R.

Atrib

<--- Imagen

,573

,042

13,792

***

Benef

<--- Imagen

,887

,040

22,409

***

Pers

<--- Imagen

1,000

Alumnos

<--- Atrib

1,221

,088

13,819

***

Servicios

<--- Atrib

1,020

,081

12,586

***

Acredit

<--- Atrib

1,000

Empleab

<--- Benef

1,039

,030

34,504

***

Label

136

Estimate
Desempeo <--- Benef
Especialista <--- Pers

S.E.

C.R.

,886

,030

29,506

***

Label

1,000

Infraestr

<--- Atrib

1,311

,093

14,109

***

Postgrd

<--- Atrib

1,086

,083

13,112

***

Prof

<--- Atrib

1,465

,099

14,804

***

Integral

<--- Atrib

1,578

,109

14,524

***

PSU

<--- Atrib

,969

,084

11,494

***

Talleres

<--- Atrib

1,382

,097

14,183

***

Investig

<--- Atrib

1,292

,095

13,643

***

Lder

<--- Pers

1,000

Red_aexa

<--- Benef

,490

,036

13,644

***

Ambiente

<--- Atrib

1,293

,095

13,601

***

Exigente

<--- Pers

,770

,032

24,144

***

Experiencia <--- Pers

,708

,030

23,731

***

137

Coeficientes de regresin estandarizados de modelo final (18 variables)

Atrib
Benef
Pers
Alumnos
Servicios
Acredit
Empleab
Desempeo
Especialista
Infraestr
Postgrd
Prof
Integral
PSU
Talleres
Experiencia
Investig
Lder
Red_aexa
Ambiente
Exigente

<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<---

Imagen
Imagen
Imagen
Atrib
Atrib
Atrib
Benef
Benef
Pers
Atrib
Atrib
Atrib
Atrib
Atrib
Atrib
Pers
Atrib
Pers
Benef
Atrib
Pers

Estimate
0,869
0,861
0,926
0,646
0,542
0,474
0,902
0,867
0,834
0,675
0,584
0,754
0,72
0,468
0,683
0,7
0,63
0,812
0,423
0,626
0,71

138

ANEXO E.

139

140

141

142