La revolución multivariante de la

investigación
Ricardo Césari1, Matilde César1

Resumen: La adopción de la segunda generación del análisis

multivariante implico cambios fundamentales en la
metodología de la investigación. Cambio el enfoque de las
asociaciones empíricas al análisis de sistemas de relaciones
entre construcciones teóricas; ahora se necesita hipótesis
explícitas sobre la medición experimental y la teoría; y desafía
los enfoques estadísticos tradicionales para la evaluación de
validez. La Lógica Transcursiva LT nos hace ver esto de una
manera transparente y ayuda conceptualizar esa interrelación
que existe entre la teoría y la empiria en todo el proceso de
investigación. El método multivariado PLS-Path Modeling es
uno de los analisis multivariados que proporciona un medio
poderoso para la interacción teoría - datos. Cuanto mejor
especificada es la teoría, más dominante es el papel que
desempeña. Una teoría bien especificada puede reflejarse en
un gran sistema de relaciones de variables.

Palabras claves: Lógica Transcursiva LT, modelos PLS Path

Model

1. Modelo relacional Teoría - Empiria

Un cambio dramático ocurrió en la metodología de la
investigación, con nuevos métodos multivariados de segunda
generación, las ecuaciones estructurales (SEM) y la regresion
polinómica PLS, en sus contribuciones a las ciencias
humanas; y que están ya disponibles.

1
CeReCoN (Centro Regional de Investigación y Desarrollo en Computación y
Neuroingeniería) – ILICo (Área de Infometría, Lexicometría e Ingeniería del
Conocimiento). UTN, Facultad Regional Mendoza-Argentina.
ricardo.m.cesari@gmail.com

1
Los nuevos métodos representan un cambio de enfoques al
análisis simultáneo de multivariancia; y lo que fue una
"revolución multivariante" a principios de la década de 1980,
se ha convertido ahora en un factor decisivo en la
investigación académica, en solo unos pocos años [Ringle,
Sarstedt, Mitchell & Gudergan, 2018; Myers, Massy y Greyser, 1980,
(del texto de Fornell].
La rápida difusión del análisis multivariante se debió al hecho
de que los métodos estadísticos son "en gran medida
empíricos”; y en contraste a un enfoque de "datos, luego
conceptualización", la investigación metodológica sobre
modelos de ecuaciones estructurales de mínimos cuadrados
parciales (PLS-SEM) y el PLS Path Modeling (PLS-PM),
permiten un enfoque más basado en la teoría que en la
experimentación, [Khan et al., 2019; Henseler, Hubona & Ray,
2016; Elkaseh, Wong & Fung, 2016].
A través del texto de Haenlein & Kaplan, (2004), en
metodología de investigación, establecer una teoría puede
contener tres diferentes tipos de nociones: (a) conceptos
teóricos que "son propiedades o atributos abstractos e
inobservables"; (b) conceptos empíricos que "pueden ser
comprobados mediante observaciones directas "; y (c)
conceptos derivados, que son no observables, pero "a
diferencia de los conceptos teóricos, deben vincularse
directamente a los conceptos empíricos ",[Bagozzi & Philipps,
1982, p.465; Belkhamza & Hubona, 2018],
En esta teoría la verdad es una cualidad de las proposiciones
que concuerdan con la realidad. La segunda, la verdad como
coherencia, sostiene que hay conjuntos de axiomas o
enunciados que son verdaderos simultáneamente. Es muy
utilizada en ciencias formales. En ella un enunciado es
verdadero cuando se deduce del conjunto de axiomas o es
compatible con un conjunto coherente de enunciados. Así, por
ejemplo, el teorema de Pitágoras es verdadero porque es una
deducción de los axiomas de la geometría euclidiana
(completitud) y además, no está en contradicción con esos
axiomas (consistencia).

2
En cambio, si el teorema de Pitágoras estuviese referido a otro
conjunto de axiomas podría ser falso o carecer de significado.
Cuando este criterio de verdad se aplica en ámbitos no
formales, se considera que el conjunto de enunciados son
todos verdaderos. Por último, en la teoría pragmática, la
verdad de un enunciado se ve en la práctica, porque funciona
o tiene consecuencias útiles [Cortés Morató et al.: 1996].
Estos autores definen también, tres posibles tipos de
relaciones que vinculan a estos conceptos: “las hipótesis no
observacionales”, “las definiciones teóricas” y “las reglas de
correspondencia”, representado en la figura 1.

Fig.1. Relaciones entre conceptos contenidos en una teoría

Elaboración propia
En la expresión de Fornell, “la esencia de la metodología de
investigación” es avanzar en la comprensión de estas
relaciones, combinando el conocimiento teórico con el
conocimiento empírico. Sin teoría, cualquier manipulación
estadística de datos tiene un valor muy limitado; y sin datos, la
teoría sigue siendo imaginaria y abstracta”; dice también en su
texto, “El progreso científico depende de un diálogo continuo

3
entre los dos y en este diálogo, uno no puede estar totalmente
separado del otro: los datos se interpretan en términos del
contexto teórico y viceversa”, [Fornell C. 1981].
2. Teoría científica de Hempel
Según la visión ortodoxa de Hempel, (1952), representada por
la figura2: “La teoría científica podría compararse con una red
espacial compleja; sus términos están representados por
nudos, mientras que los hilos que conectan estos últimos
corresponden, en parte, a las definiciones y, en parte, a las
hipótesis fundamentales y derivadas incluidas en la teoría.
Todo el sistema flota, sobre el plano de observación y está
anclado a él por reglas de interpretación. En virtud de esas
conexiones interpretativas, la red puede funcionar como una
teoría científica; a partir de ciertos datos de observación,
podemos ascender, a través de una cadena interpretativa, a
algún punto de la red teórica, de allí proceder, a través de
definiciones e hipótesis, a otros puntos, desde el cual otra
cadena interpretativa permite un descenso al plano de
observación”.

Fig.2. Red espacial de Hempel representando la teoría científica

4
3. Representación de la teoría científica de Hempel
con el constructo multivariado
La característica fundamental del análisis multivariado de
segunda generación, especialmente los modelos PLS - Path
Modeling, radica en una interacción flexible entre la teoría y
los datos, que combinan conocimiento teórico y empírico
mediante los errores de modelado en la observación (errores
de medición), incorporando variables teóricas (no observables)
y empíricas (observables, manifiestas) en el análisis,
confrontando la teoría con datos (prueba de hipótesis) y la
combinación de teoría y datos (desarrollo de teorías) [Hair,
Risher, Sarstedt & Ringle, 2019; Hair, Matthews, Matthews &
Sarstedt, 2017; Hair, Hult, Ringle & Sarstedt, 2016; Henseler, Hubona
& Ray, 2016].
Aquí los conceptos y las relaciones definidas, sobre el
contenido de una teoría en el proceso de Investigacion, se
ponen en evidencia con la aplicación de los métodos
descriptos. Los conceptos teóricos son propiedades o
atributos abstractos, no observables que alcanzan su
significado a través de conexiones formales con los conceptos
empíricos, así como a través de su definición, [Bagozzi, 1979;
Bagozzi & Fornell 1982; Belkhamza & Hubona, 2018].
Los conceptos derivados, como los conceptos teóricos, son
inobservables. Sin embargo, a diferencia de los conceptos
teóricos, los conceptos derivados deben estar vinculados
directamente con los conceptos empíricos, y generalmente
están en niveles de abstracción más bajos que los conceptos
teóricos. Los conceptos empíricos se refieren a "propiedades
o relaciones cuya presencia o ausencia en un caso dado
puede ser determinada subjetivamente, bajo circunstancias
apropiadas, por observaron directo" [Hempel, 1965: 22].
Los conceptos empíricos pueden incluir datos experimentales
o pueden medirse a través de instrumentos objetivos. En
cualquier caso, el investigador registra fenómenos
observables y puede asignar codificación numérica o
simbólica [Belkhamza & Hubona, 2018; Belkhamza & Hubona,
2018], representado en la figura 3.

5
Con respecto a las relaciones entre los conceptos, la primera
es la hipótesis no observacional, que vinculan los conceptos
teóricos con otros conceptos teóricos (indicado con las líneas
continuas). Los sinónimos comunes para las hipótesis no
observacionales incluyen leyes teóricas, leyes hipotéticas,
proposiciones no observacionales, axiomas, postulados,
relaciones causales o, a veces, simplemente, hipótesis.
El segundo tipo de relación es la definición teórica, que
conecta un concepto teórico con un concepto derivado
(indicado por líneas continuas con rupturas de 2 puntos y raya
entre ellos).
El tercer tipo de relación, las reglas de correspondencias, que
se encuentra en cualquier teoría (ilustradas por líneas
discontinuas), expresa una relación entre conceptos no
observables (teóricos o derivados) y conceptos empíricos. La
cuarta y última relación, la definición empírica (indicada por las
líneas curvas en bucle), da sentido a un concepto empírico al
equipararlo con eventos físicos reales en el mundo de las
experiencias.

Fig. 3. Representación de la teoría científica de Hempel con

un constructo multivariado. [adaptado de Bagozzi & Phillips]

6
En este modelo, la teoría en Investigacion es una forma de
abstracción. Las variables teóricas en la estructura de los
modelos son por definición abstractas, no son directamente
observables, se llaman “latentes” y no pueden aplicarse con
observaciones directas. Una variable teórica o un concepto
teórico, representa un fenómeno no observacional abstracto
que obtiene su significado conceptual a través de su relación
con otras variables manifiestas (observables) en la red en que
forman parte.
Fornell manifiesta que, en este constructo, “el significado
empírico de una variable teórica se deriva de sus vínculos con
las observaciones en el mundo empírico”. Por lo tanto, el
significado empírico es proporcionado por la observación y los
datos; y el significado conceptual está dado por un sistema de
hipótesis teóricas dadas por el investigador. Estas
consideraciones empíricas y conceptuales, se combinan
prácticamente, dependiendo del método multivariado particular
de segunda generación, por ejemplo, para construir variables
teóricas y se pueden expresar en función de sus variables
observadas (los indicadores), donde su relación está
determinada por el contexto teórico (significado conceptual)
así como por los indicadores mismos (significado empírico),
[Fornell C.,1981].
En cualquier proceso de Investigacion, generalmente la
variable teórica, no puede expresarse en función de sus
indicadores empíricos sin incluir un error, constituyendo las
llamadas variables indeterminadas y la elección depende de la
confianza del analista en los datos frente a la confianza en la
teoría. Si el analista tiene una gran confianza en la teoría, pero
considera que los datos están llenos de “ruido aleatorio”,
serían preferibles las variables indeterminadas con corrección
posterior (debido a un error de medición aleatorio). Esto
movería el análisis "lejos" de los datos y "más cerca" de la
teoría. Si, por el contrario, se da más fe en la precisión de los
datos y el analista quisiera permanecer "más cerca" del nivel
empírico, entonces las variables definidas serían más
apropiadas, [Bagozzi & Fornell, 1982; Belkhamza & Hubona, 2018].

7
Por lo tanto, la elección entre los tipos de variables teóricas,
en un análisis multivariado de segunda generación, tiene
implicaciones para la ponderación del conocimiento empírico
vs. teórico.
Este vínculo entre las variables teóricas y empíricas se
denomina relaciones epistémicas o reglas de
correspondencia. Hay tres tipos de relaciones epistémicas
incorporadas por los métodos de segunda generación PLS y
Path Modeling: los indicadores reflexivos, los formativos y los
simétricos. Los indicadores reflexivos no observables sugieren
que uno o más latentes subyacentes "causan" los indicadores
observables (indicadores reflexivos que supone un único
subyacente no observable para un grupo distinto de
observables). Los modelos reflectivos asumen que la variable
latente es la “realidad teórica” y las variables medidas
observables son una muestra de posibles indicadores de esa
realidad.
Los indicadores formativos no observables se consideran
como efectos más que como causas. En consecuencia, las
puntas de flecha en el Diagrams Path, del modelo, están
dirigidas hacia la variable teórica (latente). Los modelos
formativos asumen que los indicadores observados son la
“realidad” y que son todas dimensiones de la variable latente.
Los indicadores formativos son típicos de los diseños
experimentales en los que el investigador manipula una o más
de las variables empíricas (consideradas independientes) y las
no observables teóricos (latentes) que son dependientes de
estas variables empíricas, [Bagozzi, 1977); Furrer, Tjemkes &
Henseler, 2015; Pek & Wu, 2018].
A menudo la aplicación de indicadores formativos es cuando
la variable teórica (latente) se "forma" a partir de uno o más
indicadores observables.
Son posibles combinaciones de indicadores formativos y
reflexivos y llamados simétricos. Este tipo de relación
epistémica es particularmente útil cuando es difícil distinguir
entre causa y efecto.

8
En cualquier modelo simétrico algunas construcciones pueden
ser reflexivas, otras formativas dentro de una sola
construcción, siendo posible, utilizar ambos tipos de
indicadores. Los requisitos para que un método sea de
segunda generación de análisis multivariado, es que tenga la
capacidad de analizar criterios múltiples, variables predictoras,
variables teóricas no observables (latentes), errores en la
medición y aplicaciones confirmatorias (validación).
La adopción de esta segunda generación de análisis
multivariantes, implica cambios fundamentales en la
metodología actual de la investigación en Ingeniería. Cambia
el enfoque de las asociaciones empíricas a un análisis de
sistemas de relaciones entre constructos teóricos; necesita
hipótesis explícitas sobre la medición y la teoría,
simultáneamente; y desafía los enfoques estadísticos
tradicionales para la evaluación de validez. El problema básico
es que ningún número finito de pruebas empíricas puede
garantizar la verdad de los enunciados universales, [Anderson,
1983; Flake, Pek & Hehman, 2017].
Sin embargo, al aplicar los métodos de segunda generación,
por ejemplo, el PLS-Path Modeling, entre otros, las
limitaciones de la inducción se desraman fácilmente: para
cada modelo de estructura latente que se ajuste con éxito a
los datos, el analista encontrará muchos otros modelos que se
ajustan igualmente a los datos. Por lo tanto, el hallazgo de que
un modelo propuesto es congruente con los datos no verifica
una teoría; Fornell nos dice que, en términos mas comunes de
la filosofía de la ciencia, la verificación parece ser el concepto
de falsificación Popperiana; pero desafortunadamente, la
teoría de la ciencia de Popper no presenta pretensiones de
falsificación concluyente, que se ha reducido en su aplicación
a una creencia de que es posible refutar la teoría mediante
una observación. Sin embargo, la razón principal de por qué
las teorías no pueden ser falsificadas de manera concluyente
por los datos es porque la teoría y los datos interactúan entre
si, [Preckel & Brunner, 2017; Hanson, 1958; Kuhn, 1962; Laudan,
1965; Feyerabend, 1975].

9
Es decir, los datos siempre se interpretan en el contexto de
algún marco de referencia teórico y dependiendo del marco de
referencia, un solo fenómeno puede tener varias
interpretaciones. Desde décadas atrás, los analistas han
argumentado que gran parte de las críticas a la metodología
de la investigación se derivan de la incapacidad de combinar
el conocimiento teórico con el conocimiento empírico, [Bagozzi,
1984]. Sin embargo, la segunda generación de análisis
multivariante ofrece un remedio, obliga al analista a hacer que
el marco teórico de referencia sea más explícito y proporciona
una mejor interacción entre la teoría y los datos.
Como para cualquier modelo el constructo en los modelos
PLS- PM, se debe especificar el modo de medición para los
indicadores (es decir, Modo A, Modo B, o Modo C). La
medición en Modo A está asociada a construcciones sólo
reflectivas, el Modo B a construcciones sólo formativas y el
Modo C, a construcciones mixtas o simétricas (formativas-
reflexivas), que generalmente utilizan algunos de estos tipos
de modelos de variables latentes descritos y que se puedan
encontrar en la investigación empírica. [Henseler et al., 2009;
Tenenhaus et al., 2005; Ringle et al. 2012; Hair, Hult, Ringle &
Sarstedt, 2016; Hair, Hult, Ringle, Sarstedt & Thiele, 2017; Henseler,
Hubona & Ray, 2016; Wong, 2016].
Los constructos de un modelo multivariante de segunda
generación, se visualizan mediante el Path Diagram que
relaciona a los conceptos teóricos y empíricos [Becker, et al
2012; Wong, 2016; Hair, Hult, Ringle, Sarstedt & Thiele, 2017],
representado en la Figura 4.

Fig.4. Esquema Simple del modelo PLS-Path Modeling

10
4. Patrón relacional PAU de Lógica Transcursiva LT
Esta interrelación mencionada entre lo profundo (abstracto o
teórico) y lo superficial (empírico o datos), se puede explicar a
través de las relaciones definidas por la Lógica Transcursiva
LT, indicada por el Patrón Relacional PAU, precisado por
Salatino (2018). En el esquema de la Figura 5, están
registrados todos los elementos descritos.

Fig.5. Patrón Relacional Hemiciclo PAU de LT. [Salatino D. 2018]

Los “recorridos” en ambas regiones del grafico PAU de LT

(teoría y empiria), están justificados por las circulaciones
según la combinación entre constructivos reflexivos y
formativos; y sus relaciones con los indicadores observables
en cada caso (explicativos y no explicativos): (1) Constructo
Reflexivo–Reflexivo; (2) Constructo Formativo-Formativo;
Constructo Reflexivo–Formativo; y Constructo Formativo-
Reflexivo. Una síntesis dada por diferentes autores muestra
sus diferentes aplicaciones:
a) En un enfoque de modelado reflectivo-reflexivo (figura 6),
los constructos se obtienen de manera reflexiva. Se
construyen ellos mismos, los cuales se pueden distinguir unos
de otros, pero están correlacionados. Este tipo de modelo es

11
apropiado si el objetivo del estudio es encontrar una conexión
de constructos relacionados, pero de distintas mediciones
observables (indicadores explicativos y no explicativos),
[Lohmoller, 1989; Wong, 2016; Schuberth, Henseler & Dijkstra,
2018].

Fig. 6. Constructo Reflexivo – Reflexivo

b) En un enfoque de modelado formativo-formativo (Figura 7),

las construcciones de orden inferior son obtenidas como
constructos formativos que constituyen un concepto general
abstracto de los indicadores observables. El modelado de tipo
formativo-formativo puede ser útil para estructurar una
construcción compleja, de muchos indicadores en varios sub-
constructos latentes de tipo formativos, [Jarvis et al., 2003; Petter
et al.,2007; Lu & Wu, 2018; Delcourt, Gremler, van Riel & van
Birgelen, 2016].

12
Fig. 7. Constructo Formativo – Formativo

c) En los enfoques de modelado reflexivo-formativo y

formativo-reflexivo, el modelo conceptual, en el primer caso es
un modelo con variable latente de 1º orden LV1 exógena, que
tiene indicadores reflexivos y un modelo de variable latente de
2º orden VL2 endógena, con indicadores formativos;
relacionados formando la construcción (reflexivo exógena y
formativo endógena). El constructo exógeno tiene un efecto
directo en la construcción endógena. Por lo tanto, la variable
latente VL2 sirve tanto como antecedente y consecuente,
sobre estudios de causa-efecto.
Los constructos forman un concepto general que media la
influencia sobre las variables endógenas. En el segundo caso,
de modelado formativo-reflexivo, el constructo exógeno

13
formativo es un concepto medido de varios indicadores
observables exógenos (explicativos) y de constructos
específicas endógenos reflexivos. El objetivo de tal
construcción sería representar la parte común de varios
índices que pretenden medir causa y efecto utilizando
diferentes indicadores explicativos formativos y a explicar
reflexivos.
Como se mencionó anteriormente, en general, los indicadores
se pueden dividir en dos grupos, según [Bollen & Lennox, 1991;
Bollen & Diamantopoulos, 2017; Navarro-García, Rey-Moreno &
Barrera-Barrera, 2017; Hardin, 2017], y que están indicados
gráficamente por el sentido de las flechas: (1) Indicadores
reflexivos, que dependen del constructo (conocidos como
efectos de las medidas); y (2) Indicadores formativos que
causan la formación o los cambios en una variable no
observable (conocidos como causa de las medidas).
Los indicadores formativos no están influenciados por las
variables latentes, sino que influyen en ellas (son causales).
La diferencia entre los indicadores reflexivos y formativos, está
relacionado con la conceptualización de dos métodos de
análisis de datos de primera generación: el análisis factorial
común AF y análisis de componentes principales ACP. En el
AF las variables latentes se llaman “factores” y supone que
estos factores explican a las variables observadas. Por el
contrario, las variables latentes en el ACP se llaman
“componentes”, que se forman como unidades lineales de las
variables observadas. Bajo el punto de vista del AF, un factor
está asociado a las variables observadas en forma reflexiva,
mientras que bajo el punto de vista del ACP, un componente
puede ser representado con indicadores formativos, [Hulland,
1999; Ziyae & Heydari, 2016; Hulland, Baumgartner & Smith, 2018].
Típicamente, los modelos de variables latentes se caracterizan
por relaciones formativas versus reflexivas entre los
constructos del mismo. [Ringle et al. 2012; Sinkovics, Henseler,
Ringle & Sarstedt, 2016; Khan, Sarstedt, Shiau, Hair, Ringle & Fritze,
2019]. y se distinguen cuatro tipos de modelos que dependen
de la relación entre variables latentes y sus variables
manifiestas y las variables latentes entre si.

14
Ellos son: los modelos de constructos reflexivos, modelos de
constructos formativos, modelos de constructos reflexivos-
formativos y modelos de constructos formativos – reflexivos.
Según lo propuesto por Diamantopoulos & Siguaw (2013),
cuando debemos analizar cualquier fenómeno mediante un
modelo, tenemos que medir, dos “constructos”: uno empírico
(variables observables) y otro abstracto o teórico (variables
latentes o no observables), ambas, “reflejan o forman” las
variables latentes, por eso, también se las llama “indicadores
reflexivos o formativos”. A su vez, ambos constructos pueden
ser: “independientes” (o explicativos) y “dependientes” (o no
explicativos). También, si una variable latente o indicador no
es influenciado por otra variable o no depende de ninguna otra
en el modelo, es una “variable exógena” y éstas siempre
actúan como variables independientes. La variable que en el
modelo es influida o depende de otras variables o indicadores,
se la conoce como “variable endógena”, éstas pueden afectar
a otras variables endógenas, en este caso, pueden actuar
como variables independientes o como dependientes. En
estas dependencias se debe incluir un término residual o error
de medición, dado que pocas veces tienen una validez y
confiabilidad ideales y esta variable contempla las “variaciones
inexplicables”, [Salatino D. 2018].

5. Conclusiones
La aplicación de PLS-PM requiere que la teoría sustantiva se
pueda explicar en un esquema de flechas (Path Diagram) y en
este contexto, identificar simultáneamente segmentos
abstractos (teóricos) relacionando los mismos con variables
manifiestas (observables). En cuanto a los vínculos entre las
variables teóricas y empíricas, el analista es libre de
especificar relaciones formativas, reflexivas, o simétricas de
las diversas relaciones epistémicas en el modelo a construir.
El PLS-PM, proporciona un medio poderoso para la
interacción teoría-datos. Cuanto mejor especificada esta la
teoría, más dominante es el papel que desempeña. Una teoría
bien especificada puede reflejarse en un gran sistema de
relaciones de variables.

15
La adopción de la segunda generación de análisis
multivariante implica cambios fundamentales en la
metodología de investigación. Se cambia el enfoque de
asociaciones empíricas al de análisis de sistemas de
relaciones entre construcciones teóricas; ahora se necesita
hipótesis explícitas sobre la medición experimental y la teoría,
conjuntamente; y desafía los enfoques estadísticos
tradicionales para la evaluación de validez de los análisis.
Los nuevos métodos multivariados de segunda generación,
como el PLS-Path Modeling, permiten, a través de la elección
del modelo y la especificación del método, determinar la
relación de un conocimiento previo relativo a los datos en el
análisis; es la especificación de cómo el modelo teórico se
relaciona con el modelo de medición.
Considerando, la especificación del modelo con indicadores
formativos versus indicadores reflexivos, muy común en los
métodos multivariados; en estos casos, se supone que la
teoría implica ciertas observaciones y las observaciones
implican algo sobre la teoría. Algunos modelos permiten tanto
indicadores formativos como reflexivos dentro de la misma
estructura y en consecuencia, la naturaleza de la interacción
entre la teoría y los datos puede darse concretamente y variar
dentro de un solo modelo.
La Lógica Transcursiva LT, nos hace ver esto de una manera
transparente y sencilla, ayudándonos a conceptualizar en el
proceso de una investigación, la interrelación entre la teoría y
la empiria, en modelos multivariados de segunda generación.
Cuando el conocimiento teórico se tiene bien desarrollado, es
posible dejar que este conocimiento tenga una mayor
influencia en el análisis y cuando alguien tiene menos
explicación de la teoría, es posible dejar que los datos (los
conceptos empíricos) jueguen el papel más importante en el
análisis, pero siempre interrelacionados; esto lo permiten los
modelos propuestos.

16
6. Bibliografía
Anderson, P. F. (1983). Marketing, scientific progress, and scientific
method. Journal of marketing, 47(4), 18-31..
Bagozzi, R. P. (1977). Structural equation models in experimental
research. Journal of Marketing Research, 14(2), 209-226.
Bagozzi, R. P., & Fornell, C. (1982). Theoretical concepts,
measurements, and meaning. A second generation of multivariate
analysis, 2(2), 5-23.
Bagozzi, R. P., & Phillips, L. W. (1982). Representing and testing
organizational theories: A holistic construal. Administrative science
quarterly, 459-489.
Becker, J. M., Klein, K., & Wetzels, M. (2012). Hierarchical latent
variable models in PLS-SEM: guidelines for using reflective-
formative type models. Long Range Planning, 45(5-6), 359-394.
Belkhamza, Z., & Hubona, G. S. (2018). Nomological Networks in IS
Research.
Bollen, K. A., & Diamantopoulos, A. (2017). Notes on measurement
theory for causal-formative indicators: A reply to Hardin.
Feyerabend, P. (1975). Against Method. Atlantic Highlands.
Flake, J. K., Pek, J., & Hehman, E. (2017). Construct validation in social
and personality research: Current practice and
recommendations. Social Psychological and Personality
Science, 8(4), 370-378.
Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation
models with unobservable variables and measurement error. Journal
of marketing research, 18(1), 39-50.
Hair, J. F., Hult, G. T. M., Ringle, C. M., Sarstedt, M., & Thiele, K. O.
(2017). Mirror, mirror on the wall: a comparative evaluation of
composite-based structural equation modeling methods. Journal of
the Academy of Marketing Science, 45(5), 616-632.
Hanson, N. R. (1958). Patterns of discovery: An inquiry into the
conceptual foundations of science (Vol. 251). CUP Archive.

17
Haenlein, M., & Kaplan, A. M. (2004). A beginner's guide to partial least
squares analysis. Understanding statistics, 3(4), 283-297..
Henseler, J., Hubona, G., & Ray, P. A. (2016). Using PLS path modeling
in new technology research: updated guidelines. Industrial
management & data systems, 116(1), 2-20.
Henseler, J., Ringle, C. M., & Sinkovics, R. R. (2009). The use of partial
least squares path modeling in international marketing. In New
challenges to international marketing (pp. 277-319). Emerald Group
Publishing Limited.
Jarvis, C. B., MacKenzie, S. B., & Podsakoff, P. M. (2003). A critical
review of construct indicators and measurement model
misspecification in marketing and consumer research. Journal of
consumer research, 30(2), 199-218.
Kuhn, T. S. (1962). The structure of scientific revolutions. Chicago and
London..
Laudan, L. (1956). On the Impossibility of Crucial Falsifying Experiment:
Grunbaum on. The IXuhemian Argument'," Philosophy of
Science, 32, 295-299..
Law, K. S., & Wong, C. S. (1999). Multidimensional constructs M
structural equation analysis: An illustration using the job perception
and job satisfaction constructs. Journal of Management, 25(2), 143-
160..
Lohmöller, J. B. (1983). Path models with latent variables and partial
least squares (PLS) estimation (Doctoral dissertation, Verlag nicht
ermittelbar)..
Peter, J. P., & Olson, J. C. (1983). Is science marketing?. Journal of
Marketing, 47(4), 111-125..
Preckel, F., & Brunner, M. (2017). Nomological Nets. Encyclopedia of
Personality and Individual Differences, 1-4.
Rindskopf, D., & Rose, T. (1988). Some theory and applications of
confirmatory second-order factor analysis. Multivariate behavioral
research, 23(1), 51-67.
Ringle, C. M., Sarstedt, M., & Straub, D. (2012). A critical look at the use
of PLS-SEM in MIS Quarterly. MIS Quarterly (MISQ), 36(1)..

18
Ringle, C. M., Wende, S., & Will, A. (2005). SmartPLS 2.0 (beta).
Salatino, D. R. 2018. Patron relacional PAU de Lógica Transcursiva que
caracterizan una teoría o sistema de conceptos (Adenda de LT a un
modelo de investigación, UNC-UTN
Tenenhaus, M., Vinzi, V. E., Chatelin, Y. M., & Lauro, C. (2005). PLS
path modeling. Computational statistics & data analysis, 48(1), 159-
205.
VanMeter, D. S., & Asher, H. B. (1973). Causal analysis: its promise for
policy studies. Policy Studies Journal, 2(2), 103.
Venkatraman, N. (1989). Strategic orientation of business enterprises:
The construct, dimensionality, and measurement. Management
science, 35(8), 942-962.
Venkatraman, N., & Ramanujam, V. (1986). Measurement of business
performance in strategy research: A comparison of
approaches. Academy of management review, 11(4), 801-814.
Wong, K. K. K. (2016). Mediation analysis, categorical moderation
analysis, and higher-order constructs modeling in Partial Least
Squares Structural Equation Modeling (PLS-SEM): A B2B Example
using SmartPLS. Marketing Bulletin, 26.
Zaltman, G., LeMasters, K., & Heffring, M. (1982). Theory construction in
marketing: Some thoughts on thinking. John Wiley & Sons..
Ziyae, B., & Heydari, R. (2016). Investigating the Effect of Self-
Leadership on Entrepreneurs’ Innovation in Small and Medium-Sized
Enterprises. International Journal of Humanities and Cultural Studies
(IJHCS) ISSN 2356-5926, 2(4), 1169-1182.

19