UNIVERSIDAD IBEROAMERICANA

Estudios con Reconocimiento de Validez Oficial por Decreto Presidencial del 3 de abril de 1981

NDICE MEXICANO DE SATISFACCIN DE USUARIO (IMSU): COMPARACIN DE LOS MTODOS DE ESTIMACIN DE SISTEMAS DE ECUACIONES ESTRUCTURALES POR ESTRUCTURAS DE COVARIANZAS Y POR MNIMOS CUADRADOS PARCIALES

TESIS
Que para obtener el grado de MAESTRA EN INGENIERA DE CALIDAD Presenta MARA DE LOURDES MUCIO ALCNTARA

Directora DRA. ODETTE LOBATO CALLEROS Lectores DR. IGNACIO MNDEZ RAMREZ MTRO. HUGO SERRATO GONZLEZ

Mxico, D.F.

2011

RESUMEN En 2006 el equipo del IMSU en la Universidad Iberoamericana - Ciudad de Mxico, adapt satisfactoriamente la metodologa del ACSI (American Customer Satisfaction Index), para la determinacin del IMSU en los Programas de Desarrollo Local, Microrregiones, y Desarrollo Rural, Diconsa, programas sociales de la Secretara de Desarrollo Social, SEDESOL. Los resultados de dichos estudios que se encuentran reportados en los trabajos de Lobato, et. al, 2006a y 2006b, Molina, 2007, y Martnez, 2009. En esta metodologa para el anlisis de los datos se utiliza el software del ACSI, que se basa en Anlisis de Senderos por Mnimos Cuadrados Parciales, SEM-PLS. Ahora como parte del proceso de transferencia de tecnologa se lleva a cabo la evaluacin con metodologas alternativas a las ya utilizadas, por lo que en este trabajo se ponen a prueba las metodologas de Anlisis de Senderos por medio de Estructuras de Covarianzas, SEM-EC, utilizando el software EQS 6.1, y de Anlisis de Senderos por medio de Mnimos Cuadrados Parciales, SEM-PLS, utilizando el software SmartPLS. Con ese fin se utilizan los datos generados en los estudios de evaluacin del ndice Mexicano de Satisfaccin del Usuario, IMSU, de los Programas de Desarrollo Local, Microrregiones, y Abasto Rural, Diconsa. Con la finalidad de conocer ms a fondo las metodologas, adems de ponerlas a prueba, y comparar los resultados obtenidos con los obtenidos por medio de la metodologa del ACSI, se evala el efecto del uso de las bases de datos imputando los datos perdidos, y eliminando los casos con datos perdidos. Para complementar el estudio, y el conocimiento de las metodologas, se siguen las sugerencias de mejora del modelo propuestas por EQS, y se prueban con el software SmartPLS, comentando entonces los hallazgos de algunos de los modelos alternativos encontrados.

CONTENIDO

Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Contenido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ndices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Abreviaturas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Captulo 1.- ndices de Satisfaccin del Usuario . . . . . . . . . . . . . . . . . . . . . . . . Captulo 2.- ndice Mexicano de Satisfaccin del Usuario . . . . . . . . . . . . . . . . . Captulo 3.Metodologas estadsticas para el anlisis de . . . . . . . . . . . . . . . satisfaccin del usuario

2 3 4 14 15 20 32 42

Captulo 4.- Metodologa de investigacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . Captulo 5.- Anlisis y discusin de los resultados . . . . . . . . . . . . . . . . . . . . . Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Perspectivas y recomendaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Glosario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

100 205 248 251 252 256

NDICES

i.-

INDICE GENERAL 2 3 4 4 8 11 14 15 20 20 21 21 25 26 30 32 32 33 34 35 39

Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Contenido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ndices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i.ii.iii.ndice General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ndice de Figuras ndice de Tablas ............................................ .............................................

Abreviaturas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Captulo 1.- ndices de Satisfaccin del Usuario . . . . . . . . . . . . . . . . . . . . . . . . 1.1.- ndices de satisfaccin el usuario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.1.1.- Qu son los ndices de satisfaccin del usuario? . . . . . . . . . . . . . . 1.1.2.- Algunos ndices nacionales de satisfaccin del usuario . . . . . . . . . . . 1.2.- El ndice Americano de Satisfaccin del Usuario . . . . . . . . . . . . . . . . . . . . . 1.2.1.- Cmo se evala el ACSI? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2.2.- Metodologa del ACSI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Captulo 2.- ndice Mexicano de Satisfaccin del Usuario . . . . . . . . . . . . . . . . 2.1.- Qu es el IMSU? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.- Cmo se determin el IMSU? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.- Programas en estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.1.- Programa de Zonas Prioritarias, PDZP . . . . . . . . . . . . . . . . . . . . . . . 2.3.2.- Programa de Abasto Rural, DICONSA . . . . . . . . . . . . . . . . . . . . . . . .

Captulo 3.-

Metodologas estadsticas para el anlisis de . . . . . . . . . . . . . . . satisfaccin del usuario

42 42 45 48 54 56 56 58 62 65 66 67 69 69 73 73 74 75 78 82 83 91 94 97 100 101 101

3.1.- Medicin de los ndices de satisfaccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.- Los diagramas de sendero . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.- Pasos del modelamiento causal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4.- Definiciones clave en el modelamiento causal . . . . . . . . . . . . . . . . . . . . . . . 3.5.- LISREL y el anlisis de estructuras de covarianza . . . . . . . . . . . . . . . . . . . . 3.5.1.- Que son los modelos de estructuras de covarianza? . . . . . . . . . . . 3.5.2.- Especificacin y significado del diagrama de senderos . . . . . . . . . . . 3.5.3.- Las ecuaciones estructurales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.5.4.- Supuestos en el anlisis de covarianzas . . . . . . . . . . . . . . . . . . . . . . 3.5.5.- Estimacin de los parmetros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.5.6.- Evaluacin del ajuste del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.5.7.- Reespecificacin del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.5.8.- LISREL y otros softwares parar anlisis de los mtodos de . . . . . . . anlisis de covarianza 3.6.- Mnimos cuadrados parciales, PLS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.6.1.- Qu es PLS? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.6.2.- Modelamiento de senderos con mnimos cuadrados . . . . . . . . . . . . . Parciales 3.6.3.- Especificacin y significado del diagrama de senderos . . . . . . . . . . . 3.6.4.- Las ecuaciones estructurales en PLS . . . . . . . . . . . . . . . . . . . . . . . . 3.6.5.- Estimacin de los modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.6.6.- Ajuste o relevancia del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.6.7.- Los softwares para modelamiento de senderos por PLS . . . . . . . . . 3.7.- SEM-EC vs. SEM-PLS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.8.- Tratamiento de datos perdidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Captulo 4.- Metodologa de investigacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1.- Descripcin de las metodologas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1.1.- Descripcin general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.1.2.- Anlisis de los requisitos de normalidad, linealidad y datos tpicos . . 4.1.3.- Anlisis de estructuras de covarianza, SEM-EC . . . . . . . . . . . . . . . 4.1.4.- Mnimos cuadrados parciales, SEM-PLS . . . . . . . . . . . . . . . . . . . . . 4.1.5.- Transformacin de los datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1.6.- Simulacin de datos perdidos .............................

102 104 107 109 109 111 111 113 115 116 117 118 118 127 135 135 137 139 139 139 148 148 155 164 171 171 171 180 197 197

4.2.- Los diagramas de sendero y los sistemas de ecuaciones . . . . . . . . . . . . . 4.2.1.- Programa de Zonas Prioritarias, PDZP . . . . . . . . . . . . . . . . . . . . . . 4.2.2.- Programa de Abasto Rural, Diconsa . . . . . . . . . . . . . . . . . . . . . . . . 4.3.- Diagnstico e imputacin de los datos perdidos . . . . . . . . . . . . . . . . . . . . . 4.3.1.- Programa de Zonas Prioritarias, PDZP . . . . . . . . . . . . . . . . . . . . . . 4.3.2.- Programa de Abasto Rural, Diconsa . . . . . . . . . . . . . . . . . . . . . . . . 4.4.- Anlisis de supuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4.1.- Programa de Zonas Prioritarias, PDZP . . . . . . . . . . . . . . . . . . . . . . 4.4.2.- Programa de Abasto Rural, Diconsa . . . . . . . . . . . . . . . . . . . . . . . . 4.5.- Resultados obtenidos en el proyecto del IMSU . . . . . . . . . . . . . . . . . . . . . . 4.5.1.- Programa de Zonas Prioritarias, PDZP . . . . . . . . . . . . . . . . . . . . . . 4.5.2.- Programa de Abasto Rural, Diconsa . . . . . . . . . . . . . . . . . . . . . . . . 4.6.- Modelamiento utilizando SEM-EC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.6.1.- Programa de Zonas Prioritarias, PDZP . . . . . . . . . . . . . . . . . . . . . . 4.6.1.1.- Ajuste del modelo del IMSU y otros modelos . . . . . . . . . . . 4.6.1.2.- Resultados del modelamiento . . . . . . . . . . . . . . . . . . . . . . . 4.6.2.- Programa de Abasto Rural, Diconsa . . . . . . . . . . . . . . . . . . . . . . . . 4.6.2.1.- Ajuste del modelo del IMSU y otros modelos . . . . . . . . . . . 4.6.2.2.- Resultados del modelamiento . . . . . . . . . . . . . . . . . . . . . . . 4.7.- Modelamiento utilizando SEM-PLS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.7.1.- Programa de Zonas Prioritarias, PDZP . . . . . . . . . . . . . . . . . . . . . . 4.7.1.1.- Ajuste del modelo del IMSU . . . . . . . . . . . . . . . . . . . . . . . . 4.7.1.2.- Evaluacin de otros modelos . . . . . . . . . . . . . . . . . . . . . . . 4.7.2.- Programa de Abasto Rural, Diconsa . . . . . . . . . . . . . . . . . . . . . . . . 4.7.1.3.- Ajuste del modelo del IMSU . . . . . . . . . . . . . . . . . . . . . . . .

4.7.1.4.- Evaluacin de otros modelos . . . . . . . . . . . . . . . . . . . . . . . Captulo 5.- Anlisis y discusin de los resultados ....................

205 205 223 232 227 240 240 240 243 244 244 245 248 251 252 256

5.1.- Comparacin de los resultados entre metodologas y modelos . . . . . . . . . 5.1.1.- Programa de Zonas Prioritarias, PDZP . . . . . . . . . . . . . . . . . . . . . . 5.1.2.- Programa de Abasto Rural, Diconsa . . . . . . . . . . . . . . . . . . . . . . . . 5.2.- Hallazgos particulares entre metodologas y modelos . . . . . . . . . . . . . . . . 5.2.1.- Programa de Zonas Prioritarias, PDZP . . . . . . . . . . . . . . . . . . . . . . 5.2.1.1.- Modelo Original del IMSU . . . . . . . . . . . . . . . . . . . . . . . . . 5.2.1.2.- Modelos alternativos evaluados . . . . . . . . . . . . . . . . . . . . . 5.2.2.- Programa de Abasto Rural, Diconsa . . . . . . . . . . . . . . . . . . . . . . . . 5.2.2.1.- Modelo Original del IMSU . . . . . . . . . . . . . . . . . . . . . . . . . 5.2.2.2.- Modelos alternativos evaluados . . . . . . . . . . . . . . . . . . . . . Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Perspectivas y recomendaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Glosario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

ii.-

INDICE DE FIGURAS
Modelo Original del Barmetro Sueco de Satisfaccin del Usuario, SCSB, Swedish Customer Satisfaction Barometer. Modelo del ndice Americano de Satisfaccin del Usuario, ACSI, The American Customer Satisfaction Index. Modelo del ndice Europeo de Satisfaccin del Usuario, ECSI, The European Customer Satisfaction Index. Modelo del ndice Americano de Satisfaccin del Usuario, ACSI, The American Customer Satisfaction Index, para dependencias de Gobierno. Modelo del ndice Americano de Satisfaccin del Usuario, ACSI, The European Customer Satisfaction Index, para industrias Privadas. Modelo del ndice Mexicano de Satisfaccin del Usuario, IMSU, para el Programa de Desarrollo Local, Microrregiones (SEDESOL). Modelo del ndice Mexicano de Satisfaccin del Usuario, IMSU, para el Programa de Abasto Rural, DICONSA (SEDESOL). Anlisis de datos de satisfaccin del usuario. Reglas para la construccin de diagramas causales. Pasos el proceso de modelamiento de estructura de covarianzas. Ejemplos de la representacin grfica de algunos modelos utilizados en el Anlisis de Estructuras de Covarianzas (primera parte). Ejemplos de la representacin grfica de algunos modelos utilizados en el Anlisis de Estructuras de Covarianzas (segunda parte). Ejemplo de un diagrama de senderos para un modelo causal con dos niveles de causalidad, donde se describe cada una de las variables que lo componen utilizando la notacin de LISREL. Indicadores reflectivos y formativos en anlisis de ecuaciones estructurales con PLS. Modelo de anlisis con indicadores formativos y reflectivos. Los dos pasos para la evaluacin del modelamiento por senderos por PLS, SEM-PLS. Propsito de los anlisis con SEM-EC, SEM-PLS o SEM-ANN. Representacin bsica de las ecuaciones del modelo del IMSU, para el Programa de Zonas Prioritarias, PDZP (SEDESOL). Nombre de las variables a ser utilizado en las corridas con Anlisis de Estructuras de Covarianza y Mnimos Cuadrados Parciales, en el modelo del IMSU del Programa de Zonas Prioritarias, PDZP. Representacin bsica de las ecuaciones del modelo del IMSU, para el Programa de Abasto Rural, Diconsa (SEDESOL). Nombre de las variables a ser utilizado en las corridas con Anlisis de Estructuras de Covarianza y Mnimos Cuadrados Parciales, en el modelo del IMSU del Programa de Abasto Rural, Diconsa. Datos perdidos en el estudio para la implantacin del modelo del IMSU del Programa de Zonas Prioritarias, PDZP. Datos perdidos en el estudio para la implantacin del modelo del IMSU del Programa de Abasto Rural, Diconsa. Pruebas de normalidad del Programa de Zonas Prioritarias. Diagrama de dispersin en forma matricial para las variables del IMSU del Programa de Zonas Prioritarias, PDZP. 23 24 25 28 29 38 41 44 47 48 59 60 61 76 77 84 94 112 113 114 115 116 117 119 124

Figura No. 1.1.Figura No. 1.2.Figura No. 1.3.Figura No. 1.4.Figura No. 1.5.Figura No. 2.1.Figura No. 2.2.Figura No. 3.1.Figura No. 3.2.Figura No. 3.3.Figura No. 3.4.Figura No. 3.5.Figura No. 3.6.Figura No. 3.7.Figura No. 3.8.Figura No. 3.9.Figura No. 3.10.Figura No. 4.1.Figura No. 4.2.Figura No. 4.3.Figura No. 4.4.Figura No. 4.5.Figura No. 4.6.Figura No. 4.7.Figura No. 4.8.-

Figura No. 4.9.Figura No. 4.10.Figura No. 4.11.Figura No. 4.12.Figura No. 4.13.Figura No. 4.14.Figura No. 4.15.Figura No. 4.16.Figura No. 4.17Figura No. 4.18.Figura No. 4.19.Figura No. 4.20.Figura No. 4.21.Figura No. 4.22.Figura No. 4.23.Figura No. 4.24.Figura No. 4.25.Figura No. 4.26.Figura No. 4.27.Figura No. 4.28.Figura No. 4.29.Figura No. 4.30.Figura No. 4.31.Figura No. 4.32.Figura No. 4.33.Figura No. 4.34.Figura No. 4.35.Figura No. 4.36.Figura No. 4.37.-

Diagrama de cajas donde se aprecian los valores atpicos en los datos del Programa de Zonas Prioritarias, PDZP. Curtosis Multivariada para los datos del modelo del IMSU del Programa de Zonas Prioritarias, PDZP. Pruebas de normalidad del Programa de Abasto Rural. Diagrama de dispersin en forma matricial para las variables del IMSU del Programa de Abasto Rural. Diagrama de cajas donde se aprecian los valores atpicos en los datos del Programa de Abasto rural, Diconsa. Curtosis Multivariada para los datos del modelo del IMSU del Programa de Abasto Rural, Diconsa. Modelo General del IMSU para el Programa de Desarrollo Local, Microrregiones. Modelo de todos los funcionarios pblicos entrevistados. Modelo General del IMSU para el Programa de Abasto Rural, Diconsa. Modelos seleccionados para este estudio, corridos con EQS para el Programa de Zonas Prioritarias, PDZP. Modelo 1: modelo original para el Programa de Zonas Prioritarias, PDZP (IMSU). Modelo 7: modelo alternativo para el Programa de Zonas Prioritarias, PDZP. Modelo 11: modelo alternativo para el Programa de Zonas Prioritarias, PDZP. Representacin grfica del Modelo del IMSU del Programa de Zonas Prioritarias, PDZP. Obtenido con el Software EQS 6.1, imputando los datos perdidos Representacin grfica del Modelo del IMSU del Programa de Zonas Prioritarias, PDZP. Obtenido con el Software EQS 6.1, eliminando los casos con datos perdidos Ecuaciones Estructurales que representan el Modelo del IMSU del Programa de Zonas Prioritarias, PDZP. Representacin grfica del Modelo No. 7 del Programa de Zonas Prioritarias, PDZP. Obtenido con el Software EQS 6.1, imputando los datos perdidos Representacin grfica del Modelo No. 7 del Programa de Zonas Prioritarias, PDZP. Obtenido con el Software EQS 6.1, imputando los datos perdidos Representacin grfica del Modelo No. 11 del Programa de Zonas Prioritarias, PDZP. Obtenido con el Software EQS 6.1, imputando los datos perdidos Representacin grfica del Modelo No. 11 del Programa de Zonas Prioritarias, PDZP. Obtenido con el Software EQS 6.1, eliminando casos con los datos perdidos Modelos seleccionados para este estudio, corridos con EQS para el Programa de Abasto Rural, Diconsa. Modelo 1: modelo original para el Programa de Abasto Rural, Diconsa. Modelo 7: modelo alternativo para el Programa de Abasto Rural, Diconsa. Modelo 10: modelo alternativo para el Programa de Abasto Rural, Diconsa. Representacin grfica del Modelo del IMSU del Programa de Abasto Rural, Diconsa. Obtenido con el Software EQS 6.1, imputando los datos perdidos Representacin grfica del Modelo del IMSU del Programa de Abasto Rural, Diconsa. Obtenido con el Software EQS 6.1, eliminando los casos con datos perdidos Ecuaciones Estructurales que representan el Modelo del IMSU del Programa de Abasto Rural, Diconsa. Representacin grfica del Modelo No. 7 del Programa de Abasto Rural, Diconsa. Obtenido con el Software EQS 6.1, imputando los datos perdidos Representacin grfica del Modelo No. 7 del Programa de Abasto Rural, Diconsa. Obtenido con el Software EQS 6.1, eliminando los casos con datos perdidos Representacin grfica del Modelo No. 10 del Programa de Abasto Rural, Diconsa. Obtenido con el Software EQS 6.1, imputando los datos perdidos

125 126 127 132 133 134 135 137 140 144 146 147 148 149 150 151 152 153 154 157 160 162 163 164 165 166 167 168 169

Figura No. 4.38.Figura No. 4.39.Figura No. 4.40.Figura No. 4.41.Figura No. 4.42.Figura No. 4.43.Figura No. 4.44.Figura No. 4.45.Figura No. 4.46.Figura No. 4.47.Figura No. 4.48.Figura No. 4.49.Figura No. 4.50.Figura No. 4.51.Figura No. 4.52.Figura No. 4.53.Figura No. 4.54.Figura No. 5.1.Figura No. 5.2.Figura No. 5.3.Figura No. 5.4.Figura No. 5.5.Figura No. 5.6.-

Representacin grfica del Modelo No. 10 del Programa de Abasto Rural, Diconsa. Obtenido con el Software EQS 6.1, eliminando los casos con datos perdidos Representacin grfica del Modelo del IMSU del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Representacin grfica del Modelo del IMSU del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos Representacin grfica del modelo 7 para el Programa de Zonas Prioritarias, PDZP, sugerido por EQS, y adaptado para probarlo con SmartPLS. Representacin grfica del Modelo No. 7 del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Representacin grfica del Modelo No. 7 del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos Representacin grfica del modelo 11 para el Programa de Zonas Prioritarias, PDZP, sugerido por EQS, y adaptado para probarlo con SmartPLS. Representacin grfica del Modelo No. 11 del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Representacin grfica del Modelo No. 11 del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos Representacin grfica del Modelo del IMSU del Programa de Abasto Rural, Diconsa. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Representacin grfica del Modelo del IMSU del Programa de Abasto Rural, Diconsa. Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos Representacin grfica del modelo 7 para el Programa de Abasto Rural, Diconsa, sugerido por EQS, y adaptado para probarlo con SmartPLS. Representacin grfica del Modelo No. 7 del Programa de Abasto Rural, Diconsa. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Representacin grfica del Modelo No. 7 del Programa de Abasto Rural, Diconsa. Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos Representacin grfica del modelo 10 para el Programa de Abasto Rural, Diconsa, sugerido por EQS, y adaptado para probarlo con SmartPLS. Representacin grfica del Modelo No. 10 del Programa de Abasto Rural, Diconsa. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Representacin grfica del Modelo No. 10 del Programa de Abasto Rural, Diconsa. Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos Comparacin de los Coeficientes de Sendero para el modelo del IMSU en el Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software del ACSI vs. obtenidos con SmartPLS 2.0 M3. Comparacin de los Coeficientes de Sendero para el modelo del IMSU en el Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software del ACSI vs. obtenidos con EQS 6.1. Comparacin de los Coeficientes de Sendero para el modelo del IMSU en el Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software EQS 6.1 vs. obtenidos con SmartPLS 2.0 M3. Comparacin de los Coeficientes de Sendero para el modelo del IMSU en el Programa de Abasto Rural, Diconsa. Obtenidos con el Software del ACSI vs. obtenidos con SmartPLS 2.0 M3. Comparacin de los Coeficientes de Sendero para el modelo del IMSU en el Programa de Abasto Rural, Diconsa. Obtenidos con el Software del ACSI vs. obtenidos con EQS 6.1. Comparacin de los Coeficientes de Sendero para el modelo del IMSU en el Programa de Abasto Rural, Diconsa. Obtenidos con el Software EQS 6.1 vs. obtenidos con SmartPLS 2.0 M3.

170 178 179 181 187 188 189 195 196 203 204 206 212 213 215 221 222 228 230 231 235 237 239

10

iii.-

INDICE DE TABLAS
Temas de las preguntas del modelo del IMSU para el Programa de Desarrollo Local, Microrregiones de SEDESOL. Temas de las preguntas del modelo del IMSU para el Programa de Abasto Rural, DICONSA de SEDESOL. Medidas de Ajuste del Modelo Global. Principales caractersticas de los diferentes programas para anlisis de estructuras de covarianzas. Software para modelamiento de senderos con Estructuras de Covarianzas (SEM). Criterios de evaluacin de un modelo de senderos por PLS. Software para modelamiento de senderos con PLS. Comparacin del SEM-PLS versus SEM-EC en funcin de criterios especficos. Mtodos de correccin para estimaciones no normales en EQS. ndices de ajuste aceptables para los modelos en estudio. Resumen de la distribucin los datos de las variables del Programa de Zonas Prioritarias, PDZP. Matriz de Coeficientes de Correlacin de los datos de las variables del Programa de Zonas Prioritarias, PDZP. Resumen de la distribucin los datos de las variables del Programa de Abasto Rural, Diconsa. Matriz de Coeficientes de Correlacin de los datos de las variables del Programa de Abasto Rural, Diconsa. Resumen de resultados obtenidos con EQS para el Programa de Zonas Prioritarias, PDZP. (sin imputar datos perdidos) Resumen de resultados obtenidos con EQS para el Programa de Zonas Prioritarias, PDZP. (imputando datos perdidos) Resumen de resultados obtenidos con EQS para el Programa de Abasto Rural, Diconsa. (eliminando casos con datos perdidos) Resumen de resultados obtenidos con EQS para el Programa de Abasto Rural, Diconsa. (imputando datos perdidos) Criterios de Calidad del Modelo del IMSU del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Criterios de Calidad del Modelo del IMSU del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos datos perdidos Correlaciones entre las Variables Latentes del Modelo del IMSU del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Correlaciones entre las Variables Latentes del Modelo del IMSU del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdido Verificacin del Criterio de Fornell-Lacker en el Modelo del IMSU del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Verificacin del Criterio de Fornell-Lacker en el Modelo del IMSU del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos Cargas Cruzadas entre las Variables Manifiestas y Latentes del Modelo del IMSU del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Cargas Cruzadas entre las Variables Manifiestas y Latentes del Modelo del IMSU del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos Criterios de Calidad del Modelo 7 del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Criterios de Calidad del Modelo 7 del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos 37 40 69 71 72 92 93 97 106 107 122 123 130 186 142 143 158 159 172 173 174 174 175 175 175 177 182 182

Tabla No. 2.1.Tabla No. 2.2.Tabla No. 3.1.Tabla No. 3.2.Tabla No. 3.3.Tabla No. 3.4.Tabla No. 3.5.Tabla No. 3.6.Tabla No. 4.1.Tabla No. 4.2.Tabla No. 4.3.Tabla No. 4.4.Tabla No. 4.5.Tabla No. 4.6.Tabla No. 4.7.Tabla No. 4.8.Tabla No. 4.9.Tabla No. 4.10.Tabla No. 4.11.Tabla No. 4.12.Tabla No. 4.13.Tabla No. 4.14.Tabla No. 4.15.Tabla No. 4.16.Tabla No. 4.17.Tabla No. 4.18.Tabla No. 4.19.Tabla No. 4.20.-

11

Tabla No. 4.21.Tabla No. 4.22.Tabla No. 4.23.Tabla No. 4.24.Tabla No. 4.25.Tabla No. 4.26.Tabla No. 4.27.Tabla No. 4.28.Tabla No. 4.29.Tabla No. 4.30.Tabla No. 4.31.Tabla No. 4.32.Tabla No. 4.33.Tabla No. 4.34.Tabla No. 4.35.Tabla No. 4.36.Tabla No. 4.37.Tabla No. 4.38.Tabla No. 4.39.Tabla No. 4.40.Tabla No. 4.41.Tabla No. 4.42.Tabla No. 4.43.Tabla No. 4.44.Tabla No. 4.45.-

Correlaciones entre las Variables Latentes del Modelo 7 del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Correlaciones entre las Variables Latentes del Modelo 7 del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, eliminando casos con datos perdidos Verificacin del Criterio de Fornell-Lacker en el Modelo 7 del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Verificacin del Criterio de Fornell-Lacker en el Modelo 7 del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos Cargas Cruzadas entre las Variables Manifiestas y Latentes del Modelo 7 del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Cargas Cruzadas entre las Variables Manifiestas y Latentes del Modelo 7 del Programa de Desarrollo Local, Diconsa. Obtenidos con el Software SmartPLS 2.0 M3, eliminando casos con datos perdidos Criterios de Calidad del Modelo 11 del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Criterios de Calidad del Modelo 11 del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos Correlaciones entre las Variables Latentes del Modelo 11 del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Correlaciones entre las Variables Latentes del Modelo 11 del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, eliminando casos con datos perdidos Verificacin del Criterio de Fornell-Lacker en el Modelo 7 del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Verificacin del Criterio de Fornell-Lacker en el Modelo 7 del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos Cargas Cruzadas entre las Variables Manifiestas y Latentes del Modelo 11 del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Cargas Cruzadas entre las Variables Manifiestas y Latentes del Modelo 11 del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3, eliminando casos con datos perdidos Criterios de Calidad del Modelo del IMSU del Programa de Abasto Rural, DICONSA. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Criterios de Calidad del Modelo del IMSU del Programa de Abasto Rural, DICONSA. Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos Correlaciones entre las Variables Latentes del Modelo del IMSU del Programa de Abasto Rural, DICONSA. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Correlaciones entre las Variables Latentes del Modelo del IMSU del Programa de Abasto Rural, DICONSA. Obtenidos con el Software SmartPLS 2.0 M3, eliminando casos con datos perdidos Verificacin del Criterio de Fornell-Lacker en el Modelo del IMSU del Programa de Abasto Rural, Diconsa. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Verificacin del Criterio de Fornell-Lacker en el Modelo del IMSU del Programa de Abasto Rural, Diconsa. Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos Cargas Cruzadas entre las Variables Manifiestas y Latentes del Modelo del IMSU del Programa de Abasto Rural, Diconsa. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Cargas Cruzadas entre las Variables Manifiestas y Latentes del Modelo del IMSU del Programa de Abasto Rural, Diconsa. Obtenidos con el Software SmartPLS 2.0 M3, eliminando casos con datos perdidos Criterios de Calidad del Modelo 7 del Programa de Abasto Rural, DICONSA. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Criterios de Calidad del Modelo 7 del Programa de Abasto Rural, DICONSA. Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos Correlaciones entre las Variables Latentes del Modelo 7 del Programa de Abasto Rural, DICONSA. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos

183 183 184 184 185 186 190 190 191 190 191 192 193 194 198 198 198 199 200 200 201 202 207 207 208

12

Tabla No. 4.46.Tabla No. 4.47.Tabla No. 4.48.Tabla No. 4.49.Tabla No. 4.50.Tabla No. 4.51.Tabla No. 4.52.Tabla No. 4.53.Tabla No. 4.54.Tabla No. 4.55.Tabla No. 4.56.Tabla No. 4.57.Tabla No. 4.58.Tabla No. 5.1.Tabla No. 5.2.Tabla No. 5.3.Tabla No. 5.4.Tabla No. 5.5.Tabla No. 5.6.Tabla No. 5.7.Tabla No. 5.8.Tabla No. 5.9.Tabla No. 5.10.Tabla No. 5.11.-

Correlaciones entre las Variables Latentes del Modelo 7 del Programa de Abasto Rural, DICONSA. Obtenidos con el Software SmartPLS 2.0 M3, eliminando casos con datos perdidos Verificacin del Criterio de Fornell-Lacker en el Modelo 7 del Programa de Abasto Rural, Diconsa. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdido Verificacin del Criterio de Fornell-Lacker en el Modelo 7 del Programa de Abasto Rural, Diconsa. Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos Cargas Cruzadas entre las Variables Manifiestas y Latentes del Modelo 7 del Programa de Abasto Rural, Diconsa. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Cargas Cruzadas entre las Variables Manifiestas y Latentes del Modelo 7 del Programa de Abasto Rural, Diconsa. Obtenidos con el Software SmartPLS 2.0 M3, eliminando casos con datos perdidos Criterios de Calidad del Modelo 10 del Programa de Abasto Rural, DICONSA. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Criterios de Calidad del Modelo 10 del Programa de Abasto Rural, DICONSA. Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos Correlaciones entre las Variables Latentes del Modelo 10 del Programa de Abasto Rural, DICONSA. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Correlaciones entre las Variables Latentes del Modelo 10 del Programa de Abasto Rural, DICONSA. Obtenidos con el Software SmartPLS 2.0 M3, eliminando casos con datos perdidos Verificacin del Criterio de Fornell-Lacker en el Modelo 10 del Programa de Abasto Rural, Diconsa. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Verificacin del Criterio de Fornell-Lacker en el Modelo 10 del Programa de Abasto Rural, Diconsa. Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos Cargas Cruzadas entre las Variables Manifiestas y Latentes del Modelo 10 del Programa de Abasto Rural, Diconsa. Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos Cargas Cruzadas entre las Variables Manifiestas y Latentes del Modelo 10 del Programa de Abasto Rural, Diconsa. Obtenidos con el Software SmartPLS 2.0 M3, eliminando casos con datos perdidos ndices de las Variables Latentes en el Modelo del IMSU del Programa de Zonas Prioritarias, PDZP. Obtenidos con el Software SmartPLS 2.0 M3. ndices de las Variables Latentes en el Modelo del IMSU del Programa de Zonas Prioritarias, PDZP. Obtenidos con el EQS 6.1. Comparacin de los coeficientes de sendero en el Modelo del IMSU del Programa de Zonas Prioritarias, PDZP. Los obtenidos con el Software SmartPLS 2.0 M3 y los presentados en el modelo original del IMSU. Comparacin de los coeficientes de sendero en el Modelo del IMSU del Programa de Zonas Prioritarias, PDZP. Los obtenidos con el Software EQS 6.1 y los presentados en el modelo original del IMSU. Comparacin de los coeficientes de sendero en el Modelo del IMSU del Programa de Zonas Prioritarias, PDZP. Los obtenidos con el Software EQS 6.1 y los obtenidos con SmartPLS. ndices de las Variables Latentes en el Modelo del IMSU del Programa de Abasto Rural, Diconsa. Obtenidos con el Software SmartPLS 2.0 M3. ndices de las Variables Latentes en el Modelo del IMSU del Programa de Abasto Rural, Diconsa. Obtenidos con el Software EQS 6.1. Comparacin de los coeficientes de sendero en el Modelo del IMSU del Programa de Abasto Rural, Diconsa. Los obtenidos con el Software SmartPLS 2.0 M3 y los presentados en el modelo original del IMSU. Comparacin de los coeficientes de sendero en el Modelo del IMSU del Programa de Abasto Rural, Diconsa. Los obtenidos con el Software EQS 6.1 y los presentados en el modelo original del IMSU. Comparacin de los coeficientes de sendero en el Modelo del IMSU del Programa de Abasto Rural, Diconsa. Los obtenidos con el Software EQS 6.1 y los obtenidos con SmartPLS. Comparacin de los ndices de Bondad de Ajuste Goodness of Fit (GoF) de las evaluaciones con SmartPLS. Del modelo original del IMSU y de los modelos alternativos encontrados con EQS 6.1, y probados con SmartPLS 2.0 M3.

208 209 209 210 211 216 216 217 217 218 218 219 220 225 226 227 229 231 233 233 234 236 238 240

13

ABREVIATURAS

ACSI

The American Customer Satisfaction Index, ndice americano de satisfaccin del usuario.

ECSI

The European Customer Satisfaction Index, ndice europeo de satisfaccin del usuario

IMSU LISREL ML PLS SEDESOL SEM SEM-EC

ndice Mexicano de Satisfaccin del Usuario LInear Structural RELationships Maximum likelihood, Mxima Verosimilitud Partial least squares, Mnimos Cuadrados Parciales Secretaria de Desarrollo Social Sistemas de Ecuaciones Estructurales Sistemas de Ecuaciones Estructurales con Estructuras de Covarianzas

SEM-PLS

Sistemas de Ecuaciones Estructurales con Mnimos Cuadrados Parciales

UIA

Universidad Iberoamericana

14

INTRODUCCION El objetivo general de este trabajo es comparar los resultados obtenidos en la Universidad Iberoamericana, en Octubre de 2006 en el proyecto del IMSU (ndice Mexicano de Satisfaccin de Usuario) para los programas de Desarrollo Local (Microrregiones) y Abasto Rural (Diconsa), de SEDESOL (Lobato, et. al., 2006 a y b), con los que se obtienen aplicando la metodologa de sistemas de ecuaciones estructurales por estructuras de covarianzas, y los obtenidos aplicando la metodologa de sistemas de ecuaciones estructurales por medio de PLS (Partial Least Squares o Mnimos Cuadrados Parciales). El modelo del IMSU se basa en el modelo del ACSI (ndice Americano de Satisfaccin del usuario), donde se utiliz para la evaluacin el clculo de los modelos el software del ACSI. Como parte del proceso de transferencia de tecnologa se buscan alternativas de clculo y modelos alternativos. Por lo cual en este trabajo se ponen a prueba las metodologas de sistemas de ecuaciones estructurales por medio de estructuras de covarianza y por medio de mnimos cuadrados parciales. En este trabajo no solo se pretende poner a prueba el modelo del IMSU basado en el modelo del ACSI, como fue obtenido en trabajos previos (Lobato, et. al., 2006, Molina, 2007, y Martnez, 2009), sino tambin, con la autorizacin de la Universidad Iberoamericana de Ciudad de Mxico, evaluar otros modelos derivados de las mismas bases de datos generadas y evaluadas en dichos trabajos, Con la finalidad de introducir al lector a lo que son los ndices de satisfaccin del usuario se presenta el captulo 1, donde se describe brevemente lo que son los ndices de satisfaccin del usuario, se habla de algunos de que son los ndices nacionales de satisfaccin del usuario mostrando algunos ejemplos, por ltimo se habla del ACSI, el ndice Americano de Satisfaccin del Usuario, que es aquel en el que se basa el IMSU, describiendo como se evala y la metodologa que se sigue para obtenerlo.

15

Uno de los programas evaluados cambia de nombre. En el ao de 2006 se evala un programa que se llama Programa de Desarrollo Local, Microrregiones, y cambia de nombre a el Programa de Zonas Prioritarias, PDZP, por lo que cuando se hace referencia al proyecto hasta antes de esa fecha se le conoce como Programa de Desarrollo Local, Microrregiones, y a partir de esa fecha se le conoce como Programa de Zonas Prioritarias, PDZP, encontrndose de esa manera detallada la informacin en el presente trabajo, aunque algunas veces con la finalidad de que sea ms claro para el lector, se utiliza aquel nombre que facilita su comprensin. Para que el lector conozca un poco ms acerca del IMSU, el captulo 2 describe lo que es el IMSU, y cmo se determin. Adicionalmente se describen los programas para los que se pondr a prueba el IMSU, el Programa de Desarrollo Local, Microrregiones (SEDESOL), y el Programa de Abasto Rural, DICONSA (SEDESOL), de los cuales se presenta lo que son, su propsito, la obtencin de los datos y su modelo del IMSU. A continuacin, en el capitulo 3 inicialmente se hace una breve descripcin de las metodologas estadsticas utilizadas para el estudio de la satisfaccin del usuario, presentndose una clasificacin de las mismas, la cual permitir comprender mejor donde se encuentran las tcnicas aplicadas en este trabajo. En seguida se hace una descripcin de lo que son los diagramas de sendero, que son y las reglas que deben seguirse durante su construccin. Entonces se presentan algunos ejemplos de los tipos de diagramas de sendero ms comunes. Para llevar a cabo un anlisis por medio de diagramas de sendero se utiliza la metodologa de Sistemas de Ecuaciones Estructurales, o SEM, por sus siglas en ingls. Existen dos metodologas que permiten llevar a cabo un anlisis por SEM, stas son estructuras de covarianza, que corrientemente se conoce solo como SEM y mnimos cuadrados parciales, que algunas veces se conoce nicamente como PLS, por sus siglas en ingls. Con la finalidad de diferenciar mejor entre las metodologas, en este trabajo sern abreviadas como SEM-EC y SEM-PLS. Estas metodologas estadsticas

16

son de inters en el desarrollo de este estudio, por lo que se presenta un conjunto de definiciones clave utilizadas en anlisis de senderos, SEM-EC y SEM-PLS. En este trabajo se hace una descripcin detallada de los pasos que debe seguirse para el modelamiento causal, que en general son iguales cuando se hace modelamiento con ecuaciones estructurales, SEM, sea por medio de estructuras de covarianzas o por medio de mnimos cuadrados parciales. La metodologa de modelamiento de ecuaciones estructurales, SEM, se presenta con una descripcin de en qu consiste, y se presentan algunos nombres con que es conocido, lo cual es importante ya que cuando no se domina el tema se presentan confusiones. Se hace una descripcin de los modelos de estructuras de covarianzas, SEM-EC, y se lleva a cabo una descripcin ms detallada de cmo son los diagramas de sendero y lo que significan. Con la intencin de que el lector comprenda el significado de las interconexiones entre las variables, se presenta una secuencia paso a paso la construccin de los diagramas de sendero y sus ecuaciones SEM. En seguida se describen los supuestos que deben cumplirse cuando se hace un anlisis SEM con estructuras de covarianzas. Despus se describe como se estiman los parmetros, las pruebas ms comunes de ajuste del modelo, y que hacer en caso de que una reespecificacin del modelo sea necesaria. Por ltimo se presentan, y comparan, algunos de los softwares ms comunes para el anlisis SEM de estructuras de covarianzas, como son LISREL, AMOS y EQS, entre otros. En el caso de la metodologa de mnimos cuadrados parciales, PLS, inicialmente se describe de manera general. En la siguiente seccin describe lo que es la especificacin del modelo y lo que significa, desde la perspectiva de PLS. A continuacin se presentan las ecuaciones estructurales utilizadas en la aplicacin de PLS. Se describe el concepto y las metodologas de estimacin de los modelos, seguida de una evaluacin del ajuste o la relevancia del modelo. Para terminar la seccin dedicada a la descripcin de SEM-PLS, se presenta una seleccin de softwares

17

desarrollados exclusivamente para el anlisis de modelos SEM por PLS, entre estos softwares se encuentran LVPLS, PLS-GUI, y SmartPLS. En este captulo tambin se hace una comparacin de las ventajas y desventajas de las metodologas SEM-EC y SEM-PLS en el modelamiento de senderos. Para terminar con este captulo se describen las metodologas recomendadas para la simulacin de datos perdidos, ya que esta es una actividad importante al hacer un estudio de este tipo. El captulo 4 es el que se encarga de la descripcin de la metodologa del estudio, se describe como se analizaron los supuestos de normalidad, linealidad, datos atpicos y normalidad multivariada. Se menciona en esta seccin el software que fue utilizado y se describen de manera sencilla los pasos a seguir para llevar a cabo el anlisis. En seguida se explican brevemente los softwares utilizados y los pasos que se siguieron para hacer los anlisis de SEM-EC y de SEM-PLS, adems se da una explicacin de la seleccin de los softwares utilizados, EQS para SEM-EC y SmartPLS para SEM-PLS. A continuacin se hace una descripcin de la manera en que se imputaron los datos perdidos. Despus se presentan los modelos del IMSU para cada uno de los programas (Lobato, et. al., 2006 a y b), con una descripcin conceptual de las ecuaciones correspondientes a cada uno. Se presenta tambin un diagnostico de los datos perdidos de cada programa. Posteriormente se presenta el anlisis de supuestos de normalidad, linealidad, datos atpicos y normalidad multivariada de los datos de los modelos del IMSU para ambos programas en estudio. Se presentan los resultados obtenidos en el proyecto del IMSU para los dos programas en estudio, Desarrollo Local

(Microrregiones), y Abasto Rural (Diconsa), que sern aquellos con los que los resultados obtenidos en este estudio se compararn. Para terminar este captulo se presentan los resultados de la evaluacin de los datos del IMSU para ambos programas en estudio con las metodologas de SEM-EC y SEM-PLS, por medio de los softwares EQS y SmartPLS respectivamente.

18

El captulo 5 presenta una comparacin de los resultados obtenidos con las metodologas de ecuaciones estructurales por estructuras de covarianzas (SEM-EC) y de anlisis de senderos va PLS (SEM-PLS) para los programas en estudio, Desarrollo Local (Microrregiones) y Abasto Rural (Diconsa), con los resultados originales del IMSU, y de esta manera concluir el estudio de puesta a prueba de las metodologas y los softwares utilizados en este trabajo.

19

Captulo 1.- ndices de Satisfaccin del Usuario. En este captulo se hace una introduccin a lo que son los ndices de Satisfaccin del Usuario, cmo nacieron, para que se utilizan, y una breve descripcin de su evolucin. Adicionalmente se describe de manera ms profunda al ndice de Americano de Satisfaccin del Usuario, ACSI, ya que a partir de este se adapt el ndice Mexicano de Satisfaccin del Usuario, IMSU. 1.1.- ndices de satisfaccin el usuario: En la actualidad la satisfaccin del usuario, es muy importante, ya que las organizaciones desean mantenerlo, y contar con su lealtad, sobre todo en un mercado muy competido por eso es que en las ltimas dcadas se han desarrollado varios modelos para determinar la satisfaccin del usuario. Comparado con muchas de las mediciones tradicionales de desempeo, la satisfaccin del usuario es probablemente menos sensible a las fluctuaciones estacinales, los cambios en costo, o los cambios en las practicas contables (Kotler, 1988, citado en Fornell, 1992). Los usuarios satisfechos son un recurso de la organizacin, los cambios en la satisfaccin son consecuencia de decisiones pasadas y predicen el desempeo futuro. El ltimo juicio de la calidad lo hace el usuario. Aquellas mejoras de calidad que no son reconocidas por el usuario son inversiones cuestionables (Fornell,1992). Algunos autores han mostrado que los ndices de satisfaccin del usuario (Customer Satisfaction Index, CSI) sirven como predictores de la rentabilidad de las compaas. El valor de un ndice de satisfaccin del usuario es un complemento de las mediciones econmicas tradicionales, que permite a una compaa la evaluacin de su recurso ms preciado, sus usuarios (Hsu, Chen, Hsieh, 2006).

20

1.1.1.-

Que son los ndices de satisfaccin del usuario?

La satisfaccin del usuario refleja el grado en el que el usuario reconoce la calidad de un producto. Los productos y servicios que proveen una alta satisfaccin del usuario son menos vulnerables a la competicin (Fornell, 1992). En general un ndice de Satisfaccin del Usuario es un nmero que representa que tan satisfecho o insatisfecho se encuentra el usuario con un producto o servicio determinado. Las organizaciones deben fijarse no solo en su productividad, tambin debe fijarse en la calidad si quieren entrar a los mercados mundiales, por lo que es muy importante medir la calidad y mejorarla, eso es lo que se pretende con un ndice de satisfaccin del usuario. Fornell, 1992, ha comparado a los ndices de satisfaccin del usuario con los ndices de productividad, ya que ambos miden el desempeo econmico, solo que un ndice de productividad se enfoca en la cantidad y un ndice de satisfaccin en la calidad. Un modelo de ndice de Satisfaccin del Usuario, o CSI, consiste en un grupo de variables latentes que representan las relaciones de causa y efecto entre los antecedentes y las consecuencias de la satisfaccin del usuario (Hsu, Chen, Hsieh, 2006). 1.1.2.Algunos ndices nacionales de satisfaccin del usuario:

Un ndice nacional de satisfaccin del usuario es en general un modelo que determina la satisfaccin del usuario, generando un ndice de satisfaccin, que se pretende represente el sentir de la poblacin de una nacin con respecto a la satisfaccin que le proporciona un producto o servicio. Para las organizaciones es muy importante conocer lo que el usuario opina del servicio que se est ofreciendo, si est satisfecho o no por un servicio recibido. Como la opinin

21

real de un servicio no solo se basa en lo que el usuario dice del servicio, sino tambin se basa en las actitudes que el usuario toma despus de haber recibido el servicio, como es el hecho de recomendar el servicio o quejarse de el, se han creado diversos mtodos que permiten determinar la satisfaccin del usuario. En la actualidad existen varios ndices nacionales que permiten estudiar la satisfaccin de los usuarios, estos son el Barmetro Sueco de Satisfaccin del Usuario o SCSB (Swedisch Customer Satisfaction Barometer), el Barmetro Alemn del Usuario o DK (Deutsche Kundenbarometer), el ndice Americano de Satisfaccin del Usuario o ACSI (American Customer Satisfaction Index), el ndice Europeo de Satisfaccin del Usuario o ECSI (European Customer Satisfaction Index), as como otros ndices de satisfaccin del usuario en otros pases como Noruega, Austria, Tailandia y Nueva Zelanda (Fornell, et.al., 1996, y Johnson, et. al., 2001). Con la finalidad de ejemplificar los diferentes modelos, y las similitudes que existen entre ellos, a continuacin se muestran algunos de los modelos de los ndices de satisfaccin del usuario ms conocidos. Suecia fue el primer pas que estableci en 1989 un indicador econmico a nivel nacional que reflejara la satisfaccin del usuario con la intencin de promover la calidad y hacer su industria ms competitiva. A este indicador se le conoce como el Barmetro Sueco de Satisfaccin del Usuario, o Swedish Customer Satisfaction Barometer (SCSB). Se espera que este ndice sea un complemento a las mediciones tradicionales de desempeo econmico, proporcionando informacin valiosa no solo para las mismas compaas, sino tambin para los accionistas e inversionistas, los reguladores del gobierno y los compradores. El SCSB anual es una medida a nivel nacional de que tan bien las compaas satisfacen a sus usuarios. (Fornell, 1992). El SCSB ayudara a enfocar la atencin pblica en mejorar la calidad y la satisfaccin del usuario como una fuente de un mayor estndar de vida (Fornell, 1992). En la figura No. 1.1 se puede ver el modelo original del Barmetro Sueco de Satisfaccin del Usuario, SCSB.

22

Desempeo Percibido (valor)

Quejas del Usuario

Satisfaccin el Usuario (SCSB)

Expectativas del Usuario

Lealtad del Usuario

Fuente: Johnson, et.al., 2001

Figura No. 1.1.- Modelo Original del Barmetro Sueco de Satisfaccin del Usuario, SCSB, Swedish Customer Satisfaction Barometer.

El ndice Americano de Satisfaccin del Usuario, The American Customer Satisfaction Index, ACSI, fue desarrollado en 1994 (Johnson, et.al., 2001). El modelo del ACSI evolucion del SCSB y difiera bsicamente de ste en que en el ACSI se ha incluido un nueva variable, Calidad Percibida. En la figura No. 1.2 se puede ver el modelo del ACSI.

23

Calidad Percibida

Quejas

Valor Percibido

Satisfacin del ususario (ACSI)

Expectativas del Usuario

Lealtad del Usuario

Fuente: Fornell, et.al., 1996

Figura No. 1.2.- Modelo del ndice Americano de Satisfaccin del Usuario, ACSI, The American Customer Satisfaction Index.

El ndice Europeo de Satisfaccin del Usuario, ECSI, se cre con la finalidad de armonizar los ndices nacionales de satisfaccin del usuario en Europa. Este se basa en el SCSB y en el ACSI (Fornell, 1992, y Fornell, et.al., 1996). La diferencia bsica entre el ESCI y el ACSI es que en el modelo del ECSI se incluye a la imagen (Tenenhaus, et.al., 2005). En la figura No. 1.3 se puede ver el modelo del ECSI.

24

Imagen

Expectativas del Usuario

Lealtad

Valor Percibido

Satisfaccin del Usuario (ECSI)

Quejas Calidad Percibida

Fuente: Tenenhaus, et.al., 2005

Figura No. 1.3.- Modelo del ndice Europeo de Satisfaccin del Usuario, ECSI, The European Customer Satisfaction Index.

1.2.- El ndice Americano de Satisfaccin del Usuario, ACSI: Cuando se habla de ndices nacionales de satisfaccin del usuario generalmente se piensa en el modelo del ACSI. Este modelo ha sido adoptado o adaptado por los modelos utilizados en diferentes pases (Johnson, et.al., 2001). El ndice Americano de Satisfaccin del Usuario (ACSI) es una medicin nacional sobre la satisfaccin con respecto a la calidad de los bienes y servicios disponibles en Estados Unidos. El ACSI es tanto una medida de tendencias como un parmetro de comparacin para las empresas, industrias y sectores de la economa de consumo de

25

los hogares y para un gran nmero de dependencias importantes del gobierno federal (ACSI, 2005). Fornell, et. al., 1996, introdujeron el ndice Americano de Satisfaccin del Usuario o ACSI, el cual es un Nuevo tipo de sistema de medicin basado en los usuarios, para evaluar el desempeo de las compaas, industrias, sectores econmicos y economas nacionales (Fornell, et.al., 1996). El ACSI se dise considerando ms de 200 compaas, que compiten en ms de 40 industrias, en los 7 sectores ms importantes de la economa. Anualmente el ACSI estima el ndice de satisfaccin del usuario de cada compaa y utiliza estos para calcular los ndices industriales, sectoriales o nacionales. El ACSI representa una evaluacin acumulativa de los productos que ofrece una compaa, aunque podra ser aplicado a un producto o servicio especifico (Fornell, et.al., 1996). La pgina de Internet del ACSI declara que el ACSI reporta en una escala de 0 a 100 a nivel nacional, ndices para 10 sectores econmicos, 44 industrias, y ms de 200 compaas y para agencias gubernamentales federales y locales, incluyendo ndices de causas y consecuencias de la satisfaccin del usuario. Las industrias y los sectores evaluados representan la economa estadounidense. Adicionalmente la pgina de Internet del ACSI declara que el ACSI es un indicador importante de desempeo econmico, en ambos casos, para las compaas individuales y para la

macroeconoma. Tambin declara que el ACSI ha mostrado que puede predecir adecuadamente el gasto del usuario y el crecimiento del mercado accionario, entre otros indicadores importantes de crecimiento econmico (ACSI, http://www.theacsi.org). 1.2.1.Cmo se evala el ACSI?

La metodologa del ACSI se caracteriza y se distingue de otras medidas de calidad porque: a) tiene una definicin uniforme y definida basada en la perspectiva del usuario, b) considera una acumulacin de experiencia, ms que una experiencia reciente, c)

26

utiliza un modelo de causa efecto que mide la satisfaccin cuantitativamente como resultado de entradas cuantificables de las expectativas y percepcin de la calidad, d) relaciona cuantitativamente la satisfaccin con salidas o resultados de servicio: quejas o lealtad (Lobato, et. al., 2006 a y b). El modelo del ACSI es un conjunto de ecuaciones causales que relacionan las expectativas del usuario, la calidad percibida, y el valor percibido con la satisfaccin del usuario. La satisfaccin se relaciona con salidas tales como quejas y lealtad del usuario. El ACSI utiliza las entrevistas al usuario como entrada a un modelo economtrico multiecuacional desarrollado por la Universidad de Michigan. El modelo es un modelo de causa-efecto que tiene del lado izquierdo los causantes de la satisfaccin, como son: expectativas del usuario, calidad percibido, y valor percibido, las satisfaccin se encuentra en el centro (ACSI), y las salidas de la satisfaccin del lado derecho, stas son: quejas y lealtad del usuario (ACSI, http://www.theacsi.org). El modelo del ACSI, The American Customer Satisfaction Index se representa en forma grfica en un diagrama de senderos o path diagram, donde por medio de flechas se representan la relacin que existe entre las variables, las variables pueden ser manifiestas, que son las variables observadas y que pueden ser medidas directamente, y las variables latentes, que son aquellas que no se pueden medir directamente, y que son medidas a travs de las variables manifiestas y de otras variables latentes. Las variables latentes son aquellas que se encuentran dentro de los crculos u valos en el diagrama de senderos. El clculo estadstico del ACSI se basa en un modelo de ecuaciones estructurales, que permite obtener las relaciones entre las variables expresadas de manera numrica, y de tal forma obtener un ndice que representa el ACSI. En el caso del modelo del ACSI existen dos variantes, la correspondiente al Modelo del ACSI para dependencias de Gobierno, y la correspondiente al Modelo del ACSI para industrias Privadas, ver figuras No. 1.4 y 1.5 respectivamente. Como se puede ver en ambas figuras, el modelo del ACSI tiene tres antecedentes, la calidad percibida, el valor

27

percibido y las expectativas del usuario, y 2 consecuencias, las quejas y la lealtad o confianza del usuario. La principal diferencia entre la evaluacin de la satisfaccin del usuario del sector pblico y la del usuario del sector privado es que generalmente el usuario de los servicios del sector pblico no tiene opcin, as que la confianza se mide con la intencin que tiene el usuario de utilizar nuevamente el servicio.

Q1

Actividad 1 Q2

Comparacin con Expectativas

Satisfaccin Q3 Actividad 2 Q4 Calidad Percibida

Comparacin con Ideal

Satisfaccin del usuario ACSI

Quejas del Usuario

Quejas

Confianza del Usuario Q5 Actividad 3 Q6 Expectativas del Usuario Recomendacin

Confianza

Fuente: . American Customer Satisfaction Index, Methodology Report, 2005

Figura No. 1.4.- Modelo del ndice Americano de Satisfaccin del Usuario, ACSI, The American Customer Satisfaction Index, para dependencias de Gobierno.

28

Personalizacin Confiabilidad

General

Comportamiento de Quejas

Calidad Percibida

Comparacin con Expectativas Satisfaccin Comparacin con Ideal

Quejas

Calidad dada al precio Precio dado a la calidad

Valor Percibido

Satisfaccin del Usuario (ACSI)

Expectativas del Usuario

Lealtad del Usuario

Confiabilidad Personalizacin General Probabilidad de recompra

Tolerancia al precio

Fuente: . American Customer Satisfaction Index, Methodology Report, 2005

Figura No. 1.5.- Modelo del ndice Americano de Satisfaccin del Usuario, ACSI, The European Customer Satisfaction Index, para industrias Privadas.

La capacidad de prediccin del ACSI se basa en un modelo economtrico que relaciona la experiencia en cuanto a la calidad y la percepcin de valor del usuario con la satisfaccin y los efectos en las quejas y la lealtad del usuario. Para las dependencias de gobierno, normalmente el resultado que se desea obtener con la satisfaccin del usuario no es la rentabilidad, sino la confianza del usuario como una forma de medir de manera un poco ms precisa la confianza del pblico en general en el gobierno.

29

1.2.2.-

Metodologa del ACSI:

Con la finalidad de obtener el ACSI, en el caso del sector privado, una vez que se identifica un usuario se le hace un cuestionario, que cuenta 17 preguntas estructuradas y 8 preguntas demogrficas. Las preguntas que se hacen para medir las Expectativas del Usuario son: expectativas generales, expectativas referentes a personalizacin y expectativas referentes a confiabilidad. Para medir la Calidad Percibida se hacen preguntas referentes a la calidad global percibida, la personalizacin percibida y la confiabilidad percibida. Las preguntas que se hacen para obtener el Valor Percibido son referentes a la apreciacin de la calidad con respecto al precio y al precio con respecto a la calidad. La Satisfaccin Global del Usuario (ACSI) se obtiene mediante tres preguntas: satisfaccin general, que tanto cumpli las expectativas y el desempeo con respecto al ideal del usuario. Las Quejas se miden considerando si el usuario se ha quejado formal o informalmente. La Lealtad se mide por medio de la posibilidad de recompra o reutilizacin de un servicio, y a la capacidad que tiene la compaa para modificar el precio y an as mantener el inters del usuario (Fornell, et.al., 1996). En el caso del modelo del ACSI para instituciones gubernamentales la probabilidad de recompra y la tolerancia al precio no son relevantes como repuestas del servicio. Adems el valor percibido como una relacin de precio y calidad no es un impulsor, ya que generalmente no hay un cargo para aquellas organizaciones que son soportadas por impuestos. En su lugar la respuesta deseada que indique la satisfaccin del usuario es la confianza, cuyos indicadores son el grado en el que el usuario est dispuesto a recomendar el servicio, y la confianza que se tiene en la agencia que provee el servicio. Los antecedentes de la satisfaccin cambiarn dependiendo de los servicios que provea la agencia (ACSI, 2005). Para estimar el modelo del ACSI se utiliza una versin de mnimos cuadrados parciales, o PLS, Partial Least Squares, que es un modelo iterativo para estimar modelos

causales. Adems con la finalidad de reducir el sesgo extremo en la distribucin de frecuencia se hacen cuestionarios que son respondidos en escala de 10 puntos.

30

Para el ACSI los datos son colectados a travs de entrevistas telefnicas a los usuarios del producto o servicio evaluado. Los usuarios son seleccionados por medio de marcacin digital aleatoria (RDD por sus siglas en ingls). Para el ACSI es adecuado un tamao de muestra de 250 para usuarios de compaas del sector privado y 260 para usuarios del sector gubernamental (ACSI, 2005).

31

Captulo 2.- ndice Mexicano de Satisfaccin del Usuario, IMSU. En este captulo se describe lo que es el IMSU, porqu y cmo se gener. Adems se presentan de manera general los resultados que se obtuvieron en trabajos previos en el proyecto del IMSU para los programas de Desarrollo Local y Abasto Rural de

SEDESOL, resultados que sern puestos a prueba ms adelante en este trabajo, aplicando diferentes metodologas de anlisis de datos. 2.1.Qu es el IMSU?

El IMSU es un tipo de indicador que corresponde a las tendencias de la actual agenda internacional gubernamental, donde conocer la satisfaccin de los usuarios es un tema central porque dicha dimensin se relaciona con la confianza de los ciudadanos (Lobato, et. al, 2006 a y b). Considerando los avances sobre el tema de la satisfaccin de los usuarios, la Red de Calidad del Gobierno Federal propuso al USAID (United States Agency for International Development) que se creara una instancia en Mxico que adapte el ACSI a las necesidades del pas, de esa manera nace el ndice Mexicano de Satisfaccin de los Usuarios (IMSU). Dicha instancia deber encontrarse en una Institucin de Educacin Superior (IES) caracterizada por su prestigio y neutralidad. Para ello, el USAID mediante la Oficina de Innovacin Mxico convoca a un concurso a las IES mexicanas (Lobato, et. al., 2006 a y b). La Dra. Odette Lobato, entonces coordinadora de la Maestra en Ingeniera de Calidad del Departamento de Ingenieras de la Universidad Iberoamericana, gana el concurso del IMSU en junio de 2005. Por lo cual la UIA Cd. De Mxico firma un convenio de colaboracin con la Universidad de Michigan para la promocin de la instauracin del IMSU, teniendo como testigos de honor a representantes de la Secretara de la Funcin

32

Pblica, la Embajada de Estados Unidos en Mxico, la Red de Calidad del Gobierno Federal y el USAID. Adems, obtiene la licencia en exclusiva de la metodologa del ACSI en Mxico, con el objeto de adaptarla a las condiciones del pas, de tal forma que se instaure el IMSU (Lobato, et. al., 2006 a y b). La metodologa del IMSU fue adaptada por el equipo del IMSU, liderado por la Dra. Lobato, mediante una prueba piloto a dos programas sociales a cargo de SEDESOL, el de Desarrollo Local y el de Abasto Rural. Al aplicar la metodologa del ACSI se pretende contar con una medida uniforme de satisfaccin de los usuarios. La cual, si se aplica de manera regular permitira contar con un instrumento preciso y completo sobre los resultados econmicos. Esta nueva medida se convertira en un evaluador nacional de la satisfaccin del usuario de servicios gubernamentales y permitira apoyar en la eficientizacin de servicios del gobierno. La nueva medida permitira evaluar el cumplimiento de objetivos y metas. Por lo tanto, si los programas sociales cuentan con mediciones del nivel de satisfaccin del beneficiario, se aumentar la confianza de los ciudadanos, se mejorar el desempeo de los programas, se podr satisfacer las necesidades y exceder sus expectativas. El IMSU nace con el fin de evaluar la satisfaccin de los beneficiarios de los programas sociales y permitir que el organismo o proyecto sea evaluado, y el gobierno federal cuenten con informacin suficiente para mejorar la calidad de sus servicios, mejorar la satisfaccin de los usuarios y optimizar su desempeo . 2.2.Cmo se determin el IMSU?

Se decidi que el IMSU se basara en la metodologa del ACSI debido a que fue seleccionado como el parmetro de oro en Estados Unidos para evaluar los servicios gubernamentales (Molina, 2007).

33

El IMSU se adapt para cada uno de los programas en estudio, Abasto Rural y Desarrollo Local, basndose en el modelo general de la Metodologa del ACSI para la evaluacin de la satisfaccin de los usuarios para programas de gobierno, (Ver Fig. No. 1.4). Para ello se llev a cabo la revisin de los documentos correspondientes a cada programa, y se hicieron entrevistas a funcionarios y usuarios. Cada uno de los modelos fue revisado por personal de la SEDESOL y de la UIA. La adaptacin del ACSI se llev a cabo de acuerdo a las caractersticas de cada uno de los programas. Una vez aprobado cada uno de los modelos se desarroll un cuestionario cerrado como instrumento para dirigir las entrevistas. Los cuestionarios contaban con una escala de respuesta de 1 a 10 puntos, donde el valor ms desfavorable se asign al 1 y el ms favorable al 10. Las preguntas contaron con una estructura probada en Estados Unidos por la Universidad de Michigan. Para elaborar los cuestionarios se tomaron en cuenta las caractersticas de los usuarios y se aplicaron de manera annima, en el caso del Programa de Abasto Rural cara a cara, y en el caso del Programa de Desarrollo Local de manera telefnica (Lobato, et. al., 2006 a y b). Los cuestionarios contaron con tres secciones:

Seccin de datos generales para caracterizar la muestra. Seccin de verificacin de la comprensin del cuestionario. Seccin de preguntas que integran el modelo IMSU.

Para mayor detalle sobre los cuestionarios y la aplicacin de los mismos para cada uno de los programas, dirigirse a la versin final del cada uno de los reportes de la aplicacin de la metodologa para la obtencin del ndice de Satisfaccin del Beneficiario de los programas de Abasto Rural y Desarrollo Local (Lobato, et. al., 2006 a y b), y los trabajos de tesis de Luz Mara Molina, 2007, y John Martnez, 2009.

34

2.3.-

Programas en estudio:

Como ya se haba mencionado anteriormente, como parte del proyecto del IMSU, se llev a cabo en 2006 la evaluacin de dos los programas sociales de SEDESOL, el Programa de Desarrollo Local (Microrregiones) y el Programa de Abasto Rural (PAR, Diconsa). A partir de esta evaluacin se generaron los reportes: Versin final del reporte de la aplicacin de la metodologa para la obtencin del ndice de Satisfaccin del Beneficiario del Programa de Abasto Rural (Lobato, et. al., 2006a) y Versin final del reporte de la aplicacin de la metodologa para la obtencin del ndice de Satisfaccin del Beneficiario del Programa de Desarrollo Local (Lobato, et. al., 2006b), y los trabajos de tesis Implementacin del ndice mexicano de satisfaccin del usuario para evaluar la satisfaccin de los beneficiarios del programa abasto rural a cargo de la secretaria de desarrollo social (Martnez, 2009) y Implantacin del ndice mexicano de satisfaccin del usuario para evaluar la calidad del programa de desarrollo local a cargo de la secretara de desarrollo social (Molina, 2007). Los programas y los resultados obtenidos por parte del proyecto del IMSU en 2006 son descritos brevemente a continuacin, con la intencin de mostrar los modelos que, ms adelante, durante el desarrollo de este trabajo sern puestos a prueba con las metodologas de Estructuras de Covarianza y Mnimos Cuadrados Parciales. 2.3.1.Programa de Desarrollo Local, Microrregiones:

El propsito del Programa de Desarrollo Local (Microrregiones) es coadyuvar en el desarrollo de las microrregiones a travs de la realizacin de obras y acciones de beneficio a sus habitantes. Las microrregiones son zonas geogrficas con un alto o muy alto grado de marginacin, y puede estar formadas predominantemente por indgenas (SEDESOL, 2005). El Programa de Desarrollo Local apoya proyectos que impactan en: Infraestructura Social, Accesibilidad, Desarrollo Comunitario, Salud, Educacin y Deporte, Vivienda, Centros Comunitarios de Aprendizaje, Abasto y Acopio, Infraestructura y Fomento de la

35

Produccin y la Productividad, Telefona y Promocin Social, entre otros (Lobato, et. al., 2006b). En el Programa de Desarrollo Local (Microrregiones) el proceso de adaptacin del IMSU incluy: la seleccin de un segmento de usuarios y de la muestra, el diseo del modelo de evaluacin, la construccin de los instrumentos y la forma de recoleccin de los datos, las respuestas de los usuarios, el perfil de las respuestas, la puesta a prueba del modelo y su interpretacin (Lobato, et. al., 2006b). Para la evaluacin del Programa de Desarrollo Local se seleccion a los usuarios de los proyectos de infraestructura social. Los usuarios de estos proyectos son los funcionarios municipales que se encuentran a cargo del desarrollo de estos proyectos en las Microrregiones (Lobato, et. al., 2006b). Se entrevist a 337 jefes o encargados de obras que correspondan a 245 municipios, de los cuales se consigui una muestra efectiva de 250 funcionarios. Debido a que se consider que 8 funcionarios contestaron en forma contradictoria se decidi eliminarlos, quedando de esta manera un tamao de muestra de 242. Como el tamao de muestra se encontr muy cerca al sugerido por la Universidad de Michigan como mnimo, 250 personas para un estudio de satisfaccin del usuario, se puede decir que la muestra es adecuada. En la figura No. 2.1 se muestra el modelo de evaluacin del IMSU para el Programa de Desarrollo Local, y la tabla No. 2.1 muestra los temas de las preguntas relacionadas al modelo.

36

Tabla No. 2.1.- Temas de las preguntas del modelo del IMSU para el Programa de Desarrollo Local, Microrregiones de SEDESOL.

Pregunta P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 P13 P14 P15 P16 P17 Expectativas

Tema Claridad de objetivos Claridad de la informacin Facilidad de trmite Transparencia en resolucin Relevancia de apoyo econmico Oportunidad del recurso Eficiencia del coordinador Seguimiento del proceso Utilidad de las asesoras Calidad percibida Satisfaccin general Comparacin con el nivel de expectativas Comparacin con el ideal Quejas Disposicin a hablar bien o recomendar Apoyo esperado del programa en el futuro

Fuente: Lobato, et. al., 2006b

37

Fuente: Lobato, et.al., 2006b

Figura No. 2.1.- Modelo del ndice Mexicano de Satisfaccin del Usuario, IMSU, para el Programa de Desarrollo Local, Microrregiones (SEDESOL).

38

38

2.3.2.-

Programa de Abasto Rural, Diconsa:

El propsito del Programa de Abasto Rural (PAR) es contribuir a la superacin de la pobreza alimentaria, mediante la garanta del abasto de productos bsicos y complementarios a localidades de alta y muy alta marginacin, con base en la organizacin y la participacin comunitaria (SEDESOL, 2005). El PAR garantiza por medio de almacenes, canales de distribucin y tiendas el abasto de productos bsicos y complementarios a zonas rurales de alta y muy alta marginacin. Adems busca que los precios de los productos signifiquen un ahorro para la poblacin en relacin a la oferta de la zona. Se busca un abastecimiento eficiente, oportuno, suficiente, con calidad y de alto valor nutricional (Lobato, et. al., 2006a). En el Programa de Abasto Rural (Diconsa) el proceso de adaptacin del lMSU incluy: la seleccin de un segmento de usuarios y de la muestra, el diseo del modelo de evaluacin, la construccin de los instrumentos y la forma de recoleccin de los datos, y las respuestas de los usuarios, el perfil de las respuestas, la puesta a prueba del modelo y su interpretacin (Lobato, et. al., 2006a). El Programa de Abasto Rural, Diconsa, es de cobertura nacional, y para el estudio se defini que los usuarios eran las personas que adquiran un producto en una de las tiendas de dicho programa (Lobato, et. al., 2006a). Los criterios de la seleccin de la muestra fueron: a) el grado de marginacin de la localidad en que est ubicada la tienda y b) la poblacin atendida por la tienda en nmero fuera importante. El muestreo se llev a cabo en dos etapas, primero se seleccionaron 40 tiendas Diconsa y en seguida a 10 usuarios de cada tienda. Por medio de este procedimiento se obtiene un tamao muestral total de 400 usuarios, de las cuales se censuraron 5 debido a inconsistencia en las respuestas, quedando as 395 usuarios para la evaluacin (Lobato, et. al., 2006a).

39

En la figura No. 2.2 se muestra el modelo de evaluacin del IMSU para el Programa de Abasto Rural, y la tabla No. 2.2 muestra los temas de las preguntas relacionadas al modelo.

Tabla No. 2.2.- Temas de las preguntas del modelo del IMSU para el Programa de Abasto Rural, DICONSA de SEDESOL.

Pregunta P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 P13 P14 Expectativas Surtido Ubicacin Precio

Tema

Calidad del producto Amabilidad Cumplimiento del horario Calidad General Percibida Satisfaccin general Comparacin con el nivel de expectativas Comparacin con el ideal Quejas Recomendacin Lealtad

Fuente: Lobato, et. al., 2006a

40

Calidad Producto

Fuente: Lobato, et.al., 2006a

Figura No. 2.2.- Modelo del ndice Mexicano de Satisfaccin del Usuario, IMSU, para el Programa de Abasto Rural, DICONSA (SEDESOL).

41 41

Captulo 3.- Metodologas estadsticas para anlisis de satisfaccin del usuario. Con la finalidad de introducir al lector con las metodologas estadsticas utilizadas en la medicin de la satisfaccin del usuario, en este captulo se hace una descripcin general de las mismas, haciendo nfasis en aquellas que son estudiadas en este trabajo, los modelos de ecuaciones estructurales con variables latentes y los mnimos cuadrados parciales. 3.1.Medicin de los ndices de satisfaccin:

Existen diferentes tipos de anlisis estadsticos utilizados para el anlisis de datos de satisfaccin del usuario. El mtodo que elige una organizacin depende ms bien de los recursos con que cuenta, como son el conocimiento estadstico y el conocimiento acerca del tema, y tambin del tiempo, del software y los datos disponibles. Existen tres niveles en los cuales se puede clasificar fcilmente este tipo de anlisis: univariado, bivariado y multivariado. Aunque las tcnicas univariada y bivariada son muy tiles para estudios de rastreo, no son adecuadas para estudios de diagnstico para la toma de decisiones estratgicas (Allen y Rao, 2000). Las tcnicas univariadas son las ms empleadas para estudios de rastreo. Un estudio univariado puede consistir en una obtencin de proporciones, en la obtencin de una media y las varianzas correspondientes. Esta es la metodologa ms fcil de utilizar, porque la mayora de las personas la entiende y se siente cmoda con ella. En el anlisis bivariado se hace una comparacin entre dos variables, lo que se hace es una medicin donde se determina si dichas variables tienen una correlacin que sea estadsticamente significativa. Por medio de esta tcnica se hacen comparaciones entre dos mediciones univariadas. El anlisis multivariado es aquel en el cual se hace una comparacin entre tres o ms variables. Este tipo de anlisis es muy utilizado en la evaluacin de la satisfaccin del usuario, ya que puede relacionar ms de dos variables, obteniendo la correlacin que 42

existe entre ellas, garantizando de esta manera que la informacin obtenida si servir para hacer planeacin estratgica de una organizacin. Para el anlisis de satisfaccin del usuario el anlisis multivariado se divide en tres tipos: Modelos de Dependencia, Modelos de Interdependencia y los Modelos Hbridos Dentro de los modelos hbridos encontramos los modelos de ecuaciones estructurales con variables latentes, tambin conocidos como estructuras de covarianzas, la metodologa de mnimos cuadrados parciales, y la metodologa de regresin de componentes principales. Las dos primeras sern descritas a detalle en este trabajo ya que son el objetivo del estudio, la tercera solo ser descrita, ms adelante, de manera sencilla, con la finalidad de hacerla del conocimiento del lector. Los modelos hbridos estn formados por ambos, los modelos de dependencia y los de independencia, y algunos autores se refieren a ellos como tcnicas multivariadas de segunda generacin (Allen, y Rao, 2000). Para llevar a cabo este trabajo se seleccionaron tcnicas multivariadas ya que la satisfaccin del usuario no solo depende de una o de dos variables para ser comprendida, sino del efecto simultneo de muchas de ellas. Al llevar a cabo un anlisis multivariado se estarn considerando los efectos de todas las variables a la vez. Ya que ambas tcnicas utilizadas en este trabajo sirven para evaluar sistemas de ecuaciones estructurales, para abreviar, y diferenciar entre ellas, se utilizarn las siguientes abreviaturas, SEM-EC, para sistemas de ecuaciones estructurales con estructuras de covarianzas, y SEM-PLS, para sistemas de ecuaciones estructurales con mnimos cuadrados parciales. La figura No. 3.1 muestra un esquema en el cual se presentan los diferentes tipos de anlisis de datos de satisfaccin del cliente o usuario, el anlisis univariado, el anlisis bivariado y el anlisis multivariado.

43

ANALISIS DE DATOS DE SATISFACCIN DEL USUARIO

ANALISIS UNIVARIADO

ANALISIS BIVARIADO

ANALISIS MULTIVARIADO

Estudios de Rastreo

Estudios Transversales

Comparacin de dos Mediciones Univariadas

Mediciones de Asociacin
Mtricas

Modelos de Dependencia

Modelos de Interdependencia

Modelos Hbridos

Proporciones

Proporciones Pruebas t

Medias

Medias Mixtas Pruebas z

Variable de resultado mltiple

Variable de un resultado

Tcnicas de reduccin de datos

Modelos de ecuaciones estructurales con variables latentes

Varianzas

Varianzas Pruebas f

No mtricas Correlacin cannica

Resultado categrico Anlisis discriminante mltiple Regresin logstica Anlisis de dominacin

Resultado mtrico

Anlisis de factores

Anlisis de componentes principales

Mnimos cuadrados parciales

Regresin mltiple Anlisis de factor Q Algoritmo de Kruskal Anlisis de factor R

Regresin de componentes principales

Fuente: Allen y Rao, 2000

Figura No. 3.1.- Anlisis de datos de satisfaccin del usuario. 44 44

3.2.-

Los diagramas de sendero:

Se puede hacer inferencia causal de dos maneras, por medio de un diseo experimental, o por medio de un modelo causal. En el caso de un diseo experimental, el investigador estudia el efecto de las variables independientes en una o ms variables dependientes. Se mide el efecto en las variables dependientes al llevar a cabo un cambio en las variables independientes. Se lleva a cabo la experimentacin con asignacin aleatoria de las pruebas y con control de aquellos factores de ruido o de confusin que pudieran afectar los resultados. El desarrollo de un modelo causal es diferente, ya que no se cuenta con la posibilidad de llevar a cabo experimentacin, adems de que no es posible aislar todos los factores de confusin, ya que muchos de ellos no son conocidos o no pueden ser determinados, o no se puede tener control sobre ellos. La informacin en estos casos se obtiene por medio de tcnicas no experimentales, como las encuestas. Un modelo causal se construye por medio de ecuaciones que representan la relacin entre cada una de las variables del modelo. Estos modelos pueden ser expresados de manera grfica o matricial. La forma en la cual se expresa con mayor claridad la idea de un modelo causal es un diagrama de sendero, que en ingls se nombra como path diagram, y que recibe adems otros nombres como diagrama de ruta. El anlisis estadstico que permite interpretar este diagrama se conoce como anlisis de senderos, y que en ingls recibe el nombre de path analysis, y que adems es conocido como anlisis de trayectoria, anlisis de caminos, modelamiento de senderos con variables latentes (latent variable path modeling) (Gondar, 2002). Los anlisis de sendero fueron desarrollados por primera vez en un artculo publicado por el genetista Sewall Wright en 1921, con el propsito de estudiar los efectos directos e indirectos de unas variables sobre otras. Est tcnica empez a cobrar importancia a

45

partir de los aos 50s, y desde entonces no ha dejado de crecer (Lvy y Oubia, 2006). Actualmente el anlisis de sendero es muy usado para probar conjuntos de supuestos causales entre variables que se dan en un estudio. Si el modelo construido por el investigador se ajusta a los datos, se mantiene para someterlo a nuevas pruebas o, de lo contrario, para modificarlo o reemplazarlo. El anlisis de sendero no es un procedimiento para demostrar la existencia de causalidad de forma definitiva (Gondar, 2002). El anlisis de senderos est relacionado con el anlisis de regresin mltiple, pero el anlisis de regresin mltiple pertenece a los mtodos descriptivos, mientras que el anlisis de sendero es un mtodo explicativo. Cuando un modelo se ajusta a los datos, este modelo ser probado con ms grupos de datos para ver si se ajusta, si no se propone un nuevo modelo (Lvy y Oubia, 2006). Los diagramas de sendero estn compuestos por un grupo de variables encerradas en crculos u valos, unidas entre si con una o ms flechas, dibujadas con lneas continuas o punteadas, de una o dos cabezas, que representan el tipo de relacin que existe entre las variables. A estos diagramas se les conoce tambin como diagramas causales, y existen algunas reglas sugeridas para la construccin de estos diagramas, stas se presentan en la figura No. 3.2.

46

Figura No. 3.2.- Reglas para la construccin de diagramas causales

1.2.-

Los nombres de las variables se representan por palabras clave pequeas o por letras. Se supone que las variables que se encuentran a la izquierda del diagrama causan a las que estn a la derecha.

3.-

Las relaciones causales entre las variables son representadas por flechas de una sola cabeza.

4.-

Se supone que las variables que estn unidas por una flecha curva de doble cabeza, estn correlacionadas, pero no relacionadas por causalidad.

5.-

Las variables correlacionas pero no relacionadas por causalidad debern ser representadas a la misma altura del eje horizontal del diagrama.

6.-

El efecto causal presumido entre dos variables se indica al colocar signos + o - en las flechas causales, para indicar como una variable afecta con decremento a otra variable. incremento o

Fuente: Knoke, Bohrnstedt, y Mee, 2002.

El atractivo real de los modelos causales para el estudio de la satisfaccin del usuario es que permite a los investigadores probar hiptesis que involucran secuencias causales, que adems incluyen simultneamente constructos clave como lealtad y satisfaccin. La tcnica permite construir simultneamente modelos de dependencia e independencia (Allen y Rao, 2000). El hecho de llevar a cabo un anlisis causal en el caso de un estudio de satisfaccin del usuario, permite dar un sentido cuantitativo a variables de tipo cualitativo, lo cual permite por medio de algunas mediciones y anlisis llevar a cabo comparaciones de diferentes grupos de datos, de diferentes tiempos de ocurrencia del evento, o de diferentes modelos para el estudio de un mismo evento.

47

3.3.-

Pasos del modelamiento causal:

Cuando se hace un modelamiento causal con SEM o PLS sigue una metodologa similar, la cual se presenta en la figura No. 3.3, donde se muestran los pasos sugeridos que deben llevarse a cabo cuando se hace un anlisis de estructuras de covarianzas.

Conceptualizacin del modelo Construccin del diagrama de senderos Especificacin del modelo Identificacin del modelo Tipo de datos

Correlaciones

Matriz de datos

Covarianzas

Estimacin de los parmetros Evaluacin del ajuste del modelo

Interpretacin del modelo Reespecificacin del modelo Interpretacin del modelo reespecificado Validacin cruzada del modelo
Fuente: Integracin de Diamantopoulos y Singuaw, 2000, y Lvy, Martn y Romn, 2006.

Figura No. 3.3.- Pasos el proceso de modelamiento de estructura de covarianzas. ....

48

Aunque en este trabajo solo se pretende aplicar una metodologa alternativa para el anlisis de un grupo de datos que ya fue evaluado previamente, a continuacin se describen las etapas a llevar a cabo en un anlisis causal, con la finalidad de comprender mejor que es lo que cada una de ellas involucra. a) Conceptualizacin del modelo:

La conceptualizacin del modelo no tiene que ver con estadstica. Se refiere al desarrollo de la hiptesis, basada en la teora, que sirve como gua para enlazar las variables latentes unas con otras y con sus indicadores correspondientes. Es la percepcin de la forma en la cual las variables latentes se entrelazan entre ellas, basndose en teoras y en literatura de la disciplina correspondiente (Diamantopoulos y Singuaw, 2000). El modelo que se va a aplicar se obtiene en general una revisin de la teora o de investigaciones previas, las cuales son un buen punto de partida para disear un modelo. Un modelo podra ser diseado despus de una adecuada investigacin bibliogrfica y un anlisis detallado de la informacin. Pero como no siempre es as algunas veces es necesario llevar a cabo un estudio exploratorio. Como parte de este estudio se llevan a cabo dos fases, una exploratoria y otra confirmatoria. Dentro de las cuales deben llevarse a cabo un refinamiento o depuracin de las escalas. La primera fase consiste en una prueba de contraste de unidimensionalidad o validez factorial de los constructos, el cual se hace mediante una anlisis factorial exploratorio, con este anlisis se determina cuales variables observables cargan a las diferentes variables latentes. La segunda fase consiste en un anlisis confirmatorio de primer orden que depura las variables observables, conservando solo aquellas que representan mejor a las variable latentes (Lvy, Martn y Romn, 2006).

49

b)

Construccin del diagrama de senderos:

Se recomienda construir un diagrama de senderos path diagram, el cual permite demostrar la representacin visual de la hiptesis propuesta, y aunque este paso pudiera ser omitido, se recomienda que siempre sea incluido, ya que verlo y comprenderlo ayuda a interpretar la idea y a desarrollar las ecuaciones que describen el modelo. Los diagramas de sendero representan de manera grfica una teora, y para poder elaborar un diagrama de sendero se debe contar con bases de teoras o informacin de estudios previos, se debe contar cono conocimiento y experiencia en el rea de estudio, de tal manera que se pueda formular una hiptesis expresada en forma de un diagrama. c) Especificacin del modelo:

La especificacin del modelo describe la naturaleza y el nmero de los parmetros a ser estimados, se le da forma al diagrama de senderos, o se traduce a aquellas ecuaciones que lo representan. No se puede hacer anlisis de los datos hasta que este paso sea completado. Se debe tener mucho cuidado para asegurar que el modelo es adecuadamente representado de forma matemtica (Diamantopoulos y Singuaw, 2000). d) Identificacin del modelo:

En la etapa de identificacin del modelo se examina la informacin provista por los datos, con la finalidad de determinar si es suficiente para la estimacin de parmetros. A partir de los datos observados debe ser posible obtener un valor nico para cada parmetro especificado. Si esto no es posible se debe modificar el modelo para hacerlo identificable antes de proceder con el siguiente paso (Diamantopoulos y Singuaw, 2000).

50

Es necesario determinar la identificacin del modelo para calcular la prueba de bondad de ajuste, para que esto sea posible, el modelo debe encontrase sobreidentificado. La identificacin es una relacin entre el nmero de variables observables disponibles, en trminos del nmero de covarianzas o correlaciones entre las variables, y los parmetros a ser estimados. Un modelo es sobreidentificado si tiene ms ecuaciones que incgnitas, es decir, los grados de libertad son superiores a 0. Un modelo identificado (saturado) es el que tiene tantas observaciones como incgnitas, con 0 grados de libertad. Un modelo subidentificado, en el cual hay ms parmetros que observaciones, por eso es ms problemtico ya que el hacer la estimacin sera imposible (Lvy, Martn y Romn, 2006, y Diamantopoulos y Singuaw, 2000). Existen diversas reglas para determinar la identificacin del modelo, las cuales se encuentran documentadas a detalle en Bollen, (1989). La ms rpida y conocida es la regla t (t-Rule), que es una condicin necesaria pero no suficiente, se muestra a continuacin:

1 t ( p + q )( p + q + 1) 2
Donde: p: q: t: total de variables o indicadores endgenos total de variables o indicadores exgenos es el nmero de parmetros por estimar en el modelo. Coeficientes de sendero, varianzas y covarianzas. El nmero de elementos no redundantes en la matriz de covarianzas de las variables observadas debe ser ms grande o igual que el nmero de parmetros desconocidos (Bollen, 1989). e) Tipo de datos a utilizar y tamao de muestra:

Criterio:

Posteriormente se deber determinar como se van a presentar los datos a analizar, el tamao requerido de muestra y el mtodo de estimacin de parmetros. Los diferentes softwares aceptan datos de las observaciones muestrales. En el caso del anlisis SEM51

EC tambin es posible alimentarlos con la matriz de varianzas y covarianzas. En el caso del modelo a analizar, algunos softwares aceptan su alimentacin en forma grfica, diagrama de sendero, pero en otros es necesario alimentar las ecuaciones que representan el modelo. En el caso de anlisis de estructuras de covarianza algunos autores recomiendan que el tamao muestral no sea inferior a 200, con la finalidad de reducir el riesgo de obtener conclusiones errneas. Otros autores recomiendan un tamao de muestra superior a 100, pero sugieren que en modelos complejos sea superior a 200, sugiriendo tambin que se hagan al menos 5 observaciones por cada parmetro estimado, siendo mejor 10 observaciones por parmetro estimado (Lvy, Martn y Romn, 2006). En el caso de SEM-PLS, como no se requiere distribucin normal multivariada, se requieren tamaos pequeos de muestra, aunque el tamao de muestra influye en la robustez de la prueba estadstica, por eso el tamao de muestra recomendado debe ser de un mltiplo grande del nmero de constructos, se recomienda un mnimo de 10 veces ms casos que el nmero de variables manifiestas que miden el constructo ms complejo del modelo (Lvy, Gonzlez, y Muoz, 2006). f) Estimacin de los parmetros:

Es cuando se da valor numrico mediante los clculos correspondientes a cada uno de los parmetros. Para medir la satisfaccin del usuario se usa la tcnica de modelos de ecuaciones estructurales, SEM. Hay dos tipos de tcnicas de modelos de ecuaciones estructurales, las basadas en la covarianza, como el LISREL, y las basadas en los componentes, como PLS (Hsu, Chen, Hsieh, 2006). En este paso se aplica la metodologa estadstica seleccionada para la estimacin de los parmetros, cada una de ellas tiene sus caractersticas propias, las cuales sern descritas ms adelante. 52

g)

Evaluacin del ajuste del modelo:

Lo que se hace en esta etapa es evaluar que tanto el modelo refleja los datos que se estn evaluando, para ello se hacen pruebas de fiabilidad y validez, por diferentes mtodos, para SEM-EC y para SEM-PLS. Validez: es el grado en que un manejo de variables refleja con exactitud el concepto que se pretende medir. Es que tan bien una variable observada refleja a su contraparte latente. Fiabilidad: es la magnitud en la cual un manejo diferente del mismo concepto, produce resultados consistentes. Es la reproducibilidad de resultados de medicin bajo las mismas condiciones. Una medicin fiable debe generar los mismos resultados cuando las condiciones son idnticas.

Una medicin puede ser perfectamente fiable, pero no necesariamente es vlida (Knoke, Bohrnstedt, y Mee, 2002). h) Reespecificacin del modelo:

La reespecificacin del modelo, o modificacin del modelo, es la etapa en la cual, basndose en los resultados de estimacin de los parmetros y de evaluacin del ajuste del modelo, se hacen cambios al modelo. Se puede hacer una modificacin al modelo por dos razones diferentes:

Para mejorar un modelo con buen ajuste: ya que siempre hay posibilidades de mejorar el ajuste, o de simplificar el modelo. Aunque no siempre es recomendable llevar a cabo muchas modificaciones, ya que se puede estar ajustando a pequeas caractersticas idiosincrsicas de la muestra. Se termina modelando las peculiaridades de esa muestra. Lo que se quiere es un modelo que represente la poblacin y que sea el mismo que representa los datos para varias muestras.

53

Cuando el ajuste del modelo original no es bueno: la opcin es eliminar variables o agregar constructos al modelo. Cuando esto ocurre es importante recordar que solo puede corregirse este problema con errores internos de especificacin, como omisin de parmetros importantes o inclusin de parmetros irrelevantes en el modelo, pero no con errores externos de especificacin, como variables omitidas.

Se debe asegurar que todas las alteraciones hechas al modelo se basan en la teora y se debe evitar hacer modificaciones controladas por los datos solo para obtener un modelo que se ajuste mejor (Diamantopoulos y Singuaw, 2000). i) Validacin cruzada del modelo:

Involucra el ajuste del modelo a un grupo fresco de datos. Cuando no se cuenta con un nuevo grupo de datos se puede hacer la validacin con una parte de los datos de la muestra, la cual puede ser obtenida a partir de procedimientos de particin de muestras. La validacin cruzada es muy importante cuando se han hecho modificaciones importantes al modelo original. No deben usarse los mismos datos para las dos etapas, la de desarrollo del modelo (calibracin) y la evaluacin del modelo (validacin) (Diamantopoulos y Singuaw, 2000). 3.4.Definiciones clave en el modelamiento causal:

Existen algunos conceptos clave que deben ser conocidos en el modelamiento causal, tanto para el anlisis de estructuras de covarianzas como para el anlisis con mnimos cuadrados parciales, los cuales se describen a continuacin: Variable latente: La variable latente es tambin conocida como constructo, constructo latente, o variable no observable, y se trata de una variable hipottica que no es fcilmente medida, ya que para medirla es necesario hacerlo a travs de indicadores de medida, que son las variables manifiestas. Un ejemplo tpico de una variable latente es la inteligencia, que 54

no puede ser medida directamente, y debe ser medida a travs de variables que si pueden serlo, como la memoria, la habilidad numrica, o la facilidad de palabra. Otro ejemplo de variable latente es el que ocupa a este trabajo, la satisfaccin del usuario, que no puede ser medida solo con preguntarle al usuario si est satisfecho con un producto o servicio, ya que no siempre conoce la respuesta, de manera objetiva, y para conocerla se requiere conocer algunas caractersticas y actitudes del usuario. Variable manifiesta: Las variables manifiestas son aquellas que si puede ser medidas, se le conoce tambin como indicadores medibles, variables medidas o variables observadas, y son aquellas que permiten conocer una variable latente, stas son un reflejo o son indicadoras de las variables latentes, por lo que se les conoce tambin como indicadores reflectivos. Una variable manifiesta puede ser en un estudio de la inteligencia la habilidad de palabra. Variable independiente: Una variable independiente es aquella que determina a otra variable. Variable dependiente: Una variable dependiente es aquella variable influenciada por otra variable. En los modelos y como una muy buena aproximacin, se supone una influencia de tipo lineal. Variable exgena: Una variable exgena es aquella variable latente que predice a las dems variables latentes del modelo Se trata de una variable no influenciada por otras variables en el modelo. Esta variable es solo un predictor, y cuando es representada en un diagrama de sendero, solo saldrn flechas de ella. Las variables exgenas son variables independientes.

55

Variable endgena: Una variable endgena es aquella que puede ser afectada por una o ms variables latentes. Adems una variable endgena puede afectar otras variables endgenas. En un diagrama de sendero al menos hay una flecha dirigida a esta variable. Las variables endgenas pueden ser variables independientes o dependientes. Variacin no explicada: Es el grado en el cual las variables no incluidas en el modelo tienen influencia en las variables endgenas. Con la finalidad de considerar dicha influencia, se incluye un trmino residual, o perturbacin (Diamantopoulos y Singuaw, 2000). 3.5.LISREL y el anlisis de estructuras de covarianza.

El trmino LISREL es un acrnimo para LInear Structural RELationships. El LISREL es un software que fue diseado por Karl G. Jreskog y Dag Srbom para hacer anlisis estructural de covarianza. Y aunque es solo el software que se usa para hacer dicho anlisis, est tan relacionado con el que muchos investigadores se refieren a dicho anlisis como LISREL. Aunque el LISREL no ha variado mucho desde sus inicios a principios de los 1970s, se le han hecho revisiones posteriores y se le han incorporado desarrollos en tecnologa estadstica y de programacin. Los Modelos Estructurales de Covarianza son ampliamente utilizados en muchas disciplinas incluyendo Economa, Mercadotecnia, Psicologa y Sociologa. Se han aplicado para la investigacin basada en observacin y en datos experimentales y se ha utilizado en diseos de investigacin transversales y longitudinales (Diamantopoulos y Singuaw, 2000). 3.5.1.Que son los modelos de estructuras de covarianza?

El Modelamiento de Estructura de Covarianzas (Covariance structure modeling, CSM), es conocido por muchos nombres, lo que hace que cuando se empieza a conocerlo se confunda fcilmente. A continuacin se presentan algunos de los nombres con que se 56

conoce: Anlisis de estructura de covarianzas (Covariance structure analysis, CSA), Modelamiento estructural de variables latentes (Latent variable structural modeling, LVSM), Modelamiento estructural con no observables (Structural modeling with unobservables), Relaciones estructurales lineales (Linear structural relations), Sistemas de ecuaciones de variables latentes (Latent variable equation systems), o Modelamiento causal con no observables (Causal modeling with unobservables). Recientemente se le ha dado el nombre de Modelos de ecuaciones estructurales, MEE, en espaol, y Structural equation models, SEM, que es el trmino que mejor describe al anlisis de estructura de covarianzas (Diamantopoulos y Singuaw, 2000, Gondar, 2002). El modelamiento de ecuaciones estructurales tiene algunas ventajas que han hecho de l una herramienta muy utilizada en muchas reas del conocimiento. Una de las ventajas es que permite ir ms all de lo obvio, ya que permite encontrar variables latentes o conclusiones que se encontraban ocultas. Otra ventaja es que permite obtener mejores resultados que con otras metodologas multivariadas, ya que podra incrementar la fiabilidad y proporcionar modelos ms precisos. Adems cuando se trabaja con software y con modelos grficos, se puede dibujar el modelo con facilidad, y mediante flechas representar la relacin entre las variables, al igual que se pueden ver los resultados sobre el diagrama, se puede probar alguna otra relacin entre las variables (Gondar, 2002). En resumen, las ecuaciones estructurales son la expresin de las relaciones que existen entre las variables del modelo, considerando tambin el efecto de los residuales. Los modelos de estructuras de covarianza se sitan dentro de los modelos de interdependencia cuando se aplica el Anlisis Factorial Confirmatorio de cualquier orden y, dentro de los modelos de dependencia, cuando se efecta el anlisis causal. Las relaciones de los modelos con estructuras de covarianzas permiten la dependencia de

57

varios niveles, lo que no es posible con modelos multivariados clsicos (Lvy, Martn y Romn, 2006). 3.5.2.Especificacin y significado del diagrama de sendero:

Conocer la simbologa que se utiliza para la elaboracin de un diagrama de sendero permitir disearlos e interpretarlos mejor. Los diagramas de sendero utilizan simbologa simple, para facilitar su comprensin de manera grfica. Aunque se puede esquematizar de otra manera, se acostumbra utilizar valos o crculos para representar la variables latentes, sean endgenas o exgenas, rectngulos para las variables manifiestas, y flechas para conectar las variables manifiestas con las variables latentes, o las variables latentes entre si, estas fechas expresan la direccin esperada de la relacin entre las variables. En la figura No.3.4 se muestran ejemplos de los modelos comnmente se utilizan en el anlisis causal, expresados en forma grfica, la nomenclatura de las variables es la correspondiente a LISREL, ya que es uno de los softwares ms utilizados, para anlisis de estructuras de covarianzas, y se ha empleado como base en muchos estudios. Por ejemplo en el modelo (d) de la figura No. 3.4 las variables son: x1, x2, x3, x4, y1, y2, y3, y4, 1, 2, 1 y 2, las relaciones entre ellas estn indicadas por flechas con sus coeficientes, dados por: 1, 2, 3, 4, 5, 6, 7, 8, 21, 1, 2, 3, 4, 5, 6, 7, 8 y 21, y los residuales estn expresados por: 1, 2, 3, 4, 1, 2, 1, 2, 3 y 4. Como se obtienen las ecuaciones estructurales y lo que significan ser descrito ms adelante con ms detalle.

58

x1

1 2 3 4 5 6

Nivel 1

Nivel x1 1 2 3 4 5 6

x2 x3

2
2

x2 x3 x4 x5 x6

2 x4

1
3

x5 x6

a) Anlisis factorial confirmatorio

b) Anlisis factorial confirmatorio de segundo nivel

1 x1 1 2 1 x2 2 y1 5 1 2 1 y2 6 3 7 2

1
1 x1 2 x2

y3

1 2

1
2

y4

1
y5 3 4

3 y3 y4 4

1
3

2
y6

21

21 4

2
8 2

2
y7 5 6
3 x3 4 x4 4

3
y8

c) Anlisis causal con un nivel de causalidad

d) Modelo causal con dos niveles de causalidad

Fuente: (Lvy, Martn y Romn, 2006).

Figura No. 3.4.- Ejemplos de la representacin grfica de algunos modelos utilizados en el Anlisis de Estructuras de Covarianzas (primera parte).

59

Tambin existen otros modelos como son los no recursivos y los anlisis de senderos con dos niveles de dependencia. Los cuales se muestran en la figura No. 3.5.

1 x1

2 x2

1
3 1 x3 3 2

1 2
x4

y7 y8

1 2

y9

3 4

2
4 y10 2 x6 6

3
x5 5

a) Modelo no recursivo

x1
1

21
2 4

y1

y2

x2

b) Anlisis PATH con dos niveles de dependencia

Fuente: (Lvy, Martn y Romn, 2006).

Figura No. 3.5.- Ejemplos de la representacin grfica de algunos modelos utilizados en el Anlisis de Estructuras de Covarianzas (segunda parte).

60

Para describir mejor el tipo de variables se escogi el inciso (d) de la figura No. 3.4, el cual se muestra en la figura No. 3.6, donde adems se describen cada una de las partes del diagrama, la notacin que se usa es la del programa LISREL, ya que es muy popular en este tipo de diagramas.
1 x1 1 2 1 x2 2 y1 5 1 2 y2 6 3 2

1
21

3 7 y3 y4

1
1

21 4 21

2
8 2

2
3 x3 3
Notacin: : : : : : : : x: y: : : :
Fuente:

4 x4 4

ksi, variable latente exgena phi, covarianzas entre las variables exgenas psi, covarianzas entre los trminos de error de las variables endgenas eta, variable latente endgenas gamma, relacin direccional entre las variables latentes endgenas y exgenas beta, relacin direccional entre las variables endgenas zeta, trmino de error, tambin conocidos como errores en las ecuaciones indicadores para las variables latentes exgenas indicadores para las variables latentes endgenas lambda, relacin entre las variables latentes y sus indicadores delta, errores de medicin para los indicadores de las variables exgenas epsilon, errores de medicin para los indicadores de las variables endgenas
hecho con informacin de Diamantopoulos y Singuaw, 2000, y (Lvy, Martn y Romn, 2006).

Figura No. 3.6.- Ejemplo de un diagrama de senderos para un modelo causal con dos niveles de causalidad, donde se describe cada una de las variables que lo componen utilizando la notacin de LISREL.

61

Puede existir confusin debido a los subndices utilizados con esta notacin, sta es el orden de los subndices asociados con los enlaces. Por ejemplo, para senderos direccionales (los representados por , y ) la regla general es que el primer subndice sea la variable objetivo (el efecto) y el segundo sea la variable fuente (la causa). Por ejemplo, 21 en lugar de 2 en la figura No. 3.6, que representara que x2 es un indicador de 1, el uso de 2 en lugar de 21 depende de cmo el investigador prefiere y del software que utiliza para su estudio, ambos son adecuados. Otro ejemplo es el caso de 21, representa que 2 es el efecto de 1, 21 12. En el caso de los senderos no direccionales, los representados por , el orden de los subndices no es importante, 12 = 21. 3.5.3.Las ecuaciones estructurales:

Para hacer el anlisis estadstico las relaciones descritas en el diagrama de senderos deben ser traducidas a un Sistema de Ecuaciones Lineales. Cuando no se cuenta con un software que pueda recibir como entrada del modelo un diagrama de senderos, esta es la etapa ms importante, ya que los sistemas de ecuaciones seran la entrada del modelo al programa. El sistema completo de ecuaciones est representado por un modelo de medida y un modelo estructural, los cuales son descritos a continuacin. Al modelo de medida se le conoce tambin como externo (outer model), y al modelo estructural se le conoce tambin como modelo interno (inner model). a) Modelo de medida: El modelo de medida est formado por las ecuaciones que especifican las relaciones entre variables latentes, ya sean endgenas o exgenas, y las variables manifiestas (Lvy, Martn y Romn, 2006).

62

A continuacin se muestra la ecuacin para las variables endgenas, representada de manera matricial:

= y +
Donde: : y: : p: m: y1 . . . yp px1 vector de p x 1 medidas observables para la variable dependiente matriz p x m coeficientes de regresin de la variable latente vector p x 1 de errores de medida de nmero de variables manifiestas y nmero de variables latentes endgenas . . . . . . . . . . . . . . . . . . . . . . . . . 1 . . . m mx1 1 . . . p px1

pxm

A continuacin se muestra la ecuacin para las variables exgenas, representada de manera matricial:

= x +
Donde: : x: : q: n: x1 . . . xq qx1 vector de q x 1 medidas observables para la variable dependiente matriz q x n coeficientes de regresin de la variable latente vector q x 1 de errores de medida con respecto a nmero de variables manifiestas x nmero de variables latentes exgenas . . . . . . . . . . . . . . . . . . . . . . . . . 1 . . . m nx1 1 . . . q qx1

qxn

Fuente: (Lvy, Martn y Romn, 2006).

63

b) Modelo estructural: El modelo estructural mide las relaciones que existen entre las variables latentes. Especifica las variables latentes que influyen directa o indirectamente en los valores de las otras variables latentes. A continuacin se muestra la ecuacin estructural del modelo, representada de manera matricial:

=++
Donde: : : : : : vector de m x 1 variables latentes endgenas matriz de m x m coeficientes de regresin o efectos de las variables exgenas sobre las variables endgenas matriz de m x n coeficientes de regresin vector de n x 1 variables latentes exgenas vector de m x 1 errores de prediccin de las ecuaciones estructurales en factores endgenos

1 . . . m mx1

0 . . . 0 . . . 0

1 . . . m mx1

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

1 . . . n nx1

1 . . . m mx1

mxm

mxn

Se asume que la matriz no es singular y que las matrices y no estn correlacionadas entre s.
Fuente: (Lvy, Martn y Romn, 2006).

64

3.5.4.-

Supuestos en el anlisis de covarianzas:

Los supuestos que deben ser revisados en un estudio de anlisis de estructuras de covarianzas son: normalidad, linealidad y los valores atpicos. Es importante verificar el cumplimiento de los supuestos, ya que de no ser as se puede tener una estimacin errnea del modelo. A continuacin se describe a cada uno de ellos. a) Normalidad:

Con la finalidad de que los estimadores sean ptimos, y los contrastes individuales de los parmetros sean adecuados, al igual que el ajuste global del modelo, las variables observadas deben segur una distribucin normal multivariante. Se debe probar la normalidad de todas las variables de manera independiente, y despus de debe probar que cumplen con normalidad multivariante. Para probar la normalidad univariante de manera objetiva se sugieren metodologas como: contraste de Kologorov-Smirnov-Lilliefors, contraste de Shapiro-Wilk, o contraste de asimetra y curtosis. Y para probar la normalidad multivariante se deben hacer pruebas de asimetra y curtosis multivariantes (Gonzlez, Gonzlez y Lvy, 2006). Se hace el supuesto de normalidad para las variables dependientes observables. Para las independientes no importa la normalidad. b) Linealidad:

El supuesto de linealidad requiere que las relaciones entre las variables sean lineales. Grficamente se puede verificar que la relacin es lineal al hacer un diagrama de dispersin (Gonzlez, Gonzlez y Lvy, 2006). c) Valores atpicos:

Estos son frecuentemente nombrados como outliers, debido a su nombre en ingls. Los valores atpicos corresponden a aquellas observaciones que tienen uno o ms 65

valores de las variables observadas muy diferente del resto de las mediciones. Las razones por las que pueden existir valores atpicos son muy variadas, puede tratarse, por ejemplo, de una mal interpretacin de la respuesta en el instrumento de medicin, errores durante la captura de los datos, entre otras. Es muy importante identificar los valores atpicos, ya que estos pueden distorsionar los resultados de los anlisis. Se deben identificar los valores atpicos desde un punto de vista univariante y desde un punto de vista multivariante. Desde el punto de vista univariante la deteccin de los valores atpicos puede hacerse por medio de la obtencin de un diagrama de caja. Y desde el punto de vista multivariante se puede hacer por medio de la medida estadstica conocida como distancia de Mahalanobis (Gonzlez, Gonzlez y Lvy, 2006). Cuando se detecta un valor atpico se debe analizar su efecto en el modelo, llevando a cabo el anlisis con y sin el dato atpico. Si los resultados no son comparables se recomienda eliminar el dato atpico. Tambin es posible eliminar un dato atpico cuando se detecta la razn de su presencia, y sta sugiere su eliminacin. En el caso de que los valores atpicos no puedan ser eliminados, se recomienda hacer transformaciones de los datos, que normalizarn los datos, y entonces hacer el anlisis a los datos transformados (Schumacker y Lomax, 1996). 3.5.5.Estimacin de los parmetros:

La estimacin tiene el objetivo de generar valores numricos para los parmetros en el modelo. Existen diferentes mtodos para la estimacin de los parmetros de un modelo, por ejemplo en LISREL se pueden usar: variables instrumentales (instrumental variables, IV), mnimos cuadrados de 2 pasos (two-stage least squares, TSLS), mnimos cuadrados no ponderados (unweighted least squares, ULS), mnimos cuadrados generalizados (generalized least squares, GLS), mxima verosimilitud (maximum likehood, ML), mnimos cuadrados generalmente ponderados (generally

66

weighted least squares, WLS), y mnimos cuadrados diagonalmente ponderados (diagonally weighted least squares, DWLS). Cuando el modelo es correcto, es decir que no tiene error de especificacin, y el tamao de muestra es grande, cualquiera de ello puede proporcionar un valores verdaderos de los parmetros (Diamantopoulos y Singuaw, 2000). Los procedimientos IV y TSLS son tcnicas no iterativas de informacin limitada, estiman cada parmetro de la ecuacin por separado, por lo tanto no son robustos a la falta de especificacin. Los procedimientos ULS, GLS, ML, WLS y DWLS, son tcnicas de informacin completa, por lo que son ms eficientes estadsticamente, pero son susceptibles a errores de especificacin. stas ltimas son tcnicas iterativas, donde los parmetros se obtienen a travs de mtodos numricos que minimizan la funcin de ajuste (Diamantopoulos y Singuaw, 2000). Loehlin, 1987, sugiere que hay tres mtodos de estimacin en los modelos de ecuaciones estructurales: a) Mtodo de Mxima Verosimilitud (ML), sugerido para condiciones de normalidad, b) Mnimos Cuadrados Generalizados (GLS), normalidad multivariante menos rigurosa, y c) Mnimos Cuadrados No Ponderados (ULS), obtiene estimadores que no responden a hiptesis de normalidad. Aunque los mtodos de Mxima Verosimilitud y de Mnimos Cuadrados Generalizados pueden utilizarse cuando las variables son no normales (Lvy, Martn y Romn, 2006). 3.5.6.Evaluacin del ajuste del modelo:

La nocin de ajuste en los modelos causales es muy importante. Nos dice en que magnitud las relaciones que se postularon en el modelo son consistentes con los datos reales. As cuando se incrementa las disparidad entre el modelo propuesto y los datos reales, disminuye el ajuste (Allen y Rao, 2000). Debe mostrarse que no haya estimaciones infractoras, es decir coeficientes de estimacin de medida que exceden los lmites aceptables. Si no existen estimaciones infractoras se puede evaluar el ajuste del modelo. 67

Las estimaciones infractoras pueden ser:

Varianzas de error negativas o varianzas de error no significativas para cualquier constructo.

Coeficientes estandarizados que sobrepasan o estn muy cerca de 1.0. Errores estndar muy elevados asociados con cualquier coeficiente estimado (Hair, Anderson, et.al., 1999, citado en Lvy, Martn y Romn, 2006).

El modelo debe evaluarse en los niveles del modelo global, modelo de medida, y modelo estructural. Hay tres tipos de medida de ajuste global, que son: ajuste absoluto, parsimonioso e incremental, el modelo puede aceptarse desde diferentes perspectivas ya que son medidas complementarias. La tabla No. 3.1 muestra un resumen de las medidas de ajuste. Posteriormente deben evaluarse por separado los modelos de medida y estructural. Al evaluar el modelo de medida, primero se evala la Validez Convergente de los factores latentes, y luego se prueba su unidimesionalidad. La Validez Convergente se confirma si las cargas factoriales estandarizadas son significativas y mayores a 0.6, el modelo se reestimara despus de eliminar aquellos factores y variables observadas que no cumplan los criterios. La unidimensionalidad se confirma demostrando que los indicadores de una variable latente tengan un ajuste aceptable sobre un modelo de un nico factor, verificando que los valores t asociados con cada una de las ponderaciones, as como los ndices de ajuste del modelo presentan valores adecuados. Otra forma de comprobar la unidimensionalidad de los constructos, o la Validez Discriminante entre los mismos,si se observa que la relacin entre algunos de los factores fuera alta (superior a 0.5), se podra cuestionar la validez discriminante de las escalas de medida Lvy, Martn y Romn, 2006.

68

Tabla No. 3.1.- Medidas de Ajuste del Modelo Global.

Tipo de medida de ajuste Descripcin Abreviatura 2 Determinan el grado de exactitud en que el modelo global predice la matriz de covarianzas o correlaciones Nombre ndice de la Jicuadrada ndice de Bondad de Ajuste ndice de la Raz cuadrada de la Media del Error de Aproximacin Parmetro de No Centralidad Ponderada Criterio de Informacin de Akaik ndice de Ajuste Parsimnico Normalizado ndice de Bondad de Ajuste Parsimnico Ji-cuadrada Normalizada N crtico de Hoelter ndice de Ajuste Normalizado ndice de Ajuste no Normalizado ndice de Ajuste Comparativo GFI ajustado Raz cuadrada meda del error Nombre en Ingls Caractersticas Analiza la hiptesis nula de que el modelo no es significativo. La probabilidad asociada indica la significancia de las diferencias de las matrices de covarianzas o correlaciones efectivas y previstas. Para un buen ajuste se propone un tamao de muestra de 100 a 200. Es una transformacin de la Chi-cuadrada. Su valor es de 0 a 1. Un ajuste perfecto es 1, aceptable es prximo a 0.9. Un valor menor a 0.05 indica un buen ajuste, valores cercanos a 0.08 representan un error razonable, y valores mayores a 0.1 indican mala aproximacin. Empleado para la comparacin de modelos alternativos. ndice comparativo entre modelos. Los valores prximos a 0 indican buen ajuste. Modificacin de NFI. Valores elevados son mejores. Se requieren diferencias de 0.06 a 0.09 para indicar cambios en lo modelos. Modificacin del GFI. Su valor es de 0 a 1. Los valores ms cercanos a 1 representan mayor equilibrio (parsimonia). Se usa para comparacin de modelos. Recomendado para aquellos casos en que la muestra es elevada. Valores inferiores a 1 indican modelos sobreestimados, y valores superiores a 2, 3, o 5 suponen modelos no representativos de los valores observados. Sugiere el tamao de muestra que se debe alcanzar para aceptar el ajuste del modelo. Mide la reduccin proporcional de la funcin de ajuste cuando pasamos del modelo nulo al propuesto. Su valor es de 0 a 1. Se consideran aceptable valores mayores a 0.9. Supera las limitaciones del NFI. Su valor es de 0 a 1. Se consideran aceptable valores mayores a 0.9. Mide la mejora de la medicin de la no centralidad de un modelo. Los valores van de 0 para un modelo mal ajustado a 1 para un modelo bien ajustado. Recomendado para muestras superiores a 100. Valor ajustado por los grados de libertad con 0.90 se obtiene un buen ajuste. Valores de 0 (no hay ajuste) a 1 (ajuste perfecto) El investigador define el nivel. Indica la aproximacin de las matrices y S. Recomendado < a 0.05

Ji squared Goodness of FIT Index Root Mean Square Error of Approximation Scaled Noncentrality Parameter Akaike Information Criterion Parsimonious Normed Fit Index Parsimonius Goodness of Fit Index Normed Ji-Squared Normed Fit Index Non Normed Fit Index, o Tucker Lewis Index Comparative Fit Index Adjusted GFI Root-mean-square residual

GFI

Medidas de ajuste absoluto

RMSEA

SNCP Relacionan la bondad de ajuste del modelo con el nmero de coeficientes estimados para conseguir dicho nivel de ajuste. Sera el equivalente a la R2 en la regresin lineal. AIC PNFI

Medidas de ajuste de parsimonia

PGFI

NCS NFI

Medidas de ajuste incremental

Comparan el modelo base con un modelo base calificado de modelo nulo

NNFI o TLI CFI AGFI

Otros RMR

Fuentes: Elaborada con informacin de Lvy, Martn y Romn, 2006, Schumacker, y Lomax, 1996, y Zubrick y Lawrence, 2006.

69

69

3.5.7.-

Reespecificacin del modelo:

Se lleva una reespecificacin o modificacin del modelo cuando algunos de los criterios mencionados arriba sugieren que as se haga, aunque algunos indicadores empricos pueden ayudar a mejorar el ajuste. Por ejemplo, con LISREL o AMOS, un porcentaje de residuos estandarizados estadsticamente significativos mayor a 5% indicara que existen diferencias entre la matriz de covarianzas, o correlaciones estimadas y observadas, por lo que los parmetros o variables con mayor nmero de residuos estandarizados asociados pueden ser eliminados, tambin se evalan los ndices de modificacin, que muestran la reduccin en la Ji-cuadrada cuando en un modelo hay una nueva relacin entre dos variables. Se aceptarn aquellas relaciones, coherentes con la teora, que den un valor mayor o igual a 3.84. Cuando se usa EQS se puede utilizar la prueba de Wald para eliminar del modelo los parmetros y variables, mientras que las pruebas univariable y multivariable de Lagrange permitiran aadirlas (Lvy, Martn y Romn, 2006). 3.5.8.LISREL y otros softwares parar anlisis de los mtodos de anlisis de covarianza: Una de las fuentes de confusin que tambin se presenta con los modelos de ecuaciones estructurales, SEM, es que muchos autores se refieren a esta tcnica como LISREL. LISREL es uno de los softwares que se utilizan para resolver modelos de ecuaciones estructurales, al igual que EQS, AMOS, entre otros (Allen y Rao, 2000). Existen muchos programas que pueden ser utilizados para llevar a cabo anlisis de estructuras de covarianzas, como ya se haba mencionado anteriormente, uno de los ms conocidos y usados es el LISREL, que fue desarrollado por Karl Jreskog y Dag Srbom. Una alternativa muy utilizada es el EQS, diseado por Peter Bentler. Durante mucho tiempo LISREL y EQS fueron los programas ms utilizados en anlisis de ecuaciones estructurales, una de las principales razones fue porque fueron integrados a famosos paquetes informticos como subrutinas, el LISREL fue incluido en SPSS y el EQS en SAS. Actualmente el SPSS integra al AMOS de James Arbuckle, que por su

70

flexibilidad es muy popular. LISREL, EQS y AMOS son programas muy conocidos y que trabajan con algoritmos fiables que conducen a los mismos resultados, pero no son los nicos programas que existen, otros programas que pueden ser utilizados son SIMPLIS, LINEQS, RAM, Consan, SEPATH y MX (Lvy e Iglesias, 2006). La forma de entrada de los modelos depende de cada programa, algunos de ellos aceptan el diagrama de senderos de forma grfica, y a otros deben alimentarse los sistemas de ecuaciones, o las matrices. Algunos de los programas son muy fciles de manejar y la informacin de salida es muy comprensible, algunos de ellos son un poco ms complicados. Lvy e Iglesias, 2006 hacen una comparacin de los diferentes softwares para el anlisis de ecuaciones estructurales, el cual se presenta en la tabla No. 3.2. Tabla No. 3.2.- Principales caractersticas de los diferentes programas para anlisis de estructuras de covarianzas.
LISREL Anlisis por relaciones Planteamiento de las ecuaciones Grfico Planteamiento matricial Nivel de dificultad Convergencia Lectura de salida Si EQS No SIMPLIS Si AMOS Grficas LINEQS No RAM Si CONSAN SEPATH No Si MX No

No Si No Alto Buena Media

Si Si No Medio Buena Fcil

Si No No Bajo

Si Si No Bajo

Si No No Medio Buena Media

No No No Medio Media Media

No No Si Alto Media Compleja

No No No Medio Buena Fcil

No No Si Alto Buena Compleja

Superior Superior Fcil Muy fcil

Fuente: Lvy e Iglesias, 2006.

A continuacin en la tabla No. 3.3 se muestra una breve descripcin de los programas ms conocidos para analizar modelos de ecuaciones estructurales.

71

Tabla No. 3.3.- Software para modelamiento de senderos con Estructuras de Covarianzas (SEM).
Caractersticas Desarrollado por Distribuido por Datos Requisitos Software EQS Peter M. Bentler Multivariate Software, Inc.
Datos crudos Matriz de covarianzas Reemplazo con medias Imputacin con regresin Imputacin EM (ML)

LISREL Karl Jreskog y Dag Srbom Scientific Software International, Inc.

Datos crudos Matriz de covarianzas Algoritmo EM MCMC (Markov Chain Monte Carlo) Opciones: Reemplazo con medias Mantener como dato faltante Eliminar casos Mxima Verosimilitud (maximum likelihood) Mnimos cuadrados de dos etapas (Two-stage least squares) Variables de Instrumento (Instrument Variables) Mnimos cuadrados generalizados (Generalized least squares) Mnimos cuadrados no ponderados (Unweighted least squares) Mnimos cuadrados ponderados (Weighted least squares) Mnimos cuadrados diagonalmente ponderados (Diagonally weighted least squares)

AMOS James Arbuckle IBM SPSS statistics International Business Machines Corp.
Datos crudos

Definicin de valores perdidos

Imputacin con regresin (ML) Imputacin con regresin estocstica Imputacin bayesiana

Estimacin

Estimadores Normales: LS (mnimos cuadrados) GLS (mnimos cuadrados generalizados) ML (mxima verosimilitud) Estimadores no normales Elpticos Curtosis heterognea AGLS Mtodos robustos

Mxima Verosimilitud (Maximum likelihood) Mnimos cuadrados generalizadao (Generalized least squares) Mnimos cuadrados no ponderados (Unweighted least squares) Mnimos cuadrados de escala libre (Scalefree least squares) Distribucin asintticamente libre (Asymptotically distribution free)

Metodologa

Factibilidad de uso

Especificacin Salida grfica Internet Disponibilidad

Grficamente o por sintaxis Diagrama de Sendero www.ssicentral.com LISREL 8.8 Scientific Software International

Grficamente o por sintaxis Diagrama de Sendero www.mvsoft.com

EQS 6.1
Multivariate Software, Inc.

Grficamente Diagrama de Sendero www.spss.com Amos 16.0 IBM SPSS statistics

Fuentes:

Elaborada con informacin de las pginas de Internet correspondientes, y con el Help y el uso del software.

72

3.6.-

Mnimos Cuadrados Parciales, PLS:

El mtodo de estimacin de mnimos cuadrados parciales (Partial Least Squares, PLS) es un procedimiento iterativo para estimar modelos causales, que no requiere supuestos de distribucin de los datos, y que puede tratar datos continuos o categricos (Fornell, et.al., 1996). 3.6.1.Qu es PLS?

El mtodo de mnimos cuadrados parciales, tambin conocido solamente como PLS, por sus siglas en ingls, Partial Least Squares, es muy til cuando los predictores son altamente colineales, o cuando se tienen ms predictores que observaciones, y la regresin de mnimos cuadrados ordinarios produce coeficientes con mucho error estndar o falla completamente. PLS se aplica en la industria qumica, farmacutica, de alimentos y del plstico, en una rama conocida como quimiometra ya que se cuenta con muchas variables, tanto independientes como de respuesta. Se aplica principalmente para modelar relaciones de equipos de espectrometra, como IR o UV (infrarrojo o ultravioleta), donde hay muchas variables que pueden estar

correlacionadas entre si o con las propiedades qumicas o fisicoqumicas de los componentes. La tcnica de PLS haba sido muy utilizada por los quimiometristas para calibracin, y se volvi del inters de los estudiosos de la estadstica en los aos ochenta (Software Minitab 15, PLS Help, Montogomery, 2007 y Helland, 1990). PLS, se encuentra relacionado con el anlisis de componentes principales, PCA, por sus siglas en ingls de Principal Component Analysis, otra tcnica estadstica multivariada, aunque PLS tiene relacin tambin con los procedimientos de ajuste de regresin, ya que considera a las variables x como entradas y a las variables y como salidas. PLS maximiza la covarianza, mientras que PCA maximiza la varianza (Montgomery, 2007).

73

3.6.2.-

Modelamiento de senderos con Mnimos Cuadrados Parciales:

Las metodologas ms comunes para el anlisis de modelos causales son las basadas en anlisis de estructuras de covarianza, pero tienen problemas debidos a las distribuciones de los datos y los niveles de medida de las variables, lo cual define a este modelo, segn algunos autores, como cerrado. Lo anterior hace inadecuada esta metodologa para muestras reducidas, y llevar a soluciones incorrectas (Lvy, Gonzlez, Muoz, 2006). Herman Wold desarroll en 1957 una metodologa conocida como Mnimos Cuadrados Parciales, o PLS por sus siglas en ingls (Partial Least Squares), la cual permite corregir las limitaciones de distribucin de los datos y tamao de muestra cuando se hacen modelos de anlisis causal. A esta tcnica se le conoce como modelizacin flexible, que aunque cuenta con procedimientos rigurosos y robustos, el modelo matemtico es flexible ya que no limita los niveles de medida, la distribucin de los datos o el tamao de muestra. Por esta razn, la tcnica de optimizacin de mnimos cuadrados parciales ha ganado inters entre los investigadores, ya que puede modelar constructos latentes con datos no normales y tamaos de muestra pequeos. PLS se orienta principalmente al anlisis causal predictivo en situaciones de alta complejidad pero con conocimiento terico escaso (Wold, 1979 y 1980, y Chin, 2003 citados en Lvy, Gonzlez, Muoz, 2006). "ltimamente se ha introducido el modelamiento de senderos con PLS para el estudio aplicado del anlisis de la satisfaccin del usuario, compitiendo con el estudio tradicional con LISREL. PLS es un modelo de dependencia muy similar a la regresin de componentes principales (principal components regression, PCR), ya que combina una funcin reductora de dimensin con un modelo de dependencia. La principal diferencia es que PLS construye un nuevo grupo de variables predictoras que son estadsticamente relacionadas al grupo original. En anlisis de factores o anlisis de componentes principales (principal component analysis, PCA), cada nueva variable regresora est estadsticamente no correlacionada (ortogonal) con las otras, pero mximamente correlacionada con la variable dependiente (Allen y Rao, 2000).

74

El objetivo del modelamiento de senderos con PLS es la prediccin de las variables dependientes, tanto latentes como manifiestas. Se intenta maximizar la varianza explicada (R2) de las variables dependientes, lo que hace que las estimaciones de los parmetros estn basadas en la capacidad de minimizar las varianzas residuales de las variables endgenas. PLS explica la varianza, es decir analiza la importancia de las relaciones y su R2 resultante, como en una regresin lineal (Lvy, Gonzlez, Muoz, 2006). Lo que hace diferente a SEM-PLS de SEM-EC son los objetivos, SEM-PLS est mejor adaptado a aplicaciones predictivas y desarrollo de teora (Anlisis Exploratorio), aunque tambin puede ser usado para confirmacin de una teora (Anlisis Confirmatorio), mientras que SEM-EC es una tcnica confirmatoria. SEM-EC se centra en el anlisis del modelo, y SEM-PLS se centra en el anlisis de los datos (Lvy, Gonzlez, Muoz). Fornell, 1992, sugiere que SEM-PLS es efectivo con datos ruidosos, y robusto bajo condiciones de no-normalidad y colinealidad, adems es exitoso como un mtodo predictivo. Pero tiene algunos inconvenientes, ya que el conocimiento de las propiedades de sus parmetros es incompleto, y los mtodos usados para el anlisis de significancia son empricos, conocidos como jackknifing y blindfolding. 3.6.3.Especificacin y significado del diagrama de sendero:

La representacin grfica de los modelos de sendero con variables latentes es similar para el modelamiento de estructuras de covarianza, por mxima verosimilitud, con su suposiciones rgidas de distribucin, que para los de mnimos cuadrados parciales, con su suposiciones ms flexibles, libre de distribuciones (Wold, 1985). Al igual que cuando se hace un estudio con anlisis de estructuras de covarianzas, cuando se hace un estudio con SEM-PLS, se debe especificar el modelo estructural y las relaciones entre las variables latentes y las variables observadas, esto quiere decir que se debe especificar el modelo estructural y el modelo de medida. En el anlisis de

75

senderos con PLS, al igual que cuando se hace con estructuras de covarianzas, existen variables exgenas y endgenas, donde las exgenas son predictoras de las variables endgenas, y las endgenas son las variables dependientes (Lvy, Gonzlez, Muoz, 2006). Cuando se hace un anlisis con SEM-PLS se incluye en concepto de indicadores formativos e indicadores reflectivos, los cuales pueden especificar tanto a variables exgenas como endgenas. La figura No. 3.7 muestra un esquema de los indicadores formativos y reflectivos en anlisis de ecuaciones estructurales con PLS, se muestran las tres maneras en que se puede modelar la relacin entre variables latentes y manifiestas cuando se usa modelamiento de senderos con variables latentes con PLS.

x1 x2

y1 y2

Indicadores Reflectivos

x1 x2

y1 y2

Indicadores Formativos

x1 x2

y1 y2

Indicadores Reflectivos y Formativos

Fuente: Allen y Rao, 2000

Figura No. 3.7.- Indicadores reflectivos y formativos en anlisis de ecuaciones estructurales con PLS. Por medio de los indicadores reflectivos se representa que las variables latentes son las que causan los cambios en los valores de las variables manifiestas. Cuando se usan indicadores formativos se representa que las variables latentes son dependientes de los

76

cambios en las variables manifiestas. Un modelo que contiene indicadores reflectivos y formativos se conoce como modelo mixto, o MIMIC (multiple effect indicators for multiple causes, indicadores de efectos mltiples para causas mltiples), y representa que algunas de las variables latentes pueden ser dependientes de los cambios en las variables manifiestas, y que al mismo tiempo, algunas de las variables latentes pueden causar cambios en algunas variables manifiestas. (Allen y Rao, 2000, y Tenenhaus, et.al., 2005) La figura No. 3.8 representa un modelo de anlisis con indicadores formativos y reflectivos.

1 1

x1

1
1

2 3

x2 x3 y4

2
Notacin: : : : : x: y: : : : Fuente:

1 2 3

2 3

y5

y6 ksi, variable latente exgena eta, variable latente endgenas beta, relacin direccional entre las variables endgenas zeta, trmino de error, tambin conocidos como errores en las ecuaciones indicadores para las variables latentes exgenas indicadores para las variables latentes endgenas lambda, cargas factoriales, representan las relaciones reflectivas pi, pesos, representan las relaciones formativas epsilon, errores de medicin para los indicadores
hecho con informacin de Lvy, Gonzlez, Muoz, 2006.

Figura No. 3.8.- Modelo de anlisis con indicadores formativos y reflectivos. Los indicadores reflectivos son intercambiables, y si se elimina uno, la naturaleza del constructo no cambia. Los indicadores formativos no tienen error de medida. El error consiste en un error de prediccin de la variable agregada. En un modelo reflectivo, la varianza del constructo es igual a la comunalidad de los indicadores, mientras que en el

77

modelo formativo, la varianza del constructo es igual a la varianza de todos los indicadores. Una variable agregada es aquella variable latente a la cual llegan indicadores causales o formativos (Lvy, Gonzlez, Muoz, 2006). 3.6.4.Las ecuaciones estructurales en PLS :

Al igual que en anlisis de estructuras de covarianzas, cuando se hace un anlisis estructural con variables latentes con PLS, se tiene un modelo estructural y un modelo de medida, con la diferencia de que en PLS el modelo de medida puede ser reflectivo o formativo. A continuacin se muestran las ecuaciones que representan los modelos. a) Modelo estructural: El modelo estructural mide las relaciones que existen entre las variables latentes, o las variables agregadas planteadas en la teora. A continuacin se muestra la ecuacin estructural del modelo, representada de manera matricial:

=++
Que corresponde al modelo de estructural en el anlisis de estructuras de covarianzas, presentado en el inciso (b) del punto 3.5.3 de este mismo trabajo. a) Modelo de medida: Al igual que en el caso de anlisis de estructuras de covarianzas, el modelo de medida est formado por las ecuaciones que especifican las relaciones entre variables latentes, ya sean endgenas o exgenas, y las variables manifiestas, con la diferencia de que ahora se puede contar con un modelo reflectivo, tambin conocido como hacia afuera (outward), o con un modelo formativo o hacia adentro (inward). A continuacin se describen ambos casos: 78

b.1) Modelo reflectivo: En el modelo de media se observan las relaciones entre las variables latentes y las observables. El modelo reflectivo en general es igual al utilizado en el modelo de medida de la tcnica de anlisis de estructuras de covarianzas observado en el inciso (a) del punto 3.5.3 con algunas variaciones, a continuacin se muestran las ecuaciones para las variables endgenas y exgenas, de manera matricial:

y = y + y
Donde: y: y: y: p: m: vector de p x 1 medidas observables para la variable dependiente y matriz p x m coeficientes de regresin de la variable latente vector p x 1 de errores de medida de y nmero de variables manifiestas y nmero de variables latentes endgenas

x = x + x
Donde: x: x: x: q: n: vector de q x 1 medidas observables para la variable dependiente x matriz q x n coeficientes de regresin de la variable latente vector q x 1 de errores de medida con respecto a nmero de variables manifiestas x nmero de variables latentes exgenas

b.2) Modelo formativo: Este modelo es el que hace diferente a PLS de SEM con estructuras de covarianzas, ya que representa las relaciones entre las variables observadas y las variables agregadas:

79

 = y +
Donde: : : y: : m: p: 1 . . . m mx1 vector de m x 1 variables latentes endgenas matriz de m x p coeficientes de la regresin mltiple vector de p x 1 variables manifiestas y vector de m x 1 valores residuales de las regresiones de las variables endgenas nmero de variables latentes endgenas nmero de variables manifiestas y . . . . . . . . . . . . . . . . . . . . . . . . . y1 . . . yp px1 1 . . . m mx1

mxp

= x +
Donde: : : x: : n: q: 1 . . . n nx1 vector de n x 1 variables latentes exgenas matriz de n x q coeficientes de la regresin mltiple vector de q x 1 variables manifiestas x vector de n x 1 valores residuales de las regresiones de las variables exgenas nmero de variables latentes exgenas nmero de variables manifiestas x . . . . . . . . . . . . . . . . . . . . . . . . . x1 . . . xq qx1 1 . . . n nx1

nxq

Fuente: Elaborado con informacin de Lvy, Gonzlez, Muoz, 2006.

80

c) Seleccin entre modelo reflectivo y formativo: El modelo se selecciona dependiendo del tipo de teora que lo sustenta y de las variables utilizadas. Con variables como la satisfaccin, la actitud, el comportamiento, o la personalidad, se podr tratar de un modelo reflectivo. Los indicadores debern ser formativos cando los constructos sean combinaciones explicatorias de indicadores, como cambio en la poblacin, que est determinada por un conjunto de variables (Fornell, y Bookstein, 1982). La seleccin del tipo de modelo va a tener implicaciones a nivel de fuerza predictiva y de la aportacin individual e cada medida. La variable dependiente puede presentar ms varianza en su forma reflectiva que e su forma formativa. El modelo reflectivo minimiza la taza de varianzas residuales de las ecuaciones del modelo de medida, mientras que el modelo formativo minimiza la taza de varianzas residuales de las ecuaciones estructurales (Lvy, Gonzlez, Muoz, 2006). d) identificacin de los pesos: Para finalizar, es necesario estimar las relaciones de peso, las cuales se muestran a continuacin:

= y = x

Los son los pesos y los estimadores de las variables latentes, son agregados lineales de sus indicadores empricos. Los pesos se determinan de manera diferente segn el modelo de medida. Si el modelo es reflectivo, las saturaciones o cargas factoriales equivalen a los pesos despus de ponderacin, de tal manera que la varianza de las variables latentes sea igual a 1. En el modelo formativo, los coeficientes de regresin mltiple entre las variantes observadas y las variables latentes, son utilizadas como pesos (weights o cargas): = y + y = x + . Las variables 81

latentes en un modelo reflectivo se asemejaran a un sistema factorial por componentes principales, si bien predeciran mejor en el modelo formativo (Lvy, Gonzlez, Muoz, 2006). 3.6.5.Estimacin de los modelos:

Algunos autores describen a la tcnica por PLS como difcil de evaluar ya que est formado por un grupo de algoritmos establecidos especialmente para ese fin, y que en general no han sido formalmente analizados, o no se ha demostrado que poseen, propiedades de optimizacin claras. El anlisis de variables latentes con PLS es controversial, pero continua siendo atractivo debido a sus capacidades predictivas, ya que es muy hbil para predecir el efecto de un cambio en la calidad de un servicio o producto en la satisfaccin global (Allen y Rao, 2000). En PLS los parmetros estructurales y los de medida son estimados por medio de iteraciones utilizando regresiones lineales o mltiples de mnimos cuadrados ordinarios. La iteracin se lleva a cabo hasta que se obtiene una diferencia muy pequea en el valor de la R2 media de los constructos. Esta diferencia es especificada por el investigador, y puede ser tan pequea como 0.001. El mtodo de PLS busca valores en los parmetros que minimicen las varianzas residuales, el criterio es maximizar las varianzas de todas las variables latentes residuales endgenas (Var[]), de todas las variables latentes residuales reflectivas (Var[]) y de todas las variables latentes residuales formativas (Var[]). De hecho la estimacin de un modelo PLS se podra parecer a un anlisis de componentes principales, a un anlisis de senderos y a una regresin de mnimos cuadrados ordinarios (Lvy, Gonzlez, Muoz, 2006). La estimacin por PLS consiste esencialmente de una secuencia iterativa de regresiones de mnimos cuadrados ordinarios, OLS, que empieza con una aproximacin externa, durante la cual las variables latentes del modelo son aproximadas por una 82

combinacin lineal de sus indicadores. Para este proceso, se determina un grupo de pesos de una manera similar al anlisis por componentes principales para los indicadores reflectivos, y anlisis de regresin para los indicadores formativos. En el siguiente paso, la aproximacin interna, se determinan valores alternativos como medias pesadas del grupo de variables que estn adyacentes dentro del modelo estructural. Existen diferentes caminos para definir la adyacencia asociada a los diferentes esquemas (por ejemplo: centroide, factor, sendero), pero la seleccin de uno causa poco efecto en el resultado. Utilizando estos nuevos valores, los pesos iniciales se modifican, y el proceso de aproximacin de afuera y adentro empieza y se repite hasta que los valores convergen (Reinartz, Haenlein, Henseler, 2009). Los softwares desarrollados para evaluar SEM con PLS pueden estimar valores considerando modelos formativos y reflectivos, pero si se usan softwares para anlisis de convarianzas, como LISREL, EQS y AMOS, el modelo se analizar como si fuera exclusivamente reflectivo. Cuando se hace un anlisis de modelos PLS no es necesario cumplir con los supuestos de normalidad ni con un tamao de muestra especfico (Lvy, Gonzlez, Muoz, 2006). 3.6.6.Ajuste o relevancia del modelo :

No existe un criterio global de bondad de ajuste en el caso del modelamiento de senderos con PLS. La figura No. 3.9 muestra como se aplica el criterio de Chin, 1998 (citado en Henseler, Ringle, Sinkiovics, 2009). para evaluar modelamiento de senderos por PLS, este criterio incluye dos pasos, uno para la evaluacin del modelo externo y otro para la valoracin del modelo interno.

83

Evaluacin del modelo externo

Confiabilidad y Validez de los constructos reflectivos. Validez de los constructos formativos

Evaluacin del modelo interno

Explicacin de varianza de constructos endgenos. Efecto de los tamaos. Relevancia predictiva.

Fuente:

Henseler, Ringle, Sinkiovics, 2009.

Figura No. 3.9.- Los dos pasos para la evaluacin del modelamiento por senderos por PLS, SEM-PLS.

A continuacin, en los incisos (A), (B), (C), y (D), se presenta un resumen de los criterios propuestos por Henseler, Ringle, Sinkiovics, 2009, para la evaluacin de los modelos de ecuaciones estructurales por la metodologa de PLS, y en e inciso (E) se pueden ver los criterios propuestos por Tenenhaus, et.al., 2005, para efectuar la validacin del modelo, donde se agrega un adaptacin de las frmulas propuesta por Vinzi, Trinchera, Amato, 2010. La tabla 3.4 resume los criterios para la evaluacin y validacin de los modelos. A) Evaluacin de los modelos reflectivos de medida:

Se evalan a partir de se fiabilidad y validez (reliability and validity). El primer criterio que se evala es la fiabilidad de la consistencia interna, cuyo criterio general es la alfa de Cronbach, que provee un estimado para la confiabilidad basado en la intercorrelacin de indicadores. En el caso de las variables latentes se prefiere la fiabilidad compuesta, que toma en cuenta que los indicadores tienen diferentes cargas.

84

Algunos investigadores postulan que una variable latente debe explicar una parte importante de la varianza de los indicadores, por lo cual debe medirse la fiabilidad de los indicadores, y corresponde a las correlaciones absolutas entre los constructos y su variable manifiestas, debe ser mayor que 0.7, y algunos autores recomiendan eliminar los indicadores reflectivos de los modelos de medida si sus cargas estandarizadas son menores a 0.4. Un indicador se debe eliminar solo si su fiabilidad baja y al eliminarlos se incrementa la fiabilidad compuesta. A continuacin se propone la evaluacin de dos tipos de validez: Validez convergente: como criterio se utiliza la varianza media extrada, AVE (average variance extracted). Un valor de AVE 0.5 indica suficiente validez convergente y significa que la variable latente es capaz de explicar, en promedio, ms de la mitad de la varianza de los indicadores. Validez discriminante: es un concepto complementario y existen dos formas de medirla:

Criterio de Fornell-Lacker: postula que la variable latente comparte ms varianza con sus indicadores asignados que con cualquier otra variable latente. Lo cual quiere decir que la AVE de cualquier variable latente deber ser ms grande que la correlacin cuadrada ms alta de la variable latente con cualquier otra variable.

Cargas cruzadas: se espera que la carga de cualquier indicador sea ms grande que la de todas sus cargas cruzadas.

En la tabla No. 3.4 se muestran los criterios que debe cumplir una medicin de variables latentes para ser considerado fiable y vlido.

85

B)

Evaluacin de los modelos formativos de medida:

Los criterios tradicionales de medicin de validez y fiabilidad no son adecuados para modelos formativos. En este caso se aplican pruebas estadsticas, a nivel de los constructos y a nivel de los indicadores: A nivel de los constructos:

Validez nomolgica: se debe verificar si el ndice formativo se comporta como se espera en las hiptesis propuestas.

Validez externa: Los ndices formativos explican una gran parte de la varianza de una medida reflectiva alternativa del constructo. En Henseler, (2009), se sugiere un valor mnimo de 0.8, que significa que el ndice formativo explica alrededor de 80% del significado propuesto.

A nivel de los indicadores:

La estimacin de las cargas de los indicadores: puede ser determinada por medio de bootstraping .

Multicolinealidad: se calcula por medio del factor de inflacin de varianza (VIF, variance inflation factor). Un valor mayor a 10, de la VIF, revela un nivel crtico de multicolinealidad

C)

Evaluacin de los modelos estructurales:

Mediciones confiables del modelo externo permiten la evaluacin del modelo interno. R2: el coeficiente de determinacin de las variables latentes endgenas es el criterio esencial para la evaluacin del modelo interno. Chin (1998) (citado por Henseler, 2009) describe los valores de R2 de 0.67, 0.33 y 0.19 para los SEM-PLS como 86

substanciales, moderados y dbiles respectivamente. En modelos donde se explica a las variables endgenas con una o dos variable exgenas, un nivel moderado de R2 es suficiente, pero si la variable endgena se explica con varias variables exgenas se requiere de un nivel substancial de R2. Estimados de los coeficientes de senderos: si los signos de los coeficientes de los senderos tienen el mismo signo que el postulado en la hiptesis, se obtiene una validacin parcial de las relaciones asumidas tericamente entre las variables latentes. Los senderos que tienen un signo contrario al esperado no soportan la hiptesis propuesta. Se recomienda el uso de tcnicas de remuestreo como bootstraping. 2: el tamao del efecto, se puede medir por medio de la 2 de Cohen. Se calcula como el incremento en la R2 relativa a la proporcin de varianza de las variables endgenas latentes que permanecen inexplicadas. Valores de 2 de 0.02, 0.15 y 0.35 son efectos significativamente pequeos, medianos y grandes,

respectivamente (Cohen, 1988, citado en Henseler, Ringle, Sinkiovics, 2009). Q2 de Stone-Geisser: la relevancia predictiva puede ser medida utilizando procedimientos de blinfolding. El modelo debe ser capaz de proveer una prediccin de los indicadores de las variables latentes. El procedimiento de blindfolding se aplica solo a las variables latentes endgenas que tienen un modelo de medida reflectivo. Si este valor es mayor a cero para ciertas variables latentes endgenas, sus variables explicatorias proveen relevancia predictiva. El impacto relativo de la relevancia predictiva puede ser medido por medio de q2 con valores de 0.02, 0.15 y 0.35, con relevancia predictiva pequea, media y alta respectivamente, de esta manera explicando la variable latente endgena en evaluacin.

87

D)

Comparacin de grupos y otros avances en anlisis por PLS:

La presencia de heterogeneidad en las muestras es una amenaza a la validez de los resultados el modelo. La tcnica FIMIX-PLS finite mixture partial least squares y otras tcnicas tipolgicas recientemente desarrolladas permiten ver que los resultados no son distorsionados por heterogeneidad no observada. E) Validacin del modelo:

Un modelo de senderos debe ser validado a tres niveles: (1) Calidad de la medicin del modelo, (2) Calidad del modelo estructural, y (3) Cada ecuacin de regresin estructural. Calidad de la medicin del modelo:

ndice de Comunalidad: mide la calidad del modelo de medida para cada bloque, y se define como se indica en la ecuacin (3.1), la ecuacin ( 3.2 ) muestra la comunalidad promedio de todo cor 2 (x jh , y j ) .

1 comunalidad j = pj

cor (x
pj 2 h =1

jh

, yj )
....................... ....................... ( 3.1 ) ( 3.2 )

comunalidad =
donde: j: p:

1 J p j comunalidad j p j =1

bloque endgeno nmero total de variables manifiestas en todos los bloques

88

Calidad del modelo estructural:

ndice de Redundancia: mide la calidad del modelo estructural para cada bloque endgeno, tomando en consideracin el modelo de medida. Se define como lo muestra la ecuacin ( 3.3 ). redundancia j = comunalidad j R 2 ( y j , {y j ' ' s que exp lican y j }) . . . . . . . . . ( 3.3 ) donde: j: bloque endgeno

Criterio Global de Bondad de Ajuste (goodness-of-fit, GoF): aunque para SEMPLS no existe un ndice que provea una validacin general del modelo, el GoF representa una solucin operacional a este problema, y podra ser utilizado como ndice para validacin global del modelo. Se calcula con la ecuacin ( 3.4 ).

GoF = comunalidad R 2
Donde: R2 = 1 R 2j j

............................

3.4

.......................................

( 3.5 )

Calidad de cada ecuacin de la regresin estructural: Se mide por medio del ndice de redundancia (Q2 de Stone-Gisser) y es un tipo de R2 validada de manera cruzada entre las variables manifiestas y una variable latente, y todas las variables manifiestas y las variables latentes que explican las variables latentes endgenas, utilizando el modelo estructural.

89

Los niveles de significancia de los coeficientes de regresin pueden ser calculados utilizando el estadstico t de student o utilizando mtodos de validacin cruzada como blindfolding, jack-nife o bootstrap.

Blindfolding: es una metodologa donde se corre el modelo estructural utilizando la base de datos a la cual se le han omitido aquellas celdas a las que se les ha asignado una letra de un grupo de una sucesin de determinadas letras. El modelo se corre tantas veces como se requiera habiendo omitido las celdas de una de las letras a la vez. La calidad del modelo se evala al medir su capacidad de predecir variables manifiestas utilizando otras variables latentes. A partir de este procedimiento se obtienen los ndices de comunalidad, Hj2,y redundancia, Fj2.

Jack-Knife: en este procedimiento se llevan a cabo remuestreos al eliminar un determinado nmero de unidades del modelo original (con tamao N). Se elimina una unidad a la vez y cada submuestra del jack-knife est construida de N-1 unidades. El incrementar el nmero de unidades eliminadas trae consigo una prdida potencial de robustez del estadstico t, debido a que hay un menor nmero de submuestras.

Bootstrap: Las muestras de bootstrap se construyen por medio del remuestreo con reemplazo de la muestra original. Este procedimiento produce muestras que consisten del mismo nmero de unidades que en la muestra original. Es un procedimiento no paramtrico que provee un estimado de la forma, la dispersin y sesgo de la distribucin de muestreo de un estadstico especfico. El procedimiento de bootstraping trata a la muestra como si representara a toda la poblacin, y crea muestras aleatoriamente a partir de la muestra original. PLS estima el modelo de senderos para cada muestra, de donde se obtiene una distribucin de los coeficientes del modelo de senderos, lo que permite obtener una t de student para determinar la significancia de las relaciones del modelo.

90

En la tabla No. 3.4 se muestran los criterios de evaluacin y validacin de los modelos de senderos por PLS (SEM-PLS). 3.6.7.Los softwares para modelamiento de senderos con PLS:

Una gran cantidad de softwares estadsticos cuentan con aplicaciones de PLS, por ejemplo: Minitab 15, JMP 6, SPSS, entre otros, pero solo llevan a cabo una regresin por PLS, y no son capaces de hacer directamente un anlisis de modelamiento de senderos con variables latentes. Con este objetivo existen muchos softwares que pueden hacer especficamente modelamiento de senderos con variables latentes con PLS, el ms conocido fue desarrollado por Lohmller en 1986, este programa se conoce como LVPLS, y requiere de mucho esfuerzo de programacin. La tabla No. 3.5 muestra los softwares ms conocidos para modelamiento de senderos con PLS.

91

Tabla No. 3.4.- Criterios de evaluacin de un modelo de senderos por PLS.

Objetivo Criterio Alfa de Cronbach Consistencia interna Fiabilidad Compuesta (c) Descripcin Un nivel aceptable es de 0.7, aunque se recomiendan valores arriba de 0.8 o 0.9. Debajo de 0.6 indica falta de fiabilidad Tambin se le conoce como rho de Dillon-Goldsteins (o de Jreskogs). Es una medida de la consistencia interna y debe ser c 0.7. Aunque algunos autores recomiendan que sea c 0.8 - 0.9. Una variable latente debe explicar una parte importante de la varianza de los indicadores, por lo cual debe medirse la fiabilidad de los indicadores, y corresponde a las correlaciones absolutas entre los constructos y su variable manifiestas, debe ser mayor que 0.7 Debe ser mayor a 0.5, AVE > 0.5 Average variance extracted (AVE) La AVE de cualquier variable latente deber ser ms grande que la correlacin cuadrada ms alta de la variable latente con cualquier otra variable. Se espera que la carga de cualquier indicador sea ms grande que la de todas sus cargas cruzadas. Si un indicador tiene un correlacin ms alta con otra variable latente que con su respetiva variable latente se debera reconsiderar el modelo. Las relaciones entre los ndices formativos y los constructos son grandes y significantes Los ndices formativos explican una gran parte de la varianza de una medida reflectiva alternativa del constructo Las cargas estimadas de los modelos de medida formativos son significativas Las variables manifiestas en un bloque formativo debern ser probadas para multicolinealidad. El factor de inflacin de la varianza (VIF, variance inflation factor) puede ser utilizado para dichas pruebas. VIF > 10 indica colinealidad peligrosa VIF substancialmente mayor a 1 indica multicolinealidad R2 de 0.67, 0.33 y 0.19 describen al modelo como substancial, moderado o dbil respectivamente Los valores estimados de las relaciones en el modelo estructural debern ser evaluadas en trmino del signo, magnitud y significancia 2 = (R2incluida R2excluida) / (1 R2incluida) valores de 0.02, 0.15 y 0.35 muestran un efecto predictor de la variable latente dbil, medio o grande respectivamente Q2 se calcula basndose en el procedimiento de blindfolding: Q2 = 1 (DSSED)/(SSOD), donde D: distancia de omisin, SSE: suma de cuadrados de los errores de prediccin, SOO: suma de cuadrados de las observaciones. Valores de Q2 > 0 dan evidencia de que los valores observados estn bien reconstruidos y que el modelo tiene relevancia predictiva. Valores de Q2 < 0 indican falta de relevancia predictiva. En correspondencia con la 2, el impacto relativo del modelo estructural en las mediciones observadas de las variables latentes dependientes puede ser medido como: q2 = (Q2incluida Q2excluida) / (1 Q2incluida) A partir de una pequea muestra de n observaciones se generan N muestras artificiales. Cada muestra artificial es obtenida por sorteo equiprobable y con reposicin de las n observaciones en la muestra original. Lo cual significa que una misma observacin salga varias veces en las N muestras artificiales. Cada muestra ser sometida al anlisis estadstico previsto con sus consecuentes resultados de manera segura, descubrir y evaluar los posibles sesgos, as como calcular los intervalos de confianza En este procedimiento se llevan a cabo remuestreos al eliminar un determinado nmero de unidades del modelo original (con tamao N). Se elimina una unidad a la vez y cada submuestra del jack-knife est construida de N-1 unidades. El incrementar el nmero de unidades eliminadas trae consigo una prdida potencial de robustez del estadstico t, debido a que hay un menor nmero de submuestras Comunalidad (H2) y redundancia (F2) validadas de manera cruzada (cross-validated communality and redundancy). Un valor negativo de comunalidad o redundancia implica que la variable latente correspondiente no es adecuadamente determinada. El ndice de cv-comunalidad mide la calidad del modelo de medida para cada bloque, y es un tipo de R2 validada de manera cruzada entre bloques de variables manifiestas y sus propias variables latentes.

Evaluacin de los modelos reflectivos de medida

Fiabilidad de los indicadores Validez convergente Varianza media extrada Criterio de FornellLacker Cargas Cruzadas Validez nomolgica Validez externa Significancia de las cargas Multicolinealidad

Validez discriminante

Evaluacin de los modelos formativos de medida

A nivel de los constructos A nivel de los indicadores

R2 de las variables endgenas Estimados de los coeficientes de sendero Tamao del efecto ( 2 ) Evaluacin del modelo estructural Relevancia de la prediccin Q2 y q2

Bootstraping

Jack-Knife

Blindfolding

Bondad de Ajuste Goodness of Fit GoF

GoF = comunalidad R 2

Buen modelo GoF > 0.9

Fuente:

Elaborado con informacin de Henseler, Ringle, Sinkiovics, 2009, Lvy, Gonzlez, Muoz, 2006, Tenenhaus, et.al., 2005, y Vinzi, Trinchera, Amato, 2010.

92

Tabla No. 3.5.- Software para modelamiento de senderos con PLS.

Caractersticas Sistema operativo Requisitos Datos Software PLS-Graph 3.00 Windows Datos crudos Definicin comn de valores perdidos para cada variable Fija (eliminacin pareada o imputacin de medias)
Blindfolding Jacknifing Bootstrapping Redundancia Comunalidad

LVPLS 1.8 DOS Datos crudos Matriz de covarianzas Definicin individual de datos perdidos para cada variables Fija (eliminacin pareada o imputacin de medias)
Blindfolding Jacknifing Redundancia Comunalidad

PLS-GUI 2.0.1 Windows Datos crudos Matriz de covarianzas Definicin comn de valores perdidos para todas las variables Fija (eliminacin pareada o imputacin de medias)
Blindfolding Jacknifing Bootstrapping

VisualPLS 1.04 Windows Datos crudos Definicin comn de valores perdidos para cada variable Fija (eliminacin pareada o imputacin de medias)
Blindfolding Jacknifing Bootstrapping Redundancia Comunalidad

SPAD-PLS Windows Datos crudos Definicin comn de datos perdidos para cada variable Eliminacin pareada o imputacin de medias NIPLAS/EM Blindfolding Jacknifing Bootstrapping Redundancia Comunalidad Grficamente Diagrama de Sendero Vinzi et. al. (2004)

SmartPLS 2.0 M3 Independiente (Java) Datos crudos Definicin comn de datos perdidos para cada variable Eliminacin de caos o imputacin de medias
Blindfolding Bootstrapping Redundancia Comunalidad

WarpPLS 1.0 Windows Matlab Datos crudos Definicin comn de datos perdidos para cada variable

Definicin de valores perdidos

Metodologa

Tratamiento de los datos perdidos

Eliminacin de caos incompletos

Blindfolding Jacknifing Bootstrapping

Remuestreo Validacin cruzada Especificacin

No disponible Casi grficamente No disponible Li (2003) http://dmsweb.moor e.sc.edu/yuanli/plsgui/ Freeware

No disponible Grficamente Diagrama de Sendero Dr. Ned Kock (2010)

Editor de textos No disponible Lohmller (1984) No disponible Freeware

Facilidad de Uso

Salida grfica Documentacin Internet Disponibilidad

Grficamente Diagrama de Sendero Fu (2006)

Grficamente Diagrama de Sendero Chin (2001)

Grficamente Diagrama de Sendero Hansmann and Ringle (2004)

http://www2.kuas. http://www.cba.uh. http://www.testa edu.tw/prof/fred/vp edu/plsgaph ndgo.com ls/index.html Freeware Freeware Test&Go

http://www.smartpls http://www.scriptwa .de rp.com/warppls/ Freeware Script Warp Systems

Fuente:

Temme, Kreis y Hildebrandt, 2006, y http://www.scriptwarp.com/warppls/UserManual.pdf

93

93

3.7.-

SEM-EC vs. SEM-PLS:

El anlisis de estructuras de covarianzas, SEM-EC, y el modelamiento de senderos con PLS, SEM-PLS, son dos tcnicas que resuelven esencialmente el mismo problema. En ambos casos se inicia con la misma teora, pero difieren en como estiman los parmetros (Reinartz, Haenlein, Henseler, 2009). Las metodologas de SEM-EC y SEM-PLS son complementarias ms que competitivas. De acuerdo a Jreskog, 1982, SEM-EC se orienta a la teora, y enfatiza la transicin del anlisis exploratorio al confirmatorio. SEM-PLS se propone principalmente para anlisis causal-predictivo en situaciones de alta complejidad y poca informacin terica. SEM-EC debe utilizarse en casos donde el conocimiento terico es fuerte y el objetivo es la prueba y el desarrollo de la teora. SEM-PLS es una tcnica adecuada cuando el propsito es la prediccin y la construccin de una teora. Otra tcnica de anlisis de senderos, basada en anlisis de redes neuronales, SEM-ANN (ANN, Artificial Neural Networks), incrementa la capacidad de prediccin sin necesidad de un significado terico. La figura No. 3.10 representa bajo que consideraciones deben utilizarse estas tcnicas. (Henseler, Ringle, Sinkiovics, 2009).

Fuente:

Henseler, Ringle, Sinkiovics, 2009.

Figura No. 3.10.- Propsito de los anlisis con SEM-EC, SEM-PLS o SEM-ANN.

94

La principal diferencia matemtica entre el anlisis de estructuras de covarianzas, SEMEC, y el de SEM-PLS, es la tcnica que se utiliza para estimar los parmetros desconocidos. En el caso de SEM-EC, se asume que las variables latentes son responsables de la variacin de sus indicadores manifiestos. En el caso de SEM-PLS se asume que las variables latentes pueden modificar a sus indicadores manifiestos, y que los indicadores manifiestos pueden modificar a las variables latentes (Allen y Rao, 2000). Los algoritmos para el anlisis son diferentes para SEM-EC que para SEM-PLS. Para anlisis de estructuras de covarianzas, SEM-EC, aplican derivadas de segundo orden, como funciones de Mxima Verosimilitud, para maximizar las estimaciones de los parmetros. En SEM-PLS se aplica una secuencia iterativa de mnimos cuadrados ordinarios, OLS, y regresiones lineales mltiples, analizando un constructo a la vez En lugar de estimar la varianza en todas las variables observables como en SEM-EC, el SEM-PLS estima los parmetros del modelo que minimizan la varianza residual de todas las variables dependientes el modelo (Chin, 1998, citado en Lvy, Gonzlez, Muoz, 2006). Existen algunas diferencias en el alcance de las metodologas de SEM-EC y PLS, como describe Wold, 1985: Mxima verosimilitud en SEM-EC modela las matrices de covarianza de variables manifiestas y variables latentes, mientras que SEM-PLS modela y predice a las variables manifiestas y variables latentes, y en el proceso modela sus matrices de covarianza. Mxima verosimilitud en SEM-EC asume que las variables manifiestas se encuentran gobernadas por una distribucin multivariada especfica, la cual est sujeta a observaciones independientes, mientras que en SEM-PLS las relaciones

95

predictivas estn sujetas a la especificacin del predictor y de esa manera son libres de distribucin, y la independencia de las observaciones no est especificada. En SEM-EC la estimacin de los parmetros es consistente, pero los valores de las variables latentes no son estimados, mientras que en SEM-PLS los valores de las variables latentes son estimados como promedios ponderados de su bloque de indicadores, dando estimados de los parmetros y los valores de las variables latentes que son inconsistentes, pero consistentes en el lmite, conforme los bloques de indicadores crecen indefinidamente en tamao. El modelo de evaluacin en mxima verosimilitud en SEM-EC usa pruebas de hiptesis y errores estndar calculados por las clsicas aproximaciones asintticas, mientras que SEM-PLS usa la prueba de Stone-Geisser para relevancia predictiva y el Jacknife de Tuckey, los cuales se encuentran libres de distribucin independencia (Wold, 1985). En Lvy, Gonzlez, Muoz, 2006, se propone una tabla que resume las principales diferencias entre ambos mtodos, stas condicionan la eleccin de uno u otro mtodo. En la tabla No. 3.6 se muestra dicha comparacin, la cual ha sido enriquecida con informacin proveniente de Reinartz, Haenlein, Henseler, 2009.

96

Tabla No. 3.6.- Comparacin del SEM-PLS versus SEM-EC en funcin de criterios especficos.
No. 1 2 3 4 5 6 7 8 Criterio vs. Mtodo Aproximacin Objetivo Condicin Hiptesis Puntuaciones factoriales Consistencia de los estimadores Tamao de la muestra Relacin epistemolgica SEM-PLS Basado en la estructura de la varianza Orientado hacia la prediccin Prediccin Precisin ptima de prediccin (no paramtrica) Estimacin de los casos de las variables latentes Consistencia con incremento del nmero de casos y de variables Tamao mnimo de la muestra (30 a 100 casos) Anlisis de medidas reflectivas y formativas SEM-EC Basado en la estructura de la covarianza Orientado hacia los parmetros Necesidad de normalidad de (Nota 1) los datos Precisin paramtrica ptima Indeterminacin factorial Consistencia Se recomienda de 200 a 800 casos Anlisis de medidas reflectivas

Nmero de indicadores por variable latente Distribucin de los indicadores Implicaciones

Tantos como se requiera, incluso ms all de los lmites Se recomiendan al menos 3 o de SEM-EC (cantidad de 4 (demasiados indicadores son indicadores excesivamente inadecuados) grande por variable latente) Acepta presencia de no normalidad Distribucin normal multivariada

10 11
Nota 1:

ptimo para la precisin de la ptimo para la precisin de los prediccin parmetros

La necesidad de robustez puede ser eliminada al aplicar correcciones elpticas, curtosis heterognea, AGLS o de mtodos robustos, ver tabla 4.1, captulo 4. Lvy, Gonzlez, Muoz, 2006, y Reinartz, Haenlein, Heseler, 2009.

Fuentes:

3.8.-

Tratamiento de datos en caso de datos perdidos:

En todo tipo de investigaciones el investigador se enfrenta a la presencia de datos perdidos, esto se refiere a que al hacer el levantamiento de los datos, para una de las muestras una o ms variables no contaron con un dato, a cada uno de estos datos se le conoce como dato perdido. En el caso de una investigacin experimental un dato perdido se presenta, por ejemplo, cuando al investigador, por error, le falt tomar una lectura, o cuando durante la experimentacin se detecta un error en uno de los 97

instrumentos de medicin. En el caso de una investigacin donde se aplican encuestas, se presenta un dato perdido cuando el encuestado, por ejemplo, no entiende la pregunta y decide no responder, cuando no responde ya que considera que la respuesta podra comprometerlo, o simplemente por descuido no contesta la pregunta, tambin se presentan datos perdidos durante la captura de la informacin en las bases de datos, cuando por error un dato no se escribe. Los datos perdidos producen muchos problemas en el anlisis multivariado, ya que muchos de los softwares estadsticos tienden a excluirlos, por lo que la observacin a la que pertenecen no tendr un dato vlido para cada variable (Allen y Rao, 2000). La existencia de datos perdidos en una muestra no implica que el resto de los datos de la muestra estn mal, y por lo tanto debern ser desechados, ya que cuando se cuenta con muy pocos casos no es lo ms conveniente. A continuacin se describen algunas metodologas para lidiar con datos perdidos. a) Mtodo de los datos completos:

Solo se utilizan aquellas muestras que cuenten con todos los datos, aquellas a las que falte al menos un dato sern eliminadas. Se conoce tambin como Mtodo de casos completos. b) Mtodo de solo pares completos: pares

Se consideran todos los casos y las covarianzas se calculan en base a disponibles de observaciones. c) Mtodo de reemplazo de medias:

Donde faltan valores se coloca la media de la variable.

98

d)

Mtodo de reemplazo por regresin, y mtodo de componentes principales:

Se substituyen los valores faltantes con un anlisis de regresin o de componentes principales. e) Estimacin de mxima verosimilitud:

Se estiman los datos perdidos aplicando la metodologa de mxima verosimilitud (ML), utilizando para ese fin el resto de los datos de todas las variables, y de todas las muestras. En este caso tambin puede emplearse el algoritmo EM (expectation maxization) para la estimacin de ML. f) Imputacin de patrn de repuesta similar:

Basado en la similitud de las variables por medio del uso de un vector de variables con datos incompletos y un vector con datos completos, para imputar los valores perdidos. El mtodo (b) puede llevar a una matriz de covarianza definida no positiva, adems el tamao de la muestra es ambiguo. Los mtodos (c) y (d) pueden proporcionar heterocedasticidad de varianzas o distribuciones no normales, aunque los datos originales hayan sido normales y las varianzas homocedsticas (Schumacker y Lomax, 1996). Los diferentes softwares tienen sus propios mtodos para lidiar con valores perdidos, algunos de los cuales ya vienen preestablecidos, as que si se desea aplicar una metodologa diferente, el tratamiento puede llevarse a cabo previamente con otro software.

99

Captulo 4.- Metodologa de investigacin. En este captulo se muestran los resultados de la puesta a prueba aplicando las metodologas de SEM-EC y SEM-PLS, a los datos del estudio para la obtencin del modelo del IMSU para el Programa de Abasto Rural, DICONSA, y el Programa de Zonas Prioritarias, PDZP, de SEDESOL, los cuales ya haban sido descritos en el captulo 2 de este mismo trabajo. Inicialmente se lleva a cabo una descripcin sencilla de los pasos que se llevaron a cabo para obtener los resultados presentados en este trabajo. Primero se describe la metodologa aplicada para el anlisis de los supuestos. Despus se describe brevemente los pasos a seguir para llevar a cabo una prueba de ecuaciones estructurales por anlisis de covarianzas. En seguida se describe como es que se llev a cabo la prueba de ecuaciones estructurales con mnimos cuadrados parciales. La siguiente seccin describe el procedimiento seguido en este trabajo para la simulacin (imputacin) de datos perdidos. A continuacin se presentan los modelos de cada uno de los programas en estudio, se lleva a cabo un desglose de los sistemas de ecuaciones estructurales correspondientes al modelos, y se presenta el mismo modelo con las abreviaturas que fueron utilizadas para cada variable en este estudio. Una vez terminada la descripcin hace un anlisis de los supuestos de normalidad, linealidad, datos atpicos y normalidad multivariada, y entonces con esa informacin se selecciona la metodologa adecuada de SEM-EC. Posteriormente se presentan los resultados de las corridas aplicando SEM-EC, donde adems se describen los pasos que se llevaron a cabo para poder llegar a dichos resultados. Para terminar se presentan los resultados de las corridas aplicando SEM-PLS, donde adems de la evaluacin del modelo inicial de IMSU, se lleva a cabo una evaluacin de aquellos modelos obtenidos en el estudio mediante SEM-EC.

100

4.1.-

Descripcin de las metodologas:

En esta seccin se describe de manera general como se tratan los datos para llevar a cabo el estudio. Adicionalmente se menciona el software que se est utilizando para hacer cada uno de los anlisis, mostrndose tambin, en algunos casos, la secuencia de instrucciones que se estn empleando para llevar a cabo cada uno de ellos. 4.1.1.- Descripcin general: Inicialmente se evalan los supuestos para verificar la metodologa ms adecuada de anlisis. Si es que se cumple con los requisitos de normalidad, linealidad y valores tpicos, requeridos para llevar a cabo un anlisis de ecuaciones estructurales por medio de estructuras de covarianzas, SEM-EC, si no se cumple con los requisitos de normalidad, linealidad y valores atpicos se procede a hacer una anlisis de SEM-EC aplicando metodologas con ajuste por no normalidad. Una vez seleccionada la metodologa se lleva a cabo la corrida evaluando los datos del programa por SEM-EC con el modelo original, si no se cumple con un adecuado ajuste y no se presenta una optimizacin sin problemas, se llevan acabo las recomendaciones sugeridas por el software, una a una hasta que se obtener un modelo que cumpla con los requisitos. Inicialmente se lleva a cabo la evaluacin eliminando los casos con datos perdidos, y una vez que se hayan seleccionado aquellos modelos que cumplen con la optimizacin y con los ndices de ajuste, se lleva a cabo nuevamente el anlisis pero incluyendo los datos perdidos que han sido simulados por medio de una imputacin de mxima verosimilitud. Aquellos modelos que hayan sido seleccionados por SEM-EC se evalan por SEMPLS, y se analizan los resultados.

101

4.1.2.- Anlisis de los supuestos de normalidad, linealidad y datos tpicos: Para el anlisis de los supuestos de normalidad, linealidad y datos atpicos se llev a cabo con la ayuda del software Minitab 15. Este software se eligi ya que sirve para hacer anlisis estadsticos muy fcilmente, proporciona resultados de manera comprensible y grficos con buena presentacin. a) Normalidad y distribucin:

Un requisito para poder aplicar un anlisis por estructuras de covarianzas es que los datos deben seguir una distribucin normal. Para la evaluacin de la normalidad de utiliz la Prueba de Anderson-Darling (Anderson-Darling test), que compara la funcin de distribucin acumulativa emprica de los datos evaluados con los esperados en una distribucin normal. Cuando la diferencia es grande se rechaza la hiptesis nula de normalidad (Minitab 15, 2006). En este trabajo para rechazar la hiptesis nula de normalidad se seleccion un nivel de significancia de 0.05, es decir que aquellas distribuciones que den como resultado a la prueba de normalidad un p-valor menor a 0.05 no son distribuciones normales. La prueba de normalidad se obtuvo por medio de la instruccin de Resumen Grfico (Graphycal Summary) en Estadsticos Bsicos (Basic Statistics) de Minitab, que adems de la prueba de Anderson-Darling incluye los clculos de otros estadsticos, donde para una sencilla rpida de la distribucin nos interesan: la media (mean), la desviacin estndar (standard deviation), la curtosis (kurtosis), y el sesgo (skeness).

102

b)

Linealidad:

Un requisito para poder aplicar un anlisis por estructuras de covarianzas es que las relaciones entre las variables sean lineales. Para ello debera de llevarse a cabo un anlisis de regresin lineal a cada par de variables, y esperar un buen ajuste. Pero una forma rpida de determinar si se sigue una distribucin lineal es visualmente, por los que se obtuvo una grfica de dispersin en forma matricial donde se puede determinar de manera visual si las variables tienen una relacin lineal entre ellas. La grfica de distribucin matricial se obtuvo con Minitab con la instruccin Grfica Matricial (Matrix Plot) en Grficos (Graph), donde se solicita que se efecte la regresin, lo cual se refleja en el grfico con una lnea recta. c) Datos atpicos:

La presencia de datos atpicos (outliers) se observ por medio de un diagrama de cajas. Aquellos datos que se encuentran por arriba del lmite superior (upper whisker) o por debajo del inferior (lower whisker) son los datos atpicos. Los lmites superior e inferior corresponden a 1.5 veces la distancia entre los cuartiles de 50% a 75% y de 25% a 50%, respectivamente. En el diagrama de cajas son representados por un asterisco ( ).

El diagrama de cajas se obtuvo con Minitab con la instruccin Diagrama de Cajas (Boxplot) en Grficos (Graph). d) Normalidad multivariada:

Si los datos no se encuentran normalmente distribuidos, es decir la curtosis multivariada de Mardia es ms grande que 3, entonces no es adecuado confiar en los resultados provenientes de los mtodos de mnimos cuadrados (LS, Least Squares), mnimos cuadrados generalizados (GLS, Generalized Least Squares) o mxima verosimilitud (ML, Maximun Likelihood), en esos casos es conveniente usar otras tcnicas, como 103

los mtodos elpticos (Elliptical), los de curtosis heterognea (Heterogeneous Kurtosis), mnimos cuadrados generalizados de distribucin arbitraria (AGLS, Arbitrary Distribution Generalized Least Squares), o los mtodos robustos (Robust Methods) (EQS 6.1, 2006). La normalidad multivariada se determina por medio de la curtosis multivariada normalizada (normalized multivariate kurtosis), que en este trabajo se obtuvo al hacer la corrida de SEM-EC en EQS. 4.1.3.- Anlisis de estructuras de covarianza, SEM-EC: Para el anlisis de estructuras de covarianzas se seleccion el software EQS, ya que es de fcil aplicacin, permite un autoaprendizaje ms amigable que LISREL y AMOS, reporta los resultados el anlisis en un solo documento, y ofrece mtodos de correccin para estimadores con datos con distribucin diferente a la normal. a) EQS: Software para el anlisis de ecuaciones estructurales. EQS fue desarrollado por el Dr. Peter M. Bentler, autoridad en el tema de anlisis de estructuras de covarianzas, y la su pgina de Internet afirma que EQS provee a los investigadores y estadsticos de un mtodo simple para llevar a cabo todo tipo de anlisis de modelos de ecuaciones estructurales, incluyendo regresin mltiple, regresin multivariada, anlisis confirmatorio de factores, anlisis estructural de medias, anlisis de senderos, y comparaciones mltiples de poblaciones. Adems menciona que los usuarios afirman que EQS es ms completo y ms fcil de usar que otros productos como LISREL, adems con EQS no se requieren conocimientos de lgebra de matrices. Adems afirma que EQS provee la estadstica ms precisa para el anlisis de datos que no tienen distribucin normal multivariada (los datos reales son tpicamente no normales), con la chi-cuadrada escalada de Satorra-Bentler, los errores estndar robustos, y

104

los estadsticos libres de distribucin de Yuan-Bentler, caractersticas no disponible en otros programas de modelamiento. (www.mvsoft.com) La versin que se utiliz para llevar a cabo este trabajo es EQS 6.1 for Windows. b) Aplicacin de SEM-EC por medio de EQS: Una vez que se ha determinado si los datos cumplen con las condiciones de normalidad, linealidad, datos atpicos y normalidad multivariada, se lleva a cabo la corrida, que en EQS es aplicando los estimadores de teora normal Normal theory estimators, LS, GLS o ML (mnimos cuadrados, mnimos cuadrados generalizados o mxima verosimilitud). Pero si no se cumple con dichas condiciones debern aplicar correcciones para estimadores no normales Nonnormal estimators corrections, que son: elptico, curtosis heterognea, AGLS y mtodos robustos, en la tabla No. 4.1 se describe en que situaciones se usa cada uno de ellos. De acuerdo a las recomendaciones de HELP Users Guide EQS 6.1 se pueden analizar modelos con variables categricas ordenadas y con variables continuas. Se asume que las variables categricas corresponden a versiones categorizadas de variables realmente continuas y con distribucin multivariada normal. Para el anlisis de estas variables se recomienda utilizar la opcin AGLS, pero solo es apropiada para muestras muy grandes. En el caso de muestras pequeas o medianas, como es el caso de las analizadas en este trabajo, se recomienda la alternativa de mtodos robustos con opcin Test & S.E. La cual provee un buen estimador de los parmetros del modelo (EQS 6.1, 2006).

105

Tabla No. 4.1.- Mtodos de correccin para estimaciones no normales en EQS.

Correccin Caractersticas Si las variables tiene poco sesgo o no lo tienen, es decir se encuentran simtricamente distribuidos. Elptico (Elliptical) Las curtosis univariadas de los datos deben ser homogneas. Si los datos normales, los resultados de una estimacin elptica sern similares a los de la teora normal. Si las variables son simtricas, pero sus curtosis son heterogneas. Es un mtodo que no ha tenido estudio posterior al de su desarrollo. Curtosis Heterognea (Heterogeneous Kurtosis) Average Geometric Mean Promedia las dos curtosis de un par de variables en pesos usados para la estimacin de la distribucin de covarianzas. Toma la raz cuadrada del producto de las dos curtosis de un par de variables.

Permite una mayor variedad de distribuciones. Los mtodos normal y elptico son un caso especial de la metodologa de curtosis heterognea. La ventaja de ste mtodo sobre AGLS y los robustos es que se puede manejar con modelos con tantas variables como las que se pueden manejar con la teora normal Normal Theory methods). Es un mtodo GLS generalized least squares que no hace suposiciones de la distribucin Tambin se conoce como mtodo de distribucin asintticamente libre o "ADF" (Asymptotically Distribution Free), porque sus propiedades de libre de distribucin solo son totalmente justificables en muestras grandes. El mtodo AGLS es la mejor opcin para muestras realmente grandes, pero existen otras opciones para muestras no tan largas. Este mtodo es casi imposible de calcular cuando el nmero de variables es muy grande (30 o ms), especialmente si la muestra es pequea. Acepta los estimados obtenidos del mtodo de teora normal (elptica o curtosis heterognea) como mxima verosimilitud, pero hace correcciones de tal manera que sen ms confiables. Cuenta con pruebas estadsticas adicionales. La prueba de mxima verosimilitud es multiplicada por una constante desarrollada por Satorra y Bentler (1994). Este estadstico es el ms ampliamente estudiado y el ms aceptado en casos de no normalidad en evaluacin de modelos. Aunque falla cuando el modelo tiene un gran nmero de variables y una muestra muy pequea. La prueba de Browne est basada en el residuo entre el modelo estimado y las covarianzas de la muestra. Se desempea bien en muestras grandes pero falla en muestra intermedias o pequeas. El estadstico de Yuan-Bentler-Browne es una modificacin del estadstico de Browne, propuesto por Yuan y Bentler, se desempea bien en muestras pequeas o intermedias. Existe evidencia de que este estadstico puede sobreaceptar modelos con menores tamaos de muestra. El estadstico F de Yuan-Bentler probablemente es la mejor prueba por un amplio rango de condiciones de tamaos de muestra y no normalidad. Se recomienda cuando existen datos atpicos o que influencian la base de datos, asignndoles pesos. Case Weights Hace clculos con la teora de mxima verosimilitud, mantiene los estimados y corrige los estadsticos de prueba y los errores estndar para que sean apropiados.

AGLS (Arbitrary Distribution Generalized Least Squares)

Test & S.E. Mtodo robustos (Robust Methods)

Nota:

Tabla generada con informacin del Manual del Usuario de EQS 6.1 by Peter M. Bentler, 1985-2006

106

La primera corrida que se lleva a cabo con cada proyecto en estudio es el modelo general del IMSU, en caso de observarse no convergencia, existencia de problemas durante la optimizacin, residuales estandarizados muy grandes o que los ndices de ajuste no corresponden a los requeridos se siguieron las sugerencias propuestas por las pruebas Wald o de Lagrange que fueron ejecutadas durante la corrida. De esa manera se fue modificando el modelo hasta que se observ convergencia, la ausencia de problemas de optimizacin, residuales estandarizados ms pequeos y el cumplimiento de los ndices de ajuste. En la tabla No. 4.2 se muestran los criterios de los ndices de ajuste aceptados en este trabajo para los modelos obtenidos.

Tabla No. 4.2.- ndices de ajuste aceptables para los modelos en estudio.

ndice Chi cuadrada Valor de probabilidad Bentler-Bonett Normed Fit Index Bentler-Bonett Non-Normed Fit Index Comparative Fit Index Bollens Fit Index McDonalds Fit Index Joreskog-Sornoms Goodness of Fit Index Joreskog-Sorborms Adjusted Goodness of Fit Index Root Mean-Square Residual Standarized RMR Root Mena-Square Error of Approximation 90% Confidence Interval of RMSEA Alfa de Cronbach

Abreviatura
2

Valor deseable 3*GL

Valor Aceptable 0.9 0.9 0.9 0.9 0.9 0.9 0.9 0.05 0.05 0.08 0.6 a 0.7

p-value NFI NNFI CFI IFI MFI GFI AGFI RMR RMSEA -

> 0.05 0.95 0.95 0.95 0.95 0.95 0.95 0.95 0.05 0.05 0.05 0.1 0.8 a 0.95

Notacin:

GL

Grados de Libertad

107

Los valores de las medias de las variables latentes y de las variables manifiestas se obtienen en EQS 6.1 por medio de la constante V999, la cual se conecta con todas las variables latentes, utilizando como pivote una de las variables manifiestas a la vez. Se utilizaron las bases de datos donde se eliminaron los casos con datos perdidos y donde se imputaron los datos perdidos. Para cada base de datos se seleccionaron los valores de medias con mejor ajuste y frecuencia. 4.1.4.- Mnimos cuadrados parciales, SEM-PLS: Para el anlisis de mnimos cuadrados parciales se seleccion el software SmartPLS, ya que es de libre acceso va internet, se cuenta con permiso para su uso por 90 das, cumple con los requisitos bsicos para llevar a cabo el anlisis de SEM-PLS, y cuenta con una demostracin bsica de su uso. a) SmartPLS: Software para el diagramas de senderos con PLS. SmartPLS es una aplicacin de software para modelamiento grfico de senderos con variables latentes, que aplica el mtodo de mnimos cuadrados parciales (PLS). SmarPLS fue desarrollado por el Chistian Ringle y su equipo en la Universidad de Hamburgo, y es un software para el modelamiento de diagramas de sendero va PLS. Adems se encuentra disponible sin cargo para acadmicos. SmartPLS puede determinar relaciones entre variables latentes independientes y dependientes. (http://pls-sem.com y http://www.smartpls.de). La versin que se uso en este trabajo fue descargada de http://www.smartpls.de, y es la versin SmartPLS 2.0. b) Aplicacin de SEM-PLS por medio de Smart-PLS: Se utiliz SmartPLS de acuerdo a las instrucciones sugeridas en el manual del usuario de SmartPLS (SmartPLS User Manual), que se ubica en la pgina 108

http://www.smartpls.de/forum/downloads.php (20-Sep-10). Con las cuales se obtienen los resultados correspondientes al modelo del IMSU para el programa de zonas prioritarias (PDZP), y para el programa de abasto rural, Diconsa. Se corri el modelo original del IMSU aplicando el Algoritmo PLS, con el Esquema de Pesado del Centroide (Centroid Weighting Scheme), y la mtrica de media cero y varianza uno, y posteriormente se corri Bootstraping con cambios a nivel del constructo. Los resultados en el caso del Algoritmo PLS se obtienen a partir del reporte obtenido por default en PLS, utilizando los siguientes resultados: Coeficientes de Sendero (Path Coefficients), Cargas Cruzadas (Cross Loadings),

Correlaciones de las Variables Latentes (Latent Variable Correlations), Visin Global (Overview), y Valores de los ndices para las Variables Latentes (Index Values for Latent Variables). Los resultados en el caso de la prueba de Bootstrapping se obtienen a partir del reporte por default, utilizando los siguientes resultados: Cargas Externas (Outer Loadings), y Coeficientes de Sendero (Path Coefficients). Los valores de los indicadores se obtienen mediante la media aritmtica de cada uno de ellos en cada una de las bases de datos, con datos perdidos imputados y eliminando los casos con datos perdidos. 4.1.5.- Transformacin de los datos: Los datos originales se encuentran en un escala de 1 a 10, y para llevar a cabo los anlisis con los softwares EQS y SmartPLS es necesario trasformarlos a una escala de 0 a 100, para ello se utiliza la frmula nmero 4.1.

109

x0 100 = ( x110 1) *
Donde:

100 9

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . ( 4.1 )

x0100 : x110 :

valor en escala 0-100 valor en escala 1-10

4.1.6.- Simulacin de datos perdidos: Con la finalidad de contar con un mayor nmero de datos se hace una simulacin de datos perdidos. Esta simulacin se puede llevar a cabo utilizando algn software estadstico. A la simulacin de datos perdidos se le conoce como imputacin de datos perdidos. Cuando se hace anlisis de SEM-EC por medio de EQS, y no se imputan los datos perdidos, lo que hace el software es eliminar aquella muestra, o sujeto, donde falta al menos un dato. A esta forma de correccin de falta de datos se le conoce como el mtodo de los datos completos. Si se requiere contar con una mayor cantidad de datos se prefiere imputar los datos perdidos (simularlos o estimarlos). De esa manera aquellos datos que se eliminaron al utilizar el mtodo de los datos completos no seran eliminados, en su lugar aquellos espacios que se encontraban vacos en las muestras sern ocupados por un dato estimado. En este trabajo se llev a cabo la imputacin por medio de mxima verosimilitud, utilizando la el algoritmo EM (expectation maximization). En EQS los datos se imputan en Analysis, Missing Data Analysis, EM Imputation. Se puede obtener un diagnstico de la naturaleza de los datos perdidos en EQS en Analysis, Missing Data Analysis, Missing Data Diagnosis.

110

4.2.-

Los diagramas de sendero y los sistemas de ecuaciones:

En esta seccin se muestran los diagramas de sendero que ya se haban mostrado con anterioridad en este trabajo, los cuales fueron obtenidos en los proyectos anteriores del IMSU, descritos en Lobato, et. al., 2006 (a y b), y los trabajos de tesis de Molina, 2007, y Martnez, 2009. Se muestran estos diagramas con la finalidad de utilizarlos como gua para la obtencin de los sistemas de ecuaciones correspondientes a cada modelo. 4.2.1.- Programa de Zonas Prioritarias, PDZP: En la figura No. 4.1 se muestra el significado de las ecuaciones del modelo, y la forma en que se obtienen los sistemas de ecuaciones, con la ayuda del diagrama de sendero para el modelo del IMSU del Programa de Zonas Prioritarias, PDZP. Estas ecuaciones se prepararon de acuerdo a la sugerencia de Diamantopoulos y Singuaw, 2000. En la figura No. 4.2 se muestran el modelo del IMSU del Programa de Zonas Prioritarias, PDZP, donde se puede apreciar el nombre de las variables a ser utilizado en las corridas con Anlisis de Estructuras de Covarianza y Mnimos Cuadrados Parciales.

111

error

Claridad Objetivos Claridad Informacin Facilidad Tramite error

error

Proceso

error error Calidad General Percibida Comparacin con Expectativas error error Satisfaccin General Comparacin con Ideal

error

error

Transpar. Resolucin Relevancia del Apoyo Oportunidad Recurso error Eficiencia Coordinad. Respuestas

error

y asignacin
de recursos

Calidad Percibida

Satisfaccin Satisfaccin del Usuario del Usuario

Quejas del Usuario

Quejas

error

IMSU IMSU
error

error

Disposicin Recomendar

error

Confianza del Usuario

Confianza error error

error

Expectativas del Usuario Capacidad de gestin del Programa

error

Seguimiento

error

Utilidad de Asesoras

Expectativas Generales
error

Ecuaciones estructurales: Calidad Percibida = Satisfaccin del Usuario = Quejas del Usuario = Confianza del Usuario = (Proceso, Resp. y asign. de recursos, Cap. de Gestin del Programa, Expect. del Usuario, error) (Calidad Percibida, Expectativas del Usuario, error) (Satisfaccin del Usuario, error) (Satisfaccin del Usuario, quejas del usuario, error)

Ecuaciones de medida para las variables endgenas: Quejas = Disposicin a recomendar = Confianza = Comparacin con el Ideal = Comparacin expectativas = Satisfaccin general = Calidad general percibida = (Quejas del Usuario, error) (Confianza del Usuario, error) (Confianza del Usuario, error) (Satisfaccin del Usuario, error) (Satisfaccin del Usuario, error) (Satisfaccin del Usuario, error) (Calidad percibida, error)

Ecuaciones de medida para las variables exgenas: Claridad de los objetivos = Claridad de informacin = Facilidad del tramite = Transparencia en resolucin = Relevancia del apoyo = Oportunidad de recursos = Eficiencia de la coordinacin = Seguimiento = Utilizada de las asesoras = (Proceso, error) (Proceso, error) (Proceso, error) (Respuestas y asignacin de recursos, error) (Respuestas y asignacin de recursos, error) (Respuestas y asignacin de recursos, error) (Capacidad de gestin del programa, error) ( Capacidad de gestin del programa, error) ( Capacidad de gestin del programa, error)

Figura No. 4.1.- Representacin bsica de las ecuaciones del modelo del IMSU, para el Programa de Zonas Prioritarias, PDZP (SEDESOL).

112

clarobj

clarinfo

proceso nivexp

facilid calidp satis transpa quejas relev recursos cali.percibida queja ideal

Satisfaccin delIMSU Usuario

IMSU
oportun confianza eficien expectativas dispo

confi

seguim

gestion expect

utilid

Figura No. 4.2.- Nombre de las variables a ser utilizado en las corridas con Anlisis de Estructuras de Covarianza y Mnimos Cuadrados Parciales, en el modelo del IMSU del Programa de Zonas Prioritarias, PDZP.

4.2.2.- Programa de Abasto Rural, Diconsa: En la figura No. 4.3 se muestra el significado de las ecuaciones del modelo, y la forma en que se obtienen los sistemas de ecuaciones, con la ayuda del diagrama de sendero para el modelo del IMSU del Programa de Abasto Rural, Diconsa. Estas ecuaciones se prepararon de acuerdo a la sugerencia de Diamantopoulos y Singuaw, 2000. En la figura No. 4.4 se muestran el modelo del IMSU del Programa de Abasto Rural, Diconsa, donde se puede apreciar el nombre de las variables a ser utilizado en las corridas con Anlisis de Estructuras de Covarianza y Mnimos Cuadrados Parciales.

113

error

Surtido error

error

Abasto
error Ubicacin error Calidad General Percibida Comparacin con Expectativas error error Satisfaccin General Comparacin con Ideal

error

Precio

Conveniencia
error Calidad Producto

Calidad Percibida

Satisfaccin Satisfaccin del Usuario del Usuario

Quejas del Usuario

Quejas

error

IMSU IMSU
Lealtad error error

error

Confianza del Usuario

Recomencin error error

error

Amabilidad

Expectativas del Usuario Servicio al Cliente

error

Horario

Expectativa Generales
error

Ecuaciones estructurales: Calidad Percibida = Satisfaccin del Usuario = Quejas del Usuario = Confianza del Usuario = (Abasto, Conveniencia, Servicio al Cliente, Expect. del Usuario, error) (Calidad Percibida, Expectativas del Usuario, error) (Satisfaccin del Usuario, error) (Satisfaccin del Usuario, quejas del usuario, error)

Ecuaciones de medida para las variables endgenas: Quejas = Recomendacin = Lealtad = Comparacin con el Ideal = Comparacin expectativas = Satisfaccin general = Calidad general percibida = (Quejas del Usuario, error) (Confianza del Usuario, error) (Confianza del Usuario, error) (Satisfaccin del Usuario, error) (Satisfaccin del Usuario, error) (Satisfaccin del Usuario, error) (Calidad percibida, error)

Ecuaciones de medida para las variables exgenas: Surtido = Ubicacin = Precio = Calidad producto = Amabilidad = Horario = (Abasto, error) (Abasto, error) (Conveniencia, error) (Conveniencia, error) (Servicio al cliente, error) (Servicio al cliente, error)

Figura No. 4.3.- Representacin bsica de las ecuaciones del modelo del IMSU, para el Programa de Abasto Rural, Diconsa (SEDESOL).

114

surtido abasto ubic calidp satis precio conveniencia cali.percibida ideal nivexp

quejas

queja

IMSU
recom confianza expectativas

probuen

amab servicio

regreso

cumhor

expec

Figura No. 4.4.- Nombre de las variables a ser utilizado en las corridas con Anlisis de Estructuras de Covarianza y Mnimos Cuadrados Parciales, en el modelo del IMSU del Programa de Abasto Rural, Diconsa.

4.3.-

Diagnstico e imputacin de los datos perdidos:

El diagnstico de los datos perdidos se obtuvo por medio del software EQS, el cual se obtiene al llevar a cabo la imputacin por medio de mxima verosimilitud, va el algoritmo de EM (expectation maximization), mtodo por el cual se llev a cabo la imputacin de datos en este trabajo. En este trabajo, para ambos programas la imputacin de datos se llev a cabo considerando solo aquellas variables que impactan en el modelo del IMSU. La base de datos con los datos imputados por medio de EQS tambin se utiliz cuando se llevaron a cabo las corridas con PLS.

115

4.3.1.- Programa de Zonas Prioritarias, PDZP: La figura No. 4.5 muestra un resumen de los datos perdidos para el Programa de Zonas Prioritarias, PDZP. Donde se encontr que se existieron 15 casos con datos perdidos y 13 patrones de datos perdidos. Los datos perdidos contienen aquellos casos donde el encuestado no respondi o desconoca la respuesta.

Casos Totales: 242

Number of cases in data file are ........... Number of cases used in this analysis are ..

242 242

Casos con datos perdidos: 15 Patrones de datos perdidos: 13 Notacin: M Dato perdido

Number of cases with missing data .......... Number of missingness patterns in the data .

15 13

In the summary of missingness patterns, M represents a missing value. Variables # Missing ------0 4 1 1 1 2 1 1 1 1 2 1 2 # Cases ----227 1 3 1 2 1 1 1 1 1 1 1 1 % Cases ----93.80 0.41 1.24 0.41 0.83 0.41 0.41 0.41 0.41 0.41 0.41 0.41 0.41 1 12345678901234567

Variables: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 Expectativas Claridad de los objetivos Claridad de la informacin Facilidad del tramite Transparencia de la solucin Relevancia del apoyo Oportunidad del recurso Eficiencia de la coordinacin Seguimiento Utilidad de las asesoras Calidad percibida Satisfaccin Nivel de expectativas Comparacin con el ideal Quejas Recomendacin Confianza

MM M

M M M MM M M

M M MM M MM

Figura No. 4.5.- Datos perdidos en el estudio para la implantacin del modelo del IMSU del Programa de Zonas Prioritarias, PDZP. Debido a que se encontraron 15 casos con datos perdidos y 13 patrones diferentes de datos perdidos, no puede llegarse a una conclusin especfica de la causa de la falta de los datos. Ya que se cuenta con ms de un 90% de casos que contestaron todas las preguntas en estudio, se utilizan los datos.

116

4.3.2.- Programa de Abasto Rural, Diconsa: La figura No. 4.6 muestra un resumen de los datos perdidos para el Programa de Abasto Rural, Diconsa. Donde se encontr que se existieron 32 casos con datos perdidos y 15 patrones de datos perdidos. Los datos perdidos contienen aquellos casos donde el encuestado no respondi o desconoca la respuesta.
Casos Totales: 395 Casos con datos perdidos: 32 Number of cases with missing data .......... Number of missingness patterns in the data . 32 15 Patrones de datos perdidos: 15 Notacin: M Dato perdido

Number of cases in data file are ........... Number of cases used in this analysis are ..

395 395

In the summary of missingness patterns, M represents a missing value. Variables 1 12345678901234

# Missing ------0 3 2 1 1 1 1 2 1 1 1 1 1 1 1

# Cases ----363 1 1 10 2 1 1 1 2 2 4 3 2 1 1

% Cases ----91.90 0.25 0.25 2.53 0.51 0.25 0.25 0.25 0.51 0.51 1.01 0.76 0.51 0.25 0.25

Variables: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 Expectativas Surtido Ubicacin Precio Calidad del producto Amabilidad Cumplimiento del horario Calidad general percibida Satisfaccin general Nivel de expectativas Comparacin con el ideal Quejas Recomendacin Lealtad

M MM MM M M M M MM M M M M M M M

Figura No. 4.6.- Datos perdidos en el estudio para la implantacin del modelo del IMSU del Programa de Abasto Rural, Diconsa. Se encontraron 32 casos con datos perdidos y 15 patrones diferentes de datos perdidos. 10 personas no contestaron P11, correspondiente a comparacin con el ideal, pero solo corresponde al 2.53% de los casos encuestados. El patrn que sigui en frecuencia fue el de aquellos que no contestaron P8, correspondiente a la calidad general percibida, con un 1.01%. Ya que se cuenta con ms de un 90% de casos que contestaron todas las preguntas en estudio, se utilizan los datos.

117

4.4.-

Anlisis de supuestos:

En esta seccin se presentan los resultados de la aplicacin de las pruebas estadsticas para la evaluacin de los datos de los proyectos en estudio, el Programa de Abasto Rural, Diconsa, y el Programa de Zonas Prioritarias, PDZP. Se lleva a cabo la evaluacin de supuestos de normalidad, linealidad y datos atpicos, requeridos para la aplicacin de la metodologa de estructuras de covarianzas, adems se seleccionar la metodologa ms adecuada de acuerdo al tipo de datos con que se cuenta. Se presentan adems los resultados de la aplicacin de las corridas con la metodologa de sistemas de ecuaciones estructurales por estructuras de covarianzas, SEM-EC, y las corridas de sistemas de ecuaciones estructurales por mnimos cuadrados parciales, SEM-PLS. Como ya se haba descrito anteriormente, los supuestos en un estudio de anlisis de estructuras de covarianzas, SEM-EC, son: normalidad, linealidad y valores atpicos. En esta seccin se muestran los resultados derivados de dicho anlisis.

4.4.1.- Programa de Zonas Prioritarias, PDZP: a) Normalidad y distribucin:

A continuacin en las figuras No. 4.7, de la (a) a la (q), se muestran los resultados de las pruebas de normalidad de cada de las variables que forman el modelo del Programa de Zonas Prioritarias, PDZP.

118

Figura No. 4.7.- Pruebas de normalidad del Programa de Zonas Prioritarias. (primera parte)
Expectativas

Claridad de los objetivos

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median 14.50 0.005 8.6515 1.5635 2.4447 -1.90633 5.47924 241 9.0000
Mean Median
8.5 8.6 8.7 8.8 8.9 9.0

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median 23.00 0.005 8.6157 1.9951 3.9803 -2.40220 6.26316 242 9.0000

10

10

95% Confidence Intervals Mean Median

95% Confidence Intervals

8.40

8.55

8.70

8.85

9.00

a) Expectativas
Claridad de la informacin

b) Claridad de los objetivos

Facilidad del trmite

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median 20.02 0.005 8.4008 2.0954 4.3905 -2.06427 4.43625 242 9.0000
Mean Median
8.2 8.4 8.6 8.8 9.0

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median 15.62 0.005 8.6471 1.6489 2.7188 -2.03058 5.53308 238 9.0000

10

10

95% Confidence Intervals Mean Median

95% Confidence Intervals

8.5

8.6

8.7

8.8

8.9

9.0

c) Claridad de la informacin
Transparerncia en la resolucin

d) Facilidad del trmite

Relevancia del apoyo econmico

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median 21.71 0.005 8.5021 2.1078 4.4427 -2.05025 4.30227 241 9.0000
Mean Median
8.0 8.5 9.0 9.5 10.0

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median 32.14 0.005 9.0992 1.5983 2.5544 -2.59215 7.92330 242 10.0000

10

10

95% Confidence Intervals Mean Median

95% Confidence Intervals

9.0

9.2

9.4

9.6

9.8

10.0

e) Transparencia de la resolucin

f) Relevancia del apoyo econmico

119

Figura No. 4.7.- Pruebas de normalidad del Programa de Zonas Prioritarias. (segunda parte)
Oportunidad del recurso
Eficiencia del coordinador

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median
95% Confidence Intervals Mean Median 7.5 8.0 8.5 9.0
Mean Median 8.5 9.0 9.5 10.0

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median 22.76 0.005 8.7510 1.8063 3.2628 -2.34361 6.32063 241 9.0000

14.86 0.005 7.9295 2.3733 5.6325 -1.45991 1.64378 241 8.0000

95% Confidence Intervals

10

10

g) Oportunidad del recurso

Seguimiento del proceso

h) Eficiencia del coordinador

Utilidad de las asesoras

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median
95% Confidence Intervals Mean Median 8.2 8.4 8.6 8.8 9.0

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median 21.91 0.005 8.4477 2.1490 4.6181 -2.00526 3.85373 239 9.0000

16.45 0.005 8.4917 1.8969 3.5983 -1.87487 4.06188 240 9.0000

95% Confidence Intervals Mean Median 8.2 8.4 8.6 8.8 9.0

10

10

i) Seguimiento del proceso

Calidad percibida

j) Utilidad de las asesoras

Satisfaccin general

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median
95% Confidence Intervals Mean Median 9.0 9.2 9.4 9.6 9.8 10.0

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median 17.09 0.005 8.8963 1.4468 2.0934 -2.5474 10.2271 241 9.0000

21.84 0.005 9.1818 1.1737 1.3776 -2.6098 11.6746 242 10.0000

95% Confidence Intervals Mean Median 9.0 9.5 10.0

10

10

k) Calidad percibida

l) Satisfaccin general

120

Figura No. 4.7.- Pruebas de normalidad del Programa Zonas Prioritarias. (tercera parte)
Comparacin con el nivel de expectativas
Comparacin con el Ideal

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median 15.45 0.005 8.6281 1.6480 2.7159 -1.96429 5.36541 242 9.0000
M ean M edian

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median
9 5 % C onfidence Inter vals

11.10 0.005 8.1292 1.7537 3.0753 -1.50864 3.30672 240 8.0000

10

10

95% Confidence Intervals Mean Median 8.40 8.55 8.70 8.85 9.00

7.9

8.0

8.1

8.2

8.3

8.4

m) Comparacin con el nivel de expectativas

Quejas

n) Comparacin con el ideal

Disposicin para hablar bien o recomendar

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median 65.93 0.005 0.18672 0.39050 0.15249 1.61793 0.62279 241 0.00000
Mean Median

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median 40.09 0.005 9.3347 1.4685 2.1564 -3.7658 17.1666 239 10.0000

10

95% Confidence Intervals Mean Median 0.00 0.05 0.10 0.15 0.20 0.25

95% Confidence Intervals

9.2

9.4

9.6

9.8

10.0

o) Quejas
Apoyo esperado del programa en el futuro

p) Disposicin para hablar bien o recomendar

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median 32.16 0.005 9.2241 1.4052 1.9746 -2.9668 11.3846 241 10.0000

10

95% Confidence Intervals Mean Median 9.0 9.2 9.4 9.6 9.8 10.0

q) Apoyo esperado del programa en el futuro

121

La tabla No. 4.3 muestra un resumen la distribucin de cada una de las variables del Programa de Zonas Prioritarias, PDZP. Estos resultados se obtuvieron a partir de las bases de datos en escala 1-10 sin imputar datos perdidos. Tabla No. 4.3.- Resumen de la distribucin los datos de las variables del Programa de Zonas Prioritarias, PDZP.
Variable Expectativas Claridad de los objetivos Claridad de la informacin Facilidad del trmite Transparencia en la resolucin Relevancia del apoyo econmico Oportunidad del recurso Eficiencia del coordinador Seguimiento del proceso Utilidad de las asesoras Calidad percibida Satisfaccin general Comparacin con el nivel de expectativas Comparacin con el ideal Quejas Disposicin para hablar bien o recomendar Apoyo esperado del programa en el futuro Nota: (1) (2) Media (1) Desviacin Estndar 1.564 1.995 .095 1.649 2.108 1.598 2.73 1.806 1.897 2.149 1.174 1.447 1.648 1.754 0.391 1.469 Sesgo Curtosis Prueba de Normalidad AD 14.50 23.00 20.02 15.62 21.71 32.14 14.86 22.76 16.45 21.91 21.84 17.09 15.45 11.10 65.03 40.09 p-valor (2) Dictamen Distribucin no normal Distribucin no normal Distribucin no normal Distribucin no normal Distribucin no normal Distribucin no normal Distribucin no normal Distribucin no normal Distribucin no normal Distribucin no normal Distribucin no normal Distribucin no normal Distribucin no normal Distribucin no normal Distribucin no normal Distribucin no normal Distribucin no normal

8.652 8.61 8.401 8.647 8.502 9.099 7.930 8.751 8.492 8.448 9.182 8.896 8.628 8.129 0.187 9.335

-1.906 -2.402 -2.064 -2.031 -2.050 -2.592 -1.460 -2.344 -1.875 -2.005 -2.610 -2.547 -1.964 -1.509 1.618 -3.766

5.479 6.263 4.436 5.533 4.302 7.923 1.644 6.321 4.062 3.854 11.675 10.227 5.365 3.307 0.623 17.167

< 0.005 < 0.005 < 0.005 < 0.005 < 0.005 < 0.005 < 0.005 < 0.005 < 0.005 < 0.005 < 0.005 < 0.005 < 0.005 < 0.005 < 0.005 < 0.005

9.224

1.405

-2.967

11.385

32.16

< 0.005

La Media corresponde al promedio aritmtico. El p-valor corresponde la obtenido mediante la prueba de normalidad de Anderson-Darling, se espera un valor >0.05 cuando se trata de una distribucin normal.

122

Se puede observar que ninguna de las variables del modelo tiene distribucin normal por lo cual no puede aplicarse la metodologa de ecuaciones estructurales por estructura de covarianzas sin llevar a cabo una correccin para distribuciones no normales. b) Linealidad:

La tabla No. 4.4 se muestra la matriz de coeficientes de correlacin, donde se puede ver que un 17.6% de las combinaciones de variables muestran una correlacin superior a 0.5. Tabla No. 4.4.- Matriz de Coeficientes de Correlacin de los datos de las variables del Programa de Zonas Prioritarias, PDZP.
expect clarobj clarinf facilid transpa relev oportun eficien seguim utilid expect 1.000 1.000 0.626 0.344 0.534 0.306 0.543 0.452 0.459 0.544 0.365 0.430 0.362 0.331 -0.084 0.268 0.329 1.000 0.370 0.451 0.312 0.467 0.427 0.540 0.460 0.405 0.436 0.406 0.382 1.000 0.333 0.206 0.223 0.286 0.167 0.135 0.187 0.174 0.254 0.209 1.000 0.140 0.529 0.476 0.252 0.375 0.377 0.418 0.432 0.315 -0.117 0.357 0.365 1.000 0.293 0.323 0.363 0.162 0.169 0.394 0.412 0.319 -0.084 0.310 0.395 1.000 0.389 0.344 0.343 0.366 0.398 0.426 0.360 -0.184 0.354 0.293 1.000 0.477 0.423 0.423 0.641 0.547 0.432 -0.190 0.471 0.492 1.000 0.540 0.448 0.478 0.475 0.413 -0.208 0.436 0.380 1.000 0.372 0.407 0.374 0.288 1.000 0.602 0.678 0.519 1.000 0.736 0.606 -0.233 0.646 0.606 1.000 0.592 1.000 1.000 -0.237 -0.151 1.000 0.626 1.000 calidp satis nivexp ideal queja dispo confi

clarobj -0.006 clarinf facilid 0.002 0.066

transpa 0.001 relev 0.215

oportun 0.152 eficien 0.172

seguim 0.121 utilid calidp satis nivexp ideal queja dispo confi 0.018 0.228 0.247 0.186 0.286 -0.011 0.227 0.221

-0.144 -0.135 0.391 0.379 0.195 0.280

-0.210 -0.163 0.332 0.326 0.549 0.522

-0.195 -0.086 0.546 0.617 0.566 0.681

La figura 4.8 muestra el diagrama de dispersin matricial para las variables del IMSU del Programa de Zonas Prioritarias, PDZP. En este diagrama puede verse como solo en algunos casos se observa una correlacin lineal. Adicionalmente se puede ver como la mayor parte de las respuestas se encuentran ubicada en la esquina superior derecha de los diagramas de dispersin, es decir en el cuadrante enmarcado por (5,5), (5,10), (10,5) y (10,10).

123

Figura No. 4.8.- Diagrama de dispersin en forma matricial para las variables del IMSU del Programa de Zonas Prioritarias, PDZP.

124 124

c)

Valores atpicos:

En la figura No. 4.9 puede verse un diagrama de cajas, donde los valores atpicos se encuentran representados por medio de asteriscos ( ).

Diagrama de cajas 10

8 6

Calificacin

2 0
Fac.Tramite Relev ancia Clar.Info. Transpar. Oportunid. Eficiencia Expectat. Clar.Obj. Seguim. Satisfac. Niv .Exp. Quejas Ideal Recomend. Utilidad Calidad Lealtad

Figura No. 4.9.- Diagrama de cajas donde se aprecian los valores atpicos en los datos del Programa de Zonas Prioritarias, PDZP.

125

d)

Normalidad multivariada:

En la figura No. 4.10 se muestran los resultados de Curtosis Multivariada que arroja EQS para los datos del Programa de Zonas Prioritarias, PDZP. Donde se utilizaron todas las variables del modelo y se mantuvieron los datos perdidos. Figura No. 4.10.- Curtosis Multivariada para los datos del modelo del IMSU del Programa de Zonas Prioritarias, PDZP.

MULTIVARIATE KURTOSIS --------------------MARDIA'S COEFFICIENT (G2,P) = NORMALIZED ESTIMATE = 346.7159 102.7639

Si la curtosis multivariada de Mardia es ms grande que 3, los datos no se encuentran normalmente distribuidos. (EQS 6.1) e) Recomendacin para la corrida por SEM-EC:

Debido a que en el caso de los datos del modelo del IMSU para el Programa de Zonas Prioritarias, PDZP, no se cumple con los supuestos de normalidad individual de las variables, ni de normalidad multivariada, adems de que no en todos los casos se aprecia la linealidad en la correlacin entre las variables, y en algunos casos se observa la presencia de datos atpicos, se recomienda la aplicacin de la correccin por mtodos robustos, con la opcin Test & S.E. Lo cual se ve corroborado por la recomendacin descrita en el punto 4.1.3.

126

4.4.2.- Programa de Abasto Rural, DICONSA. a) Normalidad y distribucin:

A continuacin se muestran los resultados de las pruebas de normalidad de cada de las variables que forman el modelo del Programa de Abasto Rural, DICONSA. Figura No. 4.11.- Pruebas de normalidad del Programa de Abasto Rural. (primera parte)
Expectativas
Surtido

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median
9 5 % C onfidence Inter vals

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median
95% Confidence Intervals Mean Median

14.71 0.005 8.0356 1.6016 2.5651 -1.20427 2.56168 393 8.0000

11.12 0.005 7.5772 1.4395 2.0721 -0.81735 1.87639 395 8.0000

10

10

Mean Median 7.9 8.0 8.1 8.2

7.0

7.2

7.4

7.6

7.8

8.0

a) Expectativas
Ubicacin

b) Surtido
Precio

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median
95% Confidence Intervals Mean Median 8.40 8.55 8.70 8.85 9.00
Mean Median 7.4 7.6 7.8 8.0

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median
95% Confidence Intervals

16.98 0.005 8.4784 1.4881 2.2145 -1.38406 2.85576 393 9.0000

11.42 0.005 7.5420 1.4945 2.2336 -0.78440 1.19922 393 8.0000

10

10

c) Ubicacin

d) Precio

127

Figura No. 4.11.- Pruebas de normalidad del Programa de Abasto Rural. (segunda parte)
Calidad del Producto
Amabilidad

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median
95% Confidence Intervals Mean Median 8.0 8.1 8.2 8.3
Mean Median 8.5 8.6 8.7 8.8 8.9 9.0

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median
95% Confidence Intervals

13.15 0.005 8.1777 1.3939 1.9429 -1.07391 2.50388 394 8.0000

26.54 0.005 8.6650 1.5886 2.5236 -2.14502 6.10874 394 9.0000

10

10

e) Calidad del producto

Cumplimiento del horario

f) Amabilidad
Calidad percibida

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median
95% Confidence Intervals Mean Median 8.0 8.2 8.4 8.6 8.8 9.0

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median
95% Confidence Intervals Mean Median 7.7 7.8 7.9 8.0

18.91 0.005 8.2010 1.8358 3.3702 -1.51468 2.61064 393 9.0000

15.65 0.005 7.8615 1.5466 2.3921 -1.43067 3.61060 390 8.0000

10

10

g) Cumplimiento del horario

Satisfaccin general

h) Calidad percibida
Comparacin con el nivel de expectativas

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median
95% Confidence Intervals Mean Median 7.8 7.9 8.0 8.1
Mean Median 7.6 7.7 7.8 7.9 8.0

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median
95% Confidence Intervals

11.92 0.005 7.9467 1.5249 2.3254 -1.00021 1.78349 394 8.0000

12.17 0.005 7.7468 1.5038 2.2614 -0.99037 2.09036 391 8.0000

10

10

i) Satisfaccin general

j) Comparacin con el nivel de expectativas

128

Figura No. 4.11.- Pruebas de normalidad del Programa de Abasto Rural. (tercera parte)

Comparacin con el ideal

Quejas

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median
95% Confidence Intervals Mean Median 6.8 6.9 7.0 7.1 Mean Median 0.000 0.015 0.030 0.045 0.060

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median
95% Confidence Intervals

6.43 0.005 6.9478 1.8183 3.3062 -0.523587 0.332967 383 7.0000

144.23 0.005 0.03827 0.19208 0.03690 4.8324 21.4612 392 0.00000

10

k) Comparacin con el ideal

Recomendacin

l) Quejas
Lealtad

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median
95% Confidence Intervals Mean Median 7.8 7.9 8.0 8.1
Mean Median 8.0 8.2 8.4 8.6 8.8 9.0

Anderson-Darling Normality Test A-Squared P-Value < Mean StDev Variance Skewness Kurtosis N Median
95% Confidence Intervals

15.91 0.005 7.9342 1.6528 2.7317 -1.48449 3.48685 395 8.0000

18.94 0.005 8.1954 1.7342 3.0075 -1.80396 4.50008 394 8.0000

10

10

m) Recomendacin

n) Lealtad

129

La tabla No. 4.5 muestra un resumen la distribucin de cada una de las variables del Programa de Abasto Rural, Diconsa. Estos resultados se obtuvieron a partir de las bases de datos en escala 1-10 sin imputar datos perdidos. Tabla No. 4.5.- Resumen de la distribucin los datos de las variables del Programa de Abasto Rural, Diconsa.
Variable Expectativas Surtido Ubicacin Precio Calidad del producto Amabilidad Cumplimiento de horario Calidad percibida Satisfaccin general Comparacin con el nivel de expectativas Comparacin con el ideal Quejas Recomendacin Lealtad Media (1) Desviacin Estndar 1.602 1.440 1.488 1.495 1.394 1.589 1.836 1.547 1.525 1.504 1.818 0.193 1.653 1.734 Sesgo Curtosis Prueba de Normalidad AD 14.71 11.12 16.98 11.42 13.15 26.54 18.91 15.65 11.92 12.17 6.43 144.23 15.91 18.94 p-valor (2) Dictamen Distribucin no normal Distribucin no normal Distribucin no normal Distribucin no normal Distribucin no normal Distribucin no normal Distribucin no normal Distribucin no normal Distribucin no normal Distribucin no normal Distribucin no normal Distribucin no normal Distribucin no normal Distribucin no normal

8.035 7.578 8.478 7.542 8.178 8.665 8.201 7.862 7.947 7.747 6.948 0.038 7.934 8.195

-1.204 -0.817 -1.384 -0.784 -1.074 -2.145 -1.515 -1.431 -1.000 -0.990 -0.524 4.832 -1.484 -1.804

2.562 1.876 2.856 1.199 2.504 6.109 3.370 3.611 1.783 2.090 0.333 21.461 3.87 4.500

< 0.005 < 0.005 < 0.005 < 0.005 < 0.005 < 0.005 < 0.005 < 0.005 < 0.005 < 0.005 < 0.005 < 0.005 < 0.005 < 0.005

Nota:

(1) (2)

La Media corresponde al promedio aritmtico. El p-valor corresponde la obtenido mediante la prueba de normalidad de Anderson-Darling, se espera un valor >0.05 cuando se trata de una distribucin normal.

Se puede observar que ninguna de las variables del modelo tiene distribucin normal por lo cual no puede aplicarse la metodologa de ecuaciones estructurales por estructura de covarianzas sin llevar a cabo una correccin para distribuciones no normales.

130

b)

Linealidad:

La tabla No. 4.6 se muestra la matriz de coeficientes de correlacin, donde se puede ver que un 50.5% de las combinaciones de variables muestran una correlacin superior a 0.5. Tabla No. 4.6.- Matriz de Coeficientes de Correlacin de los datos de las variables del Programa de Abasto Rural, Diconsa.
expec surtido expec surtido ubic precio amab cumhor calidp satis nivexp ideal queja recom regreso 1.000 0.532 0.384 0.340 0.480 0.467 0.431 0.491 0.454 0.262 -0.133 0.501 0.510 1.000 0.455 0.508 0.492 0.509 0.555 0.579 0.695 0.678 0.522 -0.197 0.671 0.643 1.000 0.254 0.394 0.372 0.313 0.322 0.377 0.340 0.185 -0.167 0.433 0.422 1.000 0.516 0.344 0.369 0.539 0.451 0.511 0.341 -0.194 0.501 0.494 1.000 0.564 0.500 0.413 0.492 0.505 0.250 -0.239 0.556 0.578 1.000 0.708 0.513 0.591 0.573 0.328 -0.138 0.610 0.671 1.000 0.508 0.598 0.598 0.360 -0.106 0.588 0.610 1.000 0.663 0.668 0.459 -0.151 0.580 0.546 1.000 0.776 0.582 -0.079 0.726 0.731 1.000 0.562 -0.172 0.679 0.646 1.000 -0.055 0.525 0.504 1.000 -0.247 -0.227 1.000 0.828 1.000 ubic precio probuen amab cumhor calidp satis nivexp ideal queja recom regreso

probuen 0.558

La figura No. 4.12 muestra el diagrama de dispersin matricial para las variables del IMSU del Programa de Abasto Rural, Diconsa. En este diagrama puede verse como en algunos casos se observa una correlacin lineal. Adicionalmente se puede ver como la mayor parte de las respuestas se encuentran ubicada en la esquina superior derecha de los diagramas de dispersin, es decir en el cuadrante enmarcado por (5,5), (5,10), (10,5) y (10,10).

131

Figura No. 4.12.- Diagrama de dispersin en forma matricial para las variables del IMSU del Programa de Abasto Rural, Diconsa.

132

132

c)

Valores atpicos:

En la figura No. 4.13 puede verse un diagrama de cajas, donde los valores atpicos se encuentran representados por medio de asteriscos ( ).

Diagrama de cajas 10 9 8 7 Calificacin 6 5 4 3 2 1 0 Ideal Ubicacin Producto Horario Calidad Satisfac. Expectat. Amabilid. Niv.exp. Recom. Lealtad Surtido Precio Quejas

Figura No. 4.13.- Diagrama de cajas donde se aprecian los valores atpicos en los datos del Programa de Abasto Rural, Diconsa.

133

d)

Normalidad multivariada:

En la figura No. 4.14 se muestran los resultados de Curtosis Multivariada que arroja EQS para los datos del Programa de Abasto Rural, DICONSA. Donde se utilizaron todas las variables del modelo y se mantuvieron los datos perdidos. Figura No. 4.14.- Curtosis Multivariada para los datos del modelo del IMSU del Programa de Abasto Rural, Diconsa.

MULTIVARIATE KURTOSIS --------------------MARDIA'S COEFFICIENT (G2,P) = NORMALIZED ESTIMATE = 174.9630 78.7463

Si la curtosis multivariada de Mardia es ms grande que 3, los datos no se encuentran normalmente distribuidos. (EQS 6.1) e) Recomendacin para la corrida por SEM-EC:

Debido a que en el caso de los datos del modelo del IMSU para el Programa de Abasto Rural, DICONSA, no se cumple con los supuestos de normalidad individual de las variables, ni de normalidad multivariada, adems de que no en todos los casos se aprecia la linealidad en la correlacin entre las variables, y en algunos casos se observa la presencia de datos atpicos, se recomienda la aplicacin de la correccin por mtodos robustos, con la opcin Test & S.E. Lo cual se ve corroborado por la recomendacin descrita en el punto 4.1.3.

134

4.5.-

Resultados obtenidos en el proyecto del IMSU:

En esta seccin se muestran los resultados obtenidos en el proyecto del IMSU para los programas de Desarrollo Local y de Abasto Rural. Los modelos ya haban sido presentados previamente en los puntos 2.3.1 y 2.3.2, pero carecan de resultados. 4.5.1.- Programa de Zonas Prioritarias, PDZP: En la figura No. 4.15 se muestra el modelo general del IMSU para el Programa de Desarrollo Local, Microrregiones.

Fuente: Lobato, et.al., 2006b, y Molina, 2007.

Figura No. 4.15.- Modelo General del IMSU para el Programa de Desarrollo Local, Microrregiones. Modelo de todos los funcionarios pblicos entrevistados.

135

En los trabajos de Lobato, et.al., 2006b, y Molina, 2007, se muestran 3 diferentes versiones del modelo, que son (a) el modelo general, (b) el modelo del presidente, director y subdirector de obras pblicas municipales, y (c) modelo de funcionarios pblicos diferentes al presidente, director y subdirector de obras pblicas municipales. En el presente trabajo solo se muestran los resultados del modelo general, ya que la intencin de este trabajo no es el anlisis la satisfaccin de los entrevistados, sino poner a prueba el modelo con metodologas y softwares alternativos. El modelo se lee de izquierda a derecha, ya que las fechas indican relaciones de causalidad entre los componentes representados por cuadros. Sobre las flechas se muestran nmeros que entre mayor sea significa que el componente de la izquierda tiene mayor efecto sobre el de la derecha. No todos los impactos planteados en el modelo original son significativos al nivel 0.10. Los impactos significativos estn representados con lnea continua, los no significativos estn sealados con lnea punteada (Lobato, et.al., 2006b, y Molina, 2007). Lobato, et.al., 2006b, y Molina, 2007, concluyeron en su trabajo que se obtuvo un modelo til que describe la satisfaccin del usuario en relacin con sus factores expectativas y percepcin y sus efectos quejas y confianza- dicho modelo corrobora los postulados del ACSI con excepcin de la relacin entre las dimensiones de satisfaccin y quejas, lo cual coincide con uno de los desarrollos ms recientes, el Modelo del ndice Europeo de Satisfaccin del Cliente (ECSI), que postula que la satisfaccin no impacta en las quejas, lo que tambin afecta a la relacin entre quejas y confianza. De acuerdo al modelo presentado por Molina, 2007, se puede establecer que la satisfaccin general del usuario fue de 84, con un nivel de confianza del 95%.

136

4.5.2.- Programa de Abasto Rural, DICONSA: En la figura No. 4.16 se muestra el modelo general del IMSU para el Programa de Abasto Rural, DICONSA.

Fuente:

Lobato, et.al., (2006a) y Martnez (2009).

Figura No. 4.16.- Modelo General del IMSU para el Programa de Abasto Rural, Diconsa.

137

En los trabajos de Lobato, et.al., 2006a, y Martnez, 2009, se muestran 8 diferentes versiones del modelo, donde se lleva a cabo una clasificacin de acuerdo a caractersticas demogrficas de los entrevistados. En el presente trabajo solo se muestran los resultados del modelo general, ya que la intencin de este trabajo no es el anlisis la satisfaccin de los entrevistados, sino poner a prueba el modelo con metodologas y softwares alternativos. Los impactos significativos, al nivel 0.10, estn representados con lnea continua y los no significativos estn sealados con lnea punteada. En el modelo, la causalidad se determina de izquierda a derecha. Las flechas que unen a los componentes representan la direccin de causalidad esperada, la fuerza de la relacin entre los componentes, se representa con el nmero sobre la flecha, el cual entre ms grande, significa un efecto mayor de un componente a otro (Lobato, et.al., 2006a, y Martnez, 2009). Lobato, et.al., 2006a, y Martnez, 2009, concluyeron, va el anlisis de los datos de las encuestas, que puede establecerse que la satisfaccin de los usuarios respecto al Programa de Abasto Rural (Diconsa) es de 74, con un nivel de confianza del 95%, para la totalidad de la muestra, adems de los efectos entre las variables en estudio, mismos que pueden verse en la figura No. 4.16. 4.6.Modelamiento utilizando SEM-EC:

En esta seccin se presentan los resultados de las corridas llevadas a cabo en a evaluacin de cada uno de los programas en estudio aplicando la metodologa de sistemas de ecuaciones estructurales va estructuras de covarianzas (SEM-EC) y utilizando el software EQS.

138

4.6.1.- Programa de Zonas Prioritarias, PDZP: En el caso del Programa de Zonas Prioritarias (PDZP), se analiz mediante EQS el modelo general del IMSU, pero como se presentaron problemas durante la optimizacin, y como los ndices de ajuste no fueron muy buenos, se siguieron las sugerencias proporcionadas por el software para eliminar o agregar senderos mediante las pruebas de Wald y Multiplicadores de Lagrange respectivamente. En el punto 4.6.1.1 se muestra como se seleccionaron aquellos modelos que proporcionaron ajustes adecuados y en el punto 4.6.1.2 se presentan los resultados de los modelos seleccionados y del modelo general del IMSU. 4.6.1.1.Ajuste del modelo del IMSU y otros modelos:

En este anlisis se llevaron a cabo tantas corridas como fue necesario hasta encontrar un modelo en el que no se presentaron problemas durante la optimizacin. En la figura No. 4.17 se muestran los modelos que se evaluaron es este estudio, donde el modelo 1 representa el modelo del IMSU, y los modelos que siguen corresponden a ajustes de acuerdo a la solicitud de las pruebas de Wald y de Multiplicadores de Lagrange. El modelo 2 fue el primero que se obtuvo donde no existieron problemas de optimizacin, y se muestran en secuencia de obtencin cuidando no infringir la teora ni la lgica del estudio al generarlos. Se seleccionaron dos modelos que presentaron mejores ndices de ajuste, y cumplieron con ms criterios de aceptacin, estos modelos son los que se presentan posteriormente con todos sus resultados.

139

Figura No. 4.17- Modelos seleccionados para este estudio, corridos con EQS para el Programa de Zonas Prioritarias, PDZP. (primera parte)

Modelo 1: IMSU

Modelo 2

Modelo 3

Modelo 4

Modelo 5

Modelo 6

140

Figura No. 4.17- Modelos seleccionados para este estudio, corridos con EQS para el Programa de Zonas Prioritarias, PDZP. (segunda parte)

Modelo 7

Modelo 8

Modelo 10 Modelo 9

Modelo 11

Modelo 12

141

La tabla No. 4.7 muestra los resultados obtenidos en las corridas de este estudio, lo que se busca es el cumplimiento de los criterios de optimizacin y ajuste. Se consideran los ndices de ajuste obtenidos por mtodos robustos, y no se imputan datos perdidos. Tabla No. 4.7.- Resumen de resultados obtenidos con EQS para el Programa de Zonas Prioritarias, PDZP.
(sin imputar datos perdidos)
Residual ms grande (valor absoluto) 0.554 0.144 0.144 0.144 0.131 0.141 0.143 0.230 0.143 0.158 0.157 0.158

Modelo

Optim.

GL

/GL
2

p-value (1)

NFI (2)

NNFI

CFI

IFI

MFI

Intervalo de RMESA confianza

Dictamen

1 2 3 4 5 6 7 8 9 10 11 12 Criterio de acept.

Con problemas Sin problemas Sin problemas Sin problemas Sin problemas Sin problemas Sin problemas Sin problemas Sin problemas Sin problemas Sin problemas Sin problemas Sin problemas

226.6 113.4 111.1 111.0 109.2 103.8 104.1 118.1 104.1 110.7 110.6 112.2

110 111 111 111 110 109 110 112 110 111 111 111

2.06 1.02 1.00 1.00 0.99 0.95 0.95 1.05 0.95 1.00 1.00 1.01

0.0000 0.4194 0.4791 0.4809 0.5035 0.6233 0.6415 0.3279 0.6415 0.4914 0.4934 0.4512 0.05

0.386 0.693 0.699 0.699 0.713 0.719 0.718 0.680 0.718 0.700 0.700 0.696 0.9

0.382 0.987 0.999 1.000 1.004 1.028 1.031 0.968 1.031 1.002 1.002 0.994 0.9

0.500 0.990 1.000 1.000 1.000 1.000 1.000 0.974 1.000 1.000 1.000 0.995 0.9

0.550 0.991 1.000 1.000 1.003 1.020 1.023 0.976 1.023 1.001 1.002 0.995 0.9

0.773 0.995 1.000 1.000 1.002 1.012 1.013 0.987 1.013 1.001 1.001 0.997 0.9

0.068 0.010 0.002 0.001 0.000 0.000 0.000 0.016 0.000 0.000 0.000 0.007 0.06

0.056-0.081 0.000-0.035 0.000-0.034 0.000-0.034 0.000-0.033 0.000-0.030 0.000-0.029 0.000-0.038 0.000-0.029 0.000-0.034 0.000-0.034 0.000-0.035 0.1

No cumple Cumple Cumple Cumple Cumple CUMPLE CUMPLE Cumple CUMPLE Cumple CUMPLE CUMPLE

<3

Bajos

Notacin:

(1) (2)

p-valor correspondiente al estadstico chi-cuadrada escalada de Satorra-Bentler Aunque se establece un criterio de aceptacin para NFI 0.9 en este caso se considerar el uso de NNFI 0.9,

debido a que con muestras pequeas el NFI podra nunca acercarse a 1.0 (EQS, 6.1)
Optim. Resultados durante la optimizacin por EQS Criterio de acept. Criterio de aceptacin, el cumplimiento de un mayor nmero de ellos NEGRITAS Aquellos modelos con buen ajuste que cumplen con todos los criterios excepto NFI, imputando datos perdidos y sin imputarlos.

La tabla No. 4.8 muestra los resultados obtenidos en las corridas de este estudio, para los mismos modelos que la tabla No. 4.4 pero imputando los datos perdidos por mxima verosimilitud con el algoritmo de EM (expectation maximization).

142

Tabla No. 4.8.- Resumen de resultados obtenidos con EQS para el Programa de Zonas Prioritarias, PDZP.
(imputando datos perdidos)
Residual ms grande (valor absoluto) 0.569 0.151 0.149 0.149 0.149 0.154 0.156 0.218 0.143 0.150 0.151 0.153

Modelo

Optim.

GL

2/GL

p-value (1)

NFI (2)

NNFI

CFI

IFI

MFI

Intervalo de RMESA confianza

Dictamen

1 2 3 4 5 6 7 8 9 10 11 12

Con problemas Con problemas Con problemas Con problemas Con problemas Sin problemas Sin problemas Sin problemas Sin problemas Con problemas Sin problemas Sin problemas

189.9 119.3 118.6 118.3 115.2 112.4 112.7 124.0 110.7 117.6 117.6 119.3

110 111 111 111 110 109 110 112 109 111 111 111

1.73 1.07 1.07 1.07 1.05 1.03 1.15 1.11 1.02 1.06 1.06 1.07

0.0000 0.2787 0.2933 0.3004 0.3473 0.3936 0.4121 0.2065 0.4372 0.3164 0.2065 0.2789 0.05

0.479 0.673 0.675 0.675 0.684 0.692 0.691 0.660 0.696 0.677 0.677 0.673 0.9

0.568 0.956 0.959 0.961 0.972 0.982 0.986 0.936 0.991 0.965 0.965 0.956 0.9

0.650 0.964 0.967 0.968 0.977 0.985 0.988 0.948 0.993 0.971 0.971 0.964 0.9

0.686 0.967 0.970 0.971 0.979 0.987 0.990 0.952 0.993 0.974 0.974 0.967 0.9

0.848 0.983 0.984 0.985 0.989 0.993 0.995 0.976 0.997 0.986 0.986 0.983 0.9

0.055 0.018 0.017 0.017 0.014 0.011 0.010 0.021 0.008 0.016 0.016 0.018 0.06

0.041-0.068 0.000-0.038 0.000-0.038 0.000-0.037 0.000-0.036 0.000-0.035 0.000-0.035 0.000-0.040 0.000-0.034 0.000-0.037 0.000-0.037 0.000-0.038 0.1

No cumple No cumple No cumple No cumple No cumple CUMPLE CUMPLE Cumple CUMPLE No cumple CUMPLE CUMPLE

Criterio Sin de problemas acept.

<3

Bajos

Notacin:

(1) (2)

p-valor correspondiente al estadstico chi-cuadrada escalada de Satorra-Bentler Aunque se establece un criterio de aceptacin para NFI 0.9 en este caso se considerar el uso de NNFI 0.9,

debido a que con muestras pequeas el NFI podra nunca acercarse a 1.0 (EQS, 6.1)
Optim. Resultados durante la optimizacin por EQS Criterio de acept. Criterio de aceptacin, el cumplimiento de un mayor nmero de ellos NEGRITAS Aquellos modelos con buen ajuste que cumplen con todos los criterios excepto NFI, imputando datos perdidos y sin imputarlos.

Se probaron muchos modelos ms siguiendo las sugerencias de las pruebas de Wald y Multiplicadores de Lagrange, pero no se obtuvieron ajustes mejores a los mostrados en las tablas No. 4.5 y 4.6, as que el modelo se selecciona de entre los modelos presentados. De acuerdo a los resultados obtenidos los modelos 6, 7, 9, 11 y 12 proporcionan buenos ajustes y no presentan problemas durante la optimizacin, ni cuando se imputan los datos, ni cuando no se imputan.

143

A continuacin en la figura No. 4.18 se muestra el modelo 1, que corresponde a un modelo original del IMSU. Este modelo presenta problemas durante la optimizacin, y tiene ndices de ajuste pobres.

Figura No. 4.18.- Modelo 1: modelo original para el Programa de Zonas Prioritarias, PDZP. Los modelos 6, 7, 9, 11 y 12 presentan ajustes similares, pero el modelo 7 presenta un ajuste ligeramente mejor. Los modelos 11 y 12 muestran ajustes buenos muy similares entre ellos en los estimados de los senderos, en el caso de estos modelos se selecciona el modelo 11 debido a que la variable manifiesta Queja afecta directamente al IMSU. En todos los modelos las variables latentes Queja y Expectativas desaparecen y son substituidas por conexiones directas con sus respectivas variables manifiestas. La figura No. 4.19 muestra el modelo 7, que no presenta problemas durante la optimizacin y cuenta con buenos ndices de ajuste. A continuacin se describen las diferencias con respecto al modelo original:

144

Este modelo muestra correlaciones entre las variables latentes Proceso, Recursos y Gestin, lo cual indica que el usuario percibe de manera similar las variables manifiestas que los originan.

Se ha perdido la conexin entre la variable latente Calidad percibida y Expectativas, aparentemente Expectativas ejerce mayor efecto en la satisfaccin IMSU, que en la Calidad percibida, lo cual es comprensible ya que algunos usuarios pueden responder como perciben la calidad sin verse influenciados por sus expectativas, pero siempre causa mayor satisfaccin recibir ms de lo que se esperaba, lo cual explica la conexin con la satisfaccin IMSU.

Se desconect Confianza de Queja, ya que se pretende analizar el efecto de las Quejas en la satisfaccin IMSU.

Se llev a cabo una conexin entre las variables latentes Proceso e IMSU, con la variable manifiesta Eficiencia, el usuario relaciona la Eficiencia con la variable latente Proceso, siente ms satisfaccin cuando se aprecia Eficiencia.

Se conectaron las variables manifiestas Ideal y Relevancia con la variable latente Confianza. Esto podra significar que el usuario confa ms en el servicio cuando lo que se este se aproxima al Ideal.

Tambin se conect la variable manifiesta Relevancia con la variable latente Confianza lo que significa que el usuario confa ms en proyectos que considera relevantes.

145

Figura No. 4.19.- Modelo 7: modelo alternativo para el Programa de Zonas Prioritarias, PDZP.

La figura No. 4.20 muestra el modelo 11, que no presenta problemas durante la optimizacin y cuenta con buenos ndices de ajuste. A continuacin se describen las diferencias con respecto al modelo original: Este modelo al igual que el modelo 7, muestra correlaciones entre las variables latentes Proceso, Recursos y Gestin, ha perdido la conexin entre la variable latente Calidad percibida y Expectativas, y entre Confianza de Queja. Este modelo tampoco presenta la conexin entre la variable latente Proceso y la manifiesta Eficiencia que se observ en el modelo 7, pero conserva la conexin de la variable latente IMSU con la variable manifiesta Eficiencia.

146

Se ha adicionado adems a la variable latente IMSU la variable manifiesta Relevancia, que indica que cuando ms relevante es el apoyo, existe mayor satisfaccin.

La variable manifiesta Ideal mantiene su conexin con la variable latente Confianza.

Figura No. 4.20.- Modelo 11: modelo alternativo para el Programa de Zonas Prioritarias, PDZP. Los modelos 7 y 11 cumplen con la lgica del estudio de la Satisfaccin del Usuario, adems ambos modelos no presentan problemas durante la optimizacin y cuentan con buenos ndices de ajuste, tanto para los datos sin imputar los datos perdidos, y solo considerando observaciones completas, como imputando los datos por Mxima Verosimilitud.

147

4.6.1.2.-

Resultados del modelamiento:

La figura No. 4.21 muestra la representacin grfica del modelo del IMSU para el Programa de Zonas Prioritarias, PDZP, para la base de datos imputando los datos perdidos, y la figura No. 4.22 muestra lo mismo para el modelo que se obtuvo al utilizar la base de datos en la que se eliminaron los casos con datos perdidos. Se puede observar que en ambos casos el ajuste es malo.

Notacin:

Valores entre parntesis: R2 Lneas Negritas: Senderos significativos entre variables latentes * Significativo con un nivel de 5%

Figura No. 4.21.- Representacin grfica del Modelo del IMSU del Programa de Zonas Prioritarias, PDZP.
Obtenido con el Software EQS 6.1, imputando los datos perdidos

148

Notacin:

Valores entre parntesis: R2 Lneas Negritas: Senderos significativos entre variables latentes * Significativo con un nivel de 5%

Figura No. 4.22.- Representacin grfica del Modelo del IMSU del Programa de Zonas Prioritarias, PDZP.
Obtenido con el Software EQS 6.1, eliminando los casos con datos perdidos

En la figura No. 4.23 (a) y (b), se puede apreciar la representacin en forma de ecuaciones estructurales, para ambos casos. Los resultados se obtuvieron con el software EQS 6.1.

149

MAXIMUM LIKELIHOOD SOLUTION (NORMAL DISTRIBUTION THEORY) WITH ROBUST STATISTICS (LEE, POON, AND BENTLER OPTIMAL WEIGHT MATRIX) STANDARDIZED SOLUTION: EXPECT CLAROBJ CLARINF FACILID TRANSPA RELEV OPORTUN EFICIEN SEGUIM UTILID CALIDP SATIS NIVEXP IDEAL QUEJA DISPO CONFI F4 F6 F7 F8 =V1 =V2 =V3 =V4 =V5 =V6 =V7 =V8 =V9 =V10 =V11 =V12 =V13 =V14 =V15 =V16 =V17 =F4 =F6 =F7 =F8 = = = = = = = = = = = = = = = = = = .365 F5 .691 F1 .852*F1 .442*F1 .630 F2 .329*F2 .833*F2 .737 F3 .694*F3 .654*F3 .712 F4 .806 F6 .758*F6 .695*F6 .209 F7 .728 F8 .746*F8 .100*F1 + .159 D4 = 1.076*F4 = -.939*F6 = 1.197*F6 + + + + + + + + + + + + + + + + + + .931 E1 .722 E2 .524 E3 .897 E4 .776 E5 .944 E6 .554 E7 .676 E8 .720 E9 .756 E10 .702 E11 .591 E12 .653 E13 .719 E14 .978 E15 .686 E16 .666 E17 .228*F2 R-SQUARED .133 .478 .726 .195 .397 .108 .693 .543 .482 .428 .507 .650 .574 .483 .044 .529 .556 + .642*F3 + .180 D6 + .315 D8 + .708*F5 .975 .968 .882 .901

- .137*F5 + .344 D7 + .269*F7

a) Obtenido con el Software EQS 6.1, imputando los datos perdidos

MAXIMUM LIKELIHOOD SOLUTION (NORMAL DISTRIBUTION THEORY) WITH ROBUST STATISTICS (LEE, POON, AND BENTLER OPTIMAL WEIGHT MATRIX) STANDARDIZED SOLUTION: EXPECT CLAROBJ CLARINF FACILID TRANSPA RELEV OPORTUN EFICIEN SEGUIM UTILID CALIDP SATIS NIVEXP IDEAL QUEJA DISPO CONFI F4 F6 F7 F8 =V1 =V2 =V3 =V4 =V5 =V6 =V7 =V8 =V9 =V10 =V11 =V12 =V13 =V14 =V15 =V16 =V17 =F4 =F6 =F7 =F8 .353 F5 .744 F1 .841*F1 .449*F1 .677 F2 .341*F2 .767*F2 .698 F3 .737*F3 .641*F3 .708 F4 .821 F6 .803*F6 .688*F6 .297 F7 .747 F8 .764*F8 .078*F1 + .171 D4 = 1.031*F4 = -.712*F6 = .802*F6 = = = = = = = = = = = = = = = = = = + + + + + + + + + + + + + + + + + + .936 E1 .669 E2 .541 E3 .894 E4 .736 E5 .940 E6 .642 E7 .716 E8 .676 E9 .767 E10 .706 E11 .571 E12 .596 E13 .726 E14 .955 E15 .665 E16 .645 E17 .337*F2 R-SQUARED .124 .553 .707 .201 .459 .117 .588 .487 .543 .411 .501 .674 .645 .473 .088 .558 .584 + .642*F3 + .199 D6 + .403 D8 + .662*F5 .971 .960 .507 .838

- .081*F5 + .702 D7 - .150*F7

b) Obtenido con el Software EQS 6.1, imputando los datos perdidos

F1: Proceso F2: Recursos F3: Gestin F4: Cali.Percib. F5: Expectativas F6: IMSU F7: Queja F8: Confianza

Figura No. 4.23.- Ecuaciones Estructurales que representan el Modelo del IMSU del Programa de Zonas Prioritarias, PDZP.

150

A continuacin se muestran los resultados obtenidos para los modelos No. 7 y No. 11. La figura No. 4.24 muestra la representacin grfica del modelo No. 7 para el Programa de Zonas Prioritarias, PDZP, para la base de datos imputando los datos perdidos, y la figura No. 4.25 muestra lo mismo para el modelo que se obtuvo al utilizar la base de datos en la que se eliminaron los casos con datos perdidos. Los resultados se obtuvieron con el software EQS 6.1. Se puede ver que en ambos casos los ndices de ajuste son aceptables.

Notacin:

Valores entre parntesis: R2 Lneas Negritas: Senderos significativos entre variables latentes * Significativo con un nivel de 5%

Figura No. 4.24.- Representacin grfica del Modelo No. 7 del Programa de Zonas Prioritarias, PDZP.
Obtenido con el Software EQS 6.1, imputando los datos perdidos

151

Notacin:

Valores entre parntesis: R2 Lneas Negritas: Senderos significativos entre variables latentes * Significativo con un nivel de 5%

Figura No. 4.25.- Representacin grfica del Modelo No. 7 del Programa de Zonas Prioritarias, PDZP.
Obtenido con el Software EQS 6.1, imputando los datos perdidos

152

La figura No. 4.26 muestra la representacin grfica del modelo No. 11 para el Programa de Zonas Prioritarias, PDZP, para la base de datos imputando los datos perdidos, y la figura No. 4.27 muestra lo mismo para el modelo que se obtuvo al utilizar la base de datos en la que se eliminaron los casos con datos perdidos. Los resultados se obtuvieron con el software EQS 6.1. Se puede ver que en ambos casos los ndices de ajuste son aceptables.

Notacin:

Valores entre parntesis: R2 Lneas Negritas: Senderos significativos entre variables latentes * Significativo con un nivel de 5%

Figura No. 4.26.- Representacin grfica del Modelo No. 11 del Programa de Zonas Prioritarias, PDZP.
Obtenido con el Software EQS 6.1, imputando los datos perdidos

153

Notacin:

Valores entre parntesis: R2 Lneas Negritas: Senderos significativos entre variables latentes * Significativo con un nivel de 5%

Figura No. 4.27.- Representacin grfica del Modelo No. 11 del Programa de Zonas Prioritarias, PDZP.
Obtenido con el Software EQS 6.1, eliminando casos con los datos perdidos

Al comparar los modelos alternativos 7 y 11 para el Programa de Zonas Prioritarias, PDZP, se puede apreciar que el modelo 7 es mejor que el 11, pero ya que la diferencia entre los ndices de ajuste de los dos modelos es pequea, debe afirmarse con reserva.

154

4.6.2.- Programa de Abasto Rural, DICONSA: En el caso del Programa de Abasto Rural (Diconsa), se analiz mediante EQS el modelo general del IMSU, pero como se presentaron problemas durante la optimizacin, y como los ndices de ajuste no fueron muy buenos, se siguieron las sugerencias proporcionadas por el software para eliminar o agregar senderos mediante las pruebas de Wald y Multiplicadores de Lagrange respectivamente. En el punto 4.6.2.1 se muestra como se seleccionaron aquellos modelos que proporcionaron ajustes adecuados y en el punto 4.6.2.2 se presentan los resultados de los modelos seleccionados y los obtenidos para el modelo general del IMSU. 4.6.2.1.Ajuste del modelo del IMSU y otros modelos:

En este anlisis se llevaron a cabo tantas corridas como fue necesario hasta encontrar un modelo en el que se no presentaron problemas durante la optimizacin. En la figura No. 4.28 se muestran los modelos que se evaluaron es este estudio, donde el modelo 1 representa el modelo del IMSU, y los modelos que siguen corresponden a ajustes de acuerdo a la solicitud de las pruebas de Wald y de Multiplicadores de Lagrange. El modelo 2 fue el primero que se obtuvo donde no existieron problemas de optimizacin, y se muestran en secuencia de obtencin cuidando no infringir la teora ni la lgica del estudio al generarlos. Se seleccionaron dos modelos que presentaron mejores ndices de ajuste, y cumplieron con ms criterios de aceptacin, estos modelos son los que se presentan posteriormente con todos sus resultados.

155

Figura No. 4.28.- Modelos seleccionados para este estudio, corridos con EQS para el Programa de Abasto Rural, Diconsa. (primera parte)

Modelo 1: IMSU

Modelo 2

Modelo 3

Modelo 4

Modelo 5

Modelo 6

156

Figura No. 4.28- Modelos seleccionados para este estudio, corridos con EQS para el Programa de Abasto Rural, Diconsa. (segunda parte)

Modelo 7

Modelo 8

Modelo 9

Modelo 10

157

La tabla No. 4.9 muestra los resultados obtenidos en las corridas de este estudio, lo que se busca es el cumplimiento de los criterios de optimizacin y ajuste. Para este estudio se consideran los ndices de ajuste obtenidos por mtodos robustos. Tabla No. 4.9.- Resumen de resultados obtenidos con EQS para el Programa de Abasto Rural, Diconsa.
(eliminando casos con datos perdidos)
Residual ms grande (valor absoluto) 0.564 0.564 0.150 0.149 0.150 0.150 0.143 0.153 0.171 0.150

Modelo

Optim.

GL

2/GL

p-value (1)

NFI (2)

NNFI (3)

CFI

IFI

MFI

Intervalo de RMESA confianza

Dictamen

1 2 3 4 5 6 7 8 9 10 Criterio de acept.

Con problemas Sin problemas Sin problemas Sin problemas Sin problemas Sin problemas Sin problemas Sin problemas Sin problemas Sin problemas Sin problemas

126.5 199.7 131.3 126.4 123.8 128.7 111.7 131.6 121.6 113.2

67 72 71 71 71 71 70 72 72 71

1.88 2.77 1.85 1.78 1.74 1.81 1.60 1.83 1.69 1.59

0.0000 0.0000 0.0000 0.0001 0.0001 0.0000 0.0011 0.0000 0.0002 0.0011 0.05

0.831 0.733 0.824 0.821 0.834 0.828 0.850 0.824 0.831 0.848 0.9

0.877 0.754 0.882 0.892 0.897 0.887 0.917 0.885 0.904 0.918 0.9

0.909 0.805 0.908 0.915 0.920 0.912 0.936 0.909 0.924 0.936 0.9

0.912 0.811 0.911 0.918 0.922 0.915 0.938 0.912 0.927 0.938 0.9

0.921 0.839 0.920 0.927 0.930 0.924 0944 0.921 0.934 0.944 0.9

0.050 0.070 0.048 0.046 0.045 0.047 0.041 0.048 0.044 0.040 0.06

0.036-0.062 0.058-0.081 0.035-0.061 0.035-0.059 0.032-0.058 0.034-0.060 0.026-0.054 0.035-0.060 0.030-0.057 0.026-0.054 0.1

No cumple No cumple Cumple Cumple Cumple Cumple CUMPLE Cumple CUMPLE CUMPLE

<3

Bajos

Notacin:

(1) (2)

p-valor correspondiente al estadstico chi-cuadrada escalada de Satorra-Bentler, si se cumple con los dems criterios, se acepta que sea <0.05. Aunque se establece un criterio de aceptacin para NFI 0.9 en este caso se considerar el uso de NNFI 0.9,

(3)

debido a que con muestras pequeas el NFI podra nunca acercarse a 1.0 (EQS, 6.1) Debido a que aquellos modelos que difieren ms del original son los que cumplen con el criterio de 0.9, se aceptarn tambin aquellos modelos que cumplan con el criterio de 0.85.

Optim. Resultados durante la optimizacin por EQS Criterio de acept. Criterio de aceptacin, el cumplimiento de un mayor nmero de ellos NEGRITAS Aquellos modelos con buen ajuste que cumplen con todos los criterios excepto NFI, imputando datos perdidos y sin imputarlos.

158

La tabla No. 4.10 muestra los resultados obtenidos en las corridas de este estudio, para los mismos modelos que la tabla No. 4.7 pero imputando los datos perdidos por mxima verosimilitud con el algoritmo de EM (expectation maximization).

Tabla No. 4.10.- Resumen de resultados obtenidos con EQS para el Programa de Abasto Rural, Diconsa.
(imputando datos perdidos)
Residual ms grande (valor absoluto) 0.586 0.586 0.157 0.161 0.163 0.159 0.150 0.167 0.160 0.154

Modelo

Optim.

GL

2/GL

p-value (1)

NFI (2)

NNFI (3)

CFI

IFI

MFI

RMESA

Intervalo de confianza

Dictamen

1 2 3 4 5 6 7 8 9 10

Con 185.5 problemas Sin 237.8 problemas Sin 161.4 problemas Sin 158.2 problemas Sin 156.5 problemas Sin 159.6 problemas Sin 137.0 problemas Sin 165.0 problemas Sin 146.5 problemas Sin 136.3 problemas

67 72 71 71 71 71 70 72 72 71

2.77 3.30 2.27 2.23 2.20 2.25 1.96 2.29 2.03 1.92

0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.05

0.763 0.712 0.804 0.808 0.810 0.806 0.834 0.800 0.822 0.835 0.9

0.762 0.714 0.842 0.848 0.851 0.845 0.881 0.840 0.872 0.886 0.9

0.825 0.774 0.877 0.881 0.883 0.879 0.909 0.873 0.898 0.911 0.9

0.830 0.780 0.880 0.884 0.887 0.882 0.911 0.876 0.901 0.913 0.9

0.850 0.811 0.892 0.895 0.897 0.894 0.919 0.889 0.910 0.921 0.9

0.070 0.076 0.057 0.056 0.055 0.056 0.049 0.057 0.051 0.048 0.06

0.058-0.081 0.066-0.087 0.045-0.068 0.044-0.067 0.043-0.067 0.045-0.068 0.037-0.061 0.046-0.069 0.039-0.063 0.036-0.060 0.1

No cumple No cumple No cumple No cumple No cumple No cumple CUMPLE No cumple CUMPLE CUMPLE

Criterio Sin de problemas acept.

<3

Bajos

Notacin:

(1) (2)

p-valor correspondiente al estadstico chi-cuadrada escalada de Satorra-Bentler, si se cumple con los dems criterios, se acepta que sea <0.05. Aunque se establece un criterio de aceptacin para NFI 0.9 en este caso se considerar el uso de NNFI 0.9,

(3)

debido a que con muestras pequeas el NFI podra nunca acercarse a 1.0 (EQS, 6.1) Debido a que aquellos modelos que difieren ms del original son los que cumplen con el criterio de 0.9, se aceptarn tambin aquellos modelos que cumplan con el criterio de 0.85.

Optim. Resultados durante la optimizacin por EQS Criterio de acept. Criterio de aceptacin, el cumplimiento de un mayor nmero de ellos NEGRITAS Aquellos modelos con buen ajuste que cumplen con todos los criterios excepto NFI, imputando datos perdidos y sin imputarlos.

159

Se probaron muchos modelos ms siguiendo las sugerencias de las pruebas de Wald y Multiplicadores de Lagrange, pero no se obtuvieron ajustes mejores a los mostrados en las tablas 4.7 y 4.8, as que el modelo se selecciona de entre los modelos presentados. De acuerdo a los resultados obtenidos los modelos 7, 9 y 10 proporcionan buenos ajustes y no presentan problemas durante la optimizacin, ni cuando se imputan los datos, ni cuando no se imputan. A continuacin en la figura No. 4.29 se muestra el modelo 1, que corresponde a un modelo original del IMSU. Este modelo presenta problemas durante la optimizacin, y tiene ndices de ajuste pobres.

Figura No. 4.29.- Modelo 1: modelo original para el Programa de Abasto Rural, Diconsa.

Los modelos 7, 9 y 10 presentan ajustes similares, pero los modelos 7 y 10 presentan un ajuste ligeramente mejor, por lo cual ser descrito con mayor detalle. En todos los modelos las variables latentes Queja y Expectativas desaparecen y son substituidas por conexiones directas con sus respectivas variables manifiestas.

160

La figura No. 4.30 muestra el modelo 7, que no presenta problemas durante la optimizacin y cuenta con buenos ndices de ajuste. A continuacin se describen las diferencias con respecto al modelo original: Este modelo no cuenta con la variable latente Abasto, las variables manifiestas Surtido y Ubicacin se conectan directamente con la variable latente Calidad Percibida. Las variables latentes Conveniencia y Servicio se encuentran

correlacionadas. La variable latente Conveniencia tiene efecto directo en la variable latente Confianza, lo cual puede entenderse, ya que al usuario le da Confianza recibir un buen Precio del producto y una buena Calidad del producto, que son las variables manifiestas que dan origen a la variable latente Conveniencia. La variable manifiesta Queja no afecta directamente la Satisfaccin del Usuario, IMSU, lo hace a travs de la variable latente Confianza.

161

Figura No. 4.30.- Modelo 7: modelo alternativo para el Programa de Abasto Rural, Diconsa.

La figura No. 4.31 muestra el modelo 10, que no presenta problemas durante la optimizacin y cuenta con buenos ndices de ajuste. A continuacin se describen las diferencias con respecto al modelo original: Este modelo no cuenta con las variables latentes Abasto y Conveniencia, las variables manifiestas Surtido, Ubicacin y Precio se conectan directamente con la variable latente Calidad Percibida. Lo cual indica que las variables manifiestas Ubicacin y Surtido no dan origen a la variable latente Abasto. Al igual que la variable manifiesta Precio no da origen a la variable latente Conveniencia. La variable manifiesta Amabilidad se tiene una conexin directa con las variables latentes Calidad Percibida y Servicio. Esto indicara que un trato amable no solo tiene efecto directo en la percepcin del servicio, tambin en la de la calidad.

162

La variable manifiesta Calidad del Producto tiene efecto directo en la variable latente Servicio. Lo cual indica que el usuario tiende a percibir que la Calidad del Producto tiene un efecto directo en la percepcin del servicio recibido.

La conexin directa entre la variable manifiesta Queja y la variable latente Satisfaccin del Usuario desaparece.

Figura No. 4.31.- Modelo 10: modelo alternativo para el Programa de Abasto Rural, Diconsa. Los modelos 7 y 10 cumplen con la lgica del estudio de la Satisfaccin del Usuario, adems ambos modelos no presentan problemas durante la optimizacin y cuentan con buenos ndices de ajuste, tanto para los datos sin imputar los datos perdidos, y solo considerando observaciones completas, como imputando los datos por Mxima Verosimilitud.

163

4.6.2.2.-

Resultados del modelamiento:

La figura No. 4.32 muestra la representacin grfica del modelo del IMSU para el Programa de Abasto Rural, Diconsa, para la base de datos imputando los datos perdidos, y la figura No. 4.33 muestra lo mismo para el modelo que se obtuvo al utilizar la base de datos en la que se eliminaron los casos con datos perdidos. Se puede observar como el ajuste es mejor en el caso de la base de datos eliminando los casos perdidos, donde los ndices de ajuste se encuentran muy cercanos a los aceptables.

Notacin:

Valores entre parntesis: R2 Lneas Negritas: Senderos significativos entre variables latentes * Significativo con un nivel de 5%

Figura No. 4.32.- Representacin grfica del Modelo del IMSU del Programa de Abasto Rural, Diconsa.
Obtenido con el Software EQS 6.1, imputando los datos perdidos

164

Notacin:

Valores entre parntesis: R2 Lneas Negritas: Senderos significativos entre variables latentes * Significativo con un nivel de 5%

Figura No. 4.33.- Representacin grfica del Modelo del IMSU del Programa de Abasto Rural, Diconsa.
Obtenido con el Software EQS 6.1, eliminando los casos con datos perdidos

En la figura No. 4.34 (a) y (b), se puede apreciar la representacin en forma de ecuaciones estructurales, para ambos casos. Los resultados se obtuvieron con el software EQS 6.1.

165

MAXIMUM LIKELIHOOD SOLUTION (NORMAL DISTRIBUTION THEORY) WITH ROBUST STATISTICS (LEE, POON, AND BENTLER OPTIMAL WEIGHT MATRIX) STANDARDIZED SOLUTION: R-SQUARED

EXPEC SURTIDO UBIC PRECIO PROBUEN AMAB CUMHOR CALIDP SATIS NIVEXP IDEAL QUEJA RECOM REGRESO F4 F6 F7 F8

=V1 =V2 =V3 =V4 =V5 =V6 =V7 =V8 =V9 =V10 =V11 =V12 =V13 =V14 =F4 =F6 =F7 =F8

.158 F5 .970 F1 .463*F1 .842 F2 .628*F2 .846 F3 .829*F3 .717 F4 .813 F6 .784*F6 .519*F6 .213 F7 .896 F8 .849*F8 .507*F1 + .213 D4 = 1.089*F4 = -1.000*F6 = .988*F6

= = = = = = = = = = = = = = =

+ + + + + + + + + + + + + + + + +

.987 E1 .243 E2 .886 E3 .540 E4 .778 E5 .533 E6 .559 E7 .697 E8 .582 E9 .621 E10 .855 E11 .977 E12 .444 E13 .528 E14 .325*F2 .297*F5 .000 D7 .151*F7

.025 .941 .214 .709 .395 .716 .688 .514 .661 .615 .270 .045 .803 .721 + + + .480*F3 .338 D6 .548 D8 + .601*F5 .955 .886 1.000 .700

a) Obtenido con el Software EQS 6.1, imputando los datos perdidos

MAXIMUM LIKELIHOOD SOLUTION (NORMAL DISTRIBUTION THEORY) WITH ROBUST STATISTICS (LEE, POON, AND BENTLER OPTIMAL WEIGHT MATRIX) STANDARDIZED SOLUTION: R-SQUARED

EXPEC SURTIDO UBIC PRECIO PROBUEN AMAB CUMHOR CALIDP SATIS NIVEXP IDEAL QUEJA RECOM REGRESO F4 F6 F7 F8

=V1 =V2 =V3 =V4 =V5 =V6 =V7 =V8 =V9 =V10 =V11 =V12 =V13 =V14 =F4 =F6 =F7 =F8

.142 F5 .959 F1 .474*F1 .923 F2 .559*F2 .869 F3 .815*F3 .676 F4 .826 F6 .791*F6 .530*F6 .153 F7 .884 F8 .866*F8 .594*F1 + .094 D4 = 1.007*F4 = -1.0E*F6 = 1.084*F6

= = = = = = = = = = = = = = =

+ + + + + + + + + + + + + + +

.990 E1 .283 E2 .881 E3 .386 E4 .829 E5 .495 E6 .579 E7 .737 E8 .563 E9 .612 E10 .848 E11 .988 E12 .468 E13 .500 E14 .280*F2

.020 .920 .224 .851 .313 .755 .664 .457 .682 .626 .281 .023 .781 .750 + .527*F3 + .313 D6 + .527 D8 + .531*F5 .991 .902 1.000 .722

- .118*F5 + .000 D7 + .235*F7

b) Obtenido con el Software EQS 6.1, imputando los datos perdidos

F1: Abasto F2: Conveniencia F3: Servicio F4: Cali.Percib. F5: Expectativas F6: IMSU F7: Queja F8: Confianza

Figura No. 4.34.- Ecuaciones Estructurales que representan el Modelo del IMSU del Programa de Abasto Rural, Diconsa.

166

A continuacin se muestran los resultados obtenidos para los modelos No. 7 y No. 10. La figura No. 4.35 muestra la representacin grfica del modelo No. 7 para el Programa de Abasto Rural, Diconsa, para la base de datos imputando los datos perdidos, y la figura No. 4.36 muestra lo mismo para el modelo que se obtuvo al utilizar la base de datos en la que se eliminaron los casos con datos perdidos. Los resultados se obtuvieron con el software EQS 6.1.

Notacin:

Valores entre parntesis: R2 Lneas Negritas: Senderos significativos entre variables latentes * Significativo con un nivel de 5%

Figura No. 4.35.- Representacin grfica del Modelo No. 7 del Programa de Abasto Rural, Diconsa.
Obtenido con el Software EQS 6.1, imputando los datos perdidos

167

Notacin:

Valores entre parntesis: R2 Lneas Negritas: Senderos significativos entre variables latentes * Significativo con un nivel de 5%

Figura No. 4.36.- Representacin grfica del Modelo No. 7 del Programa de Abasto Rural, Diconsa.
Obtenido con el Software EQS 6.1, eliminando los casos con datos perdidos

168

La figura No. 4.37 muestra la representacin grfica del modelo No. 10 para el Programa de Abasto Rural, Diconsa, para la base de datos imputando los datos perdidos, y la figura No. 4.38 muestra lo mismo para el modelo que se obtuvo al utilizar la base de datos en la que se eliminaron los casos con datos perdidos. Los resultados se obtuvieron con el software EQS 6.1.

Notacin:

Valores entre parntesis: R2 Lneas Negritas: Senderos significativos entre variables latentes * Significativo con un nivel de 5%

Figura No. 4.37.- Representacin grfica del Modelo No. 10 del Programa de Abasto Rural, Diconsa.
Obtenido con el Software EQS 6.1, imputando los datos perdidos

169

Notacin:

Valores entre parntesis: R2 Lneas Negritas: Senderos significativos entre variables latentes * Significativo con un nivel de 5%

Figura No. 4.38.- Representacin grfica del Modelo No. 10 del Programa de Abasto Rural, Diconsa.
Obtenido con el Software EQS 6.1, eliminando los casos con datos perdidos

Al comparar los modelos alternativos 7 y 10 para el Programa de Abasto Rural, Diconsa, se puede apreciar que el modelo 7 es mejor que el 10, pero ya que la diferencia entre los ndices de ajuste de los dos modelos es pequea, debe afirmarse con reserva.

170

4.7.-

Modelamiento utilizando SEM-PLS:

En esta seccin se presentan los resultados de las corridas llevadas a cabo en a evaluacin de cada uno de los programas en estudio aplicando la metodologa de anlisis de senderos va mnimos cuadrados parciales (SEM-PLS) y utilizando el software SmartPLS. En esta seccin se probaron aquellos modelos seleccionados con EQS, y el modelo original del IMSU utilizando el software SmartPLS. Se llevaron a cabo solo las modificaciones que se requieren para que los modelos pudieran ser analizados con SmartPLS 2.0 M3. En el caso de evaluacin con SEM-PLS solo se pretende poner a prueba la aplicacin de uno de los softwares disponibles para evaluacin de diagramas de senderos por medio de PLS, el SmartPLS 2.0 M3. 4.7.1.Programa de Zonas Prioritarias, PDZP:

A continuacin se muestran los resultados obtenidos a partir de la evaluacin con Software SmartPLS 2.0 M3. 4.7.1.1.Ajuste del modelo del IMSU:

En el caso del modelo del IMSU del Programa de Zonas Prioritarias (PDZP) se lleva a cabo el anlisis de los datos utilizando un modelo formativo utilizando el software SmartPLS. Con la finalidad de comparar los resultados obtenidos con SEM-PLS con los obtenidos con SEM-EC, se utilizan una base de datos en la cual se han imputado los datos perdidos por mxima verosimilitud con el algoritmo de EM (expectation maximization) y una base de datos donde se han eliminado aquellos en los que hace falta al menos un dato. Los datos mostrados provienen de corridas aplicando el esquema de peso Centroid Weighting Scheme, con resultados estandarizados a Media 0 y Varianza 1. La tabla No. 4.11 muestra los resultados de los criterios de 171

calidad del modelo obtenidos cuando se utiliza la base de datos con datos perdidos imputados, y la tabla No. 4.12 muestra los resultados obtenidos con la base de datos en la que se eliminaron los casos con datos perdidos, en ambos a casos se comparan con los criterios deseables.

Tabla No. 4.11.- Criterios de Calidad del Modelo del IMSU del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos
Variables Latentes Expectativ IMSU Proceso Quejas cali.perci confianza gestion recursos Recomendado Criterio de Aceptacin Aceptable Pobre 0.5 0.6 AVE 1.00000 0.73863 0.61757 1.00000 1.00000 0.79813 0.65950 0.55316 Fiabilidad Compuesta 1.00000 0.89442 0.82499 1.00000 1.00000 0.88773 0.85310 0.77816 >0.67 >0.33 <0.19
Solo las VL endgenas, IMSU y Confianza cumplen el criterio. La VL calidad percibida, es ligeramente mayor a pobre. Quejas es pobre

R2

Alfa de Cronbach 1.00000

Comunalidad 1.00000 0.73863 0.61757 1.00000 1.00000 0.79813 0.65950 0.55316 Debe ser positivo

Redundancia

0.47949

0.82268 0.69044

0.03699

0.02139 0.29938 0.61127

1.00000 1.00000 0.74723 0.74266 0.58004 0.8 0.9 0.7 < 0.6
La VL recursos tiene un valor menor al aceptable, pero apenas 0.020 unidades

0.02139 0.05108 0.48748

Debe ser positivo

Dictamen

Todas las VL cumplen el criterio

Todas las VL cumplen el criterio

Todas la VL presentan un valor positivo

Todas la VL presentan un valor positivo

Notacin:

VL

Variable Latente

172

Tabla No. 4.12.- Criterios de Calidad del Modelo del IMSU del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos datos perdidos
Variables Latentes Expectativ IMSU Proceso Quejas cali.perci confianza gestin recursos Recomendado Criterio de Aceptacin Aceptable Pobre 0.5 0.6 AVE 1.00000 0.76390 0.63078 1.00000 1.00000 0.81299 0.65301 0.55435 Fiabilidad Compuesta 1.00000 0.90649 0.83249 1.00000 1.00000 0.89685 0.84939 0.77804 >0.67 >0.33 <0.19
Solo las VL endgenas, IMSU y Confianza cumplen el criterio. La VL calidad percibida, es ligeramente menor a aceptable. Quejas es pobre

R2

Alfa de Cronbach 1.00000

Comunalidad 1.00000 0.76390 0.63078 1.00000 1.00000 0.81299 0.65301 0.55435 Debe ser positivo

Redundancia

0.48684

0.84483 0.70774

0.03968

0.02767 0.32156 0.60149

1.00000 1.00000 0.77001 0.73454 0.58581 0.8 0.9 0.7 < 0.6
La VL recursos tiene un valor menor al aceptable, pero apenas 0.015 unidades

0.02767 0.04736 0.48663

Debe ser positivo

Dictamen

Todas las VL cumplen el criterio

Todas las VL cumplen el criterio

Todas la VL presentan un valor positivo

Todas la VL presentan un valor positivo

Notacin:

VL

Variable Latente

La tabla No. 4.13 muestra las correlaciones entre las variables latentes del modelo del IMSU para el Programa de Zonas Prioritarias, PDZP, para la base de datos imputando los datos perdidos. La tabla No. 4.14 muestra las correlaciones entre las variables latentes, pero sin imputar los datos perdidos.

173

Tabla No. 4.13.- Correlaciones entre las Variables Latentes del Modelo del IMSU del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos
Variables Latentes Expectativ IMSU Proceso Quejas cali.perci confianza gestin recursos Notacin: Blanco Negritas Variables Latentes conectadas directamente con la Variable Latente del ttulo de la columna Variables Latentes altamente correlacionadas con la Variable Latente del ttulo de la columna, sin conexin directa Expectativ 1.00000 0.27130 0.02869 0.00331 0.23242 0.24542 0.10681 0.12020 IMSU 0.27130 1.00000 0.47918 -0.14626 0.68270 0.78079 0.63887 0.56300 Proceso 0.02869 0.47918 1.00000 -0.11941 0.39708 0.40832 0.61901 0.65359 Quejas 0.00331 -0.14626 -0.11941 1.00000 -0.10991 -0.15428 -0.21577 -0.15384 cali.perci 0.23242 0.68270 0.39708 -0.10991 1.00000 0.60257 0.49260 0.40611 confianza 0.24542 0.78079 0.40832 -0.15428 0.60257 1.00000 0.54214 0.45983 gestin 0.10681 0.63887 0.61901 -0.21577 0.49260 0.54214 1.00000 0.57210 recursos 0.12030 0.56300 0.65359 -0.15384 0.40611 0.45983 0.57210 1.00000

Tabla No. 4.14.- Correlaciones entre las Variables Latentes del Modelo del IMSU del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos
Variables Latentes Expectativ IMSU Proceso Quejas cali.perci confianza gestin recursos Notacin: Blanco Negritas Variables Latentes conectadas directamente con la Variable Latente del ttulo de la columna Variables Latentes altamente correlacionadas con la Variable Latente del ttulo de la columna, sin conexin directa Expectativ 1.00000 0.27308 0.01405 -0.02049 0.22771 0.24843 0.13257 0.12986 IMSU 0.27308 1.00000 0.49727 -0.16635 0.68740 0.77341 0.64526 0.57178 Proceso 0.01405 0.49727 1.00000 -0.11534 0.42179 0.43524 0.63774 0.66101 Quejas -0.02049 -0.16635 -0.11534 1.00000 -0.13456 -0.18552 -0.20646 -0.13744 cali.perci 0.22771 0.68740 0.42179 -0.13456 1.00000 0.59423 0.51472 0.42894 confianza 0.24843 0.77341 0.43524 -0.18552 0.59423 1.00000 0.56129 0.49065 gestin 0.13257 0.64526 0.63774 -0.20646 0.51472 0.56129 1.00000 0.55296 recursos 0.12986 0.57178 0.66101 -0.13744 0.42894 0.49065 0.55296 1.00000

La tablas No. 4.15 y 4.16 muestran las correlaciones entre las variables latentes del modelo del IMSU para el Programa de Zonas Prioritarias, PDZP, comparadas con la raz cuadrada de la AVE, con la finalidad de verificar el Criterio de Fornell-Lacker donde se verifica que la AVE de cualquier variable latente deber ser ms grande que la correlacin cuadrada ms alta de la variable latente con cualquier otra variable.

174

Tabla No. 4.15.- Verificacin del Criterio de Fornell-Lacker en el Modelo del IMSU del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos
Variables Latentes Expectativ IMSU Proceso Quejas cali.perci confianza gestin recursos Expectativ 1.00000 0.27130 0.02869 0.00331 0.23242 0.24542 0.10681 0.12020 0.85944 0.47918 -0.14626 0.68270 0.78079 0.63887 0.56300 0.78586 -0.11941 0.39708 0.40832 0.61901 0.65359 1.00000 -0.10991 -0.15428 -0.21577 -0.15384 1.00000 0.60257 0.49260 0.40611 0.89338 0.54214 0.45983 0.81210 0.57210 0.74375 IMSU Proceso Quejas cali.perci confianza gestin recursos

Notacin:

Raz de AVE: Correlaciones:

Negritas Normal

No cumple criterio

Criterio:

La raz cuadrada de la AVE debe ser ms grande que las correlaciones en la misma columna o rengln.

Tabla No. 4.16.- Verificacin del Criterio de Fornell-Lacker en el Modelo del IMSU del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos
Variables Latentes Expectativ IMSU Proceso Quejas cali.perci confianza gestin recursos Expectativ 1.00000 0.27308 0.01405 -0.02049 0.22771 0.24843 0.13257 0.12986 0.87401 0.49727 -0.16635 0.68740 0.77341 0.64526 0.57178 0.79422 -0.11534 0.42179 0.43524 0.63774 0.66101 1.00000 -0.13456 -0.18552 -0.20646 -0.13744 1.00000 0.59423 0.51472 0.42894 0.90166 0.56129 0.49065 0.80809 0.55296 0.74455 IMSU Proceso Quejas cali.perci confianza gestin recursos

Notacin:

Raz de AVE: Correlaciones:

Negritas Normal

No cumple criterio

Criterio:

La raz cuadrada de la AVE debe ser ms grande que las correlaciones en la misma columna o rengln.

La tabla No. 4.17 muestra las cargas cruzadas entre las variables manifiestas y las correspondientes variables latentes del modelo del IMSU para el Programa de Zonas Prioritarias, PDZP, para la base de datos imputando los datos perdidos. La tabla No. 4.18 muestra las correlaciones entre las variables latentes, pero sin imputar los datos perdidos. 175

Tabla No. 4.17.- Cargas Cruzadas entre las Variables Manifiestas y Latentes del Modelo del IMSU del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos
Variables Latentes

Variables Manifiestas

Expectativ 0.232419 0.016420 -0.006205 0.206624 0.231281 0.133222 1.000000 0.089824 0.302895 0.147556 0.138324 0.003313 0.219065 0.246766 0.110981 -0.015951 0.003665

IMSU 0.682701 0.436503 0.421790 0.727749 0.669128 0.630838 0.271301 0.230399 0.831808 0.854018 0.449116 -0.146259 0.414008 0.891424 0.501922 0.429747 0.411756

Proceso 0.397076 0.885295 0.846186 0.362874 0.366701 0.469404 0.028692 0.594074 0.383559 0.397525 0.541234 -0.119407 0.346682 0.451776 0.529108 0.546727 0.510479

Quejas -0.109910 -0.117606 -0.089828 -0.084728 -0.188199 -0.157263 0.003313 -0.066576 -0.054654 -0.156051 -0.164437 1.000000 -0.069221 -0.164251 -0.178860 -0.098223 -0.192111

cali.perci 1.000000 0.380228 0.331216 0.525088 0.551027 0.407974 0.232419 0.185655 0.531442 0.627160 0.346311 -0.109910 0.176149 0.602222 0.431945 0.349576 0.353131

confianza 0.602567 0.399918 0.298989 0.887293 0.899423 0.527894 0.245415 0.246847 0.695717 0.623456 0.338146 -0.154281 0.369923 0.692547 0.432713 0.363398 0.349697

gestion 0.492597 0.544333

recursos 0.406109 0.525720

calidp clarinf clarobj confi dispo eficien expect facilid ideal nivexp oportun queja relev satis seguim transpa utilid Notacin: Blanco

0.613846 0.650741 0.477070 0.491365 0.386560 0.433910

0.795723 0.546476 0.106808 0.214609 0.438935 0.120296 0.322342 0.400640

0.605031 0.545806 0.459638 0.866058

-0.215773 -0.153836 0.335670 0.601265 0.838192 0.476323 0.801726 0.476211 0.505505 0.408494 0.826218 0.440153

Negritas

Variables Manifiestas conectadas directamente con la Variable Latente del ttulo de la columna (cargas externas outer loadings) Variables Manifiestas con correlaciones altas con la Variable Latente del ttulo de la columna, sin conexin directa (en su caso, la ms alta)

176

Tabla No. 4.18.- Cargas Cruzadas entre las Variables Manifiestas y Latentes del Modelo del IMSU del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos
Variables Latentes

Variables Manifiestas

Expectativ

IMSU

Proceso

Quejas

cali.perci

confianza

gestion

recursos

calidp clarinf clarobj confi dispo eficien expect facilid ideal nivexp oportun queja relev satis seguim transpa utilid Notacin: Blanco

0.227706 0.001912 -0.005783 0.221326 0.226619 0.171547 1.000000 0.066401 0.286078 0.185716 0.151517 -0.020493 0.214590 0.246857 0.120824 0.001351 0.017942

0.687395 0.467549 0.429966 0.724069 0.671401 0.621481 0.273077 0.242429 0.830567 0.890266 0.452009 -0.166350 0.430284 0.899601 0.521759 0.445667 0.409711

0.421788 0.892213 0.866979 0.413595 0.371864 0.497213 0.014054 0.587066 0.400009 0.437103 0.545274 -0.115337 0.351077 0.464561 0.530009 0.558757 0.520688

-0.134558 -0.118272 -0.069511 -0.128827 -0.204711 -0.152067 -0.020493 -0.093983 -0.082255 -0.158292 -0.140067 1.000000 -0.078075 -0.190743 -0.172824 -0.087969 -0.177187

1.000000 0.404903 0.365102 0.522023 0.549243 0.422736 0.227706 0.186807 0.519326 0.677855 0.366211 -0.134558 0.169013 0.602040 0.447627 0.376935 0.371978

0.594233 0.427125 0.330657 0.898871 0.904440 0.533492 0.248430 0.262651 0.690698 0.644232 0.359385 -0.185516 0.390088 0.694351 0.453221 0.400758 0.365247

0.514716 0.590545

0.428942 0.554439

0.595597 0.636298 0.496647 0.515323 0.789218 0.132574 0.244265 0.472621 0.438710 0.446028 0.529901 0.129862 0.341068 0.428167

0.579866 0.546594 0.443584 0.865659

-0.206460 -0.137439 0.357617 0.462820 0.632901 0.845522 0.450961 0.788193 0.520832 0.397118 0.836343 0.414334

Negritas

Variables Manifiestas conectadas directamente con la Variable Latente del ttulo de la columna (cargas externas outer loadings) Variables Manifiestas altamente correlacionadas con la Variable Latente del ttulo de la columna, sin conexin directa (en su caso, la ms alta)

La figura No. 4.39 muestra la representacin grfica del modelo del IMSU para el Programa de Zonas Prioritarias, PDZP, para la base de datos imputando los datos perdidos, y la figura No. 4.40 muestra el modelo que se obtuvo al utilizar la base de datos en la que se eliminaron los casos con datos perdidos. El p-valor se obtuvo por medio de Bootstraping con SmartPLS 2.0 M3, con cambios a nivel del constructo Construct Level Changes, con 242 y 227 casos, para datos imputados y casos incompletos eliminados, respectivamente, y 1000 muestras.

177

Notacin:

Coeficientes de Sendero: Cargas Externas: Valores entre parntesis: Lneas Negritas:

Valores en las lneas que unen Variables Latentes Valores en las lneas que unen las Variables Latentes y Manifiestas. p-valor Senderos significativos entre variables latentes

Figura No. 4.39.- Representacin grfica del Modelo del IMSU del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos

178

Notacin:

Coeficientes de Sendero: Cargas Externas: Valores entre parntesis: Lneas Negritas:

Valores en las lneas que unen Variables Latentes Valores en las lneas que unen las Variables Latentes y Manifiestas. p-valor Senderos significativos entre variables latentes

Figura No. 4.40.- Representacin grfica del Modelo del IMSU del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos

179

4.7.1.2.-

Evaluacin de otros modelos:

A continuacin se muestran los resultados obtenidos al analizar los modelos 7 y 11 propuestos por el anlisis con EQS 6.1, ver punto 4.6.1.1. Ambos modelos fueron analizados con SmatPLS 2.0 M3 siguiendo los mismos criterios que se utilizaron para analizar el modelo original del IMSU, ver punto 4.7.1.1. MODELO 7: Este modelo puede verse en la figura No. 4.41 (a) y se caracteriza porque la variable latente Expectativas desaparece ya que el sendero que conecta a la variable manifiesta Expectativas con la variable latente Calidad percibida desaparece, conectndose entonces directamente la variable manifiesta Expectativas con la variable latente IMSU. Adems desaparece la variable latente Queja, y la variable manifiesta Queja se conecta directamente a la variable latente IMSU. Otro cambio es la variable manifiesta Eficiencia se desconecta de la variable latente Gestin, y se conecta con la variables latentes Proceso e IMSU. La variable manifiestas Comparacin con el ideal y relevancia cambian su ubicacin y ahora son conectadas con la variable latente Confianza. Por ltimo se agregan senderos de covarianza entre las variables latentes Proceso, Recursos y Gestin. En la figura No. 4.41 (b) se observa el modelo que ser probado va SmartPLS 2.0 M3, que por sus caractersticas no puede evaluar el mismo modelo, el modelo a analizar por SmartPLS 2.0 M3 no puede contener flechas de covarianzas, y requiere de una variable latente para conectar la variable manifiesta con las variables latentes Proceso e IMSU.

180

( a ) Modelo 7 con EQS 6.1

( b ) Modelo 7 con SmartPLS 2.0 M3

Figura No. 4.41.- Representacin grfica del modelo 7 para el Programa de Zonas Prioritarias, PDZP, sugerido por EQS, y adaptado para probarlo con SmartPLS.

La tabla No. 4.19 muestra los resultados de los criterios de calidad del modelo 7 obtenidos cuando se utiliza la base de datos con datos perdidos imputados, y la tabla No. 4.20 muestra los resultados obtenidos con la base de datos en la que se eliminaron los casos con datos perdidos, en ambos a casos se comparan con los criterios deseables.

181

Tabla No. 4.19.- Criterios de Calidad del Modelo 7 del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos
Variables Latentes Eficiencia IMSU Proceso Calidad percibida Confianza Gestin Recursos Recomendado Criterio de Aceptacin Aceptable Pobre
Todas las VL excepto IMSU cumplen el criterio

AVE 1.00000 0.45459 0.61842 1.00000 0.61249 0.77049 0.76533

Fiabilidad Compuesta 1.000000 0.623988 0.825858 1.000000 0.860521 0.870268 0.867064

Alfa de Cronbach 1.00000 0.36312 0.69044

Comunalidad 1.00000 0.45459 0.61842 1.00000 0.61249 0.77049 0.76533

Redundancia 0.41969 0.20396

0.47132 0.45383

0.25469 0.58399

1.00000 0.78026 0.70483 0.69337

0.05506 0.35746

>0.67 0.5 0.6 >0.33 <0.19

0.8 0.9 0.7 < 0.6

Todas la VL presentan un valor positivo Todas la VL presentan un valor positivo

Debe ser positivo

Debe ser positivo

Dictamen

Todas las VL cumplen el criterio

Todas las VL tienen Todas las VL, excepto valores aceptables, Calidad Percibida, excepto IMSU, con cumplen el criterio de 0.363, y Recursos con Aceptable 0.693

Notacin:

VL

Variable Latente

Tabla No. 4.20.- Criterios de Calidad del Modelo 7 del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos
Variables Latentes Eficiencia IMSU Proceso Calidad percibida Confianza Gestin Recursos Recomendado Criterio de Aceptacin Aceptable Pobre
Todas las VL excepto IMSU cumplen el criterio

AVE 1.00000 0.47543 0.63341 1.00000 0.62150 0.76858 0.76440

Fiabilidad Compuesta 1.00000 0.63926 0.83502 1.00000 0.86531 0.86907 0.86647

R2 0.45533 0.46908

Alfa de Cronbach 1.00000 0.38053 0.70774

Comunalidad 1.00000 0.47543 0.63341 1.00000 0.62150 0.76858 0.76440 Debe ser positivo

Redundancia 0.38617 0.22047

0.28613 0.59217

1.00000 0.78878 0.70122 0.691850

0.05723 0.36760

>0.67 0.5 0.6 >0.33 <0.19

0.8 0.9 0.7 < 0.6

Todas las VL tienen valores aceptables, excepto Confianza, con 0.323, y Conveniencia con 0.681

Debe ser positivo

Dictamen

Todas las VL cumplen el criterio

Todas las VL, excepto Calidad Percibida, cumplen el criterio de Aceptable

Todas la VL presentan un valor positivo

Todas la VL presentan un valor positivo

Notacin:

VL

Variable Latente

182

La tabla No. 4.21 muestra las correlaciones entre las variables latentes del modelo 7 para el Programa de Zonas Prioritarias, PDZP, para la base de datos imputando los datos perdidos. La tabla No. 4.22 muestra las correlaciones entre las variables latentes, pero sin imputar los datos perdidos. Tabla No. 4.21.- Correlaciones entre las Variables Latentes del Modelo 7 del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos
Variables Latentes Eficiencia IMSU Proceso Cali.perci Confianza Gestin Recursos Notacin: Blanco Negritas Variables Latentes conectadas directamente con la Variable Latente del ttulo de la columna Variables Latentes altamente correlacionadas con la Variable Latente del ttulo de la columna, sin conexin directa Eficiencia 1.00000 0.65576 0.47501 0.40797 0.53102 0.52647 0.52087 IMSU 0.65576 1.00000 0.44717 0.67367 0.76419 0.52650 0.50522 Proceso 0.47501 0.44717 1.00000 0.39407 0.45807 0.59095 0.62875 Cali.perci 0.40797 0.67367 0.39407 1.00000 0.59433 0.45056 0.39773 Confianza 0.53102 0.76419 0.45807 0.59433 1.00000 0.47472 0.42116 Gestin 0.52647 0.52650 0.59095 0.45056 0.47472 1.00000 0.44339 Recursos 0.52087 0.50522 0.62875 0.39773 0.42116 0.44339 1.00000

Tabla No. 4.22.- Correlaciones entre las Variables Latentes del Modelo 7 del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando casos con datos perdidos
Variables Latentes Eficiencia IMSU Proceso Cali.perci Confianza Gestin Recursos Notacin: Blanco Negritas Variables Latentes conectadas directamente con la Variable Latente del ttulo de la columna Variables Latentes altamente correlacionadas con la Variable Latente del ttulo de la columna, sin conexin directa Eficiencia 1.00000 0.63295 0.49736 0.42274 0.55054 0.51475 0.49537 IMSU 0.63295 1.00000 0.45713 0.68489 0.76952 0.52741 0.50099 Proceso 0.49736 0.45713 1.00000 0.41834 0.48379 0.59070 0.63102 Cali.perci 0.42274 0.68489 0.41834 1.00000 0.58146 0.47041 0.42506 Confianza 0.55054 0.76952 0.48379 0.58146 1.00000 0.49921 0.45565 Gestin 0.51475 0.52741 0.59070 0.47041 0.49921 1.00000 0.42343 Recursos 0.49537 0.50099 0.63102 0.42506 0.45565 0.42343 1.00000

183

La tablas No. 4.23 y 4.24 muestran las correlaciones entre las variables latentes del modelo del IMSU para el Programa de Zonas Prioritarias, PDZP, comparadas con la raz cuadrada de la AVE, con la finalidad de verificar el Criterio de Fornell-Lacker donde se verifica que la AVE de cualquier variable latente deber ser ms grande que la correlacin cuadrada ms alta de la variable latente con cualquier otra variable. Tabla No. 4.23.- Verificacin del Criterio de Fornell-Lacker en el Modelo 7 del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos
Variables Latentes Eficiencia IMSU Proceso Cali.perci Confianza Gestin Recursos Eficiencia 1.00000 0.65576 0.47501 0.40797 0.53102 0.52647 0.52087 0.67423 0.44717 0.67367 0.76419 0.52650 0.50522 0.78640 0.39407 0.45807 0.59095 0.62875 1.00000 0.59433 0.45056 0.39773 0.78288 0.47472 0.42116 0.87777 0.44339 0.87483 IMSU Proceso Cali.perci Confianza Gestin Recursos

Notacin:

Raz de AVE: Correlaciones:

Negritas Normal

No cumple criterio

Criterio:

La raz cuadrada de la AVE debe ser ms grande que las correlaciones en la misma columna o rengln.

Tabla No. 4.24.- Verificacin del Criterio de Fornell-Lacker en el Modelo 7 del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos
Variables Latentes Eficiencia IMSU Proceso Cali.perci Confianza Gestin Recursos Eficiencia 1.00000 0.63295 0.49736 0.42274 0.55054 0.51475 0.49537 0.68951 0.45713 0.68489 0.76952 0.52741 0.50099 0.79587 0.41834 0.48379 0.59070 0.63102 1.00000 0.58146 0.47041 0.42506 0.78835 0.49921 0.45565 0.87669 0.42343 0.87430 IMSU Proceso Cali.perci Confianza Gestin Recursos

Notacin:

Raz de AVE: Correlaciones:

Negritas Normal

No cumple criterio

Criterio:

La raz cuadrada de la AVE debe ser ms grande que las correlaciones en la misma columna o rengln.

184

La tabla No. 4.25 muestra las cargas cruzadas entre las variables manifiestas y las correspondientes variables latentes del modelo 7 para el Programa de Zonas Prioritaria, PDZP, para la base de datos imputando los datos perdidos. La tabla No. 4.26 muestra las correlaciones entre las variables latentes, pero sin imputar los datos perdidos.

Tabla No. 4.25.- Cargas Cruzadas entre las Variables Manifiestas y Latentes del Modelo 7 del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos
Variables Latentes

Variables Manifiestas

Eficiencia 0.40797 0.36508 0.47469 0.50137 0.44355 1.00000 0.13322 0.24402 0.40535 0.61482 0.40813 -0.15726 0.28658 0.60394 0.46268 0.50278 0.46405

IMSU 0.67367 0.39494 0.40646 0.65345 0.64217 0.65576 0.37645 0.21660 0.64106 0.88521 0.45690 -0.26579 0.42422 0.90687 0.49463 0.42721 0.42502

Proceso 0.39407 0.86211 0.86559 0.36124 0.35978 0.47501 0.02866 0.60230 0.37982 0.40044 0.54564 -0.11799 0.34599 0.44967 0.52361 0.55442 0.51565

Cali.perci 1.00000 0.38023 0.33122 0.52509 0.55103 0.40797 0.23242 0.18566 0.53144 0.62716 0.34631 -0.10991 0.17615 0.60222 0.43195 0.34958 0.35313

Confianza 0.59433 0.44367 0.35272 0.86469 0.81732 0.53102 0.30489 0.27344 0.84597 0.65259 0.38886 -0.12856 0.56445 0.72574 0.48157 0.34822 0.33970

Gestin 0.45056 0.54852 0.58137 0.37361 0.42782 0.52647 0.07126 0.15716 0.37678 0.48624 0.40421 -0.21002 0.30196 0.48738 0.90339 0.37174 0.85139

Recursos 0.39773 0.49146 0.63532 0.32599 0.38897 0.52087 0.06953 0.29562 0.35097 0.50098 0.87357 -0.14994 0.23681 0.44414 0.34745 0.87609 0.44246

calidp clarinf clarobj confi dispo eficien expect facilid ideal nivexp oportun queja relev satis seguim transpa utilid Notacin:

Blanco Negritas

Variables Manifiestas conectadas directamente con la Variable Latente del ttulo de la columna (cargas externas outer loadings) Variables Manifiestas con correlaciones altas con la Variable Latente del ttulo de la columna, sin conexin directa (en su caso, la ms alta)

185

Tabla No. 4.26.- Cargas Cruzadas entre las Variables Manifiestas y Latentes del Modelo 7 del Programa de Desarrollo Local, Diconsa.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando casos con datos perdidos
Variables Latentes

Variables Manifiestas

Eficiencia 0.42274 0.42737 0.45218 0.49154 0.47083 1.00000 0.17155 0.28585 0.43240 0.54738 0.38920 -0.15207 0.32313 0.64102 0.47676 0.47579 0.42276

IMSU 0.68489 0.42812 0.39704 0.65529 0.65039 0.63295 0.39260 0.23263 0.64982 0.90329 0.44820 -0.28864 0.44337 0.92104 0.50961 0.42818 0.40774

Proceso 0.41834 0.87800 0.86748 0.41405 0.36831 0.49736 0.01633 0.61386 0.39782 0.43603 0.54265 -0.11542 0.35090 0.46020 0.52219 0.56055 0.51512

Cali.perci 1.00000 0.40490 0.36510 0.52202 0.54924 0.42274 0.22771 0.18681 0.51933 0.67786 0.36621 -0.13456 0.16901 0.60204 0.44763 0.37693 0.37198

Confianza 0.58146 0.46521 0.38764 0.87866 0.81907 0.55054 0.29994 0.28115 0.83989 0.69396 0.41102 -0.15986 0.58109 0.72478 0.50358 0.38614 0.36040

Gestin 0.47041 0.57355 0.56604 0.40479 0.44302 0.51475 0.08437 0.17320 0.40597 0.48819 0.39079 -0.19896 0.30956 0.50726 0.90052 0.35025 0.85219

Recursos 0.42506 0.52520 0.61611 0.37703 0.40710 0.49537 0.08618 0.31932 0.38515 0.49043 0.87041 -0.12997 0.24595 0.46706 0.33968 0.87818 0.41095

calidp clarinf clarobj confi dispo eficien expect facilid ideal nivexp oportun queja relev satis seguim transpa utilid Notacin:

Blanco Negritas

Variables Manifiestas conectadas directamente con la Variable Latente del ttulo de la columna (cargas externas outer loadings) Variables Manifiestas con correlaciones altas con la Variable Latente del ttulo de la columna, sin conexin directa (en su caso, la ms alta)

La figura No. 4.42 muestra la representacin grfica del modelo No. 7 para el Programa de Zonas Prioritarias, PDZP, para la base de datos imputando los datos perdidos, y la figura No. 4.43 muestra el modelo que se obtuvo al utilizar la base de datos en la que se eliminaron los casos con datos perdidos. El p-valor se obtuvo por medio de Bootstraping con SmartPLS 2.0 M3, con cambios a nivel del constructo Construct Level Changes, con 242 y 227 casos, para datos imputados y casos incompletos eliminados, respectivamente, y 1000 muestras.

186

Notacin:

Coeficientes de Sendero: Cargas Externas: Valores entre parntesis: Lneas Negritas:

Valores en las lneas que unen Variables Latentes Valores en las lneas que unen las Variables Latentes y Manifiestas. p-valor Senderos significativos entre variables latentes

Figura No. 4.42.- Representacin grfica del Modelo No. 7 del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos

187

Notacin:

Coeficientes de Sendero: Cargas Externas: Valores entre parntesis: Lneas Negritas:

Valores en las lneas que unen Variables Latentes Valores en las lneas que unen las Variables Latentes y Manifiestas. p-valor Senderos significativos entre variables latentes

Figura No. 4.43.- Representacin grfica del Modelo No. 7 del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos

188

MODELO 11: Este modelo puede verse en la figura No. 4.44 (a) y al igual que el modelo No. 7 ha perdido las variables latentes Expectativas y Queja, y las variables manifiestas Expectativas y Queja se conectan directamente a la variable latente IMSU. La variable manifiesta Relevancia pasa a la variable latente IMSU desaparece ya que el sendero que conecta a la variable manifiesta Expectativas con la variable latente Calidad percibida desaparece, conectndose entonces directamente la variable manifiesta Expectativas con la variable latente IMSU, y la variable manifiesta Ideal a la variable latente Confianza. Por ltimo se agregan senderos de covarianza entre las variables latentes Proceso, Recursos y Gestin. En la figura No. 4.44 (b) se observa el modelo que ser probado va SmartPLS 2.0 M3, que por sus caractersticas no puede evaluar el mismo modelo, el modelo a analizar por SmartPLS 2.0 M3 no puede contener flechas de covarianzas.

( a ) Modelo 11 con EQS 6.1

( b ) Modelo 11 con SmartPLS 2.0 M3

Figura No. 4.44.- Representacin grfica del modelo 11 para el Programa de Zonas Prioritarias, PDZP, sugerido por EQS, y adaptado para probarlo con SmartPLS. La tabla No. 4.27 muestra los resultados de los criterios de calidad del modelo 11 obtenidos cuando se utiliza la base de datos con datos perdidos imputados, y la tabla No. 4.28 muestra los resultados obtenidos con la base de datos en la que se eliminaron

189

los casos con datos perdidos, en ambos a casos se comparan con los criterios deseables. Tabla No. 4.27.- Criterios de Calidad del Modelo 11 del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos
Variables Latentes IMSU Proceso Calidad percibida Confianza Gestin Recursos Recomendado Criterio de Aceptacin Aceptable Pobre
Todas las VL excepto IMSU cumplen el criterio

AVE 0.43628 0.61757 1.00000 0.74312 0.77049 0.76533

Fiabilidad Compuesta 0.75135 0.82499 1.00000 0.89663 0.87027 0.86706

Alfa de Cronbach 0.61251 0.69044

Comunalidad 0.43628 0.61757 1.00000 0.74312 0.77049 0.76533

Redundancia 0.16227

0.39302

0.25537 0.55485

1.00000 0.82687 0.70483 0.69337

0.06069 0.41198

>0.67 0.5 0.6 >0.33 <0.19

0.8 0.9 0.7 < 0.6

Todas la VL presentan un valor positivo Todas la VL presentan un valor positivo

Debe ser positivo

Debe ser positivo

Dictamen

Todas las VL cumplen el criterio

Todas las VL tienen Todas las VL, excepto valores aceptables, Calidad Percibida, excepto IMSU, con cumplen el criterio de 0.613, y Recursos con Aceptable 0.693

Notacin:

VL

Variable Latente

Tabla No. 4.28.- Criterios de Calidad del Modelo 11 del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos
Variables Latentes IMSU Proceso Calidad percibida Confianza Gestin Recursos Recomendado Criterio de Aceptacin Aceptable Pobre
Todas las VL excepto IMSU cumplen el criterio

AVE 0.44944 0.63078 1.00000 0.74995 0.76858 0.76440

Fiabilidad Compuesta 0.75886 0.83249 1.00000 0.89993 0.86907 0.86647

R2 0.41040

Alfa de Cronbach 0.62605 0.70774

Comunalidad 0.44944 0.63078 1.00000 0.74995 0.76858 0.76440

Redundancia 0.17349

0.28625 0.56835

1.00000 0.83297 0.70122 0.69185

0.05935 0.42606

>0.67 0.5 0.6 >0.33 <0.19

0.8 0.9 0.7 < 0.6

Todas la VL presentan un valor positivo Todas la VL presentan un valor positivo

Debe ser positivo

Debe ser positivo

Dictamen

Todas las VL cumplen el criterio

Todas las VL tienen Todas las VL, excepto valores aceptables, Calidad Percibida, excepto IMSU, con cumplen el criterio de 0.626, y Recursos con Aceptable 0.692

Notacin:

VL

Variable Latente

190

La tabla No. 4.29 muestra las correlaciones entre las variables latentes del modelo 11 para el Programa de Zonas Prioritarias, PDZP, para la base de datos imputando los datos perdidos. La tabla No. 4.30 muestra las correlaciones entre las variables latentes, pero sin imputar los datos perdidos. Tabla No. 4.29.- Correlaciones entre las Variables Latentes del Modelo 11 del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos
Variables Latentes IMSU Proceso Cali.perci Confianza Gestin Recursos Notacin: Blanco Negritas Variables Latentes conectadas directamente con la Variable Latente del ttulo de la columna Variables Latentes altamente correlacionadas con la Variable Latente del ttulo de la columna, sin conexin directa IMSU 1.00000 0.50199 0.62691 0.74488 0.56753 0.54071 Proceso 0.50199 1.00000 0.39708 0.43018 0.59174 0.62183 Cali.perci 0.62691 0.39708 1.00000 0.62138 0.45056 0.39773 Confianza 0.74488 0.43018 0.62138 1.00000 0.45529 0.41164 Gestin 0.56753 0.59174 0.45056 0.45529 1.00000 0.44339 Recursos 0.54071 0.62183 0.39773 0.41164 0.44339 1.00000

Tabla No. 4.30.- Correlaciones entre las Variables Latentes del Modelo 11 del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando casos con datos perdidos
Variables Latentes IMSU Proceso Cali.perci Confianza Gestin Recursos Notacin: Blanco Negritas Variables Latentes conectadas directamente con la Variable Latente del ttulo de la columna Variables Latentes altamente correlacionadas con la Variable Latente del ttulo de la columna, sin conexin directa IMSU 1.00000 0.51957 0.64063 0.75389 0.56809 0.53459 Proceso 0.51957 1.00000 0.42179 0.45649 0.59844 0.63146 Cali.perci 0.64063 0.42179 1.00000 0.61212 0.47041 0.42506 Confianza 0.75389 0.45649 0.61212 1.00000 0.48242 0.44987 Gestin 0.56809 0.59844 0.47041 0.48242 1.00000 0.42343 Recursos 0.53459 0.63146 0.42506 0.44987 0.42343 1.00000

191

La tablas No. 4.31 y 4.32 muestran las correlaciones entre las variables latentes del modelo del IMSU para el Programa de Zonas Prioritarias, PDZP, comparadas con la raz cuadrada de la AVE, con la finalidad de verificar el Criterio de Fornell-Lacker donde se verifica que la AVE de cualquier variable latente deber ser ms grande que la correlacin cuadrada ms alta de la variable latente con cualquier otra variable.
Criterio: La raz cuadrada de la AVE debe ser ms grande que las correlaciones en la misma columna o rengln.

Tabla No. 4.31.- Verificacin del Criterio de Fornell-Lacker en el Modelo 11 del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos
Variables Latentes IMSU Proceso Cali.perci Confianza Gestin Recursos IMSU 0.66051 0.50199 0.62691 0.74488 0.56753 0.54071 0.78586 0.39708 0.43018 0.59174 0.62183 1.00000 0.62138 0.45056 0.39773 0.86204 0.45529 0.41164 0.87777 0.44339 0.87483 Proceso Cali.perci Confianza Gestin Recursos

Notacin:

Raz de AVE: Correlaciones:

Negritas Normal

No cumple criterio

Criterio:

La raz cuadrada de la AVE debe ser ms grande que las correlaciones en la misma columna o rengln.

Tabla No. 4.32.- Verificacin del Criterio de Fornell-Lacker en el Modelo 11 del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos
Variables Latentes IMSU Proceso Cali.perci Confianza Gestin Recursos IMSU 0.67040 0.51957 0.64063 0.75389 0.56809 0.53459 0.79422 0.42179 0.45649 0.59844 0.63146 1.00000 0.61212 0.47041 0.42506 0.86600 0.48242 0.44987 0.87669 0.42343 0.87430 Proceso Cali.perci Confianza Gestin Recursos

Notacin:

Raz de AVE: Correlaciones:

Negritas Normal

No cumple criterio

Criterio:

La raz cuadrada de la AVE debe ser ms grande que las correlaciones en la misma columna o rengln.

192

La tabla No. 4.33 muestra las cargas cruzadas entre las variables manifiestas y las correspondientes variables latentes del modelo 11 para el Programa de Zonas Prioritarias, PDZP, para la base de datos imputando los datos perdidos. La tabla No. 4.34 muestra las correlaciones entre las variables latentes, pero sin imputar los datos perdidos.

Tabla No. 4.33.- Cargas Cruzadas entre las Variables Manifiestas y Latentes del Modelo 11 del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos
Variables Latentes

Variables Manifiestas

IMSU 0.62691 0.43076 0.46452 0.66390 0.63471 0.78531 0.36119 0.25530 0.62676 0.85978 0.48513 -0.23625 0.54396 0.88293 0.53763 0.46104 0.45268

Proceso 0.39708 0.88530 0.84619 0.36287 0.36670 0.46940 0.02869 0.59407 0.38356 0.39753 0.54123 -0.11941 0.34668 0.45178 0.52911 0.54673 0.51048

Cali.perci 1.00000 0.38023 0.33122 0.52509 0.55103 0.40797 0.23242 0.18566 0.53144 0.62716 0.34631 -0.10991 0.17615 0.60222 0.43195 0.34958 0.35313

Confianza 0.62138 0.41843 0.32188 0.88346 0.83603 0.52318 0.28545 0.25371 0.86597 0.64263 0.36201 -0.12649 0.37895 0.71282 0.44815 0.35823 0.34256

Gestin 0.45056 0.54852 0.58137 0.37361 0.42782 0.52647 0.07126 0.15716 0.37678 0.48624 0.40421 -0.21002 0.30196 0.48738 0.90339 0.37174 0.85139

Recursos 0.39773 0.49146 0.63532 0.32599 0.38897 0.52087 0.06953 0.29562 0.35097 0.50098 0.87357 -0.14994 0.23681 0.44414 0.34745 0.87609 0.44246

calidp clarinf clarobj confi dispo eficien expect facilid ideal nivexp oportun queja relev satis seguim transpa utilid Notacin:

Blanco Negritas

Variables Manifiestas conectadas directamente con la Variable Latente del ttulo de la columna (cargas externas outer loadings) Variables Manifiestas con correlaciones altas con la Variable Latente del ttulo de la columna, sin conexin directa (en su caso, la ms alta)

193

Tabla No. 4.34.- Cargas Cruzadas entre las Variables Manifiestas y Latentes del Modelo 11 del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando casos con datos perdidos
Variables Latentes

Variables Manifiestas

IMSU 0.64063 0.47230 0.45484 0.67056 0.64738 0.77386 0.37289 0.27752 0.64007 0.87187 0.47590 -0.25996 0.56373 0.90178 0.55390 0.45918 0.43318

Proceso 0.42179 0.89221 0.86698 0.41360 0.37186 0.49721 0.01405 0.58707 0.40001 0.43710 0.54527 -0.11534 0.35108 0.46456 0.53001 0.55876 0.52069

Cali.perci 1.00000 0.40490 0.36510 0.52202 0.54924 0.42274 0.22771 0.18681 0.51933 0.67786 0.36621 -0.13456 0.16901 0.60204 0.44763 0.37693 0.37198

Confianza 0.61212 0.44354 0.35757 0.89142 0.84303 0.53732 0.28201 0.26406 0.86285 0.67579 0.38681 -0.16014 0.39486 0.71500 0.47300 0.39970 0.36470

Gestin 0.47041 0.57355 0.56604 0.40479 0.44302 0.51475 0.08437 0.17320 0.40597 0.48819 0.39079 -0.19896 0.30956 0.50726 0.90052 0.35025 0.85219

Recursos 0.42506 0.52520 0.61611 0.37703 0.40710 0.49537 0.08618 0.31932 0.38515 0.49043 0.87041 -0.12997 0.24595 0.46706 0.33968 0.87818 0.41095

calidp clarinf clarobj confi dispo eficien expect facilid ideal nivexp oportun queja relev satis seguim transpa utilid Notacin:

Blanco Negritas

Variables Manifiestas conectadas directamente con la Variable Latente del ttulo de la columna (cargas externas outer loadings) Variables Manifiestas con correlaciones altas con la Variable Latente del ttulo de la columna, sin conexin directa (en su caso, la ms alta)

La figura No. 4.45 muestra la representacin grfica del modelo No. 11 para el Programa de Zonas Prioritarias, PDZP, para la base de datos imputando los datos perdidos, y la figura No. 4.46 muestra el modelo que se obtuvo al utilizar la base de datos en la que se eliminaron los casos con datos perdidos. El p-valor se obtuvo por medio de Bootstraping con SmartPLS 2.0 M3, con cambios a nivel del constructo Construct Level Changes, con 242 y 227 casos, para datos imputados y casos incompletos eliminados, respectivamente, y 1000 muestras.

194

Notacin:

Coeficientes de Sendero: Cargas Externas: Valores entre parntesis: Lneas Negritas:

Valores en las lneas que unen Variables Latentes Valores en las lneas que unen las Variables Latentes y Manifiestas. p-valor Senderos significativos entre variables latentes

Figura No. 4.45.- Representacin grfica del Modelo No. 11 del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos

195

Notacin:

Coeficientes de Sendero: Cargas Externas: Valores entre parntesis: Lneas Negritas:

Valores en las lneas que unen Variables Latentes Valores en las lneas que unen las Variables Latentes y Manifiestas. p-valor Senderos significativos entre variables latentes

Figura No. 4.46.- Representacin grfica del Modelo No. 11 del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos

196

4.7.2.-

Programa de Abasto Rural, Diconsa:

A continuacin se muestran los resultados obtenidos a partir de la evaluacin con Software SmartPLS 2.0 M3. 4.7.2.1.Ajuste del modelo del IMSU:

En el caso del modelo del IMSU del Programa de Abasto Rural (DICONSA) se lleva a cabo el anlisis de los datos utilizando un modelo formativo utilizando el software SmartPLS. Con la finalidad de comparar los resultados obtenidos con SEM-PLS con los obtenidos con SEM-EC, se utilizan una base de datos en la cual se han imputado los datos perdidos por mxima verosimilitud con el algoritmo de EM (expectation maximization) y una base de datos donde se han eliminado aquellos en los que hace falta al menos un dato. Los datos mostrados provienen de corridas aplicando el esquema de peso Centroid Weighting Scheme, con resultados estandarizados a Media 0 y Varianza 1. La tabla No. 4.35 muestra los resultados de los criterios de calidad del modelo obtenidos cuando se utiliza la base de datos con datos perdidos imputados, y la tabla No. 4.36 muestra los resultados obtenidos con la base de datos en la que se eliminaron los casos con datos perdidos, en ambos a casos se comparan con los criterios deseable.

197

Tabla No. 4.35.- Criterios de Calidad del Modelo del IMSU del Programa de Abasto Rural, DICONSA.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos
Variables Latentes Abasto Calid.perc Confianza Conveniencia Expectativas IMSU Quejas Servicio Recomendado Criterio de Aceptacin Aceptable Pobre
Todas las VL cumplen el criterio

AVE 0.71555 1.00000 0.91272 0.76293 1.00000 0.76333 1.00000 0.85082

Fiabilidad Compuesta 0.83312 1.00000 0.95437 0.86542 1.00000 0.90578 1.00000 0.91940

Alfa de Cronbach 0.61987

Comunalidad 0.71555 1.00000 0.91272 0.76293 1.00000 0.76333 1.00000 0.85083 Debe ser positivo

Redundancia

0.44628 0.57489

1.00000 0.90451 0.69187 1.00000

0.18804 0.51161

0.52129 0.01969

0.84541 1.00000 0.82492

0.36485 0.01969

>0.67 0.5 0.6 >0.33 <0.19

Todas las VL, excepto Queja, cumplen el criterio

0.8 0.9 0.7 < 0.6

La VL Abasto tiene un valor 0.081 menor al aceptable, y la VL Conveniencia tiene un valor 0.009 menor al aceptable Todas la VL presentan un valor positivo Todas la VL presentan un valor positivo

Debe ser positivo

Dictamen

Todas las VL cumplen el criterio

Notacin:

VL

Variable Latente

Tabla No. 4.36.- Criterios de Calidad del Modelo del IMSU del Programa de Abasto Rural, DICONSA.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos
Variables Latentes Abasto Calid.perc Confianza Conveniencia Expectativas IMSU Quejas Servicio Recomendado Criterio de Aceptacin Aceptable Pobre
Todas las VL cumplen el criterio

AVE 0.71383 1.00000 0.91406 0.75506 1.00000 0.76005 1.00000 0.85399

Fiabilidad Compuesta 0.83144 1.00000 0.95510 0.86022 1.00000 0.90426 1.00000 0.92124

R2

Alfa de Cronbach 0.62498

Comunalidad 0.71383 1.00000 0.91406 0.75506 1.00000 0.76005 1.00000 0.85399 Debe ser positivo

Redundancia

0.43776 0.60531

1.00000 0.90601 0.68062 1.00000

0.21710 0.54467

0.52264 0.00798

0.84210 1.00000 0.82903

0.35703 0.00798

>0.67 0.5 0.6 >0.33 <0.19

Todas las VL, excepto Queja, cumplen el criterio

0.8 0.9 0.7 < 0.6

La VL Abasto tiene un valor 0.076 menor al aceptable, y la VL Conveniencia tiene un valor 0.019 menor al aceptable Todas la VL presentan un valor positivo Todas la VL presentan un valor positivo

Debe ser positivo

Dictamen

Todas las VL cumplen el criterio

Notacin:

VL

Variable Latente

198

La tabla No. 4.37 muestra las correlaciones entre las variables latentes del modelo del IMSU para el Programa de Abasto Rural, Diconsa, para la base de datos imputando los datos perdidos. La tabla No. 4.38 muestra las correlaciones entre las variables latentes, pero sin imputar los datos perdidos. Tabla No. 4.37.- Correlaciones entre las Variables Latentes del Modelo del IMSU del Programa de Abasto Rural, DICONSA.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos
Variables Latentes Abasto Calid.perc Confianza Conveniencia Expectativas IMSU Quejas Servicio Notacin: Blanco Negritas Variables Latentes conectadas directamente con la Variable Latente del ttulo de la columna Variables Latentes altamente correlacionadas con la Variable Latente del ttulo de la columna, sin conexin directa Abasto 1.00000 0.55296 0.70246 0.59261 0.55102 0.66252 -0.17374 0.58201 Calid.perc 0.55296 1.00000 0.59198 0.59237 0.43471 0.70204 -0.16665 0.54410 Confianza 0.70246 0.59198 1.00000 0.65557 0.54392 0.74946 -0.21895 0.71749 Conveniencia Expectativas 0.59261 0.59237 0.65557 1.00000 0.51263 0.57793 -0.20287 0.55345 0.55102 0.43471 0.54391 0.51263 1.00000 0.45703 -0.11988 0.51538 IMSU 0.66252 0.70204 0.74946 0.57793 0.45703 1.00000 -0.14033 0.62841 Quejas -0.17374 -0.16665 -0.21895 -0.20287 -0.11988 -0.14033 1.00000 -0.20507 Servicio 0.58201 0.54410 0.71749 0.55345 0.51538 0.62841 -0.20507 1.00000

Tabla No. 4.38.- Correlaciones entre las Variables Latentes del Modelo del IMSU del Programa de Abasto Rural, DICONSA.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando casos con datos perdidos
Variables Latentes Abasto Calid.perc Confianza Conveniencia Expectativas IMSU Quejas Servicio Notacin: Blanco Negritas Variables Latentes conectadas directamente con la Variable Latente del ttulo de la columna Variables Latentes altamente correlacionadas con la Variable Latente del ttulo de la columna, sin conexin directa Abasto 1.00000 0.56245 0.69491 0.57450 0.55365 0.69085 -0.13632 0.58035 Calid.perc 0.56245 1.00000 0.58913 0.55507 0.43087 0.69615 -0.09463 0.55247 Confianza 0.69491 0.58913 1.00000 0.63207 0.52849 0.77209 -0.16439 0.70119 Conveniencia Expectativas 0.57450 0.55507 0.63207 1.00000 0.49767 0.57324 -0.15253 0.53634 0.55365 0.43087 0.52849 0.49767 1.00000 0.47590 -0.10002 0.51259 IMSU 0.69085 0.69615 0.77209 0.57324 0.47590 1.00000 -0.08930 0.64830 Quejas -0.13632 -0.09463 -0.16439 -0.15253 -0.10002 -0.08930 1.00000 -0.09465 Servicio 0.58035 0.55247 0.70119 0.53634 0.51259 0.64830 -0.09465 1.00000

199

La tablas No. 4.39 y 4.40 muestran las correlaciones entre las variables latentes del modelo del IMSU del Programa de Abasto Rural, Diconsa, comparadas con la raz cuadrada de la AVE, con la finalidad de verificar el Criterio de Fornell-Lacker donde se verifica que la AVE de cualquier variable latente deber ser ms grande que la correlacin cuadrada ms alta de la variable latente con cualquier otra variable. Tabla No. 4.39.- Verificacin del Criterio de Fornell-Lacker en el Modelo del IMSU del Programa de Abasto Rural, Diconsa.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos
Variables Latentes Abasto Calid.perc Confianza Conveniencia Expectativas IMSU Quejas Servicio Abasto 0.84590 0.55296 0.70246 0.59261 0.55102 0.66252 -0.17374 0.58201 1.00000 0.59198 0.59237 0.43471 0.70204 -0.16665 0.54410 0.95536 0.65557 0.54392 0.74946 -0.21895 0.71749 0.87346 0.51263 0.57793 -0.20287 0.55345 1.00000 0.45703 -0.11988 0.51538 0.87369 -0.14033 0.62841 1.00000 -0.20507 0.92240 Calid.perc Confianza Conveniencia Expectativas IMSU Quejas Servicio

Notacin:

Raz de AVE: Correlaciones:

Negritas Normal

No cumple criterio

Criterio:

La raz cuadrada de la AVE debe ser ms grande que las correlaciones en la misma columna o rengln.

Tabla No. 4.40.- Verificacin del Criterio de Fornell-Lacker en el Modelo del IMSU del Programa de Abasto Rural, Diconsa.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos
Variables Latentes Abasto Calid.perc Confianza Conveniencia Expectativas IMSU Quejas Servicio Abasto 0.84488 0.56245 0.69491 0.57450 0.55365 0.69085 -0.13632 0.58035 1.00000 0.58913 0.55507 0.43087 0.69615 -0.09463 0.55247 0.95606 0.63207 0.52849 0.77209 -0.16439 0.70119 0.86894 0.49767 0.57324 -0.15253 0.53634 1.00000 0.47590 -0.10002 0.51259 0.87181 -0.0893 0.64830 1.00000 -0.09465 0.92412 Calid.perc Confianza Conveniencia Expectativas IMSU Quejas Servicio

Notacin:

Raz de AVE: Correlaciones:

Negritas Normal

No cumple criterio

Criterio:

La raz cuadrada de la AVE debe ser ms grande que las correlaciones en la misma columna o rengln.

200

La tabla No. 4.41 muestra las cargas cruzadas entre las variables manifiestas y las correspondientes variables latentes del modelo del IMSU para el Programa de Abasto Rural, Diconsa, para la base de datos imputando los datos perdidos. La tabla No. 4.42 muestra las correlaciones entre las variables latentes, pero sin imputar los datos perdidos.

Tabla No. 4.41.- Cargas Cruzadas entre las Variables Manifiestas y Latentes del Modelo del IMSU del Programa de Abasto Rural, Diconsa.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos
Variables Latentes

Variables Manifiestas

Abasto 0.55248 0.55296 0.52024 0.55102 0.44361 0.61941 0.50211 0.53923 -0.17374 0.67494 0.66716 0.64398 0.91670 0.76826

Calid.perc 0.52053 1.00000 0.48199 0.43471 0.45234 0.67639 0.56353 0.46422 -0.16665 0.58851 0.54092 0.67449 0.55592 0.34643

Confianza 0.69972 0.59198 0.62120 0.54392 0.51812 0.67983 0.54326 0.61133 -0.21895 0.95889 0.95182 0.73813 0.68183 0.47922

Conveniencia 0.54173 0.59237 0.47703 0.51263 0.33903 0.58995 0.89907 0.84708 -0.20287 0.63002 0.62247 0.54471 0.57596 0.40307

Expectativas 0.50059 0.43471 0.44840 1.00000 0.24775 0.43680 0.35532 0.56238 -0.11988 0.51896 0.52052 0.47246 0.50101 0.43018

IMSU 0.57124 0.70204 0.58901 0.45703 0.77214 0.91669 0.50768 0.50402 -0.14033 0.73452 0.69619 0.92382 0.70350 0.35497

Quejas -0.20143 -0.16665 -0.17599 -0.11989 -0.07495 -0.14921 -0.14365 -0.21888 1.00000 -0.22518 -0.19193 -0.13124 -0.17216 -0.11286

Servicio 0.92859 0.54410 0.91617 0.51538 0.36594 0.60257 0.39873 0.58883 -0.20507 0.66747 0.70510 0.63151 0.56375 0.39892

amab calidp cumhor expec ideal nivexp precio probuen queja recom regreso satis surtido ubic

Criterio:
Notacin:

La carga de cualquier indicador debe ser ms grande que todas sus cargas cruzadas.

Blanco Negritas

Variables Manifiestas conectadas directamente con la Variable Latente del ttulo de la columna (cargas externas outer loadings) Variables Manifiestas con correlaciones altas con la Variable Latente del ttulo de la columna, sin conexin directa (en su caso, la ms alta)

201

Tabla No. 4.42.- Cargas Cruzadas entre las Variables Manifiestas y Latentes del Modelo del IMSU del Programa de Abasto Rural, Diconsa.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando casos con datos perdidos
Variables Latentes

Variables Manifiestas

Abasto 0.53185 0.56245 0.54081 0.55365 0.46356 0.64317 0.48170 0.52747 -0.13632 0.67675 0.65163 0.67165 0.92987 0.75033

Calid.perc 0.51320 1.00000 0.50787 0.43087 0.45866 0.66788 0.53930 0.41317 -0.09463 0.57972 0.54625 0.66339 0.57865 0.32202

Confianza 0.66947 0.58913 0.62626 0.52849 0.53839 0.69315 0.52031 0.59292 -0.16439 0.95752 0.95461 0.76181 0.68728 0.44755

Conveniencia 0.50333 0.55507 0.48788 0.49767 0.34488 0.58252 0.90488 0.83145 -0.15253 0.60098 0.60775 0.53680 0.57351 0.36045

Expectativas 0.47986 0.43087 0.46745 1.00000 0.26163 0.45407 0.34010 0.55767 -0.10002 0.50115 0.50956 0.49061 0.53220 0.38418

IMSU 0.58787 0.69615 0.61047 0.47590 0.77311 0.91265 0.50520 0.49426 -0.08930 0.74686 0.72923 0.92170 0.73207 0.35723

Quejas -0.09300 -0.09463 -0.08188 -0.10002 -0.06667 -0.09786 -0.12164 -0.14820 1.00000 -0.16272 -0.15145 -0.06812 -0.13052 -0.09552

Servicio 0.92494 0.55247 0.92329 0.51259 0.37228 0.63357 0.38592 0.57569 -0.09465 0.64832 0.69320 0.64327 0.57560 0.37086

amab calidp cumhor expec ideal nivexp precio probuen queja recom regreso satis surtido ubic

Criterio:
Notacin:

La carga de cualquier indicador debe ser ms grande que todas sus cargas cruzadas.

Blanco Negritas

Variables Manifiestas conectadas directamente con la Variable Latente del ttulo de la columna (cargas externas outer loadings) Variables Manifiestas con correlaciones altas con la Variable Latente del ttulo de la columna, sin conexin directa (en su caso, la ms alta)

La figura No. 4.47 muestra la representacin grfica del modelo del IMSU para el Programa de Abasto Rural, Diconsa, para la base de datos imputando los datos perdidos, y la figura No. 4.48 muestra el modelo que se obtuvo al utilizar la base de datos en la que se eliminaron los casos con datos perdidos. El p-valor se obtuvo por medio de Bootstraping con SmartPLS 2.0 M3, con cambios a nivel del constructo Construct Level Changes, con 395 y 363 casos, para datos imputados y casos incompletos eliminados, respectivamente, y 1000 muestras.

202

Notacin:

Coeficientes de Sendero: Cargas Externas: Valores entre parntesis: Lneas Negritas:

Valores en las lneas que unen Variables Latentes Valores en las lneas que unen las Variables Latentes y Manifiestas. p-valor Senderos significativos entre variables latentes

Figura No. 4.47.- Representacin grfica del Modelo del IMSU del Programa de Abasto Rural, Diconsa.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos

203

Notacin:

Coeficientes de Sendero: Cargas Externas: Valores entre parntesis: Lneas Negritas:

Valores en las lneas que unen Variables Latentes Valores en las lneas que unen las Variables Latentes y Manifiestas. p-valor Senderos significativos entre variables latentes

Figura No. 4.48.- Representacin grfica del Modelo del IMSU del Programa de Abasto Rural, Diconsa.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos

204

4.7.2.2.-

Ajuste de otros modelos:

A continuacin se muestran los resultados obtenidos al analizar los modelos 7 y 10 propuestos por el anlisis con EQS 6.1, ver punto 4.6.2.1. Ambos modelos fueron analizados con SmatPLS 2.0 M3 siguiendo los mismos criterios que se utilizaron para analizar el modelo original del IMSU, ver punto 4.7.2.1. MODELO 7: Este modelo puede verse en la figura No. 4.49 (a) y se caracteriza porque la variable latente Abasto desaparece, porque aparentemente no es suficientemente explicada con las variable manifiestas Surtido y Ubicacin. Adems desaparece la variable latente Queja, y la variable manifiesta Queja se conecta directamente a la variable latente Confianza. Otro cambio es la desaparicin de la variable latente Expectativas conectndose ahora directamente la variable manifiesta Expectativas con las variables latentes Calidad Percibida e IMSU, cambio que debe ser restaurado para poder efectuar el anlisis con SmartPLS. Un ltimo cambio es la adicin de una flecha de covarianza entre las variables latentes Conveniencia y Servicio. En la figura No. 4.49 (b) se observa el modelo que ser probado va SmartPLS 2.0 M3, que por sus caractersticas no puede evaluar el mismo modelo, el modelo a analizar por SmartPLS 2.0 M3 no puede contener flechas de covarianzas, y requiere de una variable latente para conectar la variable manifiesta con las variables latentes Calidad Percibida e IMSU.

205

( a ) Modelo 7 con EQS 6.1

( b ) Modelo 7 con SmartPLS 2.0 M3

Figura No. 4.49.- Representacin grfica del modelo 7 para el Programa de Abasto Rural, Diconsa, sugerido por EQS, y adaptado para probarlo con SmartPLS.

La tabla No. 4.43 muestra los resultados de los criterios de calidad del modelo 7 obtenidos cuando se utiliza la ase de datos con datos perdidos imputados, y la tabla No. 4.44 muestra los resultados obtenidos con la base de datos en la que se eliminaron los casos con datos perdidos, en ambos a casos se comparan con los criterios deseables.

206

Tabla No. 4.43.- Criterios de Calidad del Modelo 7 del Programa de Abasto Rural, DICONSA.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos
Variables Latentes Calid.perc Confianza Conveniencia Expectativas IMSU Servicio Recomendado Criterio de Aceptacin Aceptable Pobre 0.5 0.6 AVE 0.63396 0.63741 0.76435 1.00000 0.76356 0.85086 Fiabilidad Compuesta 0.83735 0.68951 0.86643 1.00000 0.90592 0.91942 >0.67 >0.33 <0.19
Todas las VL, excepto Expectativas, cumplen el criterio, aunque se encuentra cercana a Aceptable con 0.324

Alfa de Cronbach 0.71093 0.32110 0.69187

Comunalidad 0.63396 0.63741 0.76435 1.00000 0.76356 0.85086 Debe ser positivo

Redundancia 0.25096 0.21998

0.54536 0.63138

0.32466 0.58081

1.00000 0.84541 0.82492 0.8 0.9 0.7 < 0.6

Todas las VL tienen valores aceptables, excepto Confianza, con 0.321, y Conveniencia con 0.691

0.32466 0.43541

Debe ser positivo

Dictamen

Todas las VL cumplen el criterio

Todas las VL cumplen el criterio

Todas la VL presentan un valor positivo

Todas la VL presentan un valor positivo

Notacin:

VL

Variable Latente

Tabla No. 4.44.- Criterios de Calidad del Modelo 7 del Programa de Abasto Rural, DICONSA.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos
Variables Latentes Calid.perc Confianza Conveniencia Expectativas IMSU Servicio Recomendado Criterio de Aceptacin Aceptable Pobre 0.5 0.6 AVE 0.63514 0.62577 0.75784 1.00000 0.75999 0.85399 Fiabilidad Compuesta 0.83747 0.70808 0.86224 1.00000 0.90423 0.92125 >0.67 >0.33 <0.19
Todas las VL, excepto Expectativas, cumplen el criterio, aunque se encuentra cercana a Aceptable con 0.322

R2 0.52294 0.64764

Alfa de Cronbach 0.71196 0.382820 0.68062

Comunalidad 0.63514 0.62577 0.75784 1.00000 0.75999 0.85399 Debe ser positivo

Redundancia 0.22185 0.18587

0.32206 0.60386

1.00000 0.84210 0.82903 0.8 0.9 0.7 < 0.6

Todas las VL tienen valores aceptables, excepto Confianza, con 0.323, y Conveniencia con 0.681

0.32206 0.45037

Debe ser positivo

Dictamen

Todas las VL cumplen el criterio

Todas las VL cumplen el criterio

Todas la VL presentan un valor positivo

Todas la VL presentan un valor positivo

Notacin:

VL

Variable Latente

207

La tabla No. 4.45 muestra las correlaciones entre las variables latentes del modelo 7 para el Programa de Abasto Rural, Diconsa, para la base de datos imputando los datos perdidos. La tabla No. 4.46 muestra las correlaciones entre las variables latentes, pero sin imputar los datos perdidos. Tabla No. 4.45.- Correlaciones entre las Variables Latentes del Modelo 7 del Programa de Abasto Rural, DICONSA.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos
Variables Latentes Calid.perc Confianza Conveniencia Expectativas IMSU Servicio Notacin: Blanco Negritas Variables Latentes conectadas directamente con la Variable Latente del ttulo de la columna Variables Latentes altamente correlacionadas con la Variable Latente del ttulo de la columna, sin conexin directa Calid.perc 1.00000 0.73933 0.66751 0.56979 0.76161 0.63881 Confianza 0.73933 1.00000 0.66412 0.53967 0.73973 0.71827 Conveniencia 0.66751 0.66412 1.00000 0.52772 0.57762 0.56730 Expectativas 0.56979 0.53967 0.52772 1.00000 0.45656 0.51529 IMSU 0.76161 0.73973 0.57762 0.45656 1.00000 0.62787 Servicio 0.63881 0.71827 0.56730 0.51529 0.62787 1.00000

Tabla No. 4.46.- Correlaciones entre las Variables Latentes del Modelo 7 del Programa de Abasto Rural, DICONSA.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando casos con datos perdidos
Variables Latentes Calid.perc Confianza Conveniencia Expectativas IMSU Servicio Notacin: Blanco Negritas Variables Latentes conectadas directamente con la Variable Latente del ttulo de la columna Variables Latentes altamente correlacionadas con la Variable Latente del ttulo de la columna, sin conexin directa Calid.perc 1.00000 0.73102 0.63593 0.56751 0.77586 0.63920 Confianza 0.73102 1.00000 0.64229 0.52756 0.76561 0.69649 Conveniencia 0.63593 0.64229 1.00000 0.51845 0.57367 0.55466 Expectativas 0.56751 0.52756 0.51845 1.00000 0.47617 0.51254 IMSU 0.77586 0.76561 0.57367 0.47617 1.00000 0.64853 Servicio 0.63920 0.69649 0.55466 0.51254 0.64853 1.00000

208

La tablas No. 4.47 y 4.48 muestran las correlaciones entre las variables latentes del modelo del IMSU del Programa de Abasto Rural, Diconsa, comparadas con la raz cuadrada de la AVE, con la finalidad de verificar el Criterio de Fornell-Lacker donde se verifica que la AVE de cualquier variable latente deber ser ms grande que la correlacin cuadrada ms alta de la variable latente con cualquier otra variable. Tabla No. 4.47.- Verificacin del Criterio de Fornell-Lacker en el Modelo 7 del Programa de Abasto Rural, Diconsa.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos
Variables Latentes Calid.perc Confianza Conveniencia Expectativas IMSU Servicio Calid.perc 0.79622 0.73933 0.66751 0.56979 0.76161 0.63881 0.79838 0.66412 0.53967 0.73973 0.71827 0.87427 0.52772 0.57762 0.56730 1.00000 0.45656 0.51529 0.87382 0.62787 0.92242 Confianza Conveniencia Expectativas IMSU Servicio

Notacin:

Raz de AVE: Correlaciones:

Negritas Normal

No cumple criterio

Criterio:

La raz cuadrada de la AVE debe ser ms grande que las correlaciones en la misma columna o rengln.

Tabla No. 4.48.- Verificacin del Criterio de Fornell-Lacker en el Modelo 7 del Programa de Abasto Rural, Diconsa.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos
Variables Latentes Calid.perc Confianza Conveniencia Expectativas IMSU Servicio Calid.perc 0.79696 0.73102 0.63593 0.56751 0.77586 0.63920 0.79106 0.64229 0.52756 0.76561 0.69649 0.87054 0.51845 0.57367 0.55466 1.00000 0.47617 0.51254 0.87177 0.64853 0.92412 Confianza Conveniencia Expectativas IMSU Servicio

Notacin:

Raz de AVE: Correlaciones:

Negritas Normal

No cumple criterio

Criterio:

La raz cuadrada de la AVE debe ser ms grande que las correlaciones en la misma columna o rengln.

209

La tabla No. 4.49 muestra las cargas cruzadas entre las variables manifiestas y las correspondientes variables latentes del modelo 7 para el Programa de Abasto Rural, Diconsa, para la base de datos imputando los datos perdidos. La tabla No. 4.50 muestra las correlaciones entre las variables latentes, pero sin imputar los datos perdidos.

Tabla No. 4.49.- Cargas Cruzadas entre las Variables Manifiestas y Latentes del Modelo 7 del Programa de Abasto Rural, Diconsa.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos
Variables Latentes

Variables Manifiestas

Calid.perc 0.60907 0.82532 0.56824 0.56979 0.50074 0.72191 0.59262 0.57518 -0.19246 0.72127 0.69501 0.73779 0.86496 0.68743

Confianza 0.70091 0.59152 0.62169 0.53967 0.50864 0.67381 0.54186 0.61767 -0.34098 0.95119 0.94403 0.72802 0.67910 0.47659

Conveniencia 0.55666 0.58625 0.48772 0.52772 0.33359 0.59021 0.86749 0.88100 -0.20838 0.63418 0.62914 0.54914 0.57502 0.41214

Expectativas 0.50059 0.43471 0.44840 1.00000 0.24775 0.43680 0.35532 0.56238 -0.11988 0.51896 0.52052 0.47246 0.50101 0.43018

IMSU 0.57061 0.70149 0.58856 0.45656 0.77447 0.91501 0.50707 0.50318 -0.14006 0.73431 0.69614 0.92393 0.70333 0.35453

Servicio 0.92800 0.54404 0.91680 0.51529 0.36603 0.60259 0.39868 0.58866 -0.20502 0.66735 0.70494 0.63154 0.56378 0.39876

amab calidp cumhor expec ideal nivexp precio probuen queja recom regreso satis surtido ubic

Criterio:
Notacin:

La carga de cualquier indicador debe ser ms grande que todas sus cargas cruzadas.

Blanco Negritas

Variables Manifiestas conectadas directamente con la Variable Latente del ttulo de la columna (cargas externas outer loadings) Variables Manifiestas con correlaciones altas con la Variable Latente del ttulo de la columna, sin conexin directa (en su caso, la ms alta)

210

Tabla No. 4.50.- Cargas Cruzadas entre las Variables Manifiestas y Latentes del Modelo 7 del Programa de Abasto Rural, Diconsa.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando casos con datos perdidos
Variables Latentes

Variables Manifiestas

Calid.perc 0.58980 0.82683 0.59158 0.56751 0.51515 0.73127 0.56521 0.54267 -0.13462 0.71644 0.68464 0.74901 0.88260 0.66543

Confianza 0.66550 0.58623 0.62184 0.52756 0.53398 0.68854 0.52144 0.59530 -0.25393 0.95284 0.95127 0.75336 0.68585 0.44764

Conveniencia 0.52427 0.54531 0.50091 0.51845 0.33769 0.58358 0.86410 0.87693 -0.15531 0.60755 0.61690 0.54190 0.57363 0.37389

Expectativas 0.47986 0.43087 0.46745 1.00000 0.26163 0.45407 0.34010 0.55767 -0.10002 0.50115 0.50956 0.49061 0.53220 0.38418

IMSU 0.58805 0.69616 0.61054 0.47617 0.77278 0.91154 0.50490 0.49428 -0.08914 0.74712 0.72970 0.92297 0.73217 0.35749

Servicio 0.92388 0.55245 0.92435 0.51254 0.37240 0.63366 0.38601 0.57546 -0.09461 0.64824 0.69298 0.64330 0.57576 0.37064

amab calidp cumhor expec ideal nivexp precio probuen queja recom regreso satis surtido ubic

Criterio:
Notacin:

La carga de cualquier indicador debe ser ms grande que todas sus cargas cruzadas.

Blanco Negritas

Variables Manifiestas conectadas directamente con la Variable Latente del ttulo de la columna (cargas externas outer loadings) Variables Manifiestas con correlaciones altas con la Variable Latente del ttulo de la columna, sin conexin directa (en su caso, la ms alta)

La figura No. 4.50 muestra la representacin grfica del modelo No. 7 para el Programa de Abasto Rural, Diconsa, para la base de datos imputando los datos perdidos, y la figura No. 4.51 muestra el modelo que se obtuvo al utilizar la base de datos en la que se eliminaron los casos con datos perdidos. El p-valor se obtuvo por medio de Bootstraping con SmartPLS 2.0 M3, con cambios a nivel del constructo Construct Level Changes, con 395 y 363 casos, para datos imputados y casos incompletos eliminados, respectivamente, y 1000 muestras.

211

Notacin:

Coeficientes de Sendero: Cargas Externas: Valores entre parntesis: Lneas Negritas:

Valores en las lneas que unen Variables Latentes Valores en las lneas que unen las Variables Latentes y Manifiestas. p-valor Senderos significativos entre variables latentes

Figura No. 4.50.- Representacin grfica del Modelo No. 7 del Programa de Abasto Rural, Diconsa.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos

212

Notacin:

Coeficientes de Sendero: Cargas Externas: Valores entre parntesis: Lneas Negritas:

Valores en las lneas que unen Variables Latentes Valores en las lneas que unen las Variables Latentes y Manifiestas. p-valor Senderos significativos entre variables latentes

Figura No. 4.51.- Representacin grfica del Modelo No. 7 del Programa de Abasto Rural, Diconsa.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos

213

MODELO 10: Este modelo puede verse en la figura No. 4.52 (a) y se caracteriza porque las variables latentes Abasto y Conveniencia desaparecen, porque aparentemente no son suficientemente explicadas con las variable manifiestas Surtido y Ubicacin, o Precio y Calidad del Producto, respectivamente. Adems desaparece la variable latente Queja, y la variable manifiesta Queja se conecta directamente a la variable latente Confianza. Otro cambio es la desaparicin de la variable latente Expectativas conectndose ahora directamente la variable manifiesta Expectativas con las variables latentes Calidad Percibida e IMSU, cambio que debe ser restaurado para poder efectuar el anlisis con SmartPLS. Por ltimo las variables manifiestas Calidad del Producto, Amabilidad, Precio, Ubicacin y Surtido se reubican entre las variables latentes Calidad Percibida y Servicio. En la figura No. 4.52 (b) se observa el modelo que ser probado va SmartPLS 2.0 M3, que por sus caractersticas no puede evaluar el mismo modelo, el modelo a analizar por SmartPLS 2.0 M3, se requiere de una variable latente para conectar la variable manifiesta con las variables latentes Calidad Percibida y Servicio. En este modelo tambin se puede ver como ha cambiado la direccin de las flechas que conectan la ahora variable latente amabilidad ya que esta es la que causa la percepcin del servicio y de la calidad percibida.

214

( a ) Modelo 10 con EQS 6.1

( b ) Modelo 10 con SmartPLS 2.0 M3

Figura No. 4.52.- Representacin grfica del modelo 10 para el Programa de Abasto Rural, Diconsa, sugerido por EQS, y adaptado para probarlo con SmartPLS.

La tabla No. 4.51 muestra los resultados de los criterios de calidad del modelo 10 obtenidos cuando se utiliza la ase de datos con datos perdidos imputados, y la tabla No. 4.52 muestra los resultados obtenidos con la base de datos en la que se eliminaron los casos con datos perdidos, en ambos a casos se comparan con los criterios deseables.

215

Tabla No. 4.51.- Criterios de Calidad del Modelo 10 del Programa de Abasto Rural, DICONSA.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos
Variables Latentes Amabilidad Calid.perc Confianza Expectativas IMSU Servicio Recomendado Criterio de Aceptacin Aceptable Pobre
Todas las VL cumplen el criterio Todas las VL cumplen el criterio

AVE 1.00000 0.59430 0.63754 1.00000 0.76357 0.74835

Fiabilidad Compuesta 1.00000 0.85295 0.68891 1.00000 0.90592 0.85606

Alfa de Cronbach 1.00000

Comunalidad 1.00000 0.59430 0.63754 1.00000 0.76357 0.74835 Debe ser positivo

Redundancia

0.47739 0.64991 0.31639 0.57099 0.55605 >0.67

0.76931 0.32110 1.00000 0.84541 0.66382 0.8 0.9 0.7 < 0.6
Todas las VL tienen valores aceptables, excepto Confianza, con 0.321, y Servicio con 0.664

0.12385 0.30110 0.31041 0.42891 0.41533 Debe ser positivo

0.5

0.6

>0.33 <0.19
Todas las VL, excepto Expectativas, cumplen el criterio, aunque se encuentra cercana a Aceptable con 0.316

Dictamen

Todas la VL presentan un valor positivo

Todas la VL presentan un valor positivo

Notacin:

VL

Variable Latente

Tabla No. 4.52.- Criterios de Calidad del Modelo 10 del Programa de Abasto Rural, DICONSA.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos
Variables Latentes Amabilidad Calid.perc Confianza Expectativas IMSU Servicio Recomendado Criterio de Aceptacin Aceptable Pobre
Todas las VL cumplen el criterio Todas las VL cumplen el criterio

AVE 1.00000 0.58666 0.62507 1.00000 0.76001 0.74972

Fiabilidad Compuesta 1.00000 0.84836 0.71120 1.00000 0.90424 0.85693

R2

Alfa de Cronbach 1.00000

Comunalidad 1.00000 0.58666 0.62507 1.00000 0.76001 0.74972 Debe ser positivo

Redundancia

0.47062 0.66449 0.31628 0.59603 0.54414 >0.67

0.76063 0.38282 1.00000 0.84210 0.66681 0.8 0.9 0.7 < 0.6
Todas las VL tienen valores aceptables, excepto Confianza, con 0.383, y Servicio con 0.667

0.09783 0.33092 0.30364 0.44665 0.40550 Debe ser positivo

0.5

0.6

>0.33 <0.19
Todas las VL, excepto Expectativas, cumplen el criterio, aunque se encuentra cercana a Aceptable con 0.316

Dictamen

Todas la VL presentan un valor positivo

Todas la VL presentan un valor positivo

Notacin:

VL

Variable Latente

216

La tabla No. 4.53 muestra las correlaciones entre las variables latentes del modelo 10 para el Programa de Abasto Rural, Diconsa, para la base de datos imputando los datos perdidos. La tabla No. 4.54 muestra las correlaciones entre las variables latentes, pero sin imputar los datos perdidos. Tabla No. 4.53.- Correlaciones entre las Variables Latentes del Modelo 10 del Programa de Abasto Rural, DICONSA.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos
Variables Latentes Amabilidad Calid.perc Confianza Expectativas IMSU Servicio Notacin: Blanco Negritas Variables Latentes conectadas directamente con la Variable Latente del ttulo de la columna Variables Latentes altamente correlacionadas con la Variable Latente del ttulo de la columna, sin conexin directa Amabilidad 1.00000 0.59879 0.70107 0.50059 0.57058 0.74569 Calid.perc 0.59879 1.00000 0.74893 0.56020 0.75564 0.67620 Confianza 0.70107 0.74893 1.00000 0.53954 0.73918 0.71640 Expectativas 0.50059 0.56020 0.53954 1.00000 0.45648 0.58305 IMSU 0.57058 0.75564 0.73918 0.45648 1.00000 0.63178 Servicio 0.74569 0.67620 0.71640 0.58305 0.63178 1.00000

Tabla No. 4.54.- Correlaciones entre las Variables Latentes del Modelo 10 del Programa de Abasto Rural, DICONSA.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando casos con datos perdidos
Variables Latentes Amabilidad Calid.perc Confianza Expectativas IMSU Servicio Notacin: Blanco Negritas Variables Latentes conectadas directamente con la Variable Latente del ttulo de la columna Variables Latentes altamente correlacionadas con la Variable Latente del ttulo de la columna, sin conexin directa Amabilidad 1.00000 0.57674 0.66661 0.47986 0.58800 0.73766 Calid.perc 0.57674 1.00000 0.74191 0.55783 0.77203 0.67624 Confianza 0.66661 0.74191 1.00000 0.52798 0.76673 0.70377 Expectativas 0.47986 0.55783 0.52798 1.00000 0.47609 0.58921 IMSU 0.58800 0.77203 0.76673 0.47609 1.00000 0.64071 Servicio 0.73766 0.67624 0.70377 0.58921 0.64071 1.00000

217

La tablas No. 4.55 y 4.56 muestran las correlaciones entre las variables latentes del modelo del IMSU del Programa de Abasto Rural, Diconsa, comparadas con la raz cuadrada de la AVE, con la finalidad de verificar el Criterio de Fornell-Lacker donde se verifica que la AVE de cualquier variable latente deber ser ms grande que la correlacin cuadrada ms alta de la variable latente con cualquier otra variable. Tabla No. 4.55.- Verificacin del Criterio de Fornell-Lacker en el Modelo 10 del Programa de Abasto Rural, Diconsa.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos
Variables Latentes Amabilidad Calid.perc Confianza Expectativas IMSU Servicio Amabilidad 1.00000 0.59879 0.70107 0.50059 0.57058 0.74569 0.77091 0.74893 0.56020 0.75564 0.67620 0.79846 0.53954 0.73918 0.71640 1.00000 0.45648 0.58305 0.87382 0.63178 0.86507 Calid.perc Confianza Expectativas IMSU Servicio

Notacin:

Raz de AVE: Correlaciones:

Negritas Normal

No cumple criterio

Criterio:

La raz cuadrada de la AVE debe ser ms grande que las correlaciones en la misma columna o rengln.

Tabla No. 4.56.- Verificacin del Criterio de Fornell-Lacker en el Modelo 10 del Programa de Abasto Rural, Diconsa.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos
Variables Latentes Amabilidad Calid.perc Confianza Expectativas IMSU Servicio Amabilidad 1.00000 0.57674 0.66661 0.47986 0.58800 0.73766 0.76594 0.74191 0.55783 0.77203 0.67624 0.79061 0.52798 0.76673 0.70377 1.00000 0.47609 0.58921 0.87176 0.64071 0.86586 Calid.perc Confianza Expectativas IMSU Servicio

Notacin:

Raz de AVE: Correlaciones:

Negritas Normal

No cumple criterio

Criterio:

La raz cuadrada de la AVE debe ser ms grande que las correlaciones en la misma columna o rengln.

218

La tabla No. 4.57 muestra las cargas cruzadas entre las variables manifiestas y las correspondientes variables latentes del modelo 10 para el Programa de Abasto Rural, Diconsa, para la base de datos imputando los datos perdidos. La tabla No. 4.58 muestra las correlaciones entre las variables latentes, pero sin imputar los datos perdidos.

Tabla No. 4.57.- Cargas Cruzadas entre las Variables Manifiestas y Latentes del Modelo 10 del Programa de Abasto Rural, Diconsa.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos
Variables Latentes

Variables Manifiestas

Amabilidad 1.00000 0.52053 0.70201 0.50059 0.31812 0.55409 0.38210 0.58628 -0.20143 0.64669 0.69222 0.57727 0.51705 0.40771

Calid.perc 0.59879 0.82139 0.55707 0.56020 0.49692 0.72748 0.76108 0.61392 -0.19562 0.73115 0.70386 0.72125 0.84236 0.64319

Confianza 0.70107 0.59121 0.62174 0.53954 0.50829 0.67336 0.54166 0.61777 -0.34296 0.95011 0.94461 0.72766 0.67887 0.47656

Expectativas 0.50059 0.43471 0.44840 1.00000 0.24775 0.43680 0.35532 0.56238 -0.11988 0.51896 0.52052 0.47246 0.50101 0.43018

IMSU 0.57058 0.70152 0.58850 0.45648 0.77443 0.91558 0.50725 0.50321 -0.14011 0.73423 0.69597 0.92342 0.70330 0.35449

Servicio 0.74569 0.54702 0.87000 0.58305 0.35307 0.61903 0.50766 0.86012 -0.22779 0.67058 0.69166 0.63339 0.58651 0.42983

amab calidp cumhor expec ideal nivexp precio probuen queja recom regreso satis surtido ubic

Criterio:
Notacin:

La carga de cualquier indicador debe ser ms grande que todas sus cargas cruzadas.

Blanco Negritas

Variables Manifiestas conectadas directamente con la Variable Latente del ttulo de la columna (cargas externas outer loadings) Variables Manifiestas con correlaciones altas con la Variable Latente del ttulo de la columna, sin conexin directa (en su caso, la ms alta)

219

Tabla No. 4.58.- Cargas Cruzadas entre las Variables Manifiestas y Latentes del Modelo 10 del Programa de Abasto Rural, Diconsa.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando casos con datos perdidos
Variables Latentes

Variables Manifiestas

Amabilidad 1.00000 0.51319 0.70798 0.47986 0.32774 0.57314 0.34434 0.56352 -0.09300 0.61030 0.67083 0.59119 0.50940 0.37238

Calid.perc 0.57674 0.82175 0.58460 0.55783 0.51363 0.73753 0.74009 0.58729 -0.14391 0.72370 0.69611 0.73535 0.86055 0.61892

Confianza 0.66661 0.58679 0.62284 0.52798 0.53476 0.68938 0.52152 0.59536 -0.24183 0.95328 0.95288 0.75491 0.68628 0.44781

Expectativas 0.47986 0.43087 0.46745 1.00000 0.26163 0.45407 0.34010 0.55767 -0.10002 0.50115 0.50956 0.49061 0.53220 0.38418

IMSU 0.58800 0.69617 0.61053 0.47609 0.77285 0.91200 0.50503 0.49430 -0.08921 0.74703 0.72953 0.92249 0.73214 0.35740

Servicio 0.73766 0.53407 0.87910 0.58921 0.35505 0.63920 0.50678 0.85243 -0.13101 0.66098 0.68656 0.63161 0.60551 0.40556

amab calidp cumhor expec ideal nivexp precio probuen queja recom regreso satis surtido ubic

Criterio:
Notacin:

La carga de cualquier indicador debe ser ms grande que todas sus cargas cruzadas.

Blanco Negritas

Variables Manifiestas conectadas directamente con la Variable Latente del ttulo de la columna (cargas externas outer loadings) Variables Manifiestas con correlaciones altas con la Variable Latente del ttulo de la columna, sin conexin directa (en su caso, la ms alta)

La figura No. 4.53 muestra la representacin grfica del modelo No. 10 para el Programa de Abasto Rural, Diconsa, para la base de datos imputando los datos perdidos, y la figura No. 4.54 muestra el modelo que se obtuvo al utilizar la base de datos en la que se eliminaron los casos con datos perdidos. El p-valor se obtuvo por medio de Bootstraping con SmartPLS 2.0 M3, con cambios a nivel del constructo Construct Level Changes, con 395 y 363 casos, para datos imputados y casos incompletos eliminados, respectivamente, y 1000 muestras.

220

Notacin:

Coeficientes de Sendero: Cargas Externas: Valores entre parntesis: Lneas Negritas:

Valores en las lneas que unen Variables Latentes Valores en las lneas que unen las Variables Latentes y Manifiestas. p-valor Senderos significativos entre variables latentes

Figura No. 4.53.- Representacin grfica del Modelo No. 10 del Programa de Abasto Rural, Diconsa.
Obtenidos con el Software SmartPLS 2.0 M3, imputando los datos perdidos

221

Notacin:

Coeficientes de Sendero: Cargas Externas: Valores entre parntesis: Lneas Negritas:

Valores en las lneas que unen Variables Latentes Valores en las lneas que unen las Variables Latentes y Manifiestas. p-valor Senderos significativos entre variables latentes

Figura No. 4.54.- Representacin grfica del Modelo No. 10 del Programa de Abasto Rural, Diconsa.
Obtenidos con el Software SmartPLS 2.0 M3, eliminando los casos con datos perdidos

222

Captulo 5.- Anlisis y discusin de los resultados. En este captulo se discuten los resultados observados para cada uno de los programas en estudio, el Programa de Zonas Prioritarias, PDZP, y el Programa de Abasto Rural, Diconsa, con cada una de las metodologas utilizadas, Anlisis de Senderos con Estructuras de Covarianzas, SEM-EC, y Anlisis de Senderos con Mnimos Cuadrados Parciales, SEM-PLS, comparndolos con los resultados obtenidos por medio de la evaluacin llevada a cabo con el software del ACSI. Adems se discuten los hallazgos observados en los modelos alternativos encontrados con la metodologa de SEM-EC y probados con SEM-PLS.

5.1.- Comparacin de los resultados entre metodologas y modelos:

En esta seccin se comparan los resultados obtenidos al poner a prueba el modelo del IMSU para el Programa de Zonas Prioritarias, PDZP, y el Programa de Abasto Rural con las metodologas SEM-EC y SEM-PLS, comparndolos con los resultados obtenidos con el software del ACSI.

Es importante mensionar que debido a que la metodologa de PLS calcula tanto los Indices de las Variables Latentes como los Coeficientes de Sendero entre las Variables Latentes a travs de mtodos iterativos, se sabe que los resultados de una misma base de datos, y utilizando diferentes softwares del mismo tipo, pueden variar entre los diferentes softwares y los diferentes clculos. En el caso de las corridas de este trabajo nicamente se evalu un software de PLS, el SmartPLS, y los resultados obtenidos al llevar a cabo de manera repetida la evaluacin de un mismo modelo se obtuvieron los mismos ndices de las variables latentes y los mismos coeficientes de sendero.

223

5.1.1.- Programa de Zonas Prioritarias, PDZP:

En las tablas No. 5.1 y No. 5.2 se muestra una comparacin de los resultados de los ndices de las variables latentes utilizando dos tipos de base de datos: la base de datos imputando datos perdidos y la base de datos obtenida al eliminar los casos con datos perdidos, utilizando los softwares SmartPLS 2.0 M3 y EQS 6.1, respectivamente. Los ndices obtenidos corresponden al modelo original del IMSU y a los dos modelos alternativos adicionales, y se comparan con los resultados obtenidos en el estudio original del IMSU.

En la tabla No. 5.1, se pueden ver los ndices obtenidos para la variables latentes de los diferentes modelos por medio del software SmartPLS 2.0 M3, utilizando las bases de datos con imputacin de datos perdidos y con la eliminacin de casos con datos perdidos. Se puede observar que en el caso del modelo original los ndices de las variables latentes obtenidos con SmartPLS y los obtenidos con el software del ACSI son similares, y como nica diferencia tienen que los reportados en el programa del IMSU, corresponde a un redondeo a nmeros enteros, IMSU = 84. Cuando se llevan a cabo modificaciones en el modelo se observa que tambin se modifican los valores obtenidos en los ndices de las variables latentes, en el caso del modelo 7 el ndice de satisfaccin es 90, y en el modelo 11 de 89. Tambin puede verse como los ndices de las variables latentes son iguales, a nivel de redondeo a nmeros enteros, cuando se usa la base de datos con datos perdidos imputados y cuando se usa la base de datos eliminando los casos con datos perdidos.

224

Tabla No. 5.1.- ndices de las Variables Latentes en el Modelo del IMSU del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software SmartPLS 2.0 M3.
Imputando datos perdidos Constructo Modelo Original Expectativ IMSU Proceso Quejas Cali.perci Confianza Gestin Recursos Eficiencia 85.05 84.26 83.90 18.63 90.91 91.96 84.04 83.04 90.91 88.54 82.94 80.38 86.09 90.91 88.23 82.94 80.48 89.98 83.92 88.95 83.90 Modelo 7 Modelo 11 Modelo Original 84.88 84.28 83.82 18.50 90.75 92.03 84.26 82.83 90.75 88.53 83.03 80.45 86.49 90.75 88.31 83.03 80.45 90.13 83.84 89.08 83.82 Modelo 7 Modelo 11 Eliminado casos con datos perdidos ndices Obtenidos de Programa del ACSI Reportados en el IMSU (1) 85 84 84 19 91 92 84 83

Referencia:

(1)

Lobato, et.al., 2006b, Molina, 2007.

En la tabla No. 5.2, se pueden ver los ndices obtenidos para las variables latentes de los diferentes modelos por medio del software EQS 6.1, utilizando las bases de datos con imputacin de datos perdidos y con la eliminacin de casos con datos perdidos. Se puede observar que los ndices de las variables latentes obtenidos con EQS y los obtenidos con el software del ACSI no son idnticos. Adems se puede observar que los valores de los ndices de las variables latentes son similares, iguales a nivel de redondeo a nmeros enteros, independientemente del modelo utilizado para la evaluacin con EQS. El IMSU obtenido con ACSI es de 84, y con EQS es de 88. Los valores del los ndices de las otras variables latentes son muy similares entre si, y con el del modelo evaluado con el software del ACSI.

225

Tabla No. 5.2.- ndices de las Variables Latentes en el Modelo del IMSU del Programa de Zonas Prioritarias, PDZP.
Obtenidos con el EQS 6.1.
Imputando datos perdidos Constructo Modelo Original Expectativ IMSU Proceso Quejas Cali.perci Confianza Gestin Recursos 85.1 87.6 84.8 18.6 90.9 92.6 86.1 83.7 90.9 92.4 83.2 83.4 90.9 92.4 82.5 83.4 87.9 84.6 87.9 84.8 Modelo 7 Modelo 11 Modelo Original 84.9 87.4 85.1 18.5 90.8 92.4 86.4 83.7 90.8 92.3 83.3 83.6 90.8 92.4 83.6 82.7 87.6 84.9 87.6 84.9 Modelo 7 Modelo 11 Eliminado casos con datos perdidos ndices Obtenidos de Programa del ACSI Reportados en el IMSU (1) 85 84 84 19 91 92 84 83

Referencia:

(1)

Lobato, et.al., 2006b, Molina, 2007.

En el caso del modelo original del IMSU se hace una comparacin de los coeficientes de sendero obtenidos con el software SmartPLS 2.0 M3 y los obtenidos con el software del ACSI, la cual se muestra en la tabla No. 5.3. La comparacin se hace dividiendo el valor del coeficiente de sendero obtenido con el software del ACSI, entre el coeficiente de sendero obtenido con SmartPLS, con ambas bases de datos, imputando datos pedidos y eliminando casos con datos perdidos. En todos los casos los coeficientes de sendero obtenidos por medio de SmartPLS tienen la misma direccin que los obtenidos por medio de la metodologa del ACSI. Como se esperaba, se puede observar que en todos los casos los coeficientes de sendero obtenidos con el software del ACSI son ms grandes que los obtenidos con el software SmartPLS, aunque hay que hacer notar que va desde 1.7 hasta 12.3 veces, el promedio obtenido es de 5.0 veces al utilizar la base de datos imputando los datos perdidos, y de 4.7 veces al utilizar la base de datos eliminando los casos con datos perdidos. Lo cual permite observar la relacin 5 a 1 del valor del coeficiente de sendero, que especifica el ACSI con respecto a la metodologa de PLS. El promedio de las relaciones entre los coeficientes de sendero, coincide con el factor que aplica el ACSI en sus resultados.

226

Tabla No. 5.3.- Comparacin de los coeficientes de sendero en el Modelo del IMSU del Programa de Zonas Prioritarias, PDZP.
Los obtenidos con el Software SmartPLS 2.0 M3 y los presentados en el modelo original del IMSU.
Resultados Resultados a originales de partir de base de modelo del IMSU datos con datos con el software del imputados ACSI (1) (IMP) (IMSU) 0.4 0.1 0.5 1.2 3.9 0.7 0.5 3.6 -1.8 -0.1 0.125 0.341 0.655 0.178 0.119 0.775 -0.146 -0.041 Resultados a partir de base de datos con casos eliminados (ELIM) 0.098 0.151 0.347 0.659 0.161 0.123 0.764 -0.166 -0.058

Sendero

IMSU / IMP

IMSU / ELIM

Proceso- Calidad Percibida Recursos - Calidad Percibida Gestin - Calidad Percibida Calidad Percibida - IMSU Expectativas - Calidad Percibida Expectativas - IMSU IMSU - Confianza IMSU - Quejas Quejas - Confianza PROMEDIO

4.0 4.0 3.5 6.0 3.9 4.2 4.6 12.3 2.4 5.0

4.1 3.3 3.5 5.9 4.3 4.1 4.7 10.8 1.7 4.7

Referencia:

(1)

Lobato, et.al., 2006b, Molina, 2007.

En la figura No. 5.1 se comparan grficamente los valores de los coeficientes de sendero obtenidos con el software del ACSI y los obtenidos con SmartPLS para el Programa de Zonas Prioritarias, PDZP. Donde puede verse como, en general, los coeficientes de sendero ms grandes obtenidos con el software del ACSI son los ms grandes obtenidos por SmatPLS, y los ms pequeos obtenidos con el software del ACSI son los ms pequeos obtenidos con SmartPLS. En la misma figura puede verse que la diferencia entre los coeficientes de sendero obtenidos con ambas bases de datos es mnima. Este anlisis permite revisar las diferencias encontradas, evitando el impacto de la escala utilizada, la cual, como ya se ha mencionado, es diferente.

227

Figura No. 5.1.- Comparacin de los Coeficientes de Sendero para el modelo del IMSU en el Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software del ACSI vs. obtenidos con SmartPLS 2.0 M3.
1

0.8

Figura No. 5.1

Imputando datos perdidos

0.6

SmartPLS

0.4

0.2

Eliminado casos con datos perdidos

0 1 2 3 4 5

-3

-2

-1
-0.2

-0.4

ACSI

Tambin se lleva a cabo una comparacin de los coeficientes de sendero del modelo original del IMSU obtenidos con el software EQS 6.1 y los obtenidos con el software del ACSI, la cual se muestra en la tabla No. 5.4. La comparacin se hace dividiendo el valor del coeficiente de sendero obtenido con el software del ACSI, entre el coeficiente de sendero obtenido con EQS, con ambas bases de datos, imputando datos pedidos y eliminando casos con datos perdidos. Se puede observar que en la mayora de los casos los coeficientes de sendero obtenidos con el software del ACSI son ms grandes que los obtenidos con el software EQS, desde 1.0 hasta 6.2 veces, solo en el sendero Quejas-Confianza, donde es menor, de 0.4 y 0.7. Tambin puede observarse que los coeficientes de sendero reportados por la metodologa del ACSI son en promedio 1.5 veces los obtenidos al utilizar la base de datos con los datos perdidos datos imputados,

228

y de 1.6 veces al utilizar la base de datos eliminando los casos con datos perdidos, y calcular con EQS. En este proyecto puede verse que no todos los coeficientes de sendero obtenidos con el software del ACSI tienen la misma direccin que los obtenidos con el EQS, como es el caso de los senderos Expectativas-IMSU, y Quejas-Confianza. Tabla No. 5.4.- Comparacin de los coeficientes de sendero en el Modelo del IMSU del Programa de Zonas Prioritarias, PDZP.
Los obtenidos con el Software EQS 6.1 y los presentados en el modelo original del IMSU.
Resultados Resultados a originales de modelo del IMSU partir de base de con el software del datos con datos imputados ACSI (1) (IMP) (IMSU) 0.4 0.5 1.2 3.9 0.7 0.5 3.6 -1.8 -0.1 0.100 0.228 0.642 1.076 0.708 -0.137 1.197 -0.939 0.269 Resultados a partir de base de datos con casos eliminados (ELIM) 0.078 0.337 0.642 1.031 0.662 -0.081 0.802 -0.712 -0.150

Sendero

IMSU / IMP

IMSU / ELIM

Proceso- Calidad Percibida Recursos - Calidad Percibida Gestin - Calidad Percibida Calidad Percibida - IMSU Expectativas - Calidad Percibida Expectativas - IMSU IMSU - Confianza IMSU - Quejas Quejas - Confianza PROMEDIO

4.0 2.2 1.9 3.6 1.0 -3.6 3.0 1.9 -0.4 1.5

5.1 1.5 1.9 3.8 1.1 -6.2 4.5 2.5 0.7 1.6

Referencia:

(1)

Lobato, et.al., 2006b, Molina, 2007.

En la figura No. 5.2 se comparan grficamente los valores de los coeficientes de sendero obtenidos con el software del ACSI y los obtenidos con EQS para el Programa de Zonas Prioritarias, PDZP. Donde puede verse como, en general, los coeficientes de sendero ms grandes obtenidos con el software del ACSI son los ms grandes obtenidos por EQS, y los ms pequeos obtenidos con el software del ACSI son lo s ms pequeos obtenidos con EQS.

229

Figura No. 5.2.- Comparacin de los Coeficientes de Sendero para el modelo del IMSU en el Programa de Zonas Prioritarias, PDZP.
Obtenidos con el Software del ACSI vs. obtenidos con EQS 6.1.
1.5

Figura No, 5.2

0.5

EQS

Imputando datos perdidos

0 -3 -2 -1 -0.5 0 1 2 3 4 5

Eliminado casos con datos perdidos

-1

-1.5

ACSI

En la tabla No. 5.5 se hace una comparacin entre los senderos obtenidos con EQS y con SmartPLS. Se hace una comparacin entre las bases de datos imputando datos perdidos y eliminando casos con datos perdidos. Existe diferencia en la relacin entre los valores obtenidos con EQS y SmartPLS entre las dos bases de datos, para la base de datos imputando los daos perdidos es de 1.2 veces, y para la base de datos eliminando los casos con datos perdidos es de 2.0 veces. Tambin se puede ver que existen diferencias en la direccin de los senderos, entre metodologas y entre bases de datos, como es el caso del sendero Expectativas-IMSU, que tiene direccin diferente entre metodologas, o el Sendero Quejas-Confianza, que cambia de direccin entre bases de datos. Se puede ver tambin como aunque los senderos ms grandes en EQS tambin son los ms grandes en SmartPLS, la relacin entre ellos es variable. Los coeficientes de sendero IMSU-Quejas y Quejas-Confianza resultaron ser los menos significativos al llevar a cabo el anlisis con SmartPLS, por lo cual es de esperarse que tengan una diferencia mayor a los obtenidos con EQS. Ya que se sabe que el tamao de la muestra es pequeo para ser tratado con EQS, en estudios similares con un 230

tamao de muestra mayor podran esperarse resultados ms parecidos entre los dos softwares. La figura No. 5.3 muestra una comparacin grfica del impacto de los senderos entre variables latentes. Tabla No. 5.5.- Comparacin de los coeficientes de sendero en el Modelo del IMSU del Programa de Zonas Prioritarias, PDZP.
Los obtenidos con el Software EQS 6.1 y los obtenidos con SmartPLS.
Sendero Proceso- Calidad Percibida Recursos - Calidad Percibida Gestin - Calidad Percibida Calidad Percibida - IMSU Expectativas - Calidad Percibida Expectativas - IMSU IMSU - Confianza IMSU - Quejas Quejas - Confianza PROMEDIO Imputando datos perdidos EQS 0.100 0.228 0.642 1.076 0.708 -0.137 1.197 -0.939 0.269 SmartPLS 0.100 0.125 0.341 0.655 0.178 0.119 0.775 -0.146 -0.041 EQS/PLS 1.0 1.8 1.9 1.6 4.0 -1.2 1.5 6.4 -6.6 1.2 Eliminado casos con datos perdidos EQS 0.078 0.337 0.642 1.031 0.662 -0.081 0.802 -0.712 -0.150 SmartPLS 0.098 0.151 0.347 0.659 0.161 0.123 0.764 -0.166 -0.058 EQS/PLS 0.8 2.2 1.9 1.6 4.1 -0.7 1.0 4.3 2.6 2.0

Figura No. 5.3.- Comparacin de los Coeficientes de Sendero para el modelo del IMSU en el Programa deNo. 5.3 Figura Zonas Prioritarias, PDZP.
Obtenidos con el Software EQS 6.1 vs. obtenidos con SmartPLS 2.0 M3.
0.9 0.8 0.7 0.6 0.5

EQS

Imputando datos perdidos

0.4 0.3 0.2 0.1 0.0 -1.5 -1.0 -0.5 -0.1 -0.2 0.0 0.5 1.0 1.5

Eliminado casos con datos perdidos

SmartPLS

231

5.1.2.- Programa de Abasto Rural, Diconsa: En las tablas No. 5.6 y No. 5.7 se muestra una comparacin de los resultados de los ndices de las variables latentes utilizando las bases de datos imputando datos perdidos y eliminando los casos con datos perdidos, utilizando los softwares SmartPLS 2.0 M3 y EQS 6.1, respectivamente. Los ndices obtenidos corresponden al modelo original del IMSU y a los dos modelos alternativos adicionales, y se comparan con los resultados obtenidos en el estudio original del IMSU.

En la tabla No. 5.6, se pueden ver los ndices obtenidos para las variables latentes de los diferentes modelos por medio del software SmartPLS 2.0 M3, utilizando las bases de datos con imputacin de datos perdidos y con la eliminacin de casos con datos perdidos. Se puede observar que en el caso del modelo original los ndices de las variables latentes obtenidos con SmartPLS y los obtenidos con el software del ACSI son similares, y como nica diferencia tienen que los reportados en el programa del IMSU, corresponde a un redondeo a nmeros enteros, IMSU = 74. En el caso de los modelos alternativos no se observa un cambio en el valor del ndice de la variable latente Satisfaccin (IMSU), pero si para el ndice de la variable latente Confianza, que pasa de 78 a 94, para el caso de imputacin de datos perdidos, y de 78 a 91, para los datos de eliminacin de casos con datos perdidos.

En la tabla No. 5.7, se pueden ver los ndices obtenidos para las variables latentes de los diferentes modelos por medio del software EQS 6.1, utilizando las bases de datos con imputacin de datos perdidos y con la eliminacin de casos con datos perdidos. Al comparar los valores de los ndices de las variables latentes obtenidos con EQS con los obtenidos con el ACSI se puede ver que son similares, iguales a nivel de redondeo a nmeros enteros, independientemente del modelo, excepto para la variable latente Satisfaccin, que es de 77 para la base de datos con datos perdidos imputados, y de 78 para la base de datos eliminando los casos con datos perdidos, cuando el calculado por el ACSI fue de 74.

232

Tabla No. 5.6.- ndices de las Variables Latentes en el Modelo del IMSU del Programa de Abasto Rural, Diconsa.
Obtenidos con el Software SmartPLS 2.0 M3.
Imputando datos perdidos Constructo Modelo Original Abasto Calid.perc Confianza Conveniencia Expectativas IMSU Quejas Servicio Amabilidad 77.53 76.01 78.45 76.22 78.17 73.31 3.86 82.84 82.84 80.00 85.19 76.94 94.46 76.36 78.17 73.31 78.17 73.31 75.82 94.58 Modelo 7 Modelo 10 Modelo Original 78.00 76.43 79.11 76.54 78.58 74.12 3.03 83.38 83.38 80.51 85.61 77.36 91.52 76.73 78.58 74.13 78.58 74.13 76.22 90.83 Modelo 7 Modelo 10 Eliminado casos con datos perdidos ndices Obtenidos de Programa del ACSI Reportados en el IMSU (1) 77 76 78 76 78 74 4 83

Referencia:

(1)

Lobato, et.al., 2006a, Martnez, 2009.

Tabla No. 5.7.- ndices de las Variables Latentes en el Modelo del IMSU del Programa de Abasto Rural, Diconsa.
Obtenidos con el Software EQS 6.1.
Imputando datos perdidos Constructo Modelo Original Abasto Calid.perc Confianza Conveniencia Expectativas IMSU Quejas Servicio 73.3 76.0 77.1 72.7 78.2 77.2 3.9 85.1 85.1 80.5 77.3 78.0 76.1 77.1 72.8 76.2 77.0 Modelo 7 Modelo 10 Modelo Original 73.9 76.1 77.8 73.1 79.2 77.9 3.1 85.6 85.6 81.1 77.9 77.9 76.5 77.9 72.9 76.6 77.9 Modelo 7 Modelo 10 Eliminado casos con datos perdidos ndices Obtenidos de Programa del ACSI Reportados en el IMSU (1) 77 76 78 76 78 74 4 83

Referencia:

(1)

Lobato, et.al., 2006a, Martnez, 2009.

233

En el caso del modelo original del IMSU se hace una comparacin de los coeficientes de sendero obtenidos con el software SmartPLS 2.0 M3 y los obtenidos con el software del ACSI, la cual se muestra en la tabla No. 5.8. La comparacin se hace dividiendo el valor del coeficiente de sendero obtenido con el software del ACSI, entre el coeficiente de sendero obtenido con SmartPLS, con ambas bases de datos, imputando datos pedidos y eliminando casos con datos perdidos. En todos los casos los coeficientes de sendero obtenidos por medio de SmartPLS tienen la misma direccin que los obtenidos por medio de la metodologa del ACSI. Como se esperaba, se puede observar que en todos los casos los coeficientes de sendero obtenidos con el software del ACSI son ms grandes que los obtenidos con el software SmartPLS, aunque hay que hacer notar que va desde 2.6 hasta 9.0 veces, el promedio obtenido es de 5.0 veces al utilizar la base de datos imputando los datos perdidos, y de 5.5 veces al utilizar la base de datos eliminando los casos con datos perdidos. Lo cual permite observar la relacin 5 a 1 del valor del coeficiente de sendero, que especifica el ACSI con respecto a la metodologa de PLS. El promedio de las relaciones entre los coeficientes de sendero, coincide con el factor que aplica el ACSI en sus resultados. Tabla No. 5.8.- Comparacin de los coeficientes de sendero en el Modelo del IMSU del Programa de Abasto Rural, Diconsa.
Los obtenidos con el Software SmartPLS 2.0 M3 y los presentados en el modelo original del IMSU.
Resultados Resultados a originales de modelo del IMSU partir de base de con el software del datos con datos imputados ACSI (1) (IMP) (IMSU) 1.4 1.9 1.1 2.8 0.1 0.8 4.1 -0.8 -0.6 0.21 0.326 0.222 0.621 0.038 0.187 0.733 -0.14 -0.116 Resultados a partir de base de datos con casos eliminados (ELIM) 0.247 0.261 0.251 0.603 0.036 0.216 0.764 -0.089 -0.096

Sendero

IMSU / IMP

IMSU / ELIM

Abasto- Calidad Percibida Conveniencia - Calidad Percibida Servicio - Calidad Percibida Calidad Percibida - IMSU Expectativas - Calidad Percibida Expectativas - IMSU IMSU - Confianza IMSU - Quejas Quejas - Confianza PROMEDIO

6.7 5.8 5.0 4.5 2.6 4.3 5.6 5.7 5.2 5.0

5.7 7.3 4.4 4.6 2.8 3.7 5.4 9.0 6.3 5.5

Referencia:

(1)

Lobato, et.al., 2006a, Martnez, 2009.

234

En la figura No. 5.4 se comparan grficamente los valores de los coeficientes de sendero obtenidos con el software del ACSI y los obtenidos con SmartPLS para el Programa de Abasto Rural, Diconsa. Donde puede verse como, en general, los coeficientes de sendero ms grandes obtenidos con el software del ACSI son los ms grandes obtenidos por SmatPLS, y los ms pequeos obtenidos con el software del ACSI son los ms pequeos obtenidos con SmartPLS. En la misma figura puede verse que la diferencia entre los coeficientes de sendero obtenidos con ambas bases de datos es mnima.

Figura No. 5.4.- Comparacin de los Coeficientes de Sendero para el modelo del IMSU en el Programa de Abasto Rural, Diconsa.
Obtenidos con el Software del ACSI vs. obtenidos con SmartPLS 2.0 M3.
0.9 0.8 0.7 0.6 0.5

Imputando datos perdidos

SmartPLS

0.4 0.3 0.2 0.1 0

Figura No. 5.4

Eliminado casos con datos perdidos

-2

-1
-0.1 -0.2

ACSI

Tambin se lleva a cabo una comparacin de los coeficientes de sendero del modelo original del IMSU obtenidos con el software EQS 6.1 y los obtenidos con el software del ACSI, la cual se muestra en la tabla No. 5.9. La comparacin se hace dividiendo el valor del coeficiente de sendero obtenido con el software del ACSI, entre el coeficiente de sendero obtenido con EQS, con ambas bases de datos, imputando datos pedidos y

235

eliminando casos con datos perdidos. Se puede observar que en la mayora de los casos los coeficientes de sendero obtenidos con el software del ACSI son ms grandes que los obtenidos con el software EQS, desde 2.1 hasta 6.8 veces, solo en los senderos Expectativas-IMSU, con 0.8, e IMSU-Quejas, con -0.8, son menores. Tambin puede observarse que los coeficientes de sendero reportados por la metodologa del ACSI son en promedio 1.3 veces los obtenidos al utilizar la base de datos con los datos perdidos datos imputados, y de 1.1 veces al utilizar la base de datos eliminando los casos con datos perdidos, y calcular con EQS. En este proyecto puede verse que no todos los coeficientes de sendero obtenidos con el software del ACSI tienen la misma direccin que los obtenidos con el EQS, como es el caso de los senderos Expectativas-IMSU, e IMSU-Quejas. Tabla No. 5.9.- Comparacin de los coeficientes de sendero en el Modelo del IMSU del Programa de Abasto Rural, Diconsa.
Los obtenidos con el Software EQS 6.1 y los presentados en el modelo original del IMSU.
Resultados Resultados a originales de partir de base de modelo del IMSU datos con datos con el software del imputados ACSI (1) (IMP) (IMSU) 1.4 1.9 1.1 2.8 0.1 0.8 4.1 -0.8 -0.6 0.507 0.325 0.480 1.089 0.601 -0.297 0.988 -1.000 0.151 Resultados a partir de base de datos con casos eliminados (ELIM) 0.549 0.280 0.527 1.007 0.531 -0.118 1.084 -1.000 0.235

Sendero

IMSU / IMP

IMSU / ELIM

Abasto- Calidad Percibida Conveniencia - Calidad Percibida Servicio - Calidad Percibida Calidad Percibida - IMSU Expectativas - Calidad Percibida Expectativas - IMSU IMSU - Confianza IMSU - Quejas Quejas - Confianza PROMEDIO

2.8 5.8 2.3 2.6 0.2 -2.7 4.1 0.8 -4.0 1.3

2.6 6.8 2.1 2.8 0.2 -6.8 3.8 0.8 -2.6 1.1

Referencia:

(1)

Lobato, et.al., 2006a, Martnez, 2009.

236

En la figura No. 5.5 se comparan grficamente los valores de los coeficientes de sendero obtenidos con el software del ACSI y los obtenidos con EQS para el Programa de Abasto Rural, Diconsa. Donde puede verse como, en general, los coeficientes de sendero ms grandes obtenidos con el software del ACSI son los ms grandes obtenidos por EQS, y los ms pequeos obtenidos con el software del ACSI son lo s ms pequeos obtenidos con EQS.

Figura No. 5.5.- Comparacin de los Coeficientes de Sendero para el modelo del IMSU en el Programa de Abasto Rural, Diconsa.
Obtenidos con el Software del ACSI vs. obtenidos con EQS 6.1.
1.5

1.0

0.5

EQS

Imputando datos perdidos

0.0 -2 -1 -0.5 0 1 2 3 4 5

Eliminado casos con datos perdidos

-1.0

Figura No. 5.5

-1.5

ACSI

En la tabla No. 5.10 se hace una comparacin entre los senderos obtenidos con EQS y con SmartPLS. Se hace una comparacin entre las bases de datos imputando datos perdidos y eliminando casos con datos perdidos. Existe diferencia en la relacin entre los valores obtenidos con EQS y SmartPLS entre las dos bases de datos, para la base de datos imputando los datos perdidos es de 3.2 veces, y para la base de datos

237

eliminando los casos con datos perdidos es de 3.5 veces. Tambin se puede ver que existen diferencias en la direccin de los senderos, entre metodologas y entre bases de datos, como es el caso de los senderos Expectativas-IMSU, y Quejas-Confianza, que tienen direccin diferente entre metodologas. En el caso del Programa de Abasto Rural, Diconsa, no es tan claro como en el caso del Programa de Zonas Prioritarias, PDZP, pero an as puede verse como los senderos ms grandes en EQS tambin son los ms grandes en SmartPLS, y la relacin entre ellos es variable. Los coeficientes de sendero Expectativas - Calidad percibida e IMSU-Quejas resultaron ser los menos significativos al llevar a cabo el anlisis con SmartPLS, por lo que es de esperarse que tengan una diferencia mayor a los obtenidos con EQS. Ya que se sabe que el tamao de la muestra es pequeo para ser tratado con EQS, en estudios similares con un tamao de muestra mayor podran esperarse resultados ms parecidos entre los dos softwares. La figura No. 5.6 muestra una comparacin grfica del impacto de los senderos entre variables latentes. Tabla No. 5.10.- Comparacin de los coeficientes de sendero en el Modelo del IMSU del Programa de Abasto Rural, Diconsa.
Los obtenidos con el Software EQS 6.1 y los obtenidos con SmartPLS.
Sendero Abasto- Calidad Percibida Conveniencia - Calidad Percibida Servicio - Calidad Percibida Calidad Percibida - IMSU Expectativas - Calidad Percibida Expectativas - IMSU IMSU - Confianza IMSU - Quejas Quejas - Confianza PROMEDIO Imputando datos perdidos EQS/PLS SmartPLS 0.210 0.326 0.222 0.621 0.038 0.187 0.733 -0.140 -0.116 2.4 1.0 2.2 1.8 15.8 -1.6 1.3 7.1 -1.3 3.2 Eliminado casos con datos perdidos EQS/PLS EQS SmartPLS 0.549 0.280 0.527 1.007 0.531 -0.118 1.084 -1.000 0.235 0.247 0.261 0.251 0.603 0.036 0.216 0.764 -0.089 -0.096 2.2 1.1 2.1 1.7 14.8 -0.5 1.4 11.2 -2.4 3.5

EQS

0.507 0.325 0.480 1.089 0.601 -0.297 0.988 -1.000 0.151

238

Figura No. 5.6.- Comparacin de los Coeficientes de Sendero para el modelo del IMSU en el Programa de Abasto Rural, Diconsa.
Obtenidos con el Software EQS 6.1 vs. obtenidos con SmartPLS 2.0 M3.
0.9 0.8 Figura No. 5.6 0.7 0.6 0.5 Imputando datos perdidos

EQS

0.4 0.3 0.2 0.1 0.0 -1.5 -1.0 -0.5 -0.1 -0.2 0.0 0.5 1.0 1.5 Eliminado casos con datos perdidos

SmartPLS

En la tabla No. 5.11 se muestran los ndices de ajuste, GoF, de los modelos originales del IMSU y de los modelos alternativos propuestos para cada uno de los programas en evaluacin, el Programa de Zonas Prioritarias, PDZP, y el Programa de Abasto Rural, Diconsa. Se puede observar que para ambos programas el valor de GoF incrementa al pasar del modelo No. 1, que corresponde al original del IMSU, al modelo No. 7, y disminuye al pasar al modelo No. 11 en el caso de PDZP, y al modelo No. 10 en el caso de Diconsa. Es posible que se deba a que el modelo No. 7 es uno de los primeros que cumple con los criterios de ajuste al llevar a cabo el estudio con EQS, y los modelos No. 10 y 11 fueron encontrados despus de muchos ajustes, lo cual podra indicar que se est alcanzando un punto de sobreajuste.

239

Tabla No. 5.11.- Comparacin de los ndices de Bondad de Ajuste Goodness of Fit (GoF) de las evaluaciones con SmartPLS.
Del modelo original del IMSU y de los modelos alternativos encontrados con EQS 6.1, y probados con SmartPLS 2.0 M3.

Programa de Zonas Prioritarias PDZP

Modelo 1 7 11 Imputando datos Eliminando casos perdidos con datos perdidos 0.505 0.539 0.504 0.513 0.549 0.520 Modelo 1 7 10

Programa de Abasto Rural Diconsa

Imputando datos Eliminando casos perdidos con datos perdidos 0.573 0.620 0.504 0.575 0.621 0.520

5.2.- Hallazgos particulares entre metodologas y modelos: En esta seccin se hace una descripcin de hallazgos importantes encontrados en cada uno de los modelos evaluados, con cada una de las metodologas utilizadas. 5.2.1.Programa de Zonas Prioritarias, PDZP:

5.2.1.1.- Modelo Original del IMSU: Evaluacin con EQS, SEM-EC:

En el caso del Programa de Zonas Prioritarias, PDZP, se encontr que al hacer el anlisis con el software EQS la significancia en los senderos cambia si se utiliza la base de datos con datos perdidos imputados, o la base de datos eliminando los casos con datos perdidos. Como ejemplo se puede observar que en el modelo 1, que es el que corresponde al modelo original que cuando se usa la base de datos imputando los datos perdidos solo son significativos, con un = 0.05, los senderos: Recursos-Calidad percibida, Gestin-Calidad percibida, y Calidad percibida-IMSU, en cambio cuando se usa la base de datos en el la que se eliminaron los casos con datos perdidos, adems

240

son significativos, con un = 0.05, los senderos: IMSU-Confianza e IMSU-Quejas. Ambos casos presentan diferencias con los resultados obtenidos con el software del ACSI, donde los senderos: Recursos-IMSU e IMSU-Quejas no son significativos, mientras que Expectativas-IMSU si lo es con el software del ACSI, pero no con EQS. Aunque se encontraron diferencias en la significancia, se puede observar que la tendencia de los valores de los senderos entre los resultados obtenidos con el software del ACSI y con el EQS es la misma, es decir los coeficientes ms grandes obtenidos con el software del ACSI son en general los ms grandes obtenidos con el EQS. Evaluacin con SmartPLS, SEM-PLS:

En el caso del Programa de Zonas Prioritarias, PDZP, al hacer el anlisis con el software SmartPLS se encontr que los senderos que son significativos, con un =0.05, no cambia entre las bases de datos con datos perdidos imputados, o eliminando los casos con datos perdidos, tambin se encontr que es la misma que en el caso de los resultados obtenidos con el software del ACSI. Se lleva a cabo un anlisis de los criterios de calidad utilizando las dos bases de datos y se encontr que en ambos casos se cumple con los criterios de aceptacin de la misma manera. Se encontr que la varianza explicada (R2) es pobre en el caso de las variables latentes Calidad Percibida y Quejas. Tambin se analizaron las correlaciones entre variables latentes y se encontr que en el mayor de los casos se cumple con el criterio, ya que las correlaciones ms altas se presentan entre las variables latentes que se encuentran conectadas directamente, aunque hay algunos casos donde eso no ocurre, como es entre los senderos: IMSU-Expectativas, Expectativas - Calidad Percibida, Proceso - Calidad Percibida, Gestin - Calidad Percibida, y Recursos - Calidad Percibida. Resulta interesante encontrar que la correlacin ms alta con la variable latente Quejas es la variable latente Gestin, y no las variables latentes IMSU o Confianza. Aparentemente las quejas estn ms dirigidas a la Capacidad de Gestin del programa. Tambin se encontr que Calidad Percibida tiene una alta correlacin con Confianza. Confianza tambin tiene una alta correlacin con la Capacidad de Gestin. IMSU tiene tambin una alta correlacin con Confianza. Aunque el modelo no

241

muestra la alta correlacin que existe entre Confianza y Gestin o Calidad Percibida y Gestin, podra sugerirse prestar atencin a esos indicadores para incrementar la Confianza del Usuario, lo cual al mismo tiempo permitira reducir las Quejas ya que anteriormente se haba mencionado que las Quejas estn altamente correlacionadas con la Gestin. En el captulo 4 se muestra la evaluacin del criterio de Fornell-Lacker donde se observa que todas las variables latentes lo cumplen, para ambas bases de datos. Y por ltimo se evaluaron las cargas cruzadas entre las variables manifiestas y las latentes y se encontr los valores ms altos se presentan entre aquellas variables manifiestas directamente correlacionas con la variable latente a la que dan origen. Adems no se observan diferencias entre las dos bases de datos evaluadas. Comparacin entre SmatPLS y EQS:

Utilizando el software SmartPLS se encontr que la correlacin entre las variables latentes exgenas: Proceso, Recursos y Gestin, es ms grande que con la variable latente Calidad Percibida, lo cual apoya lo encontrado con el software EQS, ya que en los modelos alternativos se fue necesario colocar flechas de correlacin entre dichas variables. Se encontr que al usar el software SmartPLS la variable latente Expectativas muestra una baja correlacin con el resto de las variables latentes, aunque su ms alta correlacin es con las variables latentes IMSU y Calidad Percibida aquellas con las que se conecta directamente en el modelo. El uso del software EQS muestra que el impacto de los senderos Expectativas-Calidad Percibida, y Expectativas-IMSU no es significativo. La baja correlacin de la variable latente Expectativas con el resto de las variables latentes, puede explicarse ya que el usuario antes de conocer un servicio no siempre cuenta con Expectativas del mismo.

242

5.2.1.2.- Modelos alternativos evaluados: En el caso del Programa de Zonas Prioritarias, PDZP, se encontr que los modelos alternativos que cumplen con los criterios de ajuste por medio del software EQS requieren de lneas de covarianza entre las variables latentes: Proceso, Recursos y Gestin, y requirieron de un reordenamiento de algunas de las variables manifiestas. En los modelos alternativos seleccionados, modelo 7 y modelo 11, cuando se usa el software EQS se colocan flechas de correlacin entre las variables latentes Proceso, Recursos y Gestin, las cuales son significativas con un = 0.05, y ocasiona que los senderos Proceso-Calidad Percibida, Recursos-Calidad Percibida y Gestin-Calidad Percibida, los cuales ahora no son significativos. En ambos modelos utilizando el software EQS se eliminan las variables latentes Quejas y Expectativas, se reorganizan las variables manifiestas, obtenindose buenos ndices de ajuste, y no se presentan problemas de optimizacin. Al evaluar el mismo modelo con SmartPLS se observa que se cumple con los criterios de calidad, y que la varianza explicada (R2) es aceptable para todas las variables latentes, excepto para Calidad Percibida. El criterio de Fornell-Lacker es cumplido en todos los casos, excepto en el sendero IMSU-Confianza. Al evaluar las correlaciones entre variables latentes no se aprecia mejora entre ellas, pero si la desaparicin de las bajas correlaciones debidas a las variables latentes Expectativas y Quejas, que en este modelo son variables manifiestas que si tienen un efecto significativo, que se confirman al analizar las cargas cruzadas donde la ms alta se obtiene con aquella variable latente con la que se conectan directamente. Se compararon los criterios de ajuste de PLS del modelo original con los modelos No. 7 y 11, y se encontr que para este programa es poca la mejora, ya que hay una ligera disminucin en las correlaciones entre las variables latentes. En el caso del modelo No. 7 en GoF hay mejora, pero en el caso del modelo No. 11 los valores son similares al modelo original, y en el AVE se observa que en algunos casos mejora y en otros

243

empeora, la R2 diminuye un poco en algunos casos. Adems, en ambos modelos, existe un sendero, Confianza-IMSU, donde el criterio de Fornell-Lacker no se cumple, para ambas bases de datos. El anlisis de estos modelos permitira hacer nuevas propuestas que podran ser validadas en estudios futuros. 5.2.2.Programa de Abasto Rural, Diconsa:

5.2.2.1.- Modelo Original del IMSU: Evaluacin con EQS, SEM-EC:

En el caso del Programa de Abasto Rural, Diconsa, se encontr que al hacer el anlisis con el software EQS la significancia, con un = 0.05, en los senderos no cambia si se utiliza la base de datos con datos perdidos imputados, o la base de datos eliminando los casos con datos perdidos. Los senderos no significativos son IMSU-Expectativas, IMSU-Quejas y Quejas-Confianza. Se encontr tambin que los ndices de ajuste son mejores cuando se utiliza la base de datos eliminando los datos perdidos. Evaluacin con SmartPLS, SEM-PLS:

Se hace una comparacin de los resultados con el Software SmartPLS se encontr que existe diferencia con una significancia de nivel 0.05, entre las dos bases de datos en los senderos IMSU-Quejas y Quejas-Confianza, pero a nivel de 0.10, que es la significancia utilizada en la evaluacin utilizando el software del ACSI, los mismos senderos son significativos. Se lleva a cabo un anlisis de los criterios de calidad utilizando las dos bases de datos y se encontr que en ambos casos se cumple con los criterios de aceptacin de la misma manera. Se encontr que la varianza explicada (R2) es pobre en el caso de la variable latente Quejas. Tambin se analizaron las correlaciones entre variables latentes y se encontr que no se cumple en todos los casos con el criterio, ya que las correlaciones

244

ms altas no se presentan entre las variables latentes que se encuentran conectadas directamente, como es el caso de los senderos: Abasto-Calidad Percibida, Conveniencia-Calidad Percibida, Expectativas-Calidad Percibida, Expectativas-IMSU, IMSU-Quejas y Servicio-Calidad Percibida. Se encontraron variables latentes que tienen alta correlacin entre si y que no fueron consideradas en el modelo original, como son: Abasto-Confianza, Abasto-IMSU, Confianza-Servicio, Conveniencia-Confianza, y

Servicio-IMSU. En el captulo 4 se evalu el criterio de Fornell-Lacker donde se observa que todas las variables latentes lo cumplen, para ambas bases de datos. Y por ltimo se evaluaron las cargas cruzadas entre las variables manifiestas y las latentes y se encontr los valores ms altos se presentan entre aquellas variables manifiestas directamente correlacionas con la variable latente a la que dan origen. Adems no se observan diferencias entre las dos bases de datos evaluadas. Comparacin entre SmatPLS y EQS:

Se encontr que hay una diferencia en la significancia de los senderos IMSUExpectativas y Calidad Percibido-Expectativas, a nivel de 0.05, al hacer el anlisis con EQS o SmartPLS. Usando el software EQS el sendero significativo es Calidad Percibida Expectativas, y con el software SmartPLS el sendero significativo es IMSUExpectativas. Al revisar las correlaciones de las variables latentes IMSU y Calidad Percibida con Expectativas se encontr que son ms bajas que Abasto y Confianza. Los hallazgos encontrados permiten apoyar las sugerencias hechas por EQS para los modelos alternativos. 5.2.2.2.- Modelos alternativos evaluados: En el caso del Programa de Abasto Rural, Diconsa, se encontr que se requiere de ms cambios en la estructura de los modelos alternativos con EQS que en el caso del Programa de zonas Prioritarias, PDZP. Adems de la adicin de flechas de covarianza entre variables latentes exgenas se requiere de la eliminacin de algunas variables

245

latentes, reordenamiento de variables manifiestas y cambio de direccin en los senderos. Usando el software EQS se obtienen los modelos alternativos seleccionados, modelo 7 y modelo 10, que son muy diferentes entre si, y que cumplen con los ndices de ajuste de manera satisfactoria y no presentan problemas durante la optimizacin. En el caso del modelo 7 se eliminaron las variables latentes: Abasto, Expectativas y Quejas, y se adicion una fecha de covarianza entre las variables latentes exgenas Conveniencia y Servicio al cliente. La significancia del sendero Servicio al clienteCalidad Percibida, a un nivel de 0.05, es diferente entre las dos bases de datos, es significativo en la base de datos eliminando los casos con datos perdidos, y no significativo cuando se usa la base de datos imputando los datos perdidos. Al evaluar el mismo modelo con SmartPLS se observa que se cumple con los criterios de calidad, y que la varianza explicada (R2) es aceptable para todas las variables latentes, excepto para Expectativas, que ahora en una variable latente endgena. El criterio de Fornell-Lacker es cumplido en todos los casos. Al evaluar las correlaciones entre variables latentes se aprecia mejora en algunas de ellas, las correlaciones Confianza-Expectativas, Confianza-Calidad Percibida, y Confianza-Servicio son altas pero no se encuentran directamente conectadas en el modelo. Al analizar las cargas cruzadas se observa que la ms alta se obtiene con aquella variable latente con la que se conectan directamente. Se compararon los criterios de ajuste de PLS del modelo original con el modelo No. 7 y se encontr que algunos mejoran, como es el caso de la R2, las correlaciones entre las variables latentes, o del GoF, y otros disminuyen como es el caso de AVE. El criterio de Fornell-Lacker se cumple para ambas bases de datos. El anlisis de este modelo permitira hacer nuevas propuestas que podran ser validadas en estudios futuros. En el caso del modelo 10 se eliminaron las variables latentes: Abasto, Conveniencia y Quejas, y las variables manifiestas Expectativas y Amabilidad se convierten en

246

indicadores de dos variables latentes. La significancia, a un nivel de 0.05, de los senderos es igual entre las dos bases de datos. Para evaluar el modelo 10 con SmartPLS fue necesario agregar las variables latentes Amabilidad y Expectativas, y se observa que se cumple con los criterios de calidad, y que la varianza explicada (R2) es aceptable para todas las variables latentes, excepto para Expectativas. El criterio de Fornell-Lacker es cumplido en todos los casos excepto en Calidad Percibida-IMSU para la base de datos eliminando los casos con datos perdidos. Al evaluar las correlaciones entre variables latentes se aprecia mejora en algunas de ellas, las correlaciones Amabilidad-Calidad Percibida, Confianza-Calidad Percibida, IMSU-Expectativas, e IMSU-Servicio son altas pero no se encuentran directamente conectadas en el modelo. Al analizar las cargas cruzadas se observa que la ms alta se obtiene con aquella variable latente con la que se conectan directamente. Se compararon los criterios de ajuste de PLS del modelo original con el modelo No. 10 y se encontr que algunos mejoran, como es el caso de la R2, las correlaciones entre las variables latentes, o del GoF, y otros disminuyen como es el caso de AVE. Adems existe un sendero, IMSU-Calidad Percibida, donde el criterio de Fornell-Lacker no se cumple, para la base de datos eliminando los casos con datos perdidos. El anlisis de este modelo permitira hacer nuevas propuestas que podran ser validadas en estudios futuros. Existe una diferencia en la significancia de los senderos entre los resultados obtenidos con los softwares EQS y SmartPLS, a un nivel de 0.05. Por ejemplo Amabilidad-Calidad Percibida es significativo con SmartPLS, IMSU-Expectativas es significativo con EQS.

247

CONCLUSIONES En este trabajo se pusieron a prueba satisfactoriamente las metodologas de Anlisis de Senderos con Sistemas de Ecuaciones Estructurales con Estructuras de Covarianzas, SEM-EC, y Anlisis de Senderos con Sistemas de Ecuaciones Estructurales con Mnimos Cuadrados Parciales, SEM-PLS, en el proyecto del IMSU para el Programa de Zonas Prioritarias, PDZP, y el Programa de Abasto Rural, Diconsa, de SEDESOL. Para poner a prueba estas metodologas se utilizaron los softwares EQS 6. para SEM-EC, y SmartPLS para SEM-PLS. Los resultados obtenidos con ambos softwares se compararon entre si y con aquellos obtenidos con el software del ACSI (Lobato, et. al., 2006a y 2006b). Aunque se observaron diferencias entre los resultados entre las tres metodologas se puede ver que tanto las tendencias en los impactos de los senderos entre variables se aprecian claramente, y en general los senderos ms grandes obtenidos con el software del ACSI son los ms grandes obtenidos con EQS 6.1 y con SmartPLS 2.0 M3. Se evalu la significancia de los senderos entre metodologas y bases de datos utilizadas para el anlisis, y se encontr que en su mayora corresponden, aunque en algunos casos son diferentes, y senderos que son significativos al EQS 6.1 no lo son al usar SmartPLS, y viceversa. Lo mismo ocurre entre las bases de datos, algunos senderos son significativos al usar la base de datos eliminando los casos con datos perdidos y no lo son al usar la base de datos imputando los datos perdidos, y viceversa. Es posible que estas diferencias se deban a que el tamao de muestra recomendado para EQS es mayor, a que la distribucin de los datos no es normal, o a la presencia de datos atpicos. Ya que el software SmartPLS aplica la misma metodologa que el software del ACSI, SEM-PLS, los resultados obtenidos son muy parecidos, encontrndose que los ndices de las Variables Latentes son iguales a un nivel de redondeo a nmeros enteros, que

248

los senderos entre variables latentes son significativos a un nivel de 0.01, y corresponden al uso de la base de datos imputando perdidos por medio de la metodologa de mxima verosimilitud. Los coeficiente de sendero entre variables latentes obtenidos con el software del ACSI corresponden en promedio a 5.0 veces los coeficientes de sendero obtenidos con SmartPLS, aunque no se encontr una metodologa para obtener el cambio de los obtenidos por SmartPLS a los obtenidos con el software del ACSI si se encontr que estn correlacionados casi de forma lineal, y que los coeficientes de sendero tienen la misma direccin. Al hacer el anlisis con el software EQS se obtienen valores diferentes en los ndices de las Variables Latentes a los obtenidos con el software del ACSI en el caso del Programa de Zonas Prioritarias, PDZP, pero similares en el caso del Programa de Abasto Rural, Diconsa, lo cual puede deberse a que en el Programa de Abasto Rural, Diconsa, se cuenta con un mayor nmero de datos, y stos tienen distribuciones ms cercanas a la normal. Las diferencias observadas el los resultados obtenidos al utilizar el software EQS 6.1, y el SmartPLS pueden deberse a los principios de funcionamiento de cada una de ellas, a las distribuciones y tamaos de las muestras y los supuestos de normalidad necesarios para EQS, aunque se haya utilizado la correccin por mtodos robustos. Aunque existen estas diferencias los resultados presentados para cada programa son similares, y ambas metodologas podran ser utilizadas, siempre que se establezca un criterio para cada una de ellas, y las comparaciones a lo largo del tiempo se llevaran a cabo utilizando la misma metodologa. Como conclusin general se puede decir que ambas metodologas de anlisis de senderos, Anlisis de Senderos por Estructura de Covarianzas, SEM-EC, y Anlisis de Senderos por Mnimos Cuadrados Parciales, SEM-PLS, pueden ser adaptadas para la evaluacin del ndice Mexicano de Satisfaccin del Usuario, IMSU, y que los softwares EQS 6.1, y SmartPLS 2.0 M3, pueden ser utilizados para llevar a cabo dichas evaluaciones.

249

Se puede utilizar la metodologa de Anlisis de Senderos por Estructuras de Covarianzas, por medio del software EQS 6.1 para encontrar modelos alternativos con mejores ndices de ajuste, que el modelo original, y que no presenten problemas durante la optimizacin, esto siguiendo las sugerencias propuestas por las pruebas de Multiplicadores de Lagrange y de Wald. Tambin se pueden obtener modelos alternativos al original por medio de la metodologa de Anlisis de Senderos por Mnimos Cuadrados Parciales, SEM-PLS, al analizar los criterios de calidad y las correlaciones entre variables latentes.

250

PERSPECTIVAS Y RECOMENDACIONES Es posible obtener muchos modelos alternativos, pero solo debern tenerse en cuenta aquellos que sean apoyados por la teora o conocimientos previos del tema. Es posible que algunos de estos modelos lleven a nuevos hallazgos acerca del tema. En caso de ser aceptado uno de los modelos alternativos como una posibilidad, se deber proceder con el siguiente paso, una validacin cruzada del modelo con una base de datos fresca. Ya que se encontr que con el uso de las metodologa de correcciones por no normalidad, por medio de mtodos robustos, con el software EQS 6.1, se obtuvieron ndices de las Variables Latentes, iguales en el caso del Programa de Abasto Rural, Diconsa, pero no en el caso del Programa de Zonas Prioritarias, PDZP. Se sabe que es probable que se deba a que los datos del Programa de Abasto Rural, Diconsa, tienen comportamiento ms cercano a la normal que el Programa de Zonas Prioritarias, PDZP. Por lo cual se sugiere que en algn trabajo futuro se pruebe la posibilidad de hacer una correccin para normalidad en las bases de datos y llevar a cabo nuevamente la evaluacin con el software EQS 6.1. Con la finalidad de determinar mejor la posibilidad del uso de la metodologa de SEMEC, y compararla con la metodologa SEM-PLS, se sugiere llevar a cabo un estudio similar al llevado a cabo en este trabajo, pero con programas que cuenten con una mayor cantidad de datos, y de esa manera cumplir con uno de los requisitos de la aplicacin de la metodologa SEM-EC.

251

GLOSARIO
Alfa de Cronbach: La fiabilidad del tem indica que tan consistentemente un grupo de instrumentos mude una respuesta global. El Alfa de Cronbach es una medida de la fiabilidad. Dos aplicaciones principales del Alfa de Cronbach son la fiabilidad de instrumentos industriales y el anlisis de cuestionarios. El Alfa de Cronbach est basado en la correlacin promedio de los tems en una escala de medicin. Es equivalente al clculo del promedio de todas las divisiones a la mitad de los grupos de datos. El Alfa de Cronbach Estandarizada se usa cuando los tems tienen varianzas que varan mucho. Los tems pueden tener escala continua, escala de Likert, o categrica. El Alfa de Cronbach no est relacionado a un nivel de significancia de . Mientras ms grande es el coeficiente global de , mayor confianza de puede tener en que los tems contribuyen a una escala o prueba confiable. El coeficiente se puede aproximar a 1.0 si se tienen tems altamente correlacionados. Se esperan valores entre 0 y 1. Valores de 0.6 a 0.7 mostraran una fiabilidad aceptable, valores arriba de 0.8 una fiabilidad buena, pero valores superiores a 0.95 indicaran la presencia de redundancia entre los tems. (JMP 6.0.0 (2005) y http://www.socialresearchmethods.net) Algoritmo EM (Expectation Maximization Algorithm): Es un mtodo para encontrar los estimados de mxima verosimilitud (ML) de los parmetros en los modelos estadsticos, donde el modelo depende de variables no observadas o variables latentes. Anlisis de Componentes Principales: PCA, por sus siglas en ingls, Principal Component Analysis. Se usa para formar un nmero menor de variables no correlacionadas a partir de un conjunto ms grande de datos. La meta del anlisis de componentes principales es explicar l mayor cantidad de varianza con la menor cantidad de componentes. El anlisis de componentes principales se utiliza comnmente en la ciencias sociales, en el anlisis de mercado y en otras industrias que usan grandes conjuntos de datos. El anlisis de componentes principales es comnmente usado como un paso en una serie de anlisis. Se puede utilizar el anlisis de componentes principales para reducir el nmero de variables y evitar multicolinealidad, o cuando se tienen demasiados predictores con respecto al nmero de observaciones. Anlisis de Factores: Familia de mtodos estadsticos que representa las relaciones entre un grupo de variables observadas en trmino de un nmero hipottico, ms pequeo, de constructos latentes, o factores comunes. Probablemente los factores comunes generan las covariaciones de las variables observadas. El anlisis de factores se divide en dos grupos, el exploratorio y el confirmatorio. Anlisis Confirmatorio de Factores: En ingls se conoce como confirmatory factor analysis, CFA, y es un modelo de ecuaciones estructurales, con una o ms variables no observadas, que tienen mltiples indicadores en los cuales una investigacin especifica el patrn de cargas de los indicadores. Anlisis de Regresin Mltiple: Tcnica estadstica para estimar la relacin entre una variable dependiente continua y dos o ms predictores o variables independientes continuas o discretas. (Knoke, 2002) Asimetra o Sesgo: Skewness es el grado en el cual un grupo de datos es asimtrico. El sesgo ayuda a establecer un entendimiento inicial de lo datos. Cundo ms simtrica es la distribucin de los datos, ms se aproxima el sesgo a 0. Los datos sesgados a la derecha son aquellos cuya cola de distribucin apunta a la derecha, es decir existe una mayor frecuencia de datos en la parte izquierda y menor en la derecha. Los datos sesgados a la izquierda son aquellos cuya

252

cola de distribucin apunta a la izquierda, es decir existe una mayor frecuencia de datos en la parte derecha y menor en la izquierda. Cargas de los Factores: Parmetros que muestran como las variables observadas afectan a los constructos latentes. Coeficiente de Correlacin: Es la covarianza dividida por el producto de la desviacin estndar de cada variable. Colinealidad y Multicolinealidad: Colinealidad se refiere a que los predictores que estn correlacionados con otros predictores. Multicolinealidad se refiere a que varios predictores estn correlacionados con otros predictores. Una multicolinealidad moderada podra no ser problemtica, pero si una multicolinealidad severa, ya que puede incrementar la varianza de los coeficientes de regresin, hacindolos inestables y difciles de interpretar. Se puede definir tambin como una condicin de alta o cercanamente perfecta correlacin entre las variables independientes en una ecuacin de regresin mltiple. Consistencia Interna: Es una medida basada en las correlaciones entre diferentes items de la misma prueba. Determina si diferentes preguntas que determinan el mismo constructo tienen respuestas similares. La consistencia interna se mide por medio del Alfa de Cronbach. Otra forma de verlo es como la medida en la cual todos los tems de una prueba miden la misma variable latente. Constructo: Concepto que el investigador puede definir en trminos conceptuales pero que no puede medirse directamente (por ejemplo, el encuestado no puede articular una respuesta simple que proporcionara total y perfectamente una medida del concepto), o medirse sin error (error de medicin). Los constructos son la base para formar relaciones causales, porque son la representacin ms pura de posible de un concepto. Un constructo puede definirse en varios grados de especificidad, abarcando desde conceptos muy estrechos (ingresos familiares totales), hasta conceptos ms complejos o abstractos (inteligencia o emociones). No importa cual sea su especificidad, el constructo no puede medirse directa y perfectamente, pero debe medirse a travs de indicadores. (Gondar, 2002) Covarianza: Media de la relacin lineal entre dos variables. La covarianza no est estandarizada, a diferencia del coeficiente de correlacin. Por lo tanto la covarianza puede tomar valores desde el infinito negativo hasta el infinito positivo. Valores positivos de covarianza indican que valores arriba de la media de una variable estn asociados con valores arriba de la media de otra variable, y valores debajo de la media de una variable estn asociados con valores debajo de la media de la otra variable. Valores de covarianza negativos indican que debajo de valores arriba de la media de una variable estn asociados con valores debajo de la media de otra variable. Curtosis: Kurtosis es el grado en el cual un grupo de datos tiene una distribucin de apariencia puntiaguda o aplanada al ser comparada con la normal. La curtosis ayuda a establecer un entendimiento inicial de los datos. Los datos que siguen una distribucin perfectamente normal tendrn una curtosis de 0. Una distribucin ms puntiaguda que la normal tendr un valor de curtosis positivo. Una distribucin ms plana que la normal tendr un valor de curtosis negativo. Imputacin: Proceso llevado a cabo para estimar los datos perdidos missing data de una observacin basado en valores vlidos de las otras variables. El objetivo es emplear relaciones conocidas que pueden ser identificadas en los valores vlidos de la muestra para representacin o estimacin de datos de reemplazo.

253

Heteroscedasticitad: Es la caracterstica que tiene un grupo de datos que muestra varianzas diferentes a lo largo de su curva de dispersin. Homoscedasticidad: Es la caracterstica que tiene un grupo de datos que muestra varianzas similares a lo largo de su curva de dispersin. Mxima Verosimilitud: Maximum likelihood o ML. Mtodo de estimacin de valores de los parmetros con la probabilidad ms alta para generar las observaciones de la muestra. Mnimos Cuadrados Ordinarios: Ordinary least squares, OLS. En la regresin de mnimos cuadrados ordinarios la ecuacin estimada se calcula por medio de la determinacin de la ecuacin que minimiza la suma del cuadrado de las distancias entre los puntos de la muestra y los valores predichos por la ecuacin. Modelado de Ecuaciones Estructurales: Es una tcnica estadstica multivariada que combina aspectos de anlisis de la regresin mltiple (examinando relaciones de dependencia) y el anlisis factorial (representando los conceptos no medidos , factores, con mltiples variables), para estimar simultneamente en una serie de relaciones interrelacionadas de dependencia. (Gondar, 2002) Modelo Path: Tambin conocido como modelo de trayectoria o modelo de senderos. Es un conjunto de variables independientes, intermedias y dependientes relacionadas entre s de una determinada forma que puede ser representada a travs de un diagrama. Las flechas de un nico sentido indican la causalidad entre las variables exgenas o intermedias y las dependientes. Tambin existen flechas que conectan los trminos de error con sus variables endgenas respectivas, y las flechas de doble sentido reflejan la correlacin entre los pares de variables exgenas. Prueba de Multiplicadores de Lagrange: La prueba de multiplicadores de lagrange evalael efecto de la adicin de parmetros a un modelo restringido (esto es, reduciendo las restricciones del modelo), Pruebas de Normalidad: Es la aplicacin de una prueba de hiptesis a una muestra para ver si tiene comportamiento normal o no. La hiptesis nula de una prueba de normalidad establece que la poblacin es normal. Para determinar si la muestra viene de un distribucin normal se pueden seguir diferentes mtodos, entre ellos: grficamente, prueba de Anderson-Darling, prueba de normalidad de Ryan-Joiner, prueba de normalidad de Shapiro-Wilk o prueba de normalidad de Kolmogorov-Smirnov. Prueba de Normalidad de Anderson-Darling: Esta prueba compara la funcin de la distribucin acumulativa emprica de los datos de la muestra con la distribucin esperada si los datos fueran normales. Si la diferencia es suficientemente grande se rechaza la hiptesis nula de normalidad. Prueba de Wald: La prueba de Wald evala el efecto de eliminacin de parmetros libres de un modelo ms completo (esto es, adicionando restricciones al modelo).

254

Regresin por Mnimos Cuadrados Parciales: Es una tcnica que reduce los predictores a un grupo ms pequeo de componentes no correlacionados y lleva a cabo una regresin de mnimos cuadrados ordinarios en dichos componentes, en lugar de en los datos originales. Esta tcnica es til cuando los predictores son altamente colineales, o cuando se tienen ms predictores que observaciones y la regresin por mnimos cuadrados ordinarios produce coeficientes con grandes errores estndar o falla completamente. Validacin Cruzada: Calcula la habilidad predictiva de modelos potenciales con la finalidad de determinar el nmero apropiado de componentes a contener en un modelo. La validacin cruzada se recomienda si no se conoce el nmero ptimo de componentes. A continuacin se describen algunos mtodos de validacin cruzada: a) Dejar uno afuera: calcula los modelos potenciales dejando afuera una observacin a la vez. b) Dejar un grupo afuera: calcula los modelos potenciales dejando afuera un grupo de observaciones a la vez. c) Dejar afuera como se especifica en la columna: calcula los modelos, dejando afuera simultneamente las observaciones que se emparejan con el grupo de la columna identificadora. Este mtodo permite especificar que observaciones se omiten al mismo tiempo. Varianza: Medida de dispersin que representa la distribucin de un grupo de datos alrededor de su media. Validez del Constructo: Se refiere al grado en el cual se pueden hacer inferencias a partir de los constructos tericos del estudio que se est llevando a cabo. La validez del constructo es una valoracin de que se tradujeron las ideas o teoras en el estudio que se est llevando a cabo. Validez Discriminante: Es el grado en el cual las respuestas, o resultados, no son similares (divergen) de aquellas con las que no deberan ser similares. Si se cumple con la validez discriminante la relacin que existe entre mediciones de diferentes constructos debe ser baja. Validez Convergente: Es el grado en el cual las respuestas, o resultados, son similares (convergen) con aquellas con las que deberan ser similares. Fuentes: EQS (2006), Gondar (2002), Hair (1998), JMP 6.0.0 (2005), Knoke (2002), Lvy y Varella (2006), Minitab 15 (2006), y http://www.socialresearchmethods.net/

255

BIBLIOGRAFIA
1.ACSI, American Customer Satisfaction Index: Methodology Report, (April 2005), Michigan Ross School of Business, American Society for Quality, Claes Fornell International Group. Allen, D.R., Rao, T.R., (2000), Analysis of Customer Satisfaction Data, American Society, Ed. Quality Press, United States of America. Bollen, K. A., (1989), Structural Equations with Latent Variables, Wiley Series in Probability and Mathematical Statistics, Ed. John iley & Sons, Inc., United States of America. Brown, P.J., (1993), Measurement, Regression and Calibration, Ed. Oxford University Press, United States of America. Chin, W. W., (2001), PLS Graph Users Guide Version 3.0. C. T. Bauer College of Business, University of Houston, Houston, Texas. Chin, W.W., (1998), The partial least squares approach to structural equation modeling. In: G. A. Marcoulides (Ed.), Modern Methods for Business Research (pp. 295358). Mahwah, NJ: Lawrence Erlbaum Associates. Chin, W.W., Marcolin B.L., Newsted P.R., (1996), A Partial Least Squares Latent Variable Modeling Approach for Measuring Interaction Effects: Results from a Monte Carlo Simulation Study and Voice Mail Emotion/Adoption Study, Proceedings of the Seventeenth International Conference on Information Systems, http://disc-nt.cba.uh.edu/chin/icis96.pdf, 21-Sep-10 Diamantopoulos. A., Singuaw. J.A., (2000), Introducing LISREL: A Guide for the Uninitiated, Ed. SAGE Publications, Reino Unido. Eklf, J. A. (2000), European Customer Satisfaction Index Pan-European Telecommunication Sector Report Based on the Pilot Studies 1999. Stockholm, Sweden, European Organization for Quality and European Foundation for Quality Management. EQS 6.1 for Windows, Copyright by Peter M. Bentler, 1985-2006. EQS Help. Fornell, C., (1992), A national customer satisfaction barometer: The Swedish experience, Journal of Marketing, 56 (January), 6-21. Fornell, C., Johnson, M.D., Anderson, E.W., Cha, J., Bryant, B. E., (1996), The American Customer Satisfaction Index: Nature, Purpose, and Findings. Journal of Marketing, 60 (october), 7-18. Fornell, C., Bookstein, F.L., (1982), Two Structural Equation Models: LISREL and PLS aplied to costumer Exit-Voice Theory, Journal of Marketing Research, Vol. 19, No. 4, 440-452. Fu, J. R.,(2006), VisualPLS Partial Least square (PLS) Regression An Enhanced GUI for LVPLS (PLS 1.8 PC) Version 1.04. http://www2.kuas.edu.tw/prof/fred/vpls/index.html. Gondar, J.E., (2002), Tcnicas Estadsticas con SPSS: Modelado de Ecuaciones Estructurales, Madrid, Espaa, Ed. Data Mining Institute, S.L., 1a ed. Gonzlez, N., Gonzlez, J.A., Lvy, J.P., (2006), Normalidad y otros supuestos en anlisis de covarianzas, en Lvy, J.P., Varella, J, (2006). Modelizacin con Estructuras de Covarianzas en Ciencias Sociales: Temas Esenciales, Avanzados y Aportaciones Especiales, Espaa, Ed. Gesbiblo, S.L., 1a ed., pgs. 31-57.

2.-

3.-

4.-

5.-

6.-

7.-

8.-

9.-

10.11.-

12.-

13.-

14.-

15.-

16.-

256

17.-

Hair J.F., Anderson R.E., Tatham R.L., Black W.C., (1998), Multivariate Data Analysis, United States of America, Ed. Prentice Hall, 5a ed. Hansmann, K., W., y Ringle, C. M., (2004), SmatPLS Benutzerhandbuch. Universitt Hamburg, Hamburg. Helland, I.S., (1990), Partial Least Squares Regression and Statistical Models, Scandinavian Journal Statist., 17: 97-114. Henseler, J., Ringle, C.M., Sinkiovics, R.R., (2009), The Use of Partial Least Squares Path Modeling in International Marketing, Advances in International Marketing, Vol. 20, 277-319. Hsu, S-H, Chen, W-H, y Hsieh, M-J, (2006), Robustness Testing of PLS, LISREL, EQS and ANNbased SEM for Measuring Customer satisfaction, Total Quality Management, Vol. 17, No. 3, 355371. Johnson, M.D., Gustafsson, A., Adreassen, T.W., Lervik, L, Cha, (2001), The evolution and future of national customer satisfaction index models. Journal of Economic Psychology, 22, 217-245. Johnson M.D., Phelps D.M., (2002), The Evolution and Future of National Customer Satisfaction Index Models, Presented at the rhus School of Business, rhus, Denmark, May 2002, http://www.hha.dk/ifi/BPM/DOWNLOAD/NATIONAL_INDEX_PRES.PPT, 21-Sep-10 JMP 6.0.0, Statistical Discovery fro SAS, , 2005 SAS Institute Inc., JMP Help. Knoke, D., Bohrnstedt, G.W., Mee, A.P., (2002), Statistics for social data analysis, USA, Ed. Thomson Learning, Inc., 4a ed. Lvy, J.P., Gonzlez, N., Muoz, M.F., (2006), Modelos Estructurales segn el Mtodo de Optimizacin de Mnimos Cuadrados Parciales (PLS), en en Lvy, J.P., Varella, J, (2006). Modelizacin con Estructuras de Covarianzas en Ciencias Sociales: Temas Esenciales, Avanzados y Aportaciones Especiales, Espaa, Ed. Gesbiblo, S.L., 1a ed., pgs.321-355. Lvy, J.P., Iglesias, S., (2006), Programas Informticos para el Anlisis Estructural, en Lvy, J.P., Varella, J, (2006). Modelizacin con Estructuras de Covarianzas en Ciencias Sociales: Temas Esenciales, Avanzados y Aportaciones Especiales, Espaa, Ed. Gesbiblo, S.L., 1a ed., pgs. 59118. Lvy, J.P., Martn, M.T., Romn, M.V., (2006), Optimizacin segn Estructuras de Covarianzas, en Lvy, J.P., Varella, J, (2006). Modelizacin con Estructuras de Covarianzas en Ciencias Sociales: Temas Esenciales, Avanzados y Aportaciones Especiales, Espaa, Ed. Gesbiblo, S.L., 1a ed., pgs. 11-30. Lvy, J.P., Oubia, J., (2006), Anlisis Path y Modelizacin con Variables Observables, en Lvy, J.P., Varella, J, (2006). Modelizacin con Estructuras de Covarianzas en Ciencias Sociales: Temas Esenciales, Avanzados y Aportaciones Especiales, Espaa, Ed. Gesbiblo, S.L., 1a ed., pgs. 175191. Lvy, J.P., Varella, J, (2006). Modelizacin con Estructuras de Covarianzas en Ciencias Sociales: Temas Esenciales, Avanzados y Aportaciones Especiales, Espaa, Ed. Gesbiblo, S.L., 1a ed. Li, Y., (2005), PLS-GUI User Manual - A Graphic User Interface for LVPLS (PLS-PC 1.8) Verison 2.0.1 beta, University of South Carolina, Columbia SC.

18.-

19.-

20.-

21.-

22.-

23.-

24.25.-

26.-

27.-

28.-

29.-

30.-

31.-

257

32.-

Lobato O., Rivera H., Serrato H., Martnez J. L., (2006a). Versin final del reporte de la aplicacin de la metodologa para la obtencin del ndice de Satisfaccin del Beneficiario del Programa de Abasto Rural, Mxico D.F., Departamento de Ingenieras, Universidad Iberoamericana. Lobato O., Rivera H., Serrato H., Molina L. M., (2006b). Versin final del reporte de la aplicacin de la metodologa para la obtencin del ndice de Satisfaccin del Beneficiario del Programa de Desarrollo Local, Mxico D.F., Departamento de Ingenieras, Universidad Iberoamericana. Lohmller, J.B., (1987), PLS.PC: Latent Variables Path Analysis with Partial Least Squares Version 1.8 for PCs under MS-DOS. Martnez, J.L., (2009), Implementacin del ndice mexicano de satisfaccin del usuario para evaluar la satisfaccin de los beneficiarios del programa abasto rural a cargo de la secretaria de desarrollo social, Mxico D.F., Universidad Iberoamericana, Tesis para obtener el grado de Maestra en Ingeniera de Calidad. Minitab 15, 2006 Minitab Inc., Minitab Help. Molina, L.M., (2007), Implantacin del ndice mexicano de satisfaccin del usuario para evaluar la calidad del programa de desarrollo local a cargo de la secretara de desarrollo social, Mxico D.F., Universidad Iberoamericana, Tesis para obtener el grado de Maestra en Ingeniera de Calidad. Montgomery, D.C., (2007), Control estadstico de la calidad, Mxico, D.F., Editorial LIMUSAWILWY, 3a ed. http://pls-sem.com/cgi-bin/p/awtp-custom.cgi?d=plssem&page=10426, 14-Sep-2010 Reinartz, W., Haenlein, M., Henseler, J., (2009), An empirical comparison of the efficacy of covariance-based and variance-based SEM, Intern. J. of Research in Marketing, 26, 332344. Ringle, C. M., Wende, S., Will, S.: SmartPLS 2.0 (M3) Beta, Hamburg 2005, http:// www.smartpls.de, 15-Sep-10 Secretara de Desarrollo Social (SEDESOL), 2005. Reglas de Operacin del Programa de Desarrollo Local (Microrregiones), Mxico, D.F. Schumacker, R.E., Lomax, R.G.,(1996), A beginners guide to structural equation modeling, USA, Ed. Lawrence Erlbaum Associates, Inc. Temme, D., Kreis, H., y Hildebrandt, L., (2006), PLS Path Modeling A software Review, SFB 649 Discussion Paper 2006-084, Economic Risk, Humboldt-Universitt zu Berlin. Tenenhaus, M., Vinzi, V.E., Chatelin, Y., Lauro, C., (2005), PLS Path Modeling, Computational Statistics & Data Analysis, 48, 159 205. Vinzi, V., Tenenhasus, M., Chatelin. Y., (2004), ESIS-PLS software. In Demonstration at club PLS 2004 Meeting, Jouy-en-Josas, France. Vinzi, V., Chin, W., Henseler, J., Wang, H., (2010), Handbook of Partial Least Squares: Concepts, Methods and Applications, Germany, Ed. Springer.

33.-

34.-

35.-

36.37.-

38.-

39.40.-

41.-

42.-

43.-

44.-

45.-

46.-

47.-

258

48.-

Vinzi, V., Trinchera, L., Amato, S., (2010), PLS Path Modeling: From Foundations to Recent Developments and Open Issues for Model Assessment and Improvement, en Vinzi, V., Chin, W., Henseler, J., Wang, H., (2010), Handbook of Partial Least Squares: Concepts, Methods and Applications, Germany, Ed. Springer, pgs. 47-82. Wold, H., Partial Least Squares en Encyclopedia of Statistical Sciences, (1985), Vol. 6, Editores: Kotz, S. y Johnson, N.L., USA, Ed. John Wiley & Sons, Inc. http://www.mvsoft.com/, 20-Sep-10 http://www.scriptwarp.com/warppls/UserManual.pdf, 21-Sep-10 http://www.smartpls.de/forum/, 20.Sep-10 http://www.socialresearchmethods.net/, 20-Sep-10 http://www.spss.com/amos/, 20-Sep-10 http://www.ssicentral.com/, 20-Sep-10 http://www.theacsi.org/index.php?option=com_content&task=view&id=49&Itemid=28, 22-Ago-09 http://www.theacsi.org/index.php?option=com_content&task=view&id=48&Itemid=41, 22-Ago-09 Zubrick S.R., Lawrence D., (2006), Testing the Reliability of a Measure of Aboriginal Childrens Mental Health: An Analysis Based on the Western Australian Aboriginal Child Health Survey, Research Paper, Australian Bureau of Statistics.

49.-

50.51.52.53.54.55.56.57.58.-

259