“Decenio de la Igualdad de Oportunidades para Mujeres y Hombres”

“Año del Bicentenario del Perú: 200 años de Independencia”

UNIVERSIDAD NACIONAL SANTIAGO ANTÚNEZ

DE MAYOLO

MAESTRÍA EN ADMINISTRACIÓN

MENCIÓN EN GESTIÓN PÚBLICA

Trabajo Semana 3

CURSO : Estadística para el Análisis de

Políticas Públicas

DOCENTE : Dr. Edwin Hernán Ramírez Asís

ALUMNA : Julisa A. Sánchez Vidal

Marzo, 2021
 TRABAJO INDIVIDUAL SEMANA 3

1. Identificar las variables latentes (Constructos)

Continuando con el estudio de mercado acerca de la implementación de un centro comercial con multicine en la ciudad
de Huaraz y la postura o actitud que presenta el consumidor huaracino ante este proyecto, este modelo presenta las
siguientes variables latentes o constructos:

Preguntas
Dimensiones
Variables (Indicadores o Variables
(Constructos o Variables latentes)
observables)

Perfil Conductual (PCO) 1–2

Perfil Demográfico (PDE) 3–4

Perfil del Cliente
(P_CLI)
Perfil Ocupacional (POC) 5–6

Perfil Económico (PEC) 7 – 16

Consumo en el Local
Gasto Individual en el Local (GIL) 17 – 18
(C_LOC)

2. Identificar las variables observables (Indicadores)

En este estudio, los indicadores o variables observables, cuyas respuestas fueron medidas todas usando la escala de
Likert, son:

NRO. CÓDIGO INDICADOR O VARIABLE OBSERVABLE

Constructo: Perfil Conductual (PCO)
1 PCO_1 En relación a la posible construcción del nuevo Mega Plaza Huaraz, ¿qué actitud adopta Ud.?
¿Qué actitud tiene usted ante nuevo centro comercial (distinto al Mega Plaza), cuyo principal atractivo
2 PCO_2 sea un multicine y cuente además con otros espacios como restaurantes, patio de comidas, tiendas de
artículos diversos, estacionamiento, etc.?
Constructo: Perfil Demográfico (PDE)
3 PDE_1 ¿Cuál es su sexo?
4 PDE_2 ¿En qué rango de edad se encuentra?
Constructo: Perfil Ocupacional (POC)
5 POC_1 ¿Cuál fue el último grado de estudios que culminó?
6 POC_2 ¿Cuál es su ocupación actual?
Constructo: Perfil Económico (PEC)
7 PEC_1 ¿Cuenta con cocina en su hogar?
8 PEC_2 ¿Cuenta con teléfono fijo en su hogar?
9 PEC_3 ¿Cuenta con teléfono celular?
 10 PEC_4 ¿Cuenta con computadora en su hogar?
11 PEC_5 ¿Cuenta con auto en su hogar?
12 PEC_6 ¿Cuenta con equipo de sonido en su hogar?
13 PEC_7 ¿Cuenta con refrigeradora en su hogar?
14 PEC_8 ¿Cuenta con lavadora en su hogar?
15 PEC_9 ¿Cuenta con horno microondas en su hogar?
16 PEC_10 Marque el material predominante de los pisos de su vivienda
Constructo: Gasto Individual en el Local (GIL)
17 GIL_1 ¿Con qué frecuencia acude usted a las salas de video?
¿Cuánto estaría dispuesto a pagar Ud. por la entrada a un multicine compuesto por distintos espacios,
entre ellos dos o más salas de cine, zona de bebidas y snacks, boletería, sala de espera para clientes y
18 GIL_2 servicios higiénicos, y salas de cine provistas de un ambiente debidamente acondicionado para la
exhibición de películas comerciales y de cine independiente (no comerciales), compuestas por una
pantalla de proyección y un patio de butacas?

3. Definir el modelo teórico

El modelo teórico de este estudio, diseñado a través del software estadístico SmartPLS, se presenta a continuación:

4. Explicar el modelo de medición

El siguiente modelo refleja la relación que existe entre los constructos “Perfil Conductual”, “Perfil Demográfico”, “Perfil
Ocupacional” y “Perfil Económico” y el constructo “Gasto Individual en el Local”, en donde se puede observar que el
mayor coeficiente de regresión estandariza o coeficiente path se tiene en la variable “Perfil Demográfico” (0.649), por lo
que se considera esta variable como la de mayor poder explicativo sobre la variable “Gasto Individual en el Local”.

Por otro lado, el coeficiente de determinación R2 igual a 0.746, indica una importante cercanía de los datos a la línea de
regresión ajustada.

5. Establecer Validez convergente

Luego de realizado el análisis de fiabilidad y validez de constructo, se observan valores mayores a 0.7 en la Fiabilidad
compuesta (o CR Composite Reliability) de las variables “Perfil Conductual” y “Perfil Ocupacional”, así como valores
mayores a 0.5 en la Varianza extraída media (AVE) de las variables “Perfil Conductual”, “Perfil Demográfico” y “Perfil
Ocupacional”, por lo que se puede decir en estos casos que las respuestas corresponden a esta variable. Del mismo
modo, evaluando la consistencia interna, se observan valores mayores a 0.7 en las variables “Perfil Conductual” y “Perfil
Ocupacional”.

Fiabilidad Varianza extraída media

Constructo Alfa de Cronbach
compuesta (AVE)
Perfil Conductual 0.982 0.987 0.975
Perfil Demográfico -0.169 0.376 0.514
Perfil Económico 0.1 0.111 0.118
Perfil Ocupacional 0.859 0.933 0.874
Gasto Individual en el Local -0.141 0.375 0.512

Luego, uniendo a este cuadro los valores de las cargas externas de cada variable y sus indicadores, se obtiene la
siguiente matriz de análisis de validez convergente y cargas externas.

Cargas Alfa de Fiabilidad Varianza extraída

Constructo
Externas Cronbach compuesta media (AVE)
Perfil Conductual PCO 0.982 0.987 0.975
PCO_1 0.999      
PCO_2 0.976      
Perfil Demográfico PDE -0.169 0.376 0.514
PDE_1 -0.225      
PDE_2 0.989      
Perfil Económico PEC 0.1 0.111 0.118
PEC_1 0.408      
PEC_2 0.204      
PEC_3 -0.244      
PEC_4 0.747      
PEC_5 -0.155      
PEC_6 -0.176      
PEC_7 -0.382      
PEC_8 0.316      
PEC_9 0.141      
PEC_10 0.191      
Perfil Ocupacional POC 0.859 0.933 0.874
POC_1 0.953      
POC_2 0.916      
Gasto Individual en el Local GIL -0.141 0.375 0.512
GIL_1 -0.222      
GIL_2 0.987      

6. Establecer Validez discriminante

Realizado el análisis de validez discriminante, mediante el criterio de Fornell-Larcker, se puede obtener el siguiente
cuadro de resultados:

Gasto
Perfil Perfil Perfil Perfil
Constructo o Variable Latente Individual en
Conductual Demográfico Económico Ocupacional
el Local
Gasto Individual en el Local 0.716        
Perfil Conductual -0.005 0.988      
Perfil Demográfico 0.791 0.005 0.717    
Perfil Económico 0.717 -0.011 0.546 0.344  
Perfil Ocupacional 0.704 0.009 0.807 0.685 0.935

7. Explicar las Cargas cruzadas

Al realizar el análisis de cargas cruzadas o cargas factoriales y comparar las cargas factoriales cruzadas de los
indicadores de una variable latente con las cargas de los indicadores de las demás variables latentes, se puede verificar
que las cargas factoriales tienen mayor valor con su propia variable que con las demás que se evalúan en el modelo,
para el caso de las variables “Perfil Conductual” y “Perfil Ocupacional”, por lo que en estos casos se confirma la validez
discriminante del modelo. En análisis anterior se puede comprobar en el siguiente cuadro:

Perfil Perfil Perfil Perfil Gasto Individual

Indicador
Conductual Demográfico Económico Ocupacional en el Local
PCO_1 0.999 0.004 -0.014 0.007 -0.006
PCO_2 0.976 0.011 0.002 0.015 -0.001
PDE_1 0.002 -0.225 -0.167 0.103 -0.12
PDE_2 0.005 0.989 0.533 0.842 0.791
PEC_1 -0.007 0.142 0.408 0.095 0.178
PEC_2 -0.009 0.168 0.204 0.005 0.054
PEC_3 0.094 0.009 -0.244 0.006 -0.119
PEC_4 0 0.48 0.747 0.663 0.59
PEC_5 -0.018 0.016 -0.155 -0.036 -0.061
PEC_6 -0.019 -0.109 -0.176 -0.147 -0.039
PEC_7 0.039 -0.217 -0.382 -0.032 -0.252
PEC_8 0.016 0.171 0.316 0.253 0.148
PEC_9 -0.039 0.021 0.141 -0.047 -0.046
PEC_10 0.036 0.04 0.191 0.227 0.214
POC_1 0.018 0.808 0.694 0.953 0.739
POC_2 -0.006 0.69 0.574 0.916 0.556
GIL_1 -0.049 -0.276 0.136 0.026 -0.222
GIL_2 -0.013 0.765 0.756 0.725 0.987

8. Analizar el modelo estructural (prueba de hipótesis)

Al realizar el análisis de Bootstrapping del modelo, se obtienen los siguientes valores:

Desviación Estadístico t
Coeficiente
Hipótesis estándar Student P-Valor
Path (β)
(STDEV) (Bootstrapping)
Perfil Conductual -> Gasto Individual en el Local -0.002 0.035 0.064 0.949
Perfil Demográfico -> Gasto Individual en el Local 0.649 0.277 2.341 0.020 (*)
Perfil Económico -> Gasto Individual en el Local 0.451 0.082 5.526 0.000 (***)
Perfil Ocupacional -> Gasto Individual en el Local -0.129 0.276 0.466 0.642

Respecto a los valores del nivel de significancia o P-Valor:

(*) P-Valor < 0.05

(**) P-Valor < 0.01
(***) P-Valor < 0.001