ESTADÍSTICA PARA EL ANÁLISIS

DE POLÍTICAS PÚBLICAS

SEM – Modelo de Ecuaciones

Estructurales con mínimos
cuadrados parciales

Mag. William René Dextre Martínez

wdextrem@unasam.edu.pe
993007106
 Que vamos a desarrollar…?

1. Los modelos multivariados

2. Modelos de Ecuaciones Estructurales (SEM)

3. Mínimos Cuadrados Parciales y SEM (PLS – SEM)

4. Pasos para la creación de un modelo

5. Conclusiones

6. Taller

Convertimos tu pasión en éxito

Los modelos multivariados

Convertimos tu pasión en éxito

Organización de los modelos multivariantes

Convertimos tu pasión en éxito

Modelos de Ecuaciones Estructurales (SEM)

Convertimos tu pasión en éxito

 ECUACIONES ESTRUCTURALES (SEM)
El propósito de este método
reside en analizar las
relaciones existentes entre un
grupo de variables
representadas por sistemas de
ecuaciones simultáneas en las
que se supone que algunas de
ellas se miden con error a
partir de otras variables
observables o manifiestas
denominadas indicadores.
Los modelos utilizados
constan de dos partes: un
modelo estructural que
especifica las relaciones de
dependencia existente entre
las variables latentes y un
modelo de medida que
especifica cómo los
indicadores se relacionan con
sus correspondientes
constructos.
 ECUACIONES ESTRUCTURALES (SEM)

El modelo de ecuaciones estructurales se compone de dos elementos:

• El modelo de medida, en el cual se analizan las cargas factoriales de

las variables observables (indicadores) con relación a sus
correspondientes variables latentes (constructo). En esta estructura
se evalúa la fiabilidad y validez de las medidas del modelo teórico.

• El modelo estructural en el cual se analizan las relaciones de

casualidad entre las variables latentes independientes y
dependientes.
Mínimos Cuadrados Parciales y SEM (PLS – SEM)

Convertimos tu pasión en éxito

PLS – SEM
SOFTWARE

Convertimos tu pasión en éxito

 Uso de SMART-PLS y SEM en la investigación social

https://jssidoi.org/jesi/issue/26

https://izajole.springeropen.com/articles

http://jsbs.org/

Convertimos tu pasión en éxito

 Uso de SMART-PLS y SEM en la investigación social
El software estadístico SmartPLS
fue creado por los profesores
Christian M. Ringle, Sven Wende y
Jan-Michael Becker de la
Universidad Técnica de Hamburgo,
Alemania.
Con más de 2.500 citaciones en
publicaciones académicas,
SmartPLS es uno de los softwares
La primera versión SmartPLS 2 fue
más utilizados para el modelado de
lanzada en el año 2005.
ecuaciones estructurales con el
método de mínimos cuadrados
parciales (PLS-SEM).
Convertimos tu pasión en éxito
Evaluación de PLS – SEM (Pruebas Estadísticas)

Convertimos tu pasión en éxito

Evaluación de PLS – SEM (Pruebas Estadísticas)

Convertimos tu pasión en éxito

Modelos reflectivos vs. modelos formativos

Convertimos tu pasión en éxito

Modelos reflectivos vs. modelos formativos

Convertimos tu pasión en éxito

Modelos reflectivos vs. modelos formativos

Los modelos reflectivos asumen que el factor (variable latente) es la “realidad” y

las variables medidas son una muestra de posibles indicadores de esa realidad.

Si renunciamos a un indicador puede que no importe mucho, ya que los demás

indicadores son también representativos y la variable va mantener su significado.

En los modelos formativos, cada indicador es una dimensión del significado de la

variable latente.

Los modelos formativos asumen que los indicadores son la “realidad” y que son
todos dimensiones del factor (variable latente).

Si renunciamos a un indicador el significado de la variable latente va cambiar.

Convertimos tu pasión en éxito

Pasos para la creación de un modelo

Convertimos tu pasión en éxito

 Paso 1
Se presenta un modelo teórico que surge de la revisión de la literatura; en este caso, asumimos que se tiene ese
pilar teórico para proponer el modelo a contrastar. Como se observa, tiene cuatro constructos o variables (LT, CO,
GC y CS), donde se establecieron cinco hipótesis.

Convertimos tu pasión en éxito

 Paso 2
Como segundo paso, es necesario generar las variables observadas (ítems o indicadores); es importante considerar que
deben ser formuladas con un soporte teórico de los constructos o variables latentes.

Convertimos tu pasión en éxito

 Paso 3
Como tercer paso, es necesario generar una base de datos en Excel y exportarla a SmartPLS, la cual se elaboró con la
información que reportó el instrumento de medición; en las columnas se codifican los ítems o indicadores y en las filas
las observaciones. Cabe resaltar que la base de datos debe ser guardada con extensión CSV (limitado por comas).

Convertimos tu pasión en éxito

 Paso 3

Para iniciar el proceso en SmartPLS, se grafica el modelo de investigación (basado en el modelo

teórico a contrastar) con el ícono de variable latente y se conectan las variables con la flecha de
conector para que, posteriormente, se identifiquen los indicadores de cada constructo o variable.

De forma predeterminada, todos los indicadores tienen una dirección reflectiva; en este caso,
el software permite hacer el cambio de dirección dando clic derecho en el constructo y
seleccionar cambiar entre reflectivo/formativo.

Convertimos tu pasión en éxito

Paso 3

Convertimos tu pasión en éxito

 Paso 4
Como cuarto paso, en el menú principal de SmartPLS se calcula el algoritmo de PLS (estimación del modelo), cuyos
resultados del modelo muestran las cargas factoriales de cada indicador, los coeficientes de regresión estandarizados
o coeficientes path y el R2.

Convertimos tu pasión en éxito

 Paso 5
Como quinto paso, se evalúa el modelo de investigación, el cual requiere de la evaluación del modelo de medida
reflectivo y del modelo de medida formativo.
La evaluación del modelo de medida reflectivo se lleva a cabo a través de:
1) la consistencia interna (alfa de Cronbach y fiabilidad compuesta);
2) la validez convergente (fiabilidad del indicador y la varianza media extraída [AVE, por sus siglas en
inglés]), 3) la validez discriminante (criterio de Fornell-Larcker) y cargas cruzadas entre indicadores y variables
latentes y la ratio heterotrait-monotrail (HTMT).
La consistencia interna indica la fiabilidad del constructo.

Validez o Parámetro Prueba

Consistencia Interna • Alfa de Cronbash > 0.7

Convergente • CR Composite Reliability o Fiabilidad Compuesta > 0.7

• AVE (Averange Variance Extracted) > 0.5
Divergente Arriva > Debajo
Path Coeficient Coeficiente de Trayectoria o Beta “β”
Boostrapping • Valor T: > 1.96
• Valor p: < 0.05

Convertimos tu pasión en éxito

 Paso 5

Fiabilidad del
indicador y
fiabilidad
compuesta

Convertimos tu pasión en éxito

 Paso 5

Validez
Discriminante
(Criterio de
Fornell-Larcker)

Convertimos tu pasión en éxito

 Paso 5
Por otro lado, es necesario comparar las cargas factoriales cruzadas de los indicadores de una variable latente con las cargas
de los indicadores de las demás variables latentes.
Las cargas factoriales deben tener mayor valor con su propia variable que con las demás que se evalúan en el modelo.

Cargas
factoriales
cruzadas

Convertimos tu pasión en éxito

 Paso 6
Como sexto paso, considerando que el modelo reflectivo ha contenido validez y confiabilidad, se procede a evaluar el
modelo estructural, en donde se consideran cinco aspectos:
1) evaluación de colinealidad;
2) evaluación del signo algebraico, magnitud y significación estadística de los coeficientes path;
3) valoración del R2;
4) valoración de los tamaños de los efectos (f2), y
5) valoración de la Q2 y de los tamaños de los efectos (q2) (Ibid.).

Coeficientes path
(coeficientes de
regresión
estandarizados).

Convertimos tu pasión en éxito

 Paso 6
Además de evaluar el valor de R2 de todos los constructos endógenos, es necesario conocer el cambio en R2 cuando un
determinado constructo exógeno es omitido del modelo; es decir, el f2 puede ser usado para evaluar si el constructo
omitido tiene un impacto sustantivo en los constructos endógenos.
Para ello, Cohen (1998) especifica los siguientes valores para evaluar el f2:
0.02 es un pequeño efecto,
0.15 es un efecto medio, y
0.35 es un efecto grande.

Tamaños de efectos f2

Convertimos tu pasión en éxito

Conclusiones

Convertimos tu pasión en éxito


El uso de PLS como herramienta
estadística de segunda generación ha
revolucionado el trabajo empírico de
los investigadores en las áreas de las
ciencias sociales y administrativas.
Los modelos complejos de antaño
donde los investigadores hacían
correlación de variable independiente
a dependiente (una a la vez) ha
quedado atrás.
A modo de conclusión…
Lo anterior se puede notar en la gran
cantidad de artículos publicados en
las revistas científicas de alto
impacto, sobre todo en habla inglesa,
sin embargo, son pocos los artículos
realizados en Perú que abordan la
aplicación de SEM y PLS.
PLS permite evaluar modelos
complejos en una sola corrida de
datos y permite ver cómo una
variable independiente puede afectar
teóricamente a otras dependientes
aunque no haya una conexión directa.
Convertimos tu pasión en éxito
Los trabajos empíricos realizados a
nivel mundial con esta técnica
destacan por su exactitud en la
predictibilidad de los fenómenos de
estudio por la validez tan robusta que
contiene, pero a la vez muy sencilla
de desarrollar, interpretar y practicar.
Su poder, permite que el investigador
tome una mayor conciencia del cómo
interpretar valores estadísticos para
aceptar o rechazar hipótesis, estamos
hablando del coeficente path
estandarizado, la varianza explicada y
la significancia estadística.
 Finalmente…

Sin dudas PLS, puede ayudar a los investigadores,

docentes y estudiantes, a contar con una mayor
participación en el desarrollo de investigación
básica y aplicada, así como el aumentar la calidad
de ponencias en congresos nacionales e
internacionales, pero sobre todo en revistas de alto
impacto.

Convertimos tu pasión en éxito

 Referencias Bibliográficas
Hair, J., Anderson, R., Tatham, R. y Black, W. (2007). Análisis multivariante. España, Madrid: Pearson.
Hair, J., Hult, G., Ringle, M. y Sarstedt, M. (2011). PLS-SEM: Indeed, a Silver Bullet. Journal of Marketing Theory and Practice, 2(19), 139–151.

Hair, J., Hult, G., Ringle, C. y Sarstedt, M. (2017). A Primer on Partial Least Square Structural Equation Modeling (PLS-SEM). Estados Unidos,
California: Sage.

Hair, J., Sarstedt, M., Ringle, C. y Mena, J. (2012). PLS-SEM. An assessment of the use of partial least squares structural equation modeling in
marketing research. Journal of the Academy of Marketing Science, 40, 414-433.

Henseler, J., Ringle, C. y Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling.
Journal of the Academy of Marketing Science, 43(1), 115-135

Kwong, K. y Wong, K. (2013). Partial Least Square Structural Equation Modeling (PLS-SEM). Techniques Using SmartPLS. Marketing Bulletin, 24,
1-32.

Marcoulides, G. y Saunders, C. (2006). PLS: A silver bullet? Management Information Systems Quarterly, 30(2), 3-9.

Roldan, J. y Cepeda, G. (2016). Modelos de Ecuaciones basados en la Varianza: Partial Least Squares (PLS) para Investigadores en Ciencias
Sociales (3a ed.). Apuntes del curso en la Universidad de Sevilla, España.

Valdivieso, C. (2013). Comparación de los modelos formativo, reflexivo y de antecedentes de evaluación estudiantil del servicio de la docencia.
Revista de Métodos Cuantitativos para la Economía y la Empresa, 16, 95-120.

Convertimos tu pasión en éxito

Taller

Convertimos tu pasión en éxito

 ESTADÍSTICA PARA EL ANÁLISIS
DE POLÍTICAS PÚBLICAS

La estadística y los modelos

multivariantes

Mag. William René Dextre Martínez

wdextrem@unasam.edu.pe
993007106