Con aprecio

de Diego Norena

para _____________________________________
DOMINA EL ARTE DEL ANÁLISIS DE DATOS:

UNA GUÍA PASO A PASO

DE PLS-SEM
PARA LA INVESTIGACIÓN
SEGUNDA EDICIÓN: ANÁLISIS AVANZADO

DR. DIEGO ALONSO NORENA-CHAVEZ

Domina el arte del análisis de datos: Una guía paso a paso de PLS-SEM
para la Investigación (Segunda edición: Análisis avanzando)

Autor-Editor: Dr. Diego Alonso Noreña Chávez

diego.norena1@[Link]
+51 942 140 238
Jr. Tiziano 275, San Borja
San Borja - Lima - Perú

Primera edición: julio 2023

Segunda edición: agosto 2024

Distribucion: Libro de cortesía

Diagramación e Impresión:
Servicios Gráficos Publicitarios APAR SRL
Calle los Algarrobos 166 Chorrillos, Lima - Perú
Agosto 2024

No se permite la reproducción total o parcial de este libro, ni su incorporación a un

sistema informático, ni su transmisión en cualquier forma o por cualquier medio,
sea este electrónico, mecánico, por fotocopia, por grabación u otros métodos, sin
el permiso previo y por escrito del editor.
 PREFACIO

Durante mis experiencias como profesor en diversos programas, identifiqué

una gran oportunidad de mejora en la enseñanza de cursos de estadística.
Muchos de mis alumnos enfrentaban dificultades al interpretar artículos de
investigación y constantemente me preguntaban si existía material en español
que explicara de manera detallada el uso del Partial Least Squares Structural
Equation Modeling (PLS-SEM). La realidad es que la mayoría del material
disponible está en inglés y lo poco que hay en español resulta muy técnico.

5
Motivado por esta situación, decidí escribir este libro con el objetivo de hacerlo
lo más sencillo y práctico posible. Entendí la necesidad de explicar de manera
clara y comprensible muchos conceptos, incluso para estudiantes que están
cursando programas doctorales y pueden encontrarse con conceptos nuevos.
Por ese motivo, este es un libro práctico y es la primera edición, ya que recién
están habilitando más técnicas estadísticas en el programa que usé para
diseñar este libro.

PLS-SEM es un método estadístico multivariante que ha revolucionado la

investigación científica. En las páginas de este libro, descubrirás cómo esta
poderosa técnica estadística multivariada te permite probar y evaluar modelos
complejos en diversas disciplinas para llevar tus resultados al siguiente
nivel. Quedarás sorprendido al ver cómo este enfoque analítico revela las
complejas relaciones entre variables, lo que te permitirá explorar vínculos
causales y predictivos como nunca. Su accesibilidad te abrirá las puertas a un
nuevo nivel de investigación. Prepárate para descubrir el poder de PLS-SEM y
transforma tu investigación científica. Únete a este apasionante viaje hacia
el conocimiento y la excelencia académica, en el que tus descubrimientos te
catapultarán hacia el éxito.
 DEDICATORIA

Este libro está dedicado a la Dra. Norka Patricia Stuart Alvarado de Cotlear,
rectora de la Universidad de Lima, quien ha sido una figura clave en mi
descubrimiento e inspiración para dedicarme a la docencia. La Dra. Stuart,
quien también fue mi profesora en la Universidad de Lima, se distingue como
una líder excepcional comprometida con la educación de calidad en el Perú.
Su influencia y dedicación han dejado una huella significativa en mi formación
como educador. Agradezco profundamente su apoyo y guía en mi camino
hacia la docencia. Es un honor dedicarle este libro como testimonio de mi

7
gratitud y admiración. Fue ella quien me descubrió y, gracias a su confianza y
apoyo, pude asumir el reto histórico de ser el primer director en la historia del
primer doctorado en la Universidad de Lima.

Al Dr. Rubén Guevara Moncada, maestro, colega y amigo, quien siempre confió
en mí. Sus consejos y su aprecio me han permitido avanzar en mi carrera como
docente y como persona. A mis estudiantes del doctorado en administración
de la Universidad de Lima, quienes son personas extraordinarias y de quienes
estoy seguro de que pronto serán doctores en administración y aportarán
mucho a la sociedad. Su disciplina, perseverancia, y deseo de aprender y
trascender son admirables. Finalmente, a todas las personas a las que tuve el
honor de guiar en clases en el Perú y en el mundo. Gracias a ustedes, pude
avanzar rápidamente en mi carrera profesional.
 Quiero expresar mi más sincero 9
agradecimiento a Dios y a mi querida familia
por brindarme el apoyo emocional incondicional
que me ha permitido culminar este libro.
 SOBRE EL AUTOR

El Dr. Diego Alonso Norena-Chavez (Noreña Chávez) tiene un posdoctorado en

Administración de la Universidad de Piraeus, Grecia. Obtuvo su doctorado en
Administración de Empresas con honores de la Escuela de Negocios de París,
Francia, y un doctorado en Administración Estratégica de Empresas (Magna
Cum Laude) de la Pontificia Universidad Católica del Perú. También, cuenta
con una maestría en Administración de Empresas de la Universidad Ramón
Llull-ESADE Business School, España, y otra maestría de la Universidad Adolfo
Ibáñez, Chile. Además, el Dr. Noreña tiene una maestría en Estadística Aplicada
para la Ciencia de Datos con software R con honores de la Universidad
Nebrija, España. Realizó sus estudios 11
en Administración de Empresas con
especialización en recursos humanos
en la Universidad de Lima, Perú.
Adicionalmente, cuenta con un Certificado
Ejecutivo en Gerencia y Liderazgo del
Instituto Tecnológico de Massachusetts,
Estados Unidos. También, se graduó del
Programa de Alta Gerencia en INCAE
Business School, Costa Rica, y es Oficial
de Reserva del Ejército Peruano del arma
de Caballería.

El Dr. Norena-Chávez ha realizado estudios

especializados en varias instituciones,
incluida la OEA (Organización de los Estados Americanos), la Escuela
Internacional de Negocios China Europa, la Universidad de Sevilla, el MIT, la
Universidad de Szczecin, la Universidad de Defensa Nacional, el Comando Sur
de Operaciones Especiales de EE. UU. También, ha completado el Programa
de Gestión Estratégica Aeroespacial y Ciberespacial en la Escuela Superior
de Guerra Aérea del Perú, y el Curso de Liderazgo Estratégico y Manejo de
Crisis ofrecido por la Escuela Superior de Guerra Naval del Perú y el Centro
William J-Perry de Estudios Hemisféricos de Defensa. El Dr. Norena-Chávez se
ha desempeñado como profesor invitado en la Escuela de Negocios de París,
Universidad San Buena Ventura, Universidad Externado, Escuela Superior
de Guerra del Ejército del Perú, Escuela Superior de Guerra Aérea del Perú.
 Actualmente, es el gerente general de Dinor General Services S.A.C. y posee
otras gerencias y directorios en empresas del Perú y Centro América. También,
es miembro de consejos editoriales y actúa como árbitro de varias revistas.
Adicionalmente, ocupa el cargo de director del Doctorado en Administración
de la Universidad de Lima, Perú. Anteriormente, ocupó cargos docentes en
programas de doctorado y maestría en la Escuela de Negocios CENTRUM
PUCP Business School, y ha sido reconocido como uno de los cinco mejores
profesores a tiempo parcial. Es revisor del Business Process Management
Journal, prestigiosa revista (Q1) indizada a la base de datos Scopus y Web of
Science. Además, logró el primer lugar en el Programa de Planeamiento Militar
y Toma de Decisiones para Oficiales Profesionales de Reserva.

Ganó los premios Emerald Literati 2024 por su contribución como Outstanding

12
Author Contribution. Además, es profesor visitante en la Universidad Ana G.
Méndez de Puerto Rico e investigador visitante en la Universidad de Sevilla.
 ÍNDICE

15/ Capítulo 1.
Construyendo Puentes de Comprensión:
Explorando el Modelado de
Ecuaciones Estructurales en la Investigación

47/ Capítulo 2.
Examinando el Modelo de Medida Reflexivo

65/ Capítulo 3. 13
Examinando el Modelo de Medición Formativa

83/ Capítulo 4.
Evaluación del Modelo Estructural

99/ Capítulo 5.
Análisis de Mediación

113/ Capítulo 6.
Análisis de Moderación

121/ Capítulo 7.
Constructos de Orden Superior

163/
Capítulo 8.
Análisis de Condiciones Necesarias (NCA)

185/ Capítulo 9.
Análisis del Mapa de Importancia-rendimiento
(IPMA)

193/ Capítulo 10.

Uso combinado de IPMA y NCA
 1
CAPÍTULO
CONSTRUYENDO
PUENTES DE COMPRENSIÓN:

EXPLORANDO EL
MODELADO
DE ECUACIONES
ESTRUCTURALES
EN LA
INVESTIGACIÓN

15
 OBJETIVOS DE APRENDIZAJE

 Comprender los fundamentos del modelado

de ecuaciones estructurales (SEM)

 Explicar las diferencias entre el modelado

16 de ecuaciones estructurales basado en
covarianzas (CB-SEM) y el modelado de
ecuaciones estructurales por mínimos
cuadrados parciales (PLS-SEM), y cuándo
utilizar cada método

 Explicar los componentes fundamentales de

un modelo de ecuaciones estructurales

 Comprender los principios fundamentales del

modelado de ecuaciones estructurales por
mínimos cuadrados parciales (PLS-SEM)

 Familiarizarse con Smart-PLS 4

 DR. DIEGO ALONSO NORENA-CHAVEZ

1.1 Desbloqueando el Potencial del Modelado de

Ecuaciones Estructurales

Los orígenes del Modelado de Ecuaciones Estructurales (SEM) se remontan a

varias obras fundamentales de mediados del siglo XX, como el desarrollo del
análisis factorial, el análisis de trayectorias y el análisis de regresión (Hair et
al., 2019). Sewall Wright desarrolló el concepto de análisis de trayectorias
en la década de 1920, que implicó el uso de diagramas para representar las
relaciones causales entre variables. Este fue uno de los primeros trabajos que
sentaron las bases para el SEM (Wright, 1960).

En la década de 1950, Karl Joreskog y Dag Sorbom concibieron la aplicación

informática LISREL (Linear Structural Relationships), ampliamente utilizada
para el análisis de SEM. Además, crearon el concepto de análisis factorial

17
confirmatorio, un método utilizado para evaluar el ajuste de un modelo teórico
a datos observados (Wainer, 2011). En la década de 1970, Joreskog y Sorbom
introdujeron las variables latentes, que son variables no observadas que

CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

se pueden inferir a partir de variables observadas. También, introdujeron el
concepto de estimación de máxima verosimilitud, un enfoque estadístico para
estimar los parámetros del modelo (Clogg & Goodman, 1985). Desde entonces,
el SEM ha seguido desarrollándose y se ha convertido en una técnica
estadística ampliamente utilizada en numerosos campos, como la psicología,
la sociología, la educación y los negocios (Hair et al., 2019).

1.2 Técnicas de Primera y Segunda Generación en el SEM

El análisis estadístico es una herramienta indispensable para los

investigadores de ciencias sociales. Con el avance del hardware y software
informático, las aplicaciones de los métodos estadísticos se han expandido
significativamente, especialmente en los últimos años, a medida que las
interfaces amigables con el usuario y el conocimiento entregado a través de
la tecnología han permitido un acceso generalizado a una amplia variedad
de métodos adicionales (Hair et al., 2019). Inicialmente, los investigadores
utilizaron análisis univariados y bivariados para comprender los datos y
las relaciones. Sin embargo, para comprender las relaciones cada vez más
complejas asociadas con las direcciones actuales de investigación en ciencias
sociales, son necesarias técnicas de análisis de datos multivariados cada vez
más sofisticadas (Mertler & Vannatta, 2016).

Las técnicas de primera generación son aplicables solo cuando las variables
medidas no contienen ni errores sistemáticos ni errores aleatorios (Hair et
al., 2019). Esta circunstancia es poco común en la práctica, especialmente
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

cuando el objetivo es estimar las relaciones entre medidas de conceptos

teóricos. Estas limitaciones de las técnicas de primera generación son
fundamentales, ya que las ciencias sociales y muchas otras disciplinas de
investigación científica lidian rutinariamente con conceptos teóricos como
percepciones, actitudes e intenciones. Los investigadores en ciencias sociales
han utilizado ampliamente métodos de primera generación, que han dado
forma significativa a nuestra visión actual del mundo. Específicamente,
la regresión múltiple, la regresión logística y el análisis de varianza se han
utilizado para probar empíricamente las relaciones entre variables. Sin
embargo, estos métodos comparten tres limitaciones: (1) la presunción de una
estructura de modelo simple, (2) la suposición de que todas las variables son
observables, y (3) la suposición de que todas las variables se miden sin error
(Haenlein & Kaplan, 2004).

18
Para superar estas limitaciones, los investigadores han recurrido cada vez
más a técnicas de segunda generación. Estas técnicas, conocidas como
modelado de ecuaciones estructurales (SEM), permiten a los investigadores
CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

modelar y estimar simultáneamente relaciones complejas entre múltiples

variables dependientes e independientes. Por lo general, los conceptos
considerados son no observables y se miden indirectamente mediante
múltiples variables indicadoras. Al estimar las relaciones, el SEM tiene en
cuenta el error de medición en las variables observadas. En consecuencia, el
procedimiento proporciona una medida más precisa de los conceptos teóricos
relevantes (Cole & Preacher, 2014). En las secciones y capítulos siguientes,
examinaremos estos aspectos con mayor detalle.

El modelado de ecuaciones estructurales basado en covarianzas (CB-SEM) y el

modelado de ecuaciones estructurales por mínimos cuadrados parciales (PLS-
SEM, también conocido como modelado de trayectorias PLS) son dos variantes
de los métodos de SEM. CB-SEM se utiliza principalmente para confirmar (o
rechazar) teorías, es decir, conjuntos empíricamente testeables de relaciones
sistemáticas entre múltiples variables. Esto se logra determinando la precisión
con la cual un modelo teórico propuesto puede estimar la matriz de covarianza
para un conjunto de datos de ejemplo. Por otro lado, PLS es un enfoque
“causal-predictivo” del SEM que se centra en explicar la varianza en las
variables dependientes del modelo (Chin et al., 2020; Joreskog & Wold, 1982).

1.3 CB-SEM y PLS-SEM

En la práctica, el modelado de ecuaciones estructurales basado en

covarianzas (CB-SEM) y el modelado de ecuaciones estructurales por
mínimos cuadrados parciales (PLS-SEM, también conocido como modelado
 DR. DIEGO ALONSO NORENA-CHAVEZ

de trayectorias PLS) son los métodos de SEM más prevalentes. CB-SEM se

emplea predominantemente para confirmar (o rechazar) hipótesis y teorías
(Hair et al., 2019). Este método verifica o refuta las hipótesis al determinar
en qué medida un modelo teórico propuesto puede reproducir la matriz de
covarianza de un conjunto de datos de muestra observados. Por otro lado,
PLS es un enfoque “causal-predictivo” del SEM que se centra en explicar la
varianza en las variables dependientes del modelo (Chin et al., 2020; Joreskog
& Wold, 1982).

Una distinción conceptual fundamental entre PLS-SEM y CB-SEM radica en

cómo cada método maneja las variables latentes incluidas en el modelo. CB-
SEM es un procedimiento de SEM basado en factores comunes que considera
los constructos como factores comunes que explican la covariación entre
sus indicadores asociados. Este método se adhiere a la filosofía de medición

19
reflexiva, en la que los indicadores y sus covariaciones se consideran
manifestaciones del constructo subyacente. En principio, CB-SEM puede
acomodar modelos de medición formativa, aunque emplea una estrategia de

CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

estimación de modelo de factores comunes (Diamantopoulos et al., 2008). Sin
embargo, para estimar este tipo de modelo, los investigadores deben cumplir
con reglas que requieren restricciones de modelo específicas para garantizar
la identificación del modelo (Bollen & Davies, 2009; Diamantopoulos & Riefler,
2011), lo que significa que el método puede calcular estimaciones para
todos los parámetros del modelo. De acuerdo con Hair et al. (2012), estas
restricciones, a menudo, van en contra de lo que dice la teoría, de ahí que surja
la pregunta de si la teoría debe conducir el diseño del modelo o viceversa.

PLS-SEM, por otro lado, implica que los conceptos de interés se puedan
medir como compuestos (Joreskog & Wold, 1982), razón por la cual se
considera una técnica de SEM basada en compuestos (Hwang et al., 2020).
En PLS-SEM, la estimación del modelo combina indicadores utilizando un
método lineal para crear variables compuestas. Se asume que las variables
compuestas representan exhaustivamente los constructos y, por lo tanto,
son representaciones válidas de las variables conceptuales en investigación
(por ejemplo, Hair & Sarstedt, 2019). El enfoque basado en compuestos es
coherente con la filosofía de medición que respalda la medición formativa,
pero esto no implica que PLS-SEM solo sea capaz de estimar constructos
especificados normativamente. La perspectiva de estimación (construir
compuestos para representar variables conceptuales) no debe confundirse
con la perspectiva de teoría de medición (designar modelos de medición como
reflexivos o formativos). La estimación de los parámetros del modelo mediante
un método como PLS-SEM debe distinguirse explícitamente de cualquier
consideración teórica de medición sobre cómo operacionalizar los constructos
(Sarstedt et al., 2016). Los investigadores pueden incluir modelos de medición
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

especificados de manera reflexiva y formativa, que PLS-SEM estima sin

restricciones. La Figura 1.1 nos brinda detalles para elegir entre PLS-SEM y CB-
SEM, las mismas que siguen el ejemplo del libro de Hair et al. (2019)

Figura 1.1
Pautas para elegir la técnica de segunda generación

PLS-SEM CB-SEM
 El análisis se centra en probar un marco teórico  El objetivo
desde una perspectiva predictiva. es probar y
 El modelo estructural es complejo e incluye confirmar
muchos constructos, indicadores y/o relaciones teorías.
de modelo.  Los términos de
 El objetivo de la investigación es comprender error requieren

20 mejor la creciente complejidad mediante

extensiones teóricas de teorías establecidas
especificación
adicional, como
la covariación.
CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

(investigación exploratoria para el desarrollo de

teorías).  El modelo
 El modelo de trayectoria incluye uno o más estructural
constructos medidos de forma formativa. tiene relaciones
circulares.
 La investigación consiste en ratios financieros u
otros tipos de artefactos similares.  La investigación
requiere un
 La investigación se basa en datos secundarios,
criterio global
que pueden carecer de una justificación integral
de ajuste del
basada en la teoría de medición.
modelo.
 Una población reducida restringe el tamaño de la
muestra (por ejemplo, investigación de empresa
a empresa), pero PLS-SEM también funciona muy
bien con muestras grandes.
Los problemas de distribución, como la falta de
normalidad, son una preocupación.
La investigación requiere puntuaciones de variables
latentes para análisis posteriores.

1.4 Evaluación del Tamaño de la Muestra

Según investigaciones previas realizadas por Fornell y Bookstein (1982),

Willaby et al. (2015) y Hair et al. (2017), PLS-SEM puede generar soluciones
utilizando muestras pequeñas, especialmente cuando los modelos consisten
en numerosos constructos y un número sustancial de ítems. El algoritmo
de PLS-SEM permite el cálculo de las relaciones del modelo de medición
 DR. DIEGO ALONSO NORENA-CHAVEZ

y estructural por separado, a diferencia de hacerlo simultáneamente.

El algoritmo está diseñado para calcular relaciones de regresión parcial
dentro de los modelos de medición y estructural utilizando regresiones
de mínimos cuadrados ordinarios distintas, como indica su nombre. Los
trabajos de Reinartz et al. (2009), Henseler et al. (2014) y Sarstedt et al.
(2016) proporcionan un resumen de cómo PLS-SEM obtiene soluciones
en casos donde métodos como CB-SEM generan soluciones inadmisibles
o no logran converger con modelos complicados y tamaños de muestra
limitados. Esto es independiente de si los datos se derivan de una población
de modelo compuesto o común. De acuerdo con Hair et al. (2013), algunos
académicos han aprovechado ciertas características para obtener soluciones
utilizando tamaños de muestra muy pequeños, incluso cuando la población
es grande y de fácil acceso. Esta práctica se considera falsa y engañosa.
Lamentablemente, esta práctica en particular ha dañado en cierta medida

21
la reputación de PLS-SEM, como señalan Marcoulides et al. (2009). Al igual
que otras técnicas multivariadas, es importante tener en cuenta que PLS-
SEM no puede transformar una muestra inadecuada, como una que no es

CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

representativa, en una muestra adecuada para lograr estimaciones precisas
del modelo.

El Modelado de Ecuaciones Estructurales por Mínimos Cuadrados Parciales

(PLS-SEM) es una técnica estadística que se puede aplicar a conjuntos
de datos con tamaños de muestra más pequeños. Según Rigdon (2016),
la aceptabilidad de los tamaños de muestra pequeños depende de las
características de la población en estudio. Cochran (1977) sostiene que,
bajo la condición de características situacionales iguales, un aumento en la
heterogeneidad de la población requiere un tamaño de muestra mayor para
lograr un nivel aceptable de error de muestreo. No cumplir con los principios
fundamentales de la teoría de muestreo, según lo señalado por Sarstedt et
al. (2018), puede generar resultados dudosos. Para determinar el tamaño de
muestra necesario, los investigadores deben emplear análisis de potencia que
tengan en cuenta la estructura del modelo, el nivel de significancia proyectado
y los tamaños de efecto anticipados (Marcoulides y Chin, 2013). Hair et al.
(2017) han presentado tablas de potencia que muestran los tamaños de
muestra necesarios para diversas características de modelos de medición y
estructurales. Kock y Hadaya (2018) han propuesto dos técnicas novedosas,
el método de raíz cuadrada inversa y el método gamma-exponencial, para
determinar el tamaño de muestra mínimo requerido para un estudio.

De acuerdo con Akter et al. (2017), estudios anteriores sobre el tamaño de

muestra necesario para el modelado de ecuaciones estructurales por mínimos
cuadrados parciales (PLS-SEM) no han considerado la utilidad del método para
analizar cantidades sustanciales de datos. PLS-SEM presenta un potencial
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

significativo para el análisis de conjuntos de datos extensos, incluidos los

datos secundarios, que con frecuencia carecen de una fundamentación
integral basada en la teoría de medición (Rigdon, 2013).

1.4.1 Los Supuestos relacionados con la Distribución de los Datos

Según diversos académicos como Hair et al. (2012) y Nitzl (2016), el factor
principal para seleccionar PLS-SEM es la ausencia de suposiciones sobre la
distribución. El uso de PLS-SEM en investigación de ciencias sociales, que
frecuentemente involucra datos no normales, sin duda es ventajoso. Sin
embargo, este beneficio por sí solo no constituye una justificación adecuada.

En el ámbito académico, los investigadores han observado que el uso de

la estimación de máxima verosimilitud en conjunto con el modelado de

22
ecuaciones estructurales basado en covarianzas (CB-SEM) muestra un alto
grado de resistencia contra diversas formas de anomalías estadísticas.
Para detectar violaciones de la normalidad (Olsson et al., 2000), puede
CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

ser necesario contar con tamaños de muestra más grandes (Boomsma &
Hoogland, 2001). CB-SEM puede generar resultados anormales cuando los
datos son atípicos en casos de conjuntos de datos pequeños (Reinartz et
al., 2009), mientras que PLS-SEM es más robusto en estas circunstancias
(Sarstedt et al., 2016).

En un pequeño número de casos, los datos no normales también pueden

afectar los resultados de PLS-SEM (Sarstedt et al., 2017), lo cual es
destacable. Por ejemplo, el remuestreo bootstrap con datos no normales
puede resultar en distribuciones sesgadas y sesgadas hacia un lado. Al ajustar
los intervalos de confianza para la asimetría, el método bootstrap corregido
por sesgo y acelerado (BCa) mitiga este problema en cierta medida (Efron,
1987). Por lo tanto, seleccionar PLS-SEM únicamente por la distribución
de datos suele ser insuficiente, pero ciertamente es ventajoso cuando se
combina con otras aplicaciones de PLS-SEM.

1.4.2 Datos Secundarios

La disponibilidad de datos secundarios para investigar fenómenos del mundo

real está creciendo (Avkiran et al., 2018). La investigación basada en datos
secundarios generalmente tiene un objetivo distinto al de los análisis CB-
SEM, que son puramente confirmatorios. Más específicamente, los datos
secundarios se utilizan principalmente en la investigación exploratoria para
proponer relaciones causales en situaciones con poca teoría bien establecida
(Hair et al., 2017). Tales contextos requieren que los investigadores hagan más
énfasis en investigar todas las relaciones posibles que en lograr un ajuste del
 DR. DIEGO ALONSO NORENA-CHAVEZ

modelo (Nitzl, 2016). Este procedimiento genera modelos grandes y complejos

que no se pueden analizar utilizando el método CB-SEM con datos completos.
En contraste, el enfoque iterativo de PLS-SEM utiliza datos limitados, lo que
hace que el método sea más robusto y no esté restringido por los requisitos
de parámetros de CB-SEM (Hair et al., 2014). Por lo tanto, PLS-SEM es
preferido para la investigación exploratoria con datos secundarios, ya que
proporciona la flexibilidad necesaria (Nitzl, 2016).

O, como señaló Wold (1982), “el modelado suave está principalmente destinado
a contextos de investigación que son ricos en datos y escasos en teoría” (p.
29). Además, la creciente prevalencia del análisis de datos secundarios (por
ejemplo, utilizando datos de bases de datos de empresas, redes sociales,
seguimiento de clientes, organismos estadísticos nacionales o datos de
encuestas públicas disponibles) desplaza el énfasis de la investigación de

23
estrictamente confirmatoria a modelos predictivos y causales-predictivos.
Tales entornos de investigación se adaptan perfectamente al método PLS-SEM
centrado en la predicción.

CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

LS-SEM también es útil para el análisis de datos secundarios desde el punto
de vista de la teoría de medición. A diferencia de las medidas de encuesta, que
suelen estar diseñadas para análisis confirmatorios, las medidas de fuentes
de datos secundarios generalmente no se crean ni se refinan con el tiempo
para análisis confirmatorios. Como resultado, lograr un ajuste del modelo con
medidas de datos secundarios es incierto en la gran mayoría de los entornos
de investigación que utilizan CB-SEM. Además, los investigadores no pueden
revisar o refinar el modelo de medición para obtener un ajuste al utilizar datos
secundarios.

PLS-SEM, en este contexto, también permite el uso de medidas formativas, lo

cual es una ventaja significativa. Dado que el algoritmo de PLS-SEM se basa
en la regresión de mínimos cuadrados ordinarios, el método permite el uso
de medidas de un solo ítem, reflectivas y formativas sin restricciones. Esto
es extremadamente útil para la investigación archivística porque muchas
medidas, como ratios financieros y otros factores fijos de la empresa, son
verdaderos artefactos que se encuentran en bases de datos corporativas. Con
frecuencia, se utilizan múltiples tipos de datos financieros para construir un
índice como métrica de desempeño.

Por ejemplo, Ittner et al. (1997) operacionalizaron la estrategia utilizando

cuatro indicadores: (1) la proporción de investigación y desarrollo a ventas,
(2) la proporción entre valor de mercado y valor en libros, (3) la proporción de
empleados a ventas, y (4) el número de nuevas introducciones de productos o
servicios. De manera similar, los datos secundarios podrían utilizarse para crear
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

un índice de las actividades de comunicación de una empresa, que incluyen

publicidad en línea, patrocinios y relaciones públicas.

1.4.3 Fortaleza Estadística

PLS-SEM tiene un alto grado de potencia estadística (Hair et al., 2017;

Reinartz et al., 2009) cuando es utilizado por los investigadores. Incluso, al
estimar datos de modelos de factores comunes según lo asume CB-SEM,
esta característica se mantiene (Sarstedt et al., 2016). Una mayor potencia
estadística implica que es más probable que PLS-SEM identifique relaciones
como significativas cuando están presentes en la población (Sarstedt et al.,
2019).

La mayor potencia estadística de PLS-SEM es muy útil para la investigación

24
exploratoria, es decir, la que explora ideas que no están completamente
formadas o aún están en desarrollo. Wold (1985) concluyó que mejoras
tentativas en el modelo, como la adición de una nueva variable latente, un
CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

indicador o una relación interna, o la omisión de dicho elemento, se evalúan

por su valor predictivo, y los diferentes estudios experimentales se realizan
de manera rápida y económica. Hair et al. (2017) explicaron que PLS-SEM se
puede utilizar tanto para estudios exploratorios como confirmatorios. Este es
un punto muy importante.

1.4.4 Ajuste del Modelo

A diferencia de CB-SEM, que depende en gran medida del concepto de ajuste

del modelo, PLS-SEM depende mucho menos del ajuste del modelo (Hair et
al., 2019). Esto ha llevado erróneamente a algunos investigadores a concluir
que PLS-SEM no es beneficioso para la prueba y confirmación de teorías
(por ejemplo, Westland, 2015). Varios metodólogos han intentado desarrollar
medidas de ajuste del modelo para PLS-SEM (Henseler et al., 2016), pero los
investigadores deben tener extrema precaución al evaluar su aplicabilidad para
PLS-SEM (Hair et al., 2019; Henseler y Sarstedt, 2013). En primer lugar, no se
ha llevado a cabo una evaluación exhaustiva de estas medidas. Por lo tanto,
cualquier umbral (pautas) recomendado en la literatura debe considerarse
como altamente provisional. En segundo lugar, debido a que el algoritmo para
obtener soluciones de PLS-SEM no se basa en minimizar la divergencia entre
las matrices de covarianza observadas y estimadas, el concepto de medidas
de ajuste del modelo basadas en el Chi-cuadrado y sus extensiones, como se
utiliza en CB-SEM, no son aplicables. En consecuencia, incluso las evaluaciones
 DR. DIEGO ALONSO NORENA-CHAVEZ

de ajuste del modelo basadas en bootstrap, por ejemplo, una medida de

distancia o el SRMR (Henseler et al., 2016; Henseler, 2017), que cuantifican
la divergencia entre las matrices de covarianza observadas y estimadas,
deben evaluarse con extrema precaución. En tercer lugar, los investigadores
han cuestionado si el concepto de ajuste del modelo, tal como se aplica a la
investigación de CB-SEM, se aplica a las aplicaciones de PLS-SEM en general
(Hair et al., 2017; Rigdon, 2012).

PLS-SEM se centra, principalmente, en la interacción entre la prueba de teoría

y la predicción, y los resultados deben validarse en consecuencia (Shmueli
et al., 2019). Shmueli et al. (2016) han propuesto recientemente nuevos
procedimientos de evaluación diseñados especialmente para la naturaleza
orientada a la predicción de PLS-SEM.

1.5 Componentes fundamentales de un Modelo de 25

Ecuaciones Estructurales

CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

Los modelos path son diagramas utilizados para representar visualmente
las hipótesis examinadas y las relaciones entre variables en el modelado
de ecuaciones estructurales. Al construir modelos path, se deben entender
cuatro elementos fundamentales: (1) constructos, (2) variables medidas,
(3) relaciones y (4) términos de error. Los constructos (o variables latentes)
miden conceptos teóricos no directamente observables. En los modelos path,
las variables latentes se representan como círculos u óvalos. Las variables
medidas son observaciones directamente medidas (datos brutos), también
conocidas como indicadores o variables manifiestas, y se representan como
rectángulos en los modelos de senderos. En los modelos path, las relaciones
representan hipótesis y se representan como flechas de una sola punta, que
indican una relación predictiva-causal entre los constructos. Estas conexiones
son el resultado de la teoría estructural y la lógica. Los constructos pueden
ser exógenos (independientes) o endógenos (dependientes), según su función
en el modelo. Los términos de error representan la varianza que no puede
ser explicada cuando se estiman los modelos de senderos, y existen para
los constructos endógenos y los indicadores medidos de forma reflexiva.
No hay términos de error en los constructos exógenos o en los indicadores
formativos. La teoría de medición especifica cómo se miden los constructos
(variables latentes). Las variables pueden ser reflectivas o formativas para los
constructos latentes. La Figura 1.2 muestra los elementos del modelo tanto el
modelo estructural como el modelo de medida.
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Figura 1.2
Elementos del modelo

26
CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

El desarrollo de los modelos path se basa en teoría y se utilizan con frecuencia

para probar relaciones teóricas. Una teoría es una colección de hipótesis
desarrolladas de acuerdo con el método científico y utilizadas para explicar
y predecir resultados. Las hipótesis son conjeturas individuales, mientras que
las teorías son múltiples hipótesis que están lógicamente interconectadas
y son empíricamente testeables (Gregory, 1980). Los modelos de senderos
(path) requieren dos tipos diferentes de teoría: teoría de medición y teoría
estructural. La teoría de medición especifica qué indicadores y cómo se
utilizan para medir un concepto teórico particular. Por otro lado, la teoría
estructural especifica cómo se relacionan entre sí los constructos en el
modelo estructural.

El uso de PLS-SEM para probar una teoría requiere dos pasos (Hair et al.,
2019). Primero, validamos la confiabilidad y validez de los modelos de medición
mediante la prueba de la teoría de medición. Después de confirmar los
modelos de medición, procedemos a investigar la teoría estructural. La lógica
dicta que debemos validar primero la teoría de medición, antes de verificar
la teoría estructural, ya que la teoría estructural no puede validarse si las
medidas no son confiables o válidas.

La teoría de medición especifica cómo se miden las variables latentes

(constructos). Por lo general, existen dos métodos distintos para medir
variables no observables. Un método se conoce como medición reflexiva,
mientras que el otro se conoce como medición formativa. La teoría estructural
ilustra las relaciones entre las variables latentes, es decir, los constructos
 DR. DIEGO ALONSO NORENA-CHAVEZ

y sus relaciones de sendero en el modelo estructural). La ubicación y el

orden de los constructos son determinados por la teoría, la experiencia
y el conocimiento del investigador, o ambos. El desarrollo de los modelos
path procede de izquierda a derecha. Las variables a la izquierda del modelo
de senderos son variables independientes, mientras que las variables a la
derecha son variables dependientes. Además, las variables a la izquierda
se representan como variables que preceden y predicen a las variables a la
derecha.

1.6 ¿Qué es SmartPLS4?

SmartPLS 4 es un programa diseñado específicamente para el modelado

de ecuaciones estructurales de mínimos cuadrados parciales (PLS-SEM, por

27
sus siglas en inglés). Es la versión más reciente del software SmartPLS e
incluye varias características y mejoras nuevas en comparación con versiones
anteriores. Entre las características novedosas de SmartPLS 4, se encuentran

CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

las siguientes:

 Soporte para la imputación de valores faltantes múltiples

 Soporte para el bootstrap de cadenas múltiples
 Mejoras en el análisis de sensibilidad
 Nuevos algoritmos de estimación para modelos PLS-SEM
 Una interfaz de usuario modernizada

SmartPLS 4 es una herramienta poderosa para los investigadores interesados

en PLS-SEM. Ofrece una amplia gama de características y capacidades, y es
fácil de usar. SmartPLS 4 es una excelente opción para los investigadores que
son nuevos en PLS-SEM, o que desean un programa fácil de usar y rico en
funciones. Aquí, hay algunas ventajas de utilizar SmartPLS 4:

 La interfaz fácil de usar de SmartPLS 4 contribuye con el aprendizaje y la

utilización del programa.
 SmartPLS 4 ofrece una amplia gama de características y capacidades, lo
que lo convierte en un instrumento de investigación eficaz.
 SmartPLS 4 es un programa versátil que se puede aplicar a una variedad
de proyectos de investigación.
 SmartPLS 4 es un programa económico disponible tanto para uso
personal como empresarial.

Si estás interesado en implementar PLS-SEM, SmartPLS 4 es una opción viable

para considerar. Es un programa robusto, fácil de usar y económico que se
puede utilizar en una variedad de proyectos de investigación.
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

1.7 Construyendo tu Modelo con Smart-PLS 4

El programa de software Smart-PLS 4 se utiliza para el modelado de

ecuaciones estructurales (SEM) y análisis de modelado path. Es una
herramienta popular para investigadores y profesionales en negocios, ciencias
sociales e ingeniería que desean analizar conjuntos de datos complejos
y comprender las relaciones entre variables. Smart-PLS 4 ofrece varias
características sofisticadas, como análisis predictivo, bootstrapping y análisis
de múltiples grupos, lo que lo convierte en una herramienta potente y versátil
de SEM. Es conocido por su interfaz fácil de usar y sus tutoriales completos, lo
que lo hace accesible para investigadores de todos los niveles de experiencia.

Para tener la primera interacción con Smart-PLS 4, siga los siguientes pasos:

28
Paso 1. Descargue Smart-PLS 4 utilizando este enlace: [Link]
[Link]/
CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

Paso 2. Haga clic en descargar. La Figura 1.3 muestra el paso inicial para
iniciar la descarga.

Figura 1.3
Descargar el programa
 DR. DIEGO ALONSO NORENA-CHAVEZ

Paso 3. Elija su sistema operativo; el sitio web ofrece dos opciones, una para
Windows y otra para Mac OSX. La Figura 1.4 muestra los diferentes
sistemas operativos del programa.

Figura 1.4
Sistemas operativos

29

CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

Paso 4. Regístrese en Smart-PLS 4

Paso 5. Inicie Smart-PLS 4

Debe ir al menú de Windows; luego, abrir el programa SMART-PLS 4.
Antes de comenzar un nuevo proyecto, los lectores pueden obtener
una licencia profesional gratuita de 30 días dirigiéndose al menú
SmartPLS4, seleccionando cambiar licencia, eliminando la licencia
de estudiante, y luego registrándose para obtener la licencia de
prueba. Los lectores deben seleccionar su estación de trabajo
antes de comenzar un nuevo proyecto. El espacio de trabajo es la
carpeta dedicada Proyectos SmartPLS4, donde se colocan todos los
proyectos PLS.
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Paso 6. Tiene que crear un nuevo proyecto. La Figura 1.5 nos muestra la
opción para crear un nuevo proyecto.

Figura 1.5
Creación de nuevo proyecto

30
CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

Paso 7. Debe seleccionar un nombre para el nuevo proyecto y, luego,

hacer clic en la opción crear. La Figura 1.6 muestra los pasos de la
creación del nuevo proyecto.

Figura 1.6
Creación del nuevo proyecto
 DR. DIEGO ALONSO NORENA-CHAVEZ

Paso 8. Importe datos a Smart-PLS. Anteriormente, tenía que codificar

sus datos; sugiero importar el archivo desde Excel. La Figura 1.7
muestra los pasos para importar la data.

Figura 1.7
Importar la data

31
Paso 9. Seleccione la opción de importación si no le falta ningún valor.

CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

La Figura 1.8 muestra cómo importar la data de su investigación.
Recuerde siempre verificar el Excel y prestarles atención a todas las
celdas para evitar errores futuros.

Figura 1.8
Importación de la data
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Paso 10. La Figura 1.9 proporciona un resumen de todos los indicadores

de datos. Las siguientes estadísticas, como la media, la mediana,
el mínimo de escala, el máximo, son importantes porque brindan
información esencial sobre la tendencia central, la variabilidad y la
distribución de los datos.

Figura 1.9
Resumen de los indicadores

32
Paso 11. En esta figura, debe crear un modelo, seleccionar el tipo de modelo,
CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

nombrar el archivo y guardarlo. La Figura 1.10 muestra la creación

del nuevo modelo. No olvide seleccionar la opción “Save” o Guardar.

Figura 1.10
Creación del modelo
 DR. DIEGO ALONSO NORENA-CHAVEZ

Paso 12. Comprender el entorno de Smart-PLS 4. La Figura 1.11 muestra el

entorno del programa.

Figura 1.11
Entorno del Smart-PLS4

33

CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

Paso 13. Ahora que está familiarizado con el entorno Smart-PLS4, es hora
de construir nuestro primer modelo. Debe elegir los componentes
para la construcción del modelo. La Figura 1.12 demuestra cómo
seleccionar productos.

Figura 1.12
Selección de componentes
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Paso 14. Luego, se debe agregar al lienzo el constructo a evaluar. La Figura

1.13 muestra el constructo liderazgo emprendedor (en inglés
Entrepreneurial leadership/EP) y sus indicadores (E1-E8).

Figura 1.13
Liderazgo emprendedor e indicadores

34
CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

Paso 15. Es esencial alinear el indicador a la izquierda en este ejemplo. La

Figura 1.14 ilustra el procedimiento.

Figura 1.14
Alinear indicadores
 DR. DIEGO ALONSO NORENA-CHAVEZ

Paso 16. Si desea introducir variables adicionales, como la reflexividad del

equipo (TR), debe repetir los mismos pasos. Ahora, es esencial
correlacionar las variables para demostrar diversas técnicas. La
Figura 1.15 muestra dos constructos liderazgo emprendedor
(EP) y reflexividad del equipo (TR) que serán correlacionados con
seleccionando la opción “Connect”.

Figura 1.15
Modelo agregando otro constructo

35

CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

Paso 17. Después de seleccionar la opción de conectar, debes construir
la flecha en el lienzo, la cual debe comenzar en EL y terminar en
TR. Una vez establecida la conexión, el color de las variables ha
cambiado a azul cielo. La Figura 1.16 muestra la forma de unión.

Figura 1.16
Modelo Correlacionado
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

1.8 PLS-SEM en Bases de Datos

1.8.1 PLS-SEM en Scopus

Es importante reconocer que PLS-SEM se ha utilizado para publicar

investigaciones de alta calidad. Por esta razón, presentaré algunas
estadísticas que demuestran la importancia de esta técnica estadística
multivariante en la producción de conocimiento a nivel mundial. Scopus es una
base de datos bibliográfica que indexa y resume la literatura de investigación
de diversas áreas académicas. Es operada por Elsevier, una importante
editorial de literatura científica, técnica y médica. Scopus ofrece una amplia
cobertura de revistas académicas, ponencias de conferencias y otras
publicaciones internacionales. La ecuación utilizada para investigar en la base
de datos Scopus fue “PLS-SEM” O “Partial least squares structural equation

36
modelling”. La Figura 1.17 muestra el número de documentos publicados en
Scopus y diferentes indicadores bibliométricos hasta el 2023.
CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

Figura 1.17
Número de documentos publicados por año

La Figura 1.18 muestra el CiteScore, que es un indicador bibliométrico que

mide el impacto de las revistas científicas. Es calculado anualmente por
Elsevier y se basa en la cantidad de citas recibidas por los artículos publicados
en una revista en un período de tres años. Se puede apreciar que el Journal of
 DR. DIEGO ALONSO NORENA-CHAVEZ

Cleaner Production presenta el CiteScore más alto de las revistas científicas

indexadas en Scopus que publican artículos científicos con PLS-SEM.

Figura 1.18
CiteScore de revistas que publican en temas relacionados
al PLS-SEM

37

CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

La Figura 1.19 muestra a los autores más productivos en PLS-SEM; en este
caso, el Dr. Ringle es quien lidera la produccion cientifica en Scopus.

Figura 1.19
Producción científica en Scopus
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

La Figura 1.20 muestra la producción científica de PLS-SEM de acuerdo con la

universidad. Se puede apreciar que la Universidad de Utara Malaysia es la que
lidera en este campo.

Figura 1.20
Producción científica por universidad

38
CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

La Figura 1.21 también revela otro dato importante: el campo en el que se

publica más sobre PLS-SEM es el de negocios y gestión, seguido de cerca por
las ciencias sociales.

Figura 1.21
Campos en los que PLS-SEM tiene mayor presencia
 DR. DIEGO ALONSO NORENA-CHAVEZ

1.8.2 PLS-SEM y Web of Science

Juntos, PLS-SEM y Web of Science pueden ser utilizados para llevar a cabo
investigaciones en numerosas disciplinas. Por ejemplo, PLS-SEM se puede
utilizar para analizar las relaciones entre variables en un estudio empresarial,
mientras que Web of Science se puede utilizar para identificar fuentes de
información relevantes y monitorear las citas de los artículos de investigación.
Aquí hay algunas ventajas de combinar PLS-SEM y Web of Science:

 PLS-SEM es capaz de analizar relaciones intrincadas entre variables.

 Web of Science ofrece una cobertura exhaustiva de revistas académicas,
ponencias de conferencias y otras publicaciones internacionales.
 Juntos, PLS-SEM y Web of Science se pueden utilizar para llevar a cabo
investigaciones en numerosas disciplinas.

39
 La ecuación utilizada para investigar en la base de datos de Web of
Science fue TS=(“pls-sem” OR “Partial least squares structural equation
modelling”).

CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

La Figura 1.22 muestra las editoriales académicas en la Web of Science donde
más se publica de PLS-SEM

Figura 1.22
Editoriales académicas

La Figura 1.23 muestra las universidades donde más se publica sobre PLS-
SEM. Se puede apreciar que las universidades de Malasia lideran el ranking de
producción científica de PLS-SEM en la Web of Science.
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Figura 1.23
Universidades en la Web of Science

40
CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

La Figura 1.24 muestra los campos donde más se publica en PLS-SEM. Se

puede apreciar que, en gestión de empresas, se encuentra el grueso de las
publicaciones en la Web of Science.

Figura 1.24
Campos de publicación de PLS-SEM
 DR. DIEGO ALONSO NORENA-CHAVEZ

REFERENCIAS

Akter, S., Fosso Wamba, S., & Dewan, S. (2017). Why PLS-SEM is suitable
for complex modelling? An empirical illustration in big data analytics
quality. Production Planning & Control, 28(11-12), 1011-1021. [Link]
/10.1080/09537287.2016.1267411

Avkiran, N. K., Ringle, C. M., & Low, R. (2018). Monitoring transmission of systemic
risk: Application of PLS-SEM in financial stress testing. The Journal of Risk,
20, 83-115.

Bollen, K. A., & Davies, W. R. (2009). Causal indicator models: Identification,

estimation, and testing. Structural Equation Modeling, 16(3), 498–522.
[Link]

Boomsma, A., & Hoogland, J. J. (2001). The robustness of LISREL modeling

revisited. Structural equation models: Present and future. A Festschrift in
41

CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

honor of Karl Jöreskog, 2(3), 139-168.

Chin, W. W., Cheah, J.-H., Liu, Y., Ting, H., Lim, X.-J., & Cham, T. H. (2020).
Demystifying the role of causal-predictive modeling using partial least
squares structural equation modeling in information systems research.
Industrial Management & Data Systems, 120(12), 2161–2209. [Link]
org/10.1108/IMDS-10-2019-0529

Clogg, C. C., & Goodman, L. A. (1985). Simultaneous latent structure analysis in

several groups. Sociological Methodology, 15, 81-110.

Cochran, W. G. (1977). Sampling techniques. Wiley.

Cole, D. A., & Preacher, K. J. (2014). Manifest variable path analysis: Potentially
serious and misleading consequences due to uncorrected measurement
error. Psychological Methods, 19(2), 300–315. [Link]
a0033805

Diamantopoulos, A., & Riefler, P. (2011). Using formative measures in international

marketing models: A cautionary tale using consumer animosity as an
example. En M. Sarstedt, M. Schwaiger, & C. R. Taylor (Eds.), Measurement
and research methods in international marketing (Advances in International
Marketing, 22) (pp. 11–30). Emerald.

Diamantopoulos, A., Riefler, P., & Roth, K. P. (2008). Advancing formative

measurement models. Journal of Business Research, 61(12), 1203-1218.
[Link]
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Efron, B. (1987). Better bootstrap confidence intervals. Journal of the American

Statistical Association, 82(397), 171-185.

Fornell, C., & Bookstein, F. L. (1982). Two structural equation models: LISREL
and PLS applied to consumer exit-voice theory. Journal of Marketing
Research, 19(4), 440-452. [Link]

Gregory, R. L. (1980). Perceptions as hypotheses. Philosophical Transactions

of the Royal Society of London. Biological Sciences, 290(1038), 181-197.
[Link]

Haenlein, M., & Kaplan, A. M. (2004). A beginner’s guide to partial least squares
analysis. Understanding Statistics, 3(4), 283-297. [Link]
s15328031us0304_4

42 Hair J. F., Sarstedt, M., Hopkins, L., & Kuppelwieser, V. G. (2014). Partial least
squares structural equation modeling (PLS-SEM): An emerging tool in
CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

business research. European Business Review, 26(2), 106-121. [Link]

org/10.1108/EBR-10-2013-0128

Hair J. F., Sarstedt, M., Ringle, C. M., & Gudergan, S. P. (2017). Advanced issues in
partial least squares structural equation modeling. Sage Publications.

Hair, J. F., & Sarstedt, M. (2019). Composites vs. factors: Implications for choosing
the right SEM method. Project Management Journal, 50(6), 1–6. [Link]
org/10.1177/8756972819882132

Hair, J. F., Hollingsworth, C. L., Randolph, A. B., & Chong, A. Y. L. (2017). An

updated and expanded assessment of PLS-SEM in information systems
research. Industrial Management & Data Systems, 117(3), 442–458. https://
[Link]/10.1108/IMDS-04-2016-0130

Hair, J. F., Page, M., & Brunsveld, N. (2019). Essentials of business research
methods. Routledge.

Hair, J. F., Ringle, C. M., & Sarstedt, M. (2013). Partial least squares structural
equation modeling: Rigorous applications, better results and higher
acceptance. Long Range Planning, 46(1-2), 1-12.

Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how
to report the results of PLS-SEM. European Business Review, 31(1), 2–24.
[Link]
 DR. DIEGO ALONSO NORENA-CHAVEZ

Hair, J. F., Sarstedt, M., Pieper, T., & Ringle, C. M. (2012). The use of partial least
squares structural equation modeling in strategic management research: A
review of past practices and recommendations for future applications. Long
Range Planning, 45(5–6), 320–340. [Link]

Hair, J. F., Sarstedt, M., Ringle, C. M., & Mena, J. A. (2012). An assessment of
the use of partial least squares structural equation modeling in marketing
research. Journal of the Academy of Marketing Science, 40, 414-433.
[Link]

Henseler, J. (2017). Bridging design and behavioral research with variance-based

structural equation modeling. Journal of Advertising, 46(1), 178-192. https://
[Link]/10.1007/978-3-319-53469-5_12

Henseler, J., & Sarstedt, M. (2013). Goodness-of-fit indices for partial least
squares path modeling. Computational Statistics, 28, 565-580. [Link]
org/10.1007/s00180-012-0317-1
43

CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

Henseler, J., Dijkstra, T. K., Sarstedt, M., Ringle, C. M., Diamantopoulos, A., Straub,
D. W., Ketchen, D. J., Hair, J. F., Hult, G. T. M., & Calantone, R. J. (2014).
Common beliefs and reality about partial least squares: Comments on
Rönkkö & Evermann (2013). Organizational Research Methods, 17(1), 182–
209. [Link]

Henseler, J., Hubona, G., & Ray, P. A. (2016). Using PLS path modeling in new
technology research: updated guidelines. Industrial Management & Data
Systems, 116(1), 2-20. [Link]

Hwang, H., Sarstedt, M., Cheah, J.-H., & Ringle, C. M. (2020). A concept analysis
of methodological research on composite-based structural equation
modeling: Bridging PLSPM and GSCA. Behaviormetrika, 47(1), 219–241.

Ittner, C. D., Larcker, D. F., & Rajan, M. V. (1997). The choice of performance
measures in annual bonus contracts. Accounting Review, 231-255. https://
[Link]/stable/248554

Jöreskog, K. G., & Wold, H. (1982). The ML and PLS techniques for modeling with
latent variables: Historical and comparative aspects. En H. Wold & K. G.
Jöreskog (Eds.), Systems under indirect observation, part I (pp. 263–270).
North-Holland.

Kock, N., & Hadaya, P. (2018). Minimum sample size estimation in PLS-SEM: The
inverse square root and gamma-exponential methods. Information Systems
Journal, 28(1), 227–261. [Link]
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Marcoulides, G. A., & Chin, W. W. (2013). You write but others read: Common
methodological misunderstandings in PLS and related methods. En H.
Abdi, W. W. Chin, V. Esposito Vinzi, G. Russolillo, & Trinchera (Eds.), New
perspectives in partial least squares and related methods (pp. 31–64).
Springer.

Marcoulides, G. A., Chin, W. W., & Saunders, C. (2009). A critical look at partial
least squares modeling. MIS quarterly, 33(1), 171-175. [Link]
org/10.2307/20650283

Mertler, C. A., & Vannatta, R. A. (2016). Advanced and multivariate statistical

methods: Practical application and interpretation. Taylor & Francis.

Nitzl, C. (2016). The use of partial least squares structural equation modelling
(PLS-SEM) in management accounting research: Directions for future theory
44 development. Journal of Accounting Literature, 37(December), 19–35.
[Link]
CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

Olsson, U. H., Foss, T., Troye, S. V., & Howell, R. D. (2000). The performance of ML,
GLS, and WLS estimation in structural equation modeling under conditions of
misspecification and nonnormality. Structural Equation Modeling, 7(4), 557-
595. [Link]

Reinartz, W., Haenlein, M., & Henseler, J. (2009). An empirical comparison of

the efficacy of covariance-based and variance-based SEM. International
Journal of Research in Marketing, 26(4), 332–344. [Link]
ijresmar.2009.08.001

Richter, N. F., Cepeda-Carrion, G., Roldán Salgueiro, J. L., & Ringle, C. M. (2016).
European management research using partial least squares structural
equation modeling (PLS-SEM). European Management Journal, 34(6), 589-
597.

Rigdon, E. E. (2012). Rethinking partial least squares path modeling: In praise

of simple methods. Long Range Planning, 45(5-6), 341-358. [Link]
org/10.1016/[Link].2012.09.010

Rigdon, E. E. (2013). Partial least squares path modeling. In G. R. Hancock & R. D.

Mueller (Eds.), Structural equation modeling: A second course (2a. ed.), pp.
81–116). Information Age.

Rigdon, E. E. (2016). Choosing PLS path modeling as analytical method in European

management research: A realist perspective. European Management
Journal, 34(6), 598-605. [Link]
 DR. DIEGO ALONSO NORENA-CHAVEZ

Ringle, C. M., Wende, S., & Becker, J. M. (2022). SmartPLS 4. Oststeinbek:

SmartPLS. [Link]

Sarstedt, M., Bengart, P., Shaltoni, A. M., & Lehmann, S. (2018). The use of
sampling methods in advertising research: A gap between theory and
practice. International Journal of Advertising, 37(4), 650-663. [Link]
/10.1080/02650487.2017.1348329

Sarstedt, M., Hair, J. F., Ringle, C. M., Thiele, K. O., & Gudergan, S. P. (2016).
Estimation issues with PLS and CBSEM: Where the bias lies! Journal
of Business Research, 69(10), 3998-4010. [Link]
jbusres.2016.06.007

Sarstedt, M., & Mooi, E. (2019). Regression analysis. En A Concise Guide to Market
Research: The Process, Data, and Methods Using IBM SPSS Statistics (pp.
209-256).
45

CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

Sarstedt, M., Ringle, C. M., & Hair, J. F. (2017). Treating unobserved heterogeneity
in PLS-SEM: A multi-method approach. Partial least squares path modeling:
Basic concepts, methodological issues and applications, 197-217. https://
[Link]/10.1007/978-3-319-64069-3_9

Shmueli, G., Ray, S., Estrada, J. M. V., & Chatla, S. B. (2016). The elephant in the
room: Predictive performance of PLS models. Journal of Business Research,
69(10), 4552-4564. [Link]

Shmueli, G., Sarstedt, M., Hair, J. F., Cheah, J. H., Ting, H., Vaithilingam, S., &
Ringle, C. M. (2019). Predictive model assessment in PLS-SEM: guidelines
for using PLSpredict. European Journal of Marketing, 53(11), 2322-2347.
[Link]

Wainer, H. (2011). Profiles in Research: An Interview with Karl Gustav

Joreskog. Journal of Educational and Behavioral Statistics, 36(3), 403-412.

Westland, J. C. (2015). Structural equation models. Stud. Syst. Decis.

Control, 22(5), 152. [Link]

Willaby, H., Costa, D., Burns, B., MacCann, C., & Roberts, R. (2015). Testing
complex models with small sample sizes: A historical overview and empirical
demonstration of what partial least squares (PLS) can offer differential
psychology. Personality and Individual Differences, 84, 73–78. [Link]
org/10.1016/[Link].2014.09.008
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Wold, H. (1985). Systems analysis by partial least squares. En P. Nijkamp, H.

Leitner, & N. Wrigley (Eds.), Measuring the unmeasurable (pp. 221-252).
Martinus Nijhoff.

Wright, S. (1960). Path coefficients and path regressions: alternative or

complementary concepts? Biometrics, 16(2), 189-202.

ARTÍCULOS RECOMENDADOS

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial
Least Squares Structural Equation Modeling (PLS-SEM) (3a. ed.). Sage.

Henseler, J., Ringle, C. M., & Sarstedt, M. (2012). Using Partial Least Squares Path
Modeling in International Advertising Research: Basic Concepts and Recent
46 Issues. En S. Okazaki (Ed.), Handbook of Research in International Advertising
(pp. 252-276). Edward Elgar Publishing.
CAPÍTULO 1: CONSTRUYENDO PUENTES DE COMPRENSIÓN

Henseler, J., Ringle, C. M., & Sinkovics, R. R. (2009). The Use of Partial Least
Squares Path Modeling in International Marketing. En R. R. Sinkovics & P. N.
Ghauri (Eds.), Advances in International Marketing (pp. 277-320). Emerald.

Lohmöller, J.-B. (1989). Latent Variable Path Modeling with Partial Least Squares.
Physica.

Wold, H. (1982). Soft Modeling: The Basic Design and Some Extensions. En K. G.
Jöreskog & H. Wold (Eds.), Systems Under Indirect Observations: Part II (pp.
1-54). North-Holland.
 2
CAPÍTULO
EXAMINANDO EL
MODELO
DE MEDIDA
REFLEXIVO

47
 OBJETIVOS DE APRENDIZAJE

 Comprender el modelo de medición reflexiva

 Conocer el concepto de confiabilidad de

indicadores
48
 Conocer diferentes métricas para evaluar la
confiabilidad de la consistencia interna

 Interpretar el promedio de varianza

extraída (AVE) como una medida de validez
convergente

 Evaluar la validez discriminante utilizando el

criterio de Fornell y Larcker, y el criterio HTMT

 Saber cómo informar el modelo de medición

reflexiva en un artículo de investigación
 DR. DIEGO ALONSO NORENA-CHAVEZ

2.1 Modelo de Medida Reflexivo

En el modelado de ecuaciones estructurales (SEM, por sus siglas en inglés), un

modelo de medición reflexiva es una forma de modelo de medición. Se asume
que los indicadores observables reflejan el constructo o variable oculta (Hair
et al., 2022). Se considera que los indicadores son causados por el constructo
latente, y se ven como diversas manifestaciones o características de este.
Cuando se asume que los indicadores comparten un significado común e
indican el mismo constructo subyacente, se utiliza típicamente el paradigma
de medición reflexiva (Hair et al., 2022). Este enfoque se utiliza con frecuencia
en psicología, ciencias sociales, negocios e investigación de mercados. En
la Figura 2.1, se aprecia que las flechas salen del constructo al indicador
(indicadores reflectivos).

49
Figura 2.1
Modelo reflectivo

CAPÍTULO 2: EXAMINANDO EL MODELO DE MEDIDA REFLEXIVO

De acuerdo con Jarvis et al. (2003), existen los siguientes criterios para
evaluar los indicadores reflectivos:

 Los indicadores son manifestaciones del constructo, en el sentido de que

cada medida está determinada por el propio constructo.
 Los indicadores comparten un tema en común, de manera que todos
y cada uno captan la esencia global del constructo. Además, los
indicadores son intercambiables.
 Los indicadores están fuertemente correlacionados puesto que
comparten una fuente común (todos son reflejo del mismo constructo
latente subyacente).
 Los indicadores deberían de tener los mismos antecedentes o
consecuencias puesto que son reflejos del mismo constructo latente.
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

La Figura 2.2 muestra los criterios, métricas y umbrales que se usarán para
evaluar el modelo de medida reflectivo; posteriormente, se profundizará en
cada uno de los criterios.

Figura 2.2
Criterio, métricas y umbrales

Criterio Métricas y Umbrales

Confiabilidad ≥ 0.708 (Siempre revisar cuidadosamente los demas indicadores antes

del indicador de decidir eliminar uno).

Los limites inferior y superior para la confiabilidad de la consistencia

interna están representados por el alfa de Cronbach y la confiabilidad
compuesta (rhoc), respectivamente. Alfa de Cronbach: una medida
de confiabilidad de consistencia interna que asume cargas de indicador
iguales. El alfa de Cronbach representa una medida conservadora de la

50
fiabilidad de la consistencia interna. La fiabilidad compuesta es
Confiabilidad una medida de confiabilidad de consistencia interna que, a diferencia del
de la alfa de Cronbach, no asume cargas de indicador iguales.
Debe estar por encima de 0,70 .
CAPÍTULO 2: EXAMINANDO EL MODELO DE MEDIDA REFLEXIVO

consistencia
interna
En investigaciones exploratorias, se considera aceptable un rango
de 0,60 a 0,70.

Para mantener la validez de contenido, se recomienda limitar

la redundancia de indicadores a un máximo de 0.95.

El rango recomendado está entre 0.80 y 0.90.

Validez
AVE ≥ 0.50.
convergente

Para constructos conceptualmente similares, HTMT debe ser < 0.90;

para constructos conceptualmente diferentes, HTMT debe ser < 0.85.
Validez
discriminante
Fornell-Larcker: √AVE debe ser mayor que la correlación con el resto
de los constructos.

Nota. Adaptado de Hair et al. (2021)

2.2 Confiabilidad del Indicador

El primer paso para evaluar un modelo de medición reflexiva es determinar

cuánta varianza de cada indicador es explicada por su constructo, lo cual
es una medida de la confiabilidad del indicador. Para calcular la varianza
explicada de un indicador, debemos elevar al cuadrado la carga del indicador,
que es la correlación bivariada entre el indicador y el constructo (Hair et al.,
2022). En consecuencia, la confiabilidad del indicador indica su comunidad. Se
recomiendan cargas del indicador superiores al 0.708 %, ya que indican que el
constructo explica más del cincuenta por ciento de la varianza del indicador, lo
cual proporciona una confiabilidad del indicador aceptable.
 DR. DIEGO ALONSO NORENA-CHAVEZ

En la investigación en ciencias sociales, las cargas del indicador tienden a ser

más débiles (0.708) en los modelos de medición, especialmente cuando se
utilizan escalas de reciente desarrollo (Hulland, 1999). En lugar de eliminar
automáticamente los indicadores cuyas cargas estén por debajo de 0.70, los
investigadores deben examinar los efectos de la eliminación del indicador en
otras medidas de confiabilidad y validez. Los indicadores con cargas entre 0.40 y
0.708 deben considerarse para su eliminación solo si la eliminación del indicador
incrementa la confiabilidad de consistencia interna o la validez convergente por
encima del umbral indicado. La validez de contenido, que se refiere al grado en
que una medida representa todos los aspectos de un determinado constructo,
es un factor adicional por considerar al decidir si se elimina un indicador. Por lo
tanto, a veces, se conservan cargas reducidas del indicador. Sin embargo, los
indicadores con cargas extremadamente bajas (por debajo de 0.40) siempre
deben eliminarse del modelo de medición (Hair et al., 2022).

¿Cómo aplicar SmartPLS 4 para calcular la confiabilidad del indicador? 51

CAPÍTULO 2: EXAMINANDO EL MODELO DE MEDIDA REFLEXIVO

Después de que los datos sean importados en SmartPLS4, el lector debe
seguir los pasos previamente descritos en el capítulo 1.

Paso 1. Debe dirigirse a SmartPLS 4 y seguir los siguientes pasos: a)

seleccionar la opción “calcular/calculate”; b) seleccionar el algoritmo
PLS-SEM. La Figura 2.3 muestra la selección de la técnica para poder
calcular la confiabilidad del indicador.

Figura 2.3
Cálculo de la confiabilidad del indicador en SmartPLS4
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Paso 2. Le aparecerá un cuadro de diálogo del algoritmo PLS-SEM. Deberá

seleccionar lo siguiente: en el esquema de ponderación, elija la
opción path; en el tipo de resultados, seleccione estandarizados; en
el peso inicial, elija el valor predeterminado; finalmente, seleccione
comenzar el cálculo. La Figura 2.4 muestra las opciones de elección
para iniciar el cálculo para obtener la confiabilidad del indicador.

Figura 2.4
Cuadro para iniciar la obtención de la confiabilidad del indicador

52
CAPÍTULO 2: EXAMINANDO EL MODELO DE MEDIDA REFLEXIVO

Paso 3: Ahora, se puede observar el modelo con las cargas factoriales y los
coeficientes de ruta (path coefficient). Los coeficientes de ruta en
PLS-SEM normalmente varían entre -1 y +1, donde el signo indica
la dirección de la relación. Estos coeficientes de ruta muestran
el peso del impacto del predictor (EL) en el resultado (TR). Un
coeficiente de ruta más cercano a 1 o -1 indica una relación más
fuerte, mientras que un valor cercano a 0 indica una relación más
débil. Estos coeficientes son fundamentales para comprender la
fuerza y la dirección de las relaciones entre las variables latentes en
el modelo de PLS-SEM. Por otro lado, las flechas que van desde la
variable latente (círculo azul) hacia los ítems (recuadros amarillos)
representan las cargas externas o factoriales (outer loadings). Se
explica qué son las cargas factoriales, por qué son importantes, qué
muestran y cuál es el rango de valores de las cargas factoriales.
La Figura 2.5 muestra el modelo con las cargas factoriales y los
coeficientes de ruta.
 DR. DIEGO ALONSO NORENA-CHAVEZ

Figura 2.5
Modelo de los coeficientes de ruta y cargas factoriales

53
Paso 4: Verifique las cargas externas, las cuales pueden presentarse de dos

CAPÍTULO 2: EXAMINANDO EL MODELO DE MEDIDA REFLEXIVO

formas diferentes. Puede seleccionar entre la visualización en forma
de matriz o en forma de lista. La Figura 2.6, la Figura 2.7, la Figura
2.8 y la Figura 2.9 muestran ambas formas de presentación y los
pasos para obtener las cargas.

Figura 2.6
Selección de opción de cargas externas
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Figura 2.7
Visualización de opciones de presentación

54
CAPÍTULO 2: EXAMINANDO EL MODELO DE MEDIDA REFLEXIVO

En la Figura 2.8, se presentan las cargas externas, donde se puede observar

que tanto EL1 como EL2 están resaltadas en color rojo. Es importante
destacar que estas cargas no fueron eliminadas debido a una evaluación
previa.

Figura 2.8
Selección de la opción matriz
 DR. DIEGO ALONSO NORENA-CHAVEZ

En la Figura 2.9, se muestra la opción de lista, la cual recomiendo utilizar por

su practicidad al presentar informes futuros.

Figura 2.9
Selección de la opción lista

55

CAPÍTULO 2: EXAMINANDO EL MODELO DE MEDIDA REFLEXIVO

2.3 Consistencia interna

El segundo paso en la evaluación de los modelos de medición reflectivos

es evaluar la consistencia interna a través de la confiabilidad. En términos
sencillos, la confiabilidad es la precisión y estabilidad que se obtienen con
los indicadores. Valores más altos indican un mayor grado de confiabilidad.
Por ejemplo, en investigaciones exploratorias, se considera “aceptable” un
valor de confiabilidad entre 0,60 y 0,70, mientras que valores entre 0,70 y
0,90 son considerados “satisfactorios a buenos”. Valores superiores a 0,90
(y especialmente superiores a 0,95) son problemáticos porque indican que
los indicadores son redundantes, lo que disminuye la validez del constructo
(Diamantopoulos et al., 2012). Además, valores de confiabilidad de 0,95 o más
implican la posibilidad de patrones de respuesta indeseables (por ejemplo,
alineación recta), lo que resulta en correlaciones infladas entre los términos
de error de los indicadores. En PLS-SEM, existen los siguientes criterios para
evaluar la confiabilidad: a) alfa de Cronbach, y b) la confiabilidad compuesta.

El alfa de Cronbach es un coeficiente de confiabilidad utilizado para evaluar la

consistencia interna de un conjunto de indicadores que miden un constructo
(Cronbach, 1951). Este coeficiente mide la correlación promedio entre los
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

indicadores, y proporciona una estimación de la precisión y consistencia

de los indicadores en la medición del constructo (Hair et al., 2022). Por otro
lado, la confiabilidad compuesta es otro coeficiente utilizado para evaluar
la consistencia interna de los indicadores que miden un constructo. A
diferencia del alfa de Cronbach, que se basa en la correlación promedio
entre los indicadores, la confiabilidad compuesta se calcula a partir de la
varianza extraída del constructo en relación con la varianza total observada.
Además, existen dos coeficientes de confiabilidad: a) el rho_a (coeficiente de
confiabilidad exacta); y b) el rho_c (coeficiente de confiabilidad compuesta). Su
principal radica en la forma en que se calculan y en los supuestos que hacen.
En resumen, rho_a proporciona una medida más precisa de la consistencia
interna teniendo en cuenta la estructura factorial del modelo, mientras
que rho_c es más utilizado en PLS-SEM y considera la covarianza entre los
indicadores. En la sección 2.3, explicaré dónde ver la confiabilidad de la

56
consistencia interna
CAPÍTULO 2: EXAMINANDO EL MODELO DE MEDIDA REFLEXIVO

2.4 Validez Convergente

La tercera fase consiste en evaluar la validez convergente de cada constructo.

La validez convergente se refiere al grado en que el constructo converge para
explicar la variación de sus indicadores. La varianza extraída promedio (AVE,
por sus siglas en inglés) de todos los indicadores de cada constructo es la
métrica utilizada para evaluar la validez convergente.

El AVE se define como el valor promedio de las cargas al cuadrado de los

indicadores asociados (es decir, la suma de las cargas al cuadrado dividida por
el número de indicadores). Por lo tanto, el AVE es equivalente a la comunalidad
de un constructo. El AVE mínimo aceptable es 0,50; un AVE de 0,50 o superior
indica que el constructo explica al menos el 50 por ciento de la varianza de los
indicadores que componen el constructo (Hair et al., 2022).

Para ver la confiabilidad y validez de los constructos utilizando SmartPLS

4, por favor, sigue los siguientes pasos: a) haz clic en “confiabilidad y validez
de los constructos”, b) haz clic en “visión general”/overview. La Figura 2.10
muestra los criterios de validez y confiabilidad junto con sus resultados
respectivos.
 DR. DIEGO ALONSO NORENA-CHAVEZ

Figura 2.10
Validez y confiabilidad

2.5 Validez Discriminante 57

CAPÍTULO 2: EXAMINANDO EL MODELO DE MEDIDA REFLEXIVO

La validez discriminante se refiere al grado en que un determinado constructo
es distinguible empíricamente de otros constructos. Es una medida de la
precisión con la que el constructo representa un concepto único, y no se
superpone o se confunde con otros constructos en el modelo (Hair et al.,
2019). En esencia, se refiere a qué punto el constructo mide con precisión
el constructo previsto. El criterio de Fornell y Larcker (1981) es una técnica
utilizada para evaluar la presencia de validez discriminante. Según este
enfoque, el constructo presenta un grado de correlación mayor con sus
indicadores que con cualquier otro constructo. Para evaluar este requisito
específico, es necesario asegurarse de que la varianza extraída promedio
(AVE) de cada constructo sea mayor que la correlación al cuadrado más alta
con cualquier otro constructo. Una segunda opción para evaluar la validez
discriminante es analizar las cargas cruzadas de los indicadores. Este método,
comúnmente percibido como más permisivo según Henseler et al. (2009),
requiere que las cargas de cada indicador en su respectivo constructo superen
las cargas cruzadas en otros constructos. La Figura 2.11 muestra dónde
encontrar el criterio de Fornell-Larcker en SmartPLS4. Recordemos que la √AVE
debe ser mayor que la correlación con el resto de los constructos. Como se
aprecia en la Figura 2.11, 0.740 es mayor a 0.715; por lo tanto, se cumple la
propiedad.
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Figura 2.11
Criterio Fornell-Larcker (Validez discriminante)

58
CAPÍTULO 2: EXAMINANDO EL MODELO DE MEDIDA REFLEXIVO

Otro criterio utilizado para determinar la validez discriminante es el HTMT.

El HTMT es el promedio de todas las correlaciones entre indicadores de
constructos que miden constructos diferentes (es decir, las correlaciones
heterotrait-heteromethod) en relación con el promedio (geométrico) de las
correlaciones entre indicadores que miden el mismo constructo (es decir,
las correlaciones monotrait-heteromethod). Se presentan problemas de
validez discriminante cuando los valores de HTMT son altos. Henseler et al.
(2015) sugieren un valor de corte de 0.90 para modelos estructurales con
constructos conceptualmente muy similares, como satisfacción cognitiva,
satisfacción afectiva y lealtad. En dicho contexto, un puntaje de HTMT por
encima de 0.90 indicaría la ausencia de validez discriminante. Sin embargo,
cuando los constructos son conceptualmente más distintos, se recomienda
un umbral más bajo y conservador, como 0.85 (Henseler et al., 2015). En
la Figura 2.12, se presenta el criterio HTMT utilizado para evaluar la validez
discriminante. El valor obtenido es de 0.814, lo que indica que se cumple con
el criterio de existencia de validez discriminante según este enfoque.
 DR. DIEGO ALONSO NORENA-CHAVEZ

Figura 2.12
HTMT (Validez discriminante)

59

CAPÍTULO 2: EXAMINANDO EL MODELO DE MEDIDA REFLEXIVO

¿Cómo solucionar el problema de la validez discriminante?

Algunas recomendaciones basadas en el libro de Hair et al. (2022) son las

siguientes:

 Los investigadores revisan cuidadosamente y evalúan el contenido

de los ítems de medición de cada constructo para asegurarse de que
representen características distintas de los constructos. En caso de
encontrar problemas de superposición o redundancia de ítems, se
pueden realizar modificaciones o eliminar algunos ítems para aumentar la
validez discriminante.
 Se examinan las cargas externas, que representan las relaciones entre
los ítems de medición y los constructos latentes. Se verifica que los
ítems tengan altas cargas en su constructo correspondiente y bajas
cargas en otros constructos para demostrar, así, la validez discriminante.
 Se evalúan las cargas cruzadas, las cuales muestran las relaciones entre
los ítems de evaluación y constructos distintos de aquellos a los que
están diseñados para medir. Se asegura de que las cargas cruzadas sean
modestas y estadísticamente insignificantes, lo que evidencia la validez
discriminante.
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

2.6 ¿Cómo presentar esta sección en un artículo de

investigación?

Recuerde que todos los números proporcionados en esta sección son

ejemplos. En un artículo de investigación, es esencial presentar esta
información dentro de la sección de resultados. Recomiendo encarecidamente
consultar las pautas del autor de las revistas respectivas, ya que cada una
estipula requisitos y reglas específicas de formato. El ejemplo está en idioma
inglés, debido a que la mayoría de las revistas se encuentran en ese idioma. Se
recomienda usar tres decimales. La Figura 2.13, la Figura 2.14 y la Figura 2.15
muestran los criterios de confiabilidad, y los diferentes tipos de validez.

Figura 2.13
Confiabilidad y validez

60 Composite
Average
Outer Cronbach’s variance
CAPÍTULO 2: EXAMINANDO EL MODELO DE MEDIDA REFLEXIVO

Construct Item reliability

loadings alpha extracted
(rho_c)
(AVE)
EL1 0.655 0.882 0.906 0.548
EL2 0.755
EL3 0.694

Entrepreneurial EL4 0.756

Leadership (EL) EL5 0.831
EL6 0.709
EL7 0.789
EL8 0.720
TR1 0.753 0.839 0.886 0.608
Team TR2 0.775
Reflexivity TR3 0.801
(TR) TR4 0.774
TR5 0.794

Nota. Está en el idioma inglés por practicidad.

 DR. DIEGO ALONSO NORENA-CHAVEZ

Figura 2.14
Heterotrait-monotrait ratio (HTMT)

EL TR
EL
TR 0.814

Figura 2.15
Fornell-Larcker Criterion

EL TR
EL 0.740

61
TR 0.715 0.780

CAPÍTULO 2: EXAMINANDO EL MODELO DE MEDIDA REFLEXIVO

 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

REFERENCIAS

Cronbach, L. J. (1951). Coefficient alpha and the internal structure of

tests. Psychometrika, 16(3), 297-334.

Diamantopoulos, A., Sarstedt, M., Fuchs, C., Wilczynski, P., & Kaiser, S. (2012).
Guidelines for choosing between multi-item and single-item scales for
construct measurement: a predictive validity perspective. Journal of the
Academy of Marketing Science, 40, [Link]://[Link]/10.1007/
s11747-011-0300-3

Fornell, C., & Larcker, D. F. (1981). Structural equation models with unobservable
variables and measurement error: Algebra and statistics.

Hair Jr., J. F., Sarstedt, M., Hopkins, L., & Kuppelwieser, V. G. (2014). Partial
62 least squares structural equation modeling (PLS-SEM): An emerging tool in
business research. European Business Review, 26(2), [Link]://doi.
CAPÍTULO 2: EXAMINANDO EL MODELO DE MEDIDA REFLEXIVO

org/10.1108/EBR-10-2013-0128

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial
Least Squares Structural Equation Modeling (PLS-SEM) (3ra. Ed.). Sage.

Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing
discriminant validity in variance-based structural equation modeling. Journal
of the Academy of Marketing Science, 43, [Link]://[Link]/10.1007/
s11747-014-0403-8

Henseler, J., Ringle, C. M., & Sinkovics, R. R. (2009). The use of partial least
squares path modeling in international marketing. En Sinkovics, R. R., &
Ghauri, P. N. (Eds.), New Challenges to International Marketing (Advances
in International Marketing, Vol. 20) (pp. 277-319). Emerald Group Publishing
Limited. [Link]

Hulland, J. (1999). Use of partial least squares (PLS) in strategic management

research: A review of four recent studies. Strategic Management
Journal, 20(2), 195–204. [Link]
0266(199902)20:2<195::AIDSMJ13>[Link];2-7

Jarvis, C. B., MacKenzie, S. B., & Podsakoff, P. M. (2003). A critical review of

construct indicators and measurement model misspecification in marketing
and consumer research. Journal of Consumer Research, 30(2), 199-218.
[Link]
 DR. DIEGO ALONSO NORENA-CHAVEZ

ARTÍCULOS RECOMENDADOS

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial
Least Squares Structural Equation Modeling (PLS-SEM) (3ra. Ed.). Sage.

Henseler, J., Ringle, C. M., & Sarstedt, M. (2012). Using Partial Least Squares
Path Modeling in International Advertising Research: Basic Concepts and
Recent Issues. En S. Okazaki (Ed.), Handbook of Research in International
Advertising (pp. 252-276). Edward Elgar Publishing: Cheltenham. [Link]
org/10.4337/9781781001042.00023

Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing
discriminant validity in variance-based structural equation modeling.
Journal of the Academy of Marketing Science, 43, 115-135. [Link]
org/10.1007/s11747-014-0403-8

Henseler, J., Ringle, C. M., & Sinkovics, R. R. (2009). The use of partial least
63

CAPÍTULO 2: EXAMINANDO EL MODELO DE MEDIDA REFLEXIVO

squares path modeling in international marketing. En R. R. Sinkovics & P.
N. Ghauri (Eds.), New Challenges to International Marketing (Advances in
International Marketing, Vol. 20), (pp. 277-319). Emerald Group Publishing
Limited. [Link]

Lohmöller, J.-B. (1989). Latent Variable Path Modeling with Partial Least Squares.
Physica.

Ringle, C. M., Sarstedt, M., Sinkovics, N., & Sinkovics, R. R. (2023). A Perspective
on Using Partial Least Squares Structural Equation Modeling in Data Articles.
Data in Brief, 48, 109074.

Wold, H. (1982). Soft Modeling: The Basic Design and Some Extensions. En K. G.
Jöreskog & H. Wold (Eds.), Systems Under Indirect Observations: Part II (pp.
1-54). North-Holland.
 3
CAPÍTULO
EXAMINANDO EL
MODELO
DE MEDICIÓN
FORMATIVA

65
 OBJETIVOS DE APRENDIZAJE

1. Conocer los criterios de evaluación del modelo

de medida formativa
66
2. Aprender e implementar técnicas de
bootstrapping para probar la significancia

3. Aplicar los criterios de evaluación del modelo

de medición formativa a SmartPLS 4
 DR. DIEGO ALONSO NORENA-CHAVEZ

3.1 ¿Qué es un modelo de medida formativa?

Un modelo de medida formativa en PLS-SEM es un tipo de modelo de medición

en el cual los indicadores observados o variables manifiestas se consideran
determinantes o causas del constructo latente que reflejan (Hair et al., 2019).
En otras palabras, en lugar de ser solo reflejos o mediciones del constructo,
los indicadores se consideran parte de él.

El constructo latente en un modelo de medición formativa que se define

mediante un conjunto de indicadores que están conceptualmente vinculados
al constructo y ayudan a establecer su significado (Hair et al., 2022). Los
indicadores se eligen en función de la teoría y se espera que capturen diversos
elementos o dimensiones del constructo. Cada indicador aporta información
única al modelo de medición, y se considera que el constructo se genera

67
mediante la combinación o síntesis de estos indicadores. El énfasis se pone
en definir los pesos o la importancia de los indicadores en la generación del
constructo, así como en evaluar la validez y confiabilidad general del modelo

CAPÍTULO 3: EXAMINANDO EL MODELO DE MEDICIÓN FORMATIVA

de medición.

En general, un modelo de medición formativa en PLS-SEM ofrece una

perspectiva alternativa al modelo de medición reflexivo, más comúnmente
utilizado, en el cual los indicadores se consideran consecuencias o reflejos
del constructo latente. Antes de decidir si utilizar una medición formativa
o reflexiva, es fundamental evaluar exhaustivamente las bases teóricas y
conceptuales del constructo.

De acuerdo con Jarvis et al. (2003), existen los siguientes criterios para los
modelos formativos en PLS-SEM:

 Los indicadores del constructo representan características que

colectivamente explican el concepto contenido en el constructo.
Cambios en los indicadores alterarían el constructo.
 Los indicadores no comparten un tema en común. Eliminar un indicador
puede alterar el dominio conceptual del constructo.
 Los indicadores no son intercambiables.
 No se espera nada de las correlaciones. Quizás, pueden ser bajas, altas o
intermedias.
 No se espera que los indicadores compartan los mismos antecedentes.

Es importante recordar que los modelos de medida representan la relación

entre los constructos y los indicadores. En la Figura 3.1, se presentan ambos
tipos modelos de medición. Sin embargo, al considerar el modelo de medida
formativo, es evidente que eliminar el indicador de “natación” resultaría en la
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

pérdida de significado del constructo “triatlón”. Por otro lado, en un modelo de

medida reflectivo, la eliminación del indicador “nivel de glucosa” no afectaría el
significado de los indicadores restantes que se consideran en el contexto de
un triatlón.

Figura 3.1
Ejemplos de modelos de medida

68
CAPÍTULO 3: EXAMINANDO EL MODELO DE MEDICIÓN FORMATIVA

El enfoque de medida formativo tiene como objetivo minimizar el intercambio

de indicadores complementarios, mientras que el enfoque de medida reflectivo
busca maximizar dicho intercambio (Hair et al., 2022). Para visualizar esta
diferencia, se presenta la Figura 3.2, que ilustra los modelos de medida
reflectivo y formativo. Esta nos permite apreciar gráficamente que, en el
modelo de medida formativo, no se produce un intercambio de indicadores.

Figura 3.2
Modelo de medida reflectivo y formativo
 DR. DIEGO ALONSO NORENA-CHAVEZ

Según una revisión de estudios de PLS-SEM en gestión estratégica y

marketing, muchos investigadores utilizan incorrectamente los criterios
de evaluación de modelos de medida reflectivos para evaluar medidas
formativas en PLS-SEM. Sin embargo, los criterios estadísticos de evaluación
de escalas de medida reflectivas no pueden aplicarse fácilmente a modelos
de medida formativos, donde los indicadores pueden representar las causas
independientes del constructo y no correlacionarse fuertemente. Se supone
que los indicadores formativos no tienen error (Bollen y Diamantopoulos, 2017;
Diamantopoulos, 2006; Edwards y Bagozzi, 2000), por lo que la noción de
fiabilidad de consistencia interna no es apropiada.

Evaluar la validez convergente y discriminante de constructos evaluados

de forma formativa utilizando criterios de modelos de medida reflectivos
carece de sentido (Chin, 1998). Antes de analizar empíricamente constructos

69
evaluados de forma formativa, los investigadores deben verificar la validez
de contenido. Esta fase implica asegurarse de que los indicadores formativos
capturen todos o la mayoría de los aspectos del constructo. El investigador

CAPÍTULO 3: EXAMINANDO EL MODELO DE MEDICIÓN FORMATIVA

describe con precisión el dominio de contenido que los indicadores miden
para abordar las dificultades de validez de contenido al construir constructos
formativos. Los investigadores deben utilizar indicadores que abarquen
el ámbito del constructo formativo. Un método cualitativo riguroso debe
identificar indicadores completos para los constructos medidos de forma
formativa. Excluir aspectos principales del constructo (es decir, indicadores
significativos) excluye porciones importantes del constructo. La evaluación de
expertos garantiza una selección óptima de indicadores. Los investigadores
deben realizar una revisión exhaustiva de la literatura y asegurarse de tener
una base teórica sólida al desarrollar medidas (Bollen & Diamantopoulos, 2017;
Diamantopoulos & Winklhofer, 2001; Jarvis et al., 2003).

Los pasos para evaluar un modelo de medida formativo son los siguientes: a)
evaluación de la validez convergente, b) evaluación de la colinealidad de los
indicadores, y c) evaluación de la relevancia y significancia estadística de los
pesos de los indicadores. A continuación, se explicarán en detalle cada uno de
estos pasos.

3.2 Validez Convergente

En la evaluación de modelos de medida formativos, la validez convergente

se refiere al grado en que el constructo especificado de forma formativa
se correlaciona con una variable o variables alternativas medidas de
manera reflectiva que representan el mismo concepto (Hair et al., 2019). El
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

procedimiento fue propuesto inicialmente por Chin (1998) y se conoce como

análisis de redundancia. Para llevar a cabo este procedimiento y determinar la
validez convergente, los investigadores deben incluir una medida alternativa
del constructo evaluado de forma formativa en su cuestionario durante la
fase de diseño de la investigación. A pesar de las limitaciones en cuanto a la
validez de criterio (Diamantopoulos et al., 2012; Sarstedt et al., 2016), Cheah
et al. (2018) demuestran que un único ítem global que capture la esencia del
constructo en consideración suele ser suficiente como medida alternativa.
Cuando el modelo se basa en datos secundarios, se utiliza una variable
que mide el mismo concepto (Houston, 2004). Según Hair et al. (2022), la
correlación entre el constructo evaluado de forma formativa, y el ítem o ítems
evaluados de manera reflectiva debe ser al menos de 0.708, lo que indica que
el constructo explica más del 50 % de la varianza de la medida alternativa.

70 3.3 Colinealidad de Indicadores

CAPÍTULO 3: EXAMINANDO EL MODELO DE MEDICIÓN FORMATIVA

Cuando dos o más indicadores en un modelo de medida formativo están

altamente correlacionados, se conoce como colinealidad (Hair et al., 2019).
La alta correlación aumenta el error estándar de los pesos de los indicadores,
lo que conduce a errores de tipo II (falsos negativos). Niveles más altos de
colinealidad, incluso, pueden provocar cambios de signo en los pesos de
los indicadores, lo que genera confusión en la interpretación. Por ejemplo,
un cambio de signo inducido por la colinealidad podría resultar en un peso
negativo para un indicador que mide una faceta del rendimiento empresarial,
como “[la empresa] está extremadamente bien gestionada”.

Un cambio de signo de este tipo indicaría que, a medida que los encuestados
evalúan mejor la gestión de la empresa, su percepción de su rendimiento
disminuye. Este tipo de resultado contradice las suposiciones a priori, y es
especialmente contradictorio cuando la correlación entre el constructo y
el indicador es positiva. El factor de inflación de varianza (VIF) es la métrica
estándar para determinar la colinealidad de los indicadores. Cuando los
valores de VIF aumentan, aumenta el grado de colinealidad. Los valores
de VIF mayores a 5 indican problemas de colinealidad. En este caso, los
investigadores deben tomar medidas adecuadas para reducir el nivel
de colinealidad, como eliminar o consolidar indicadores, o desarrollar un
constructo de orden superior (Hair et al., 2022). Sin embargo, los problemas
de colinealidad también pueden ocurrir con valores de VIF por debajo de 3
(Becker et al., 2018; Mason & Perreault, 1991). Cuando el análisis produce
cambios de signo inesperados en los pesos de los indicadores, el primer paso
es comparar el signo de la relación utilizando una correlación bivariada. Si
el signo de la relación difiere del signo de la correlación, los investigadores
 DR. DIEGO ALONSO NORENA-CHAVEZ

deben revisar la configuración del modelo mediante la eliminación o

combinación de indicadores, o la introducción de un constructo de orden
superior.

3.4 Relevancia y Significación Estadística de los Pesos

de los Indicadores

Examinar la significación estadística y relevancia (es decir, tamaño) de

los pesos de los indicadores es la tercera etapa en la evaluación de los
constructos medidos de forma formativa. La regresión de cada constructo
medido de forma formativa en sus indicadores asociados produce los pesos
de los indicadores. De esta manera, representan la importancia relativa
de cada indicador en la formación del constructo. El procedimiento de
bootstrapping, que facilita la obtención de errores estándar a partir de

71
los datos sin depender de suposiciones de distribución, se utiliza para
probar la significación de los pesos de los indicadores (Hair et al., 2014). La
técnica de bootstrapping genera valores t para los pesos de los indicadores

CAPÍTULO 3: EXAMINANDO EL MODELO DE MEDICIÓN FORMATIVA

(y otros parámetros del modelo). Estos valores t deben compararse con
los valores críticos de la distribución normal estándar para determinar si
los coeficientes difieren sustancialmente de cero. Un valor t mayor a 1.96
(prueba bidireccional) sugiere que el peso del indicador es estadísticamente
significativo, asumiendo un nivel de significancia del 5 %. Los valores críticos
para probabilidades de error del 1 % (α = 0.01) y 10 % (α = 0.10 %) son 2.576
y 1.645, respectivamente (prueba bidireccional).

La significación de los pesos de los indicadores también se puede evaluar

utilizando intervalos de confianza. Estos representan el rango en el cual
se espera que el parámetro poblacional caiga con un grado de confianza
especificado (por ejemplo, 95 % de confianza). En el contexto de PLS-SEM,
también nos referimos a ellos como intervalos de confianza de bootstrap
porque la construcción del intervalo de confianza se deduce de las
estimaciones producidas por el procedimiento de bootstrapping (Henseler
et al., 2009). Se han propuesto varios tipos de intervalos de confianza en el
contexto de PLS-SEM (para obtener una visión general, consulte Hair et al.
(2019). Según los hallazgos de Aguirreta-Urreta y Ronkko (2018), se prefiere el
método de percentiles porque supera a otros métodos en cuanto a cobertura
y equilibrio, y produce intervalos de confianza comparativamente estrechos.
Si un intervalo de confianza no contiene el valor cero, se puede considerar
que el peso es estadísticamente significativo y se puede retener el indicador.
Si, por otro lado, el intervalo de confianza de un peso de indicador incluye el
cero, esto indica que el peso no es estadísticamente significativo (asumiendo
el nivel de significancia especificado, por ejemplo, 5 %). En tal caso, se debe
considerar la eliminación del indicador del modelo de medida.
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Sin embargo, un peso de indicador no significativo no se interpreta

inherentemente como evidencia de un modelo de medida de baja calidad.
Debemos considerar la contribución absoluta de un indicador formativo al
constructo, la cual se determina mediante la carga del indicador formativo
(Cenfetelli & Bassellier, 2009). Al menos, la carga de un indicador formativo
debería ser estadísticamente significativa. Cargas de indicadores de 0.5
o mayores indican que el indicador realiza una contribución absoluta
suficiente a la formación del constructo, incluso si su contribución relativa
es insuficiente. Al decidir si eliminar indicadores formativos basados en los
resultados estadísticos, los investigadores deben tener precaución por las
siguientes razones. En primer lugar, los pesos de los indicadores formativos
dependen del número de indicadores utilizados para medir un constructo.
El peso promedio de los indicadores disminuye a medida que aumenta su
número. Los modelos de medida formativos están limitados en la cantidad de

72
pesos de indicadores estadísticamente significativos (por ejemplo, Cenfetelli
& Bassellier, 2009).
CAPÍTULO 3: EXAMINANDO EL MODELO DE MEDICIÓN FORMATIVA

En segundo lugar, los indicadores deben eliminarse raramente de los

modelos de medida formativos, ya que la medición formativa requiere
que los indicadores abarquen todo el dominio de un constructo según
lo definido por el investigador durante la fase de conceptualización. A
diferencia de los modelos de medida reflectivos, los indicadores formativos
no son intercambiables; por lo tanto, la eliminación, incluso, de un indicador
puede reducir la validez de contenido del modelo de medida (Bollen &
Diamantopoulos, 2017). Después de evaluar la significancia estadística de los
pesos de los indicadores formativos, la etapa final es examinar la relevancia
de cada indicador. Los pesos de los indicadores se estandarizan en valores
entre -1 y +1 en términos de su relevancia. Así, los pesos de indicadores que
están más cerca de +1 (o 1) indican relaciones positivas (o negativas) fuertes,
mientras que los pesos más cercanos a 0 indican relaciones relativamente
débiles. Pautas para evaluar modelos de medida formativos. La Figura 3.3
muestra cinco criterios, con métricas y umbrales que ayudarán al lector a
analizar sus datos.
 DR. DIEGO ALONSO NORENA-CHAVEZ

Figura 3.3
Criterios, métricas y umbrales

Criterio Métricas y Umbrales

Validez convergente Una correlación ≥0.708 entre el constructo formativo

(análisis de redundancia) y una medición reflectiva (o de un solo ítem) del mismo
concepto

Colinealidad Los problemas críticos de colinealidad probablemente

ocurren si VIF ≥ 5; los problemas de colinealidad suelen
ser no críticos si VIF = 3-5; la colinealidad no es un
problema si VIF < 3

Importancia estadística Los valores t son mayores que

de los pesos de los 2.576 (α = 0.01), 1.960 (α = 0.05) o 1.645 (α = 0.10),
indicadores respectivamente (bilateral).
El intervalo de confianza del percentil
73
95% (α = 0.05) no incluye el cero.

CAPÍTULO 3: EXAMINANDO EL MODELO DE MEDICIÓN FORMATIVA

Relevancia de indicadores Pesos de indicadores significativos más grandes
con peso significativo indican una contribución relativa más alta del indicador
al constructo.

Relevancia de Se consideran relevantes los indicadores con cargas

indicadores con pesos no ≥ 0.50 que sean estadísticamente significativos.
significativos

Nota. Traducido de Hair et al. (2022)

3.5 ¿Cómo crear un modelo formativo en Smart-PLS 4?

La escala original consta de 8 ítems, mientras que el último ítem (EL 9) se

agregó para representar el ítem global que abarca la esencia del liderazgo
empresarial. Para probar la validez convergente del constructo formativo, el
modelo fue diseñado para evaluar el impacto del liderazgo empresarial (EL1-
EL8) en el ítem global (EL9). La Figura 3.4 muestra la escala y el ítem global
(EL9) agregado para crear el modelo de medida formativo.
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Figura 3.4
Creación de ítem global

Liderazgo Emprendedor (Items)

ELI: Mi jefe demuestra pasión por mi trabajo.

EL2: Mi jefe tiene una visión del futuro de nuestro negocio.

EL3: Mi jefe me desafía y me impulsa a actuar de manera más innovadora.

EL4: Mi jefe tiene soluciones tiene soluciones creativas a los problemas.

EL5: Mi jefe propone ideas de mejora radical para los productos/servicios que
vendemos.

EL6: Mi jefe frecuentemente propone ideas para productos/servicios

completamente nuevos que podríamos vender.

74 EL7: Mi jefe esta dispuesto a asumir riesgos.

EL8: Mi jefe quiere que desafíe las formas actuales en las que hacemos negocios.
CAPÍTULO 3: EXAMINANDO EL MODELO DE MEDICIÓN FORMATIVA

ITEM GLOBAL EL9: En general, mi jefe demuestra habilidades empresariales.

Paso 1. Seleccionar desde EL1 hasta EL8 y crear un modelo en el lienzo

Paso 2. Seleccionar el ítem EL9 y colocarlo en el lienzo como una variable

separada

Paso 3. Invertir el modelo de medida de reflectivo a formativo

La Figura 3.5 muestra el paso inicial para invertir el modelo de medida (de
reflectivo a formativo).

Paso 4. Ejecutar el algoritmo PLS para evaluar el coeficiente de correlación/

coeficiente de ruta. Ir a la salida del coeficiente de ruta y verificar
si el coeficiente de ruta entre EL y el ítem global es mayor que
0.708. En este caso, los resultados revelan que el coeficiente
de ruta entre el constructo formativo de EL y el ítem global es
mayor que el umbral de 0.708, lo que indica que se establece la
validez convergente para el constructo formativo. La Figura 3.6,
la Figura 3.7 y la Figura 3.8 muestran el proceso para el cálculo de
coeficiente de ruta.
 DR. DIEGO ALONSO NORENA-CHAVEZ

Figura 3.5
Invertir el modelo

75

CAPÍTULO 3: EXAMINANDO EL MODELO DE MEDICIÓN FORMATIVA

Figura 3.6
Primer paso para calcular el coeficiente de ruta
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Figura 3.7
Segundo paso para calcular el coeficiente de ruta

76
Figura 3.8
CAPÍTULO 3: EXAMINANDO EL MODELO DE MEDICIÓN FORMATIVA

Tercer paso para calcular el coeficiente de ruta

Paso 5. Evaluar la multicolinealidad

El siguiente paso en la evaluación del modelo de medida formativo
es examinar la multicolinealidad. La multicolinealidad es el fenómeno
estadístico que ocurre cuando dos o más variables independientes
están altamente correlacionadas. Indica una correlación casi
perfecta o exacta entre los predictores. Esta fuerte correlación
entre variables exploratorias es una de las dificultades más
significativas en el análisis de regresión lineal. Según Hair et al.
(2019), si el factor de inflación de varianza (VIF) es mayor a 3.3,
esto indica un problema de multicolinealidad. Considere eliminar
uno de los indicadores correspondientes si el nivel de colinealidad
es extremadamente alto, como se indica por un valor de VIF de 5
o superior. Sin embargo, esto requiere que los indicadores restantes
sigan transmitiendo adecuadamente el contenido teórico del
constructo. Los resultados del análisis muestran que los valores de
VIF para los indicadores son inferiores al umbral de 3.3. Por lo tanto,
 DR. DIEGO ALONSO NORENA-CHAVEZ

no hay problema de multicolinealidad. La Figura 3.9 muestra dónde

encontrar los estadísticos de colinealidad en el SmartPLS4.

Figura 3.9
Estadísticos de colinealidad

77

CAPÍTULO 3: EXAMINANDO EL MODELO DE MEDICIÓN FORMATIVA

Paso 6. Pesos externos
Después de examinar los valores de VIF para evaluar el modelo de
medida formativo, el siguiente paso es evaluar los pesos externos.
Los pesos externos son los resultados de la regresión múltiple de
un constructo sobre su conjunto de indicadores. En los modelos de
medida formativos, los pesos son el criterio principal para evaluar
la relevancia relativa de cada indicador. Para obtener los pesos
externos, realizaremos un procedimiento de bootstrapping. La Figura
3.10 muestra el proceso de bootstrapping empleando el SmartPLS4.

Figura 3.10
Bootstrapping en un modelo de medida formativo
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Otro criterio importante para evaluar la contribución de un

indicador formativo, por lo tanto, su relevancia, es su peso
externo. Para que los constructos formativos sean validados, los
pesos externos deben ser significativos (p < 0.05). La Figura 3.11
muestra las opciones que se deben seleccionar antes de realizar el
bootstrapping. Los resultados del bootstrapping son mostrados a
continuación.

Figura 3.11
Opciones para seleccionar el bootstrapping

78
CAPÍTULO 3: EXAMINANDO EL MODELO DE MEDICIÓN FORMATIVA

Los pesos externos revelaron que algunos de los ítems que

conforman el liderazgo empresarial no fueron significativos (p > 0.05).
La Figura 3.12 muestra el menú para revisar los pesos externos del
modelo, y los indicadores estadísticos para eliminar o mantener
indicadores formativos.
 DR. DIEGO ALONSO NORENA-CHAVEZ

Figura 3.12
Pesos externos en modelos formativos

Paso 7. Cargas externas

Tras el examen de los pesos externos para la evaluación del modelo
de medida formativo, el siguiente paso es evaluar las cargas

79
externas. Como los resultados de los pesos externos muestran
que algunos de los ítems que conforman el liderazgo empresarial
no fueron significativos. Según Hair et al. (2019), si los pesos

CAPÍTULO 3: EXAMINANDO EL MODELO DE MEDICIÓN FORMATIVA

externos no son significativos, se deben verificar la carga externa
y su significancia. Si la carga externa es mayor a 0.50, se puede
mantener el indicador para un análisis adicional. Sin embargo, si la
carga externa es menor a 0.50, se debe verificar la significancia de
la carga externa. Si la carga externa es <0.5 y no es significativa, se
elimina el indicador. Si la carga externa es <0.5, pero es significativa,
se considera la eliminación del indicador. La Figura 3.13 muestra
las cargas externas y su significancia. Los resultados muestran
que, aunque la carga externa sea menor a 0.50 para algunos de los
indicadores, los p values para los indicadores son menores a 0.05;
por lo tanto, se retuvieron los ítems para un análisis adicional.

Figura 3.13
Cargas externas
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

La Figura 3.14 muestra el proceso de decisión para eliminar o mantener

indicadores formativos (Hair et al., 2019).

Figura 3.14
Criterios para evaluar la eliminación o mantenimiento de indicadores

Continuar con la interpretación

Peso externo
de la contribución absoluta de
significativo
los pesos

Testear la Carga externa < 0.5 Eliminar el indicador

significancia del y no significativa formativo
peso externo
Testear la
Carga externa significancia de la
< 0.5 carga externa del
indicador formativo

Analizar la
carga externa Carga externa < 0.5 Considerar la eliminación
Peso externo no
y significativa del indicador formativo

80
significativo del indicador
formativo

Carga externa
CAPÍTULO 3: EXAMINANDO EL MODELO DE MEDICIÓN FORMATIVA

≥ 0.5
 DR. DIEGO ALONSO NORENA-CHAVEZ

REFERENCIAS

Aguirre-Urreta, M. I., & Rönkkö, M. (2018). Statistical inference with PLSc using
bootstrap confidence intervals. MIS quarterly, 42(3), 1001-1020.

Becker, J. M., Ringle, C. M., & Sarstedt, M. (2018). Estimating moderating effects
in PLS-SEM and PLSc-SEM: Interaction term generation* data treatment.
Journal of Applied Structural Equation Modeling, 2(2), 1-21.

Bollen, K. A., & Diamantopoulos, A. (2017). In defense of causal–formative

measurement models. Journal of the Academy of Marketing Science, 45(1),
11-34. [Link]

Cenfetelli, R. T., & Bassellier, G. (2009). Interpretation of formative measurement

in information systems research. MIS quarterly, 689-707. [Link]
org/10.2307/20650323 81

CAPÍTULO 3: EXAMINANDO EL MODELO DE MEDICIÓN FORMATIVA

Cheah, J. H., Sarstedt, M., Ringle, C. M., Ramayah, T., & Ting, H. (2018).
Convergent validity assessment of formatively measured constructs
in PLS-SEM: On using single-item versus multi-item measures
in redundancy analyses. International Journal of Contemporary
Hospitality Management, 30(11), [Link]://[Link]/10.1108/
IJCHM-10-2017-0649

Chin, W. W. (1998). The partial least squares approach to structural equation

modeling. Modern Methods for Business Research, 295(2), 295-336.

Diamantopoulos, A. (2006). Formative versus reflective measurement models: A

critical review. Journal of Marketing Research, 43(4), 795-809. DOI: 10.1509/
jmkr.43.4.795

Diamantopoulos, A., & Winklhofer, H. M. (2001). Index construction with formative

indicators: An alternative to scale development. Journal of Marketing
Research, 38(2), [Link]://[Link]/10.1509/jmkr.38.2.269.18845

Diamantopoulos, A., Sarstedt, M., Fuchs, C., Wilczynski, P., & Kaiser, S. (2012).
Guidelines for choosing between multi-item and single-item scales for
construct measurement: a predictive validity perspective. Journal of the
Academy of Marketing Science, 40, [Link]://[Link]/10.1007/
s11747-011-0300-3

Edwards, J. R., & Bagozzi, R. P. (2000). On the nature and measurement of affect:
A conceptual and empirical framework. Journal of Personality and Social
Psychology, 79(3), 525-543. [Link]
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Hair Jr., J. F., Sarstedt, M., Hopkins, L., & Kuppelwieser, V. G. (2014). Partial
least squares structural equation modeling (PLS-SEM): An emerging tool in
business research. European Business Review, 26(2), [Link]://doi.
org/10.1108/EBR-10-2013-0128

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial
Least Squares Structural Equation Modeling (PLS-SEM) (3ra. Ed.). Sage.

Henseler, J., Ringle, C. M., & Sinkovics, R. R. (2009). The use of partial least
squares path modeling in international marketing. En Sinkovics, R. R., &
Ghauri, P. N. (Eds.), New Challenges to International Marketing (Advances
in International Marketing, Vol. 20) (pp. 277-319). Emerald Group Publishing
Limited. [Link]

Jarvis, C. B., MacKenzie, S. B., & Podsakoff, P. M. (2003). A critical review of

82 construct indicators and measurement model misspecification in marketing
and consumer research. Journal of Consumer Research, 30(2), 199-218.
CAPÍTULO 3: EXAMINANDO EL MODELO DE MEDICIÓN FORMATIVA

[Link]

Mason, C. H., & Perreault Jr, W. D. (1991). Collinearity, power, and interpretation of
multiple regression analysis. Journal of Marketing Research, 28(3), 268-280.
[Link]

Sarstedt, M., Hair, J. F., Ringle, C. M., Thiele, K. O., & Gudergan, S. P. (2016).
Estimation issues with PLS and CBSEM: Where the bias lies! Journal
of Business Research, 69(10), [Link]://[Link]/10.1016/j.
jbusres.2016.06.007
 4
CAPÍTULO
EVALUACIÓN DEL
MODELO
ESTRUCTURAL

83
 OBJETIVOS DE APRENDIZAJE

 Comprender el concepto de un modelo

estructural

 Familiarizarse con la colinealidad en un

84 modelo estructural

 Aprender a evaluar la significancia y relevancia

de las relaciones en un modelo estructural

 Entender y calcular el coeficiente de

determinación R2

 Comprender y calcular la relevancia predictiva

Q2
 DR. DIEGO ALONSO NORENA-CHAVEZ

4.1 Introducción al Modelo Estructural

Un modelo estructural en PLS-SEM es una representación teórica de las

relaciones entre las variables en un estudio de investigación (Hair et al.,
2019). Se utiliza para analizar y comprender las interacciones entre diferentes
constructos teóricos y examinar cómo se relacionan entre sí. En un modelo
estructural, los investigadores deben especificar las relaciones entre los
diferentes constructos, las cuales se representan mediante flechas o
caminos que indican la fuerza y dirección de las relaciones entre ellos
(Henseler et al., 2016).

Una vez confirmada la validez y confiabilidad de la medición del constructo,

la siguiente etapa es evaluar los resultados del modelo estructural. Como
primer paso, examine el modelo estructural en busca de posibles problemas

85
de colinealidad. La estimación de los coeficientes de ruta en los modelos
estructurales se basa en regresiones de mínimos cuadrados ordinarios (OLS)
de cada constructo endógeno en su respectivo predictor constructo. Al igual

CAPÍTULO 4: EVALUACIÓN DEL MODELO ESTRUCTURAL

que en una regresión OLS, los coeficientes de ruta pueden estar sesgados
si la estimación implica altos niveles de colinealidad entre los constructos
predictores (Chin, 1988). Después de confirmar que la colinealidad no es un
problema, evaluará la significancia y relevancia de las relaciones del modelo
estructural (es decir, los coeficientes de ruta). El tercer y cuarto paso del
procedimiento consisten en evaluar la capacidad explicativa y predictiva del
modelo. Además, ciertas situaciones de investigación requieren el cálculo y
la comparación de modelos alternativos, que pueden derivarse de teorías o
contextos distintos. PLS-SEM facilita la comparación de modelos alternativos
basados en criterios conocidos de la literatura de regresión. La Figura 4.1
muestra el lienzo inicial del modelo, que toma como ejemplo las variables que
fueron evaluadas previamente.

Figura 4.1
Lienzo inicial
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

La Figura 4.2 representa los procesos necesarios para evaluar el modelo

estructural. El rango sugerido para las submuestras de bootstrap es de 5000
a 10000 (Hair et al., 2019). Para los ejemplos en el libro, se mantienen 10000
submuestras. Elija el método de bootstrap corregido por sesgo y acelerado
(BCa) para el procedimiento de intervalo de confianza, ya que proporciona
soluciones más estables. A continuación, seleccione el tipo de prueba
unilateral si la dirección hipotetizada de la relación es positiva o negativa. Sin
embargo, si no hay relación entre las dos hipótesis, elija la opción de prueba
bilateral. En este caso, se asume que la relación entre los constructos de
liderazgo empresarial y reflexividad del equipo es positiva, por lo que se eligió
la opción unidireccional.

Figura 4.2
Opciones a elegir para iniciar el boostrapping

86
CAPÍTULO 4: EVALUACIÓN DEL MODELO ESTRUCTURAL
 DR. DIEGO ALONSO NORENA-CHAVEZ

El resultado gráfico es lo primero que se hace evidente después de completar

el cálculo. La Figura 4.3 muestra la salida gráfica para la relación entre los
constructos de la investigación. La estadística en la flecha del modelo interno
(que apunta de un constructo a otro) denota la significancia de la relación
(valor p), mientras que las flechas que apuntan del constructo a los ítems
(rectángulos amarillos), la significancia de la relación para las cargas externas.
El R2 se representa por el valor en el círculo (variable dependiente), que se
explicará más adelante en el capítulo.

Figura 4.3
Representación gráfica del modelo

87

CAPÍTULO 4: EVALUACIÓN DEL MODELO ESTRUCTURAL

La Figura 4.4 muestra las estadísticas que se pueden informar sobre los
constructos (representados por los círculos azules).

Figura 4.4
Estadísticas sobre los constructos
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

La Figura 4.5 muestra las estadísticas que se informan como parte del modelo
interno (la flecha que vincula los dos constructos).

Figura 4.5
Estadísticas del modelo interno

88 La Figura 4.6 muestra las estadísticas que se pueden informar como parte del
modelo externo (las flechas desde el constructo hacia el indicador).
CAPÍTULO 4: EVALUACIÓN DEL MODELO ESTRUCTURAL

Figura 4.6
Estadísticas del modelo externo

La Figura 4.7 muestra las trayectorias resaltadas, basadas en los valores

relativos y absolutos.

Figura 4.7
Trayectorias de los valores
 DR. DIEGO ALONSO NORENA-CHAVEZ

4.2 Analizar los Problemas de Colinealidad del

Modelo Estructural

En términos simples, la colinealidad surge cuando dos variables están

altamente correlacionadas. Las regresiones del modelo estructural deben
ser verificadas en busca de colinealidad, ya que altas correlaciones entre
constructos predictores pueden sesgar las estimaciones y los errores
estándar (Hair et al., 2011). Esta técnica es similar al análisis de modelos de
medida formativos; sin embargo, se utilizan los puntajes de los constructos
predictores en cada regresión del modelo estructural para generar el factor
de inflación de la varianza (FIV). Valores de FIV por encima de 5 sugieren
colinealidad entre los constructos predictores, mientras que valores de FIV
entre 3 y 5 también pueden indicar colinealidad ( Mason & Perreault, 1991). A
menudo, se utilizan constructos de orden superior para abordar la colinealidad

89
(Hair et al., 2019). La Figura 4.8 y la Figura 4.9 muestran los primeros pasos
para determinar la colinealidad del modelo.

CAPÍTULO 4: EVALUACIÓN DEL MODELO ESTRUCTURAL

Figura 4.8
Pasos iniciales para determinar la colinealidad
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Figura 4.9
Pasos iniciales para determinar la colinealidad

90
CAPÍTULO 4: EVALUACIÓN DEL MODELO ESTRUCTURAL
 DR. DIEGO ALONSO NORENA-CHAVEZ

La Figura 4.10 muestra las estadísticas de colinealidad, y los resultados del

análisis muestran que los valores del FIV (Factor de Inflación de la Varianza)
para los indicadores son inferiores al umbral de 3.3. Por lo tanto, no hay ningún
problema de multicolinealidad (para esta figura, cambie el nombre de las
variables).

Figura 4.10
Estadísticos de colinealidad

91

CAPÍTULO 4: EVALUACIÓN DEL MODELO ESTRUCTURAL

4.3 Evaluar la Significancia y Relevancia de las Relaciones

del Modelo Estructural

A continuación, para probar la significancia de las relaciones estructurales, se

debe realizar el procedimiento de bootstrapping. Para evaluar la significancia y
relevancia, ejecute el procedimiento de bootstrapping con la opción como se
muestra en la Figura 4.11.
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Figura 4.11
Opciones a elegir para aplicar el boostrapping

92
CAPÍTULO 4: EVALUACIÓN DEL MODELO ESTRUCTURAL

La Figura 4.12 muestra los resultados del procedimiento de bootstrapping.

Para obtener la significancia, seleccione los coeficientes de ruta para los
resultados finales.

La muestra original representa el coeficiente de ruta para los datos

originales, mientras que la media de la muestra representa el coeficiente
de ruta para los resultados de bootstrap. El algoritmo PLS-SEM evalúa
las correlaciones del modelo (coeficientes de ruta) entre los constructos.
Normalmente, los coeficientes de ruta oscilan entre 1 y +1. Los coeficientes
de ruta estimados cercanos a +1 indican asociaciones positivas fuertes que
 DR. DIEGO ALONSO NORENA-CHAVEZ

son estadísticamente significativas (y viceversa para valores negativos). A

medida que los coeficientes estimados se acercan a cero, las conexiones del
modelo estructural y la importancia relativa de un constructo para explicar
otro constructo se debilitan (Hair et al., 2019). Normalmente, los valores
bajos cercanos a cero no son estadísticamente significativos. La siguiente
columna representa la desviación estándar de la distribución muestral de una
estadística dada. Los errores estándar son importantes para mostrar cuánta
fluctuación de muestreo tiene una estadística. La siguiente columna muestra
las estadísticas T, una estadística inferencial utilizada para determinar si
hay una relación significativa entre los dos constructos. Finalmente, el valor
p que muestra la significancia de la relación. El valor p representa el nivel
de significancia marginal dentro de una prueba de hipótesis estadística y
representa la probabilidad de ocurrencia de un evento dado. Al interpretar
los resultados de un modelo de ruta, es necesario probar la significancia de

93
todas las relaciones del modelo estructural utilizando valores t, valores p o
intervalos de confianza de bootstrap. Un valor T mayor a 1.645 (unilateral)
y 1.96 (bilateral) muestra que la relación es significativa. Un valor p menor

CAPÍTULO 4: EVALUACIÓN DEL MODELO ESTRUCTURAL

a 0.05 muestra que se apoya la hipótesis propuesta; es decir, se rechaza la
hipótesis nula.

Figura 4.12
Resultados del boostrapping

4.4 Coeficiente de Determinación R2

El coeficiente de determinación R2 es una medida que indica la proporción

de la varianza en la variable dependiente que es explicada por las variables
independientes en un modelo de PLS-SEM (Hair et al., 2019). R2 se interpreta
como el porcentaje de variabilidad en la variable dependiente que puede
ser atribuida a las variables independientes en el modelo (McKelvey &
Zavoina,1975). En este caso, en la Figura 4.13, se muestra un valor de R2
de 0.512, lo que significa que el 51.2 % de la variación en la reflexividad del
equipo puede ser explicada por el liderazgo empresarial. Esto indica que el
liderazgo empresarial tiene una influencia significativa en la reflexividad del
equipo, y que explica una parte sustancial de la variabilidad observada en
esta variable. Es importante tener en cuenta que el R2 puede variar en cada
modelo, y debe ser interpretado en relación con el contexto específico del
estudio y las variables involucradas.
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Figura 4.13
Coeficiente de determinación

94 4.5 Relevancia Predictiva Q2

CAPÍTULO 4: EVALUACIÓN DEL MODELO ESTRUCTURAL

Después de reportar el R2, se recomienda reportar Q2, que es una medida de

relevancia predictiva. La relevancia predictiva Q2 en PLS-SEM es una medida
que evalúa la capacidad del modelo para predecir la construcción endógena
(variable dependiente) en función de las construcciones exógenas (variables
independientes) (Hair et al., 2019). Cuantifica la proporción de la varianza en
la construcción endógena que el modelo puede predecir. Un valor de Q2 de
0 o negativo indica que las predicciones del modelo no son mejores que las
conjeturas aleatorias, mientras que un valor cercano a 1 sugiere que el modelo
tiene un gran poder predictivo. La Figura 4.14 muestra el paso inicial para el
cálculo de la relevancia predictiva.

Figura 4.14
Paso inicial para el cálculo de la relevancia predictiva
 DR. DIEGO ALONSO NORENA-CHAVEZ

La Figura 4.15 muestra las opciones que se deben elegir para comenzar los
cálculos de la relevancia predictiva.

Figura 4.15
Relevancia predictiva (opciones)

95

CAPÍTULO 4: EVALUACIÓN DEL MODELO ESTRUCTURAL

Un valor Q2 de 0,504 sugiere que el modelo tiene un poder predictivo de

moderado a fuerte. La Figura 4.16 muestra dónde encontrar el Q2 en el
SmartPLS4.
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Figura 4.16
Q2 en el programa SmartPLS4

96
CAPÍTULO 4: EVALUACIÓN DEL MODELO ESTRUCTURAL

Finalmente, en la Figura 4.17, se presentan los criterios y los umbrales

respectivos del modelo estructural (Hair et al., 2019).

Figura 4.17
Criterios y Umbrales del Modelo Estructural

Criterio Umbral
Colinealidad VIF <3.3 (Hair et al., 2019)

Magnitud del Entre -1 y +1

coeficiente path

Un coeficiente de camino positivo indica una relación

Signo de los directa y positiva entre los constructos, mientras que
coeficientes path un coeficiente de camino negativo indica una relación
directa y negativa entre los constructos.

Si la hipótesis tiene un signo específico, se debe

utilizar una prueba de una cola con un nivel de
significancia (p-value) menor a 0.05 y un intervalo de
Boostrapping del confianza (CI) del percentil 5% al 95%.
coeficiente path Si la hipótesis no tiene un signo especifico y se busca
(significancia) evaluar si el coeficiente es diferente de cero en
cualquier dirección, se debe utilizar una prueba de dos
colas con un nivel de significancia (p-value) menor
a 0.05 y un intervalo de confianza (CI) del 2.5% al 97.5%.
 DR. DIEGO ALONSO NORENA-CHAVEZ

REFERENCIAS

Chin, W. W. (1998). The partial least squares approach to structural equation

modeling. Modern Methods for Business Research, 295(2), 295-336.

Hair, J. F., Ringle, C. M., & Sarstedt, M. (2011). PLS-SEM: Indeed a silver
bullet. Journal of Marketing theory and Practice, 19(2), 139-152. [Link]
org/10.2753/MTP1069-6679190202

Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how
to report the results of PLS-SEM. European Business Review, 31(1), 2–24.
[Link]

Hair, J., & Alamer, A. (2022). Partial Least Squares Structural Equation Modeling
(PLS-SEM) in second language and education research: Guidelines using an
applied example. Research Methods in Applied Linguistics, 1(3), 100027.
[Link]
97

CAPÍTULO 4: EVALUACIÓN DEL MODELO ESTRUCTURAL

Henseler, J., Hubona, G., & Ray, P. A. (2016). Using PLS path modeling in new
technology research: Updated guidelines. Industrial Management & Data
Systems, 116(1), 2-20. [Link]

Mason, C. H., & Perreault Jr, W. D. (1991). Collinearity, power, and interpretation of
multiple regression analysis. Journal of Marketing Research, 28(3), 268-280.
[Link]

McKelvey, R. D., & Zavoina, W. (1975). A statistical model for the analysis of
ordinal level dependent variables. Journal of Mathematical Sociology, 4(1),
103-120. [Link]
 5
CAPÍTULO
ANÁLISIS
DE MEDIACIÓN

99
 OBJETIVOS DE APRENDIZAJE

 Comprender la importancia de la mediación

en el contexto de la investigación

100  Familiarizarse con los diferentes tipos de

mediación utilizados en las investigaciones

 Adquirir conocimientos sobre cómo llevar a

cabo una mediación utilizando SmartPLS4

 Aprender cómo presentar los resultados de

una mediación de manera adecuada en un
artículo científico
 DR. DIEGO ALONSO NORENA-CHAVEZ

5.1 Introducción al análisis de mediación

Cuando un tercer constructo mediador interviene entre dos constructos

relacionados, se produce una mediación (Hair et al., 2019). En el modelo de
trayectorias PLS, un cambio en el constructo exógeno provoca un cambio
en el constructo mediador, lo que, a su vez, conduce a un cambio en el
constructo endógeno (Hair et al., 2022). La naturaleza (es decir, el mecanismo
o proceso subyacente) de la relación entre dos constructos está gobernada
por un constructo mediador. Para investigar un efecto mediador significativo,
es crucial contar con un sólido respaldo teórico a priori. Si se realiza
correctamente, la mediación puede ser un análisis estadístico útil cuando se
cuenta con este respaldo.

Tomemos como ejemplo la Figura 5.1 para ilustrar los efectos directos e

101
indirectos de una mediación. Los efectos directos son las relaciones de flecha
simple entre la autoeficacia (self-efficacy) y la intención emprendedora
(entrepreneurial intention). Los efectos indirectos implican una secuencia

CAPÍTULO 5: ANÁLISIS DE MEDIACIÓN

de relaciones con al menos un constructo interviniente. Por lo tanto, un
efecto indirecto es una serie de dos o más efectos directos, y se representa
visualmente con múltiples flechas. La Figura 5.1 muestra tanto un efecto
directo p3 entre la autoeficacia y la intención emprendedora, como un efecto
indirecto de la autoeficacia y la intención emprendedora en forma de una
secuencia autoeficacia  pasión emprendedora (entrepreneurial passion) 
intención emprendedora. El efecto indirecto de p1 y p2 es el efecto mediador
de la pasión emprendedora en la relación entre la autoeficacia y la intención
emprendedora.

Figura 5.1
Ejemplo de mediación

Entrepreneurial
Passion P2
P1

Self-Efficacy Entrepreneurial
P3 Intention
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

5.2 Evaluación de los Modelos de Medición y Estructurales

en el Análisis de Mediación

La evaluación de un modelo de mediación requiere que se cumplan todos

los criterios de calidad de los modelos de medición y del modelo estructural
(revisar capítulos previos). La evaluación de los modelos de medición
reflectivos y formativos se realiza primero en el análisis de medida. En el
caso de los constructos mediadores reflectivos, por ejemplo, la falta de
confiabilidad tiene un impacto significativo en las relaciones estimadas en el
modelo de trayectorias PLS; es decir, las trayectorias indirectas pueden ser
mucho más pequeñas de lo esperado (Hair et al., 2019). Por esta razón, el
constructo mediador debe ser medido de manera reflectiva y exhibir un alto
nivel de confiabilidad.

102
Después de establecer modelos de medición confiables y válidos tanto para
el mediador como para los constructos exógenos y endógenos, se deben
considerar todos los criterios de evaluación del modelo estructural (Nitzl
CAPÍTULO 5: ANÁLISIS DE MEDIACIÓN

et al., 2016). Por ejemplo, es esencial asegurarse de que la colinealidad

no esté en un nivel crítico, ya que esto podría resultar en coeficientes de
trayectoria significativamente sesgados. En presencia de altos niveles de
colinealidad, el efecto directo puede volverse insignificante, lo que sugiere
que no hay mediación (consultar la siguiente sección), incluso si existe
una mediación complementaria (parcial). Del mismo modo, altos niveles de
colinealidad pueden provocar cambios inesperados en el signo (por ejemplo,
de positivo a negativo), lo que dificulta la interpretación correcta de varios
tipos de mediación. Además, la falta de validez discriminante entre el
constructo mediador, y el constructo exógeno o endógeno podría dar lugar
a un efecto indirecto fuerte y significativo, pero sustancialmente sesgado,
lo que conduciría a conclusiones incorrectas sobre la mediación. El análisis
del mediador se realiza después de que se hayan cumplido los criterios de
evaluación relevantes para los modelos de medición reflectivos y formativos,
así como para el modelo estructural.

5.3 Diferentes Tipos de Efectos Mediadores

En las últimas décadas, la investigación metodológica ha prestado

considerable atención al tema de cómo probar la mediación. Hace tres
décadas, Baron y Kenny (1986) presentaron un enfoque para el análisis de
mediación que todavía es ampliamente utilizado por los investigadores en la
actualidad. Sin embargo, investigaciones más recientes (por ejemplo, Hayes,
2018) señalan problemas conceptuales y metodológicos con el enfoque de
Baron y Kenny (1986). En este contexto, nuestra descripción se basa en el
 DR. DIEGO ALONSO NORENA-CHAVEZ

trabajo de Zhao et al. (2010), quienes ofrecen una síntesis de investigaciones

previas sobre el análisis de mediación y pautas para futuras investigaciones
(ver también Nitzl et al. (2016) y Cepeda-Carrión et al. (2017)). Los autores
clasifican varios tipos de efectos mediadores en dos categorías distintas.
El primer grupo de efectos indica la ausencia de mediación, es decir, la falta
de un efecto mediador, y el segundo grupo de efectos indica el efecto de
mediación (Zhao et al., 2010). La Figura 5.2 muestra los tipos de mediación.

Figura 5.2
Tipos de mediación

Efecto Tipo Descripción

Ausencia No mediación-solo Ocurre cuando el efecto directo es
de un efecto directo significativo, pero el efecto indirecto no lo es.
efecto
mediador No mediación-sin
efecto
Ocurre cuando ni el efecto directo ni el
indirecto son significativos.
103

CAPÍTULO 5: ANÁLISIS DE MEDIACIÓN

Efecto Mediación Ocurre cuando el efecto indirecto y el efecto
mediador complementaria directo son significativos y apuntan en la
misma dirección.

Mediación Ocurre cuando el efecto indirecto y el efecto

competitiva directo son significativos y apuntan en
direcciones opuestas.

Mediación solo Ocurre cuando el efecto indirecto es

indirecta significativo pero el efecto directo no lo es.
Por lo tanto, la variable mediadora explica
completamente la relación entre una
variable latente exógena y una endógena. La
mediación solo indirecta también se conoce
como mediación completa.

En otras palabras, el análisis de mediación puede revelar que no existe

mediación (es decir, no mediación-solo efecto directo y no mediación-sin
efecto) o, en el caso de mediación, que el constructo mediador explica parte
(mediación complementaria y competitiva), o la totalidad de las relaciones
observadas entre dos variables latentes (mediación solo indirecta). En este
sentido, el método de Zhao et al. (2010) se corresponde estrechamente con el
concepto de mediación parcial (mediación complementaria), variable supresora
(mediación competitiva) y mediación completa (mediación solo indirecta)
propuesto por (Baron & Kenny, 1986).

Para probar el tipo de mediación en un modelo de ruta PLS, se deben realizar

una serie de análisis, como se muestra en la Figura 5.3. En primer lugar, se
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

evalúa la significancia del efecto indirecto (p1, p2) a través del constructo
mediador. Si el efecto indirecto no es estadísticamente significativo (lado
derecho de la Figura 5.3), concluimos que el constructo no actúa como
mediador en la relación examinada. Si bien este resultado no proporciona
apoyo empírico para la relación mediadora hipotetizada, un análisis
adicional del efecto directo p3 puede señalar mediadores no identificados.
Específicamente, si el efecto directo es estadísticamente significativo,
podemos concluir que un mediador omitido podría explicar la relación entre
la variable independiente y la dependiente (no mediación directa solamente).
Sin embargo, debemos concluir que nuestro marco teórico es defectuoso si
el efecto directo también es insignificante (no mediación sin efecto). En este
caso, debemos regresar a la teoría y reconsiderar la configuración del modelo
de ruta. Cabe destacar que esta situación puede ocurrir incluso si la variable
independiente tiene un efecto general significativo en la variable dependiente.

104
Sin embargo, en nuestro análisis inicial, podemos encontrar un apoyo general
para una relación mediadora hipotetizada basada en un efecto indirecto
significativo (lado izquierdo de la Figura 5.3). Como antes, la significancia
CAPÍTULO 5: ANÁLISIS DE MEDIACIÓN

del efecto directo p3 es nuestro próximo enfoque. Si el efecto directo es

insignificante, solo se producirá mediación indirecta.

Podemos distinguir entre mediación complementaria y mediación competitiva

cuando tanto los efectos directos como los efectos indirectos son
significativos. La mediación complementaria se refiere a una circunstancia en
la cual el efecto directo p3, y el efecto indirecto p1 p2 apuntan en la misma
dirección (ambos positivos). En consecuencia, el producto de los efectos
directos e indirectos (p1 p2 p3) es positivo. Además de proporcionar apoyo
para la relación mediadora hipotetizada, la mediación complementaria indica
que podría haberse pasado por alto otro mediador cuya vía indirecta tiene la
misma dirección que el efecto directo.

Por otro lado, en la mediación competitiva, también conocida como mediación

inconsistente (Sarstedt et al., 2020), el efecto directo entre p3 y cualquiera
de los efectos indirectos p1 o p2 tienen signos opuestos. En otras palabras,
el producto de los efectos directos e indirectos es negativo (Figura 5.3). La
mediación competitiva brinda apoyo para el efecto mediador hipotetizado,
pero implica la presencia de otro mediador cuyo efecto indirecto tiene el
mismo signo que el efecto directo. Es importante tener en cuenta que,
en la mediación competitiva, el constructo mediador funciona como una
variable supresora. Por lo tanto, cuando ocurre la mediación competitiva, los
investigadores deben examinar minuciosamente el respaldo teórico para
todos los efectos involucrados. La Figura 5.3 presenta los diversos criterios
que un investigador debe considerar antes de determinar el tipo de mediación
presente.
 DR. DIEGO ALONSO NORENA-CHAVEZ

Figura 5.3
Determinación del tipo de mediación

105

CAPÍTULO 5: ANÁLISIS DE MEDIACIÓN

5.4 Mediación Múltiple

En las secciones anteriores, examinamos el caso de un constructo mediador

singular que explica la relación entre un constructo exógeno y uno endógeno.
El análisis de una configuración de modelo de este tipo también se conoce
como análisis de mediación singular. Sin embargo, al evaluar modelos
estructurales, las construcciones exógenas ejercen su influencia a través
de múltiples construcciones mediadoras la mayoría de las veces. Cepeda-
Carrión et al. (2017) y Nitzl et al. (2016) afirman que esta circunstancia obliga
a realizar un análisis de mediación múltiple en PLS-SEM para las relaciones
hipotéticas a través de más de un mediador. Considere la Figura 5.4 para ver
un ejemplo de mediaciones múltiples con dos mediadores. En este modelo, p3
representa el efecto directo entre la construcción exógena y la construcción
endógena. El efecto indirecto específico de Y1 sobre Y3 a través del mediador
Y2 se cuantifica como p1 p2. Para el segundo mediador Y4, el efecto indirecto
específico viene dado por p4 p5. Además, podemos considerar el efecto
indirecto específico de Y1 sobre Y3 a través de ambos mediadores, Y2 y luego
Y4, que se cuantifica como p1 p6 p5. El efecto indirecto total es la suma
de los efectos indirectos específicos (es decir, p1 p2 + p4 p5 + p1 p6 p5).
Finalmente, el efecto total de Y1 sobre Y3 es la suma del efecto directo y los
efectos indirectos totales (es decir, p3 + p1 p2 + p4 p5 + p1 p6 p5).
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Figura 5.4
Mediación múltiple

Y2
P2
P1

P6 P3
Y1 Y3

P4 P5
Y4

106
CAPÍTULO 5: ANÁLISIS DE MEDIACIÓN

5.5 ¿Cómo Informar un Análisis de Mediación usando

Smart-PLS4?

Para reportar el análisis de mediación después de completar el procedimiento

de bootstrapping, seleccione el efecto indirecto específico en los resultados.
La Figura 5.5 ilustra el proceso inicial. En este caso, asumimos que la variable
TIC actúa como mediadora.

Figura 5.5
Proceso inicial del análisis de mediación
 DR. DIEGO ALONSO NORENA-CHAVEZ

La Figura 5.6 muestra las opciones que se tienen que colocar para aplicar la
técnica del boostrapping.

Figura 5.6
Opciones para iniciar el boostrapping

107

CAPÍTULO 5: ANÁLISIS DE MEDIACIÓN

El primer paso para informar el análisis de mediación es determinar si la

variable de intervención media la relación entre la variable independiente y
la variable dependiente. En el presente ejemplo, la Figura 5.7 revela que TIC
media la relación entre el liderazgo empresarial y la reflexividad del equipo.
Hasta este momento, se puede concluir que existe efecto mediador; sin
embargo, es necesario explicar con más robustez.
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Figura 5.7
Resultados del efecto mediador

El segundo paso es evaluar el tipo de mediación. La mediación puede ser

completa o parcial en este ejemplo, según se explicó anteriormente. Se
encontró una relación directa significativa entre el liderazgo empresarial y la
reflexividad del equipo en presencia del mediador (TIC). Dado que tanto las

108
relaciones directas como las indirectas resultaron significativas, esto indica
que TIC media parcialmente la relación entre el liderazgo empresarial y la
reflexividad del equipo. La Figura 5.8 muestra dónde encontrar la relación
CAPÍTULO 5: ANÁLISIS DE MEDIACIÓN

directa entre liderazgo emprendedor (EL) y reflexividad de equipo (TR).

Figura 5.8
Efecto directo

El tercer paso es la estructuración e informe de los efectos totales.

Para informar los resultados de la mediación basados en los resultados
mencionados anteriormente, los investigadores deberán reportar los efectos
totales, efectos directos e indirectos. La Figura 5.9 muestra dónde encontrar
el efecto total en el SmartPLS4.

Figura 5.9
Efecto total
 DR. DIEGO ALONSO NORENA-CHAVEZ

5.6 Ejemplo de Redacción de Resultados de Mediación

para un Artículo Científico

Se realizó un análisis de mediación para determinar el papel mediador del

capital intelectual del equipo (TIC, en inglés) en la relación entre el liderazgo
empresarial y la reflexividad del equipo. El análisis de mediación reveló
que existe un efecto indirecto significativo del liderazgo empresarial en la
reflexividad del equipo a través del capital intelectual del equipo (ꞵ= 0.414,
estadístico T= 12.779, p= 0.000). Con la inclusión del mediador, se encontró
que el efecto directo del liderazgo empresarial en la reflexividad del equipo
también es significativo (ꞵ= 0.296, estadístico T= 6.471, p= 0.000). Por lo
tanto, el capital intelectual del equipo media parcialmente la relación entre el
liderazgo empresarial y la reflexividad del equipo. Los resultados se pueden
presentar en el formato de la Tabla 1 que se muestra a continuación:

Tabla 1 109
Ejemplo de presentación del efecto mediador

CAPÍTULO 5: ANÁLISIS DE MEDIACIÓN

Efecto Total Path coefficient T statistics P-values

EL  TR 0.710 25.547 0.000

Efecto Directo Path coefficient T statistics P-values

EL  TR 0.296 6.471 0.000

Efecto Indirecto Path coefficient T statistics P-values

EL  TIC  TR 0.414 12.779 0.000

 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

REFERENCIAS

Baron, R. M., & Kenny, D. A. (1986). The moderator-mediator variable distinction

in social psychological research: Conceptual, strategic, and statistical
considerations. Journal of Personality and Social Psychology, 51(6), 1173–
1182

Cepeda-Carrión, G., Nitzl, C., & Roldán, J. L. (2017). Mediation analyses in partial
least squares structural equation modeling: Guidelines and empirical
examples. En H. Latan, & R. Noonan (Eds.), Partial least squares path
modeling: Basic concepts, methodological issues and applications (pp. 173–
195). Cham: Springer.

Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how
to report the results of PLS-SEM. European Business Review, 31(1), 2–24.
110 [Link]
CAPÍTULO 5: ANÁLISIS DE MEDIACIÓN

Hair, J., & Alamer, A. (2022). Partial Least Squares Structural Equation Modeling
(PLS-SEM) in second language and education research: Guidelines using an
applied example. Research Methods in Applied Linguistics, 1(3), 100027.
[Link]

Hayes, A. F. (2018). Introduction to mediation, moderation, and conditional

process analysis: A regression-based approach (2a. Ed.). Guilford.

Nitzl, C., Roldán, J. L., & Cepeda Carrión, G. (2016). Mediation analysis in partial
least squares path modeling: Helping researchers discuss more sophisticated
models. Industrial Management & Data Systems, 116(9), 1849-1864. https://
[Link]/10.1108/IMDS-07-2015-0302

Sarstedt, M., Hair, J. F., Nitzl, C., Ringle, C. M., & Howard, M. C. (2020). Beyond a
tandem analysis of SEM and PROCESS: Use PLS-SEM for mediation analyses!
International Journal of Market Research, 62(3), 288–299.

Zhao, X., Lynch, J. G., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths
and truths about mediation analysis. Journal of Consumer Research, 37(2),
197–206.

ARTÍCULOS RECOMENDADOS

Ali, F., Rasoolimanesh, S. M., Sarstedt, M., Ringle, C. M., & Ryu, K. (2018). An
assessment of the use of partial least squares structural equation modeling
(PLS-SEM) in hospitality research. International Journal of Contemporary
 DR. DIEGO ALONSO NORENA-CHAVEZ

Hospitality Management, 30(1), 514-538. [Link]

IJCHM-10-2016-0568

Büdenbender, B., Köther, A. K., Grüne, B., Michel, M. S., Kriegmair, M. C., &
Alpers, G. W. (2023). When attitudes and beliefs get in the way of shared
decision-making: A mediation analysis of participation preference. Health
Expectations, 26(2), 457-466. [Link]

Carrión, G. C., Nitzl, C., & Roldán, J. L. (2017). Mediation analyses in partial least
squares structural equation modeling: Guidelines and empirical examples.
En H. Latan & R. Noonan (Eds.), Partial least squares path modeling: Basic
concepts, methodological issues and applications (pp. 173-195). Springer.
[Link]

Cepeda, G., Nitzl, C., & Roldán, J. L. (2017). Mediation analyses in partial least
squares structural equation modeling: Guidelines and empirical examples.
En H. Latan & R. Noonan (Eds.), Partial least squares path modeling: Basic
111

CAPÍTULO 5: ANÁLISIS DE MEDIACIÓN

concepts, methodological issues and applications (pp. 173-195). Springer.

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial
Least Squares Structural Equation Modeling (PLS-SEM) (3a. Ed.). Sage.

Laghaie, A., & Otter, T. (2023). EXPRESS: Measuring Evidence for Mediation
in the Presence of Measurement Error. Journal of Marketing Research,
00222437231151873. [Link]

Nitzl, C., Roldán, J. L., & Cepeda Carrión, G. (2016). Mediation analysis in partial
least squares path modeling: Helping researchers discuss more sophisticated
models. Industrial Management & Data Systems, 116(9), 1849-1864.

Sarstedt, M., Hair Jr, J. F., Nitzl, C., Ringle, C. M., & Howard, M. C. (2020). Beyond
a tandem analysis of SEM and PROCESS: Use of PLS-SEM for mediation
analyses! International Journal of Market Research, 62(3), 288-299. https://
[Link]/10.1177/1470785320915686

Zhao, X., Lynch, J. G., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths
and truths about mediation analysis. Journal of Consumer Research, 37(2),
197–206.

Zhao, Y., & Luo, X. (2023). Multilevel mediation analysis with structured
unmeasured mediator-outcome confounding. Computational Statistics &
Data Analysis, 179, 107623. [Link]
 6
CAPÍTULO
ANÁLISIS
DE MODERACIÓN

113
 OBJETIVOS DE APRENDIZAJE

1. Comprender los fundamentos de la

moderación al utilizar PLS-SEM
114
2. Ser capaz técnicamente de realizar un análisis
de moderación

3. Utilizar el software SmartPLS 4 para ejecutar

un análisis de moderación

4. Entender cómo interpretar los resultados del

análisis de moderación
 DR. DIEGO ALONSO NORENA-CHAVEZ

6.1 Introducción

La moderación ocurre cuando una tercera variable, llamada variable

moderadora, afecta la relación entre dos constructos (Hair et al., 2019). La
variable moderadora (o constructo) modifica la intensidad o dirección de una
relación del modelo entre dos constructos. La felicidad y lealtad del cliente
varían según los ingresos (Homburg & Giering, 2001). En particular, una mayor
riqueza debilita la relación entre satisfacción y lealtad. Los ingresos moderan
la heterogeneidad. Por lo tanto, el nivel de ingresos afecta la relación entre
satisfacción y lealtad. La moderación tiene en cuenta la variabilidad de los
datos.

Basados en la teoría, los investigadores plantean hipótesis y evalúan las

relaciones de moderación. Si el investigador hipotetiza que una relación del

115
modelo o todas las relaciones del modelo dependen de los datos de la variable
moderadora, se determina la prueba de la relación de moderación. En el último
caso, hipotetizamos que los ingresos solo afectan la satisfacción hacia la

CAPÍTULO 6: ANÁLISIS DE MODERACIÓN

lealtad.

6.2 Tipos de Moderación

Los modelos estructurales tienen varios moderadores. Ejemplos de ellos

son el género, la edad y los ingresos. También, pueden indicar atributos no
observables, como la tolerancia al riesgo, la participación con la marca y los
gustos publicitarios. Los moderadores pueden medirse con uno o más ítems,
e indicadores reflexivos o formativos. La escala de medición del moderador,
ya sea categórica (generalmente binaria) o continua, es la distinción más
importante.

La variable del tipo de servicio (contrato vs. prepago) podría ser un moderador
categórico en el estudio de caso sobre la reputación empresarial en
telefonía móvil en el Perú. Estas variables categóricas suelen codificarse
frecuentemente de manera binaria con ceros y unos, siendo 0 la categoría de
referencia (Hair et al., 2019). Los moderadores categóricos pueden representar
muchos grupos. En el caso de tres grupos (por ejemplo, contrato a corto
plazo, contrato a largo plazo y prepago), podríamos dividir el moderador en dos
variables binarias (dummy) para cada grupo e incluirlas en el modelo. Para la
categoría de referencia, en este ejemplo, el prepago, ambas variables binarias
(dummy) serían cero. Un 1 en cada variable binaria (dummy) implicaría las
otras dos categorías. Para evaluar una relación, los modelos de trayectoria de
PLS podrían incorporar moderadores categóricos, al igual que las regresiones
de mínimos cuadrados ordinarios. La mayoría de los investigadores utilizan
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

una variable moderadora categórica para dividir el conjunto de datos en dos

o más grupos, y estimar modelos para cada grupo. El análisis de múltiples
grupos identifica las conexiones del modelo que difieren considerablemente
entre grupos. Al cambiar el enfoque de una relación del modelo a todas las
relaciones del modelo, este enfoque proporciona una imagen más completa de
la influencia del moderador en los resultados del análisis. Sin embargo, dicho
examen requiere teoría.

Los investigadores, a menudo, utilizan una variable moderadora continua

para influir en un vínculo específico entre dos variables latentes. Un
moderador continuo es una variable en PLS-SEM que mantiene un efecto
moderador sobre la relación entre los constructos (Diamantopoulos, et al.,
2012). Este tipo de moderador tiene valores en una escala continua, como
una variable numérica. El moderador continúa influyendo en la dirección de

116
la relación entre los constructos, lo que significa que, dependiendo de su
nivel o valor, puede aumentar o disminuir la relación entre ellos (Sarstedt
et al., 2016). Para dividir los datos en distintos grupos o categorías, se
CAPÍTULO 6: ANÁLISIS DE MODERACIÓN

analizará a medida que el moderador vaya afectando la asociación entre los

constructos a lo largo de toda su escala. Esto permite una comprensión más
precisa y detallada de la relación y sus variaciones a lo largo del continuo de
moderadores (Aguinis et al., 2005).

6.3 Análisis de moderación en Smart PLS 4

Diseño del modelo. Sumando el liderazgo emprendedor como variable

independiente, el análisis de Big Data como variable moderadora y la pasión
emprendedora en equipo como variable dependiente. A continuación, conecte
la variable independiente con la variable dependiente. Luego, para agregar el
efecto moderador, arrastre el mouse desde la variable moderadora (BDA) en la
flecha que conecta la variable independiente y dependiente (la relación que se
ha estado moderando). Asegúrese de que el botón de la barra de herramientas
de conexión esté seleccionado al conectar las variables. La Figura 6.1 muestra
un ejemplo de moderación creado en SmartPLS4.

A continuación, para evaluar el efecto moderador, ejecute el procedimiento de

arranque con 10000 submuestras. La Figura 6.2 muestra lo que se tiene que
colocar en la opción del boostrapping.
 DR. DIEGO ALONSO NORENA-CHAVEZ

Figura 6.1
Ejemplo de moderación

117

CAPÍTULO 6: ANÁLISIS DE MODERACIÓN

Figura 6.2
Elementos por colocar en el boostrapping
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Para ver los resultados, seleccione coeficientes de ruta debajo de los

resultados finales; los resultados del efecto moderador se muestran como una
interacción de las variables independientes y moderadoras que influyen en la
variable de resultado. El producto de interacción ofrece que el BDA modera
positivamente la relación entre el liderazgo empresarial y la pasión empresarial
del equipo. Esto muestra que el análisis de datos comerciales fortalece la
relación entre el liderazgo empresarial y la pasión empresarial del equipo. La
Figura 6.3 muestra en cuál sección se debe revisar el efecto moderador.

Figura 6.3
Efecto moderador en SMARTPLS4

118
CAPÍTULO 6: ANÁLISIS DE MODERACIÓN

Además del análisis de moderación, se debe realizar un análisis de pendiente

para ver si el efecto de interacción es significativo. Para completar el análisis
de pendiente, ejecute el algoritmo PLS. Para mostrar la pendiente, seleccione
análisis de pendiente simple para las opciones de la izquierda. La pendiente
también se presenta en la siguiente figura.

Para interpretar la pendiente, los estudiosos deben identificar la inclinación

del gradiente (las líneas). Las líneas de colores muestran el impacto del
liderazgo empresarial en la pasión empresarial del equipo en diferentes
niveles del moderador. Los resultados revelaron que la línea verde es mucho
más pronunciada, lo que muestra que un nivel más alto de análisis de Big
Data, si aumenta el liderazgo empresarial, conduce a un cambio más fuerte
en la pasión empresarial del equipo en comparación con cuando el análisis
de datos comerciales es bajo (línea roja), que muestra que un nivel más
bajo de capacidad de datos comerciales si hay un aumento en el liderazgo
empresarial no conduce a un cambio similar en la pasión empresarial del
equipo. La Figura 6.4 muestra dónde buscar el efecto moderador (darle clic a
“simple slope analisis”).
 DR. DIEGO ALONSO NORENA-CHAVEZ

Figura 6.4
Análisis de pendiente

119

CAPÍTULO 5: ANÁLISIS DE MEDIACIÓN

 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

REFERENCIAS

Aguinis, H., Beaty, J. C., Boik, R. J., & Pierce, C. A. (2005). Effect size and power
in assessing moderating effects of categorical variables using multiple
regression: a 30-year review. Journal of Applied Psychology, 90(1), 94.
[Link]

Diamantopoulos, A., Sarstedt, M., Fuchs, C., Wilczynski, P., & Kaiser, S. (2012).
Guidelines for choosing between multi-item and single-item scales for
construct measurement: a predictive validity perspective. Journal of the
Academy of Marketing Science, 40, 434-449. [Link]
s11747-011-0300-3

Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how
to report the results of PLS-SEM. European Business Review, 31(1), 2–24.
120 [Link]
CAPÍTULO 5: ANÁLISIS DE MEDIACIÓN

Homburg, C., & Giering, A. (2001). Personal characteristics as moderators

of the relationship between customer satisfaction and loyalty—an
empirical analysis. Psychology & Marketing, 18(1), 43-66. [Link]
org/10.1002/1520-6793(200101)18:1<43: AID-MAR3>[Link];2-I

Sarstedt, M., Hair, J. F., Ringle, C. M., Thiele, K. O., & Gudergan, S. P. (2016).
Estimation issues with PLS and CBSEM: Where the bias lies! Journal of
Business Research, 69(10), 3998-4010.
 7
CAPÍTULO
CONSTRUCTOS
DE
ORDEN SUPERIOR

121
 OBJETIVOS DE APRENDIZAJE

 Definir construcciones de orden superior

122  Diferenciar tipos de constructos de orden

superior

 Analizar beneficios y aplicaciones

 Garantizar equivalencia de mediciones

 Modelar en PLS-SEM

 Evaluar cargas y confiabilidad

 Evaluar validez discriminante

 Realizar análisis de bootstrapping

 Analizar colinealidad (VIF)

 Exportar y documentar resultados

 DR. DIEGO ALONSO NORENA-CHAVEZ

7.1 ¿Qué son los constructos de orden superior?

Los constructos de orden superior son conceptos abstractos que se modelan

a partir de dimensiones y subdimensiones más concretas (Sarstedt et al.,
2019). Estos se utilizan ampliamente en las ciencias sociales, como en la
administración. Los constructos de orden superior en PLS-SEM permiten
a los investigadores ampliar el alcance de aplicabilidad a modelos más
sofisticados e intrincados, como interacciones reflectivas o formativas
(Crocetta et al., 2020). Los constructos de orden superior en la investigación
organizacional son complejos y tienen múltiples dimensiones. Asegurar
su equivalencia de medición es crucial tanto para la comprensión teórica
como para la simulación a pequeña escala (Cheung, 2008). De acuerdo con
Lohmöller (1989), los constructos de orden superior, también conocidos
como modelos de componentes jerárquicos en el contexto de PLS-SEM,

123
ofrecen a los investigadores un marco para representar un constructo en un
nivel más abstracto (conocido como componente de orden superior) y sus
subdimensiones más simples (conocidas como componentes de orden inferior).

CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

Hay numerosos beneficios significativos en los constructos de orden superior.
Inicialmente, simplifican el modelo al reducir la cantidad de relaciones
necesarias, lo que hace que sea más fácil de gestionar (Sarstedt et al.,
2019). Esto se logra integrando múltiples constructos independientes en un
solo constructo de orden superior, eliminando así la necesidad de conectar
explícitamente todos los componentes de orden inferior con los constructos
dependientes. La reorganización de indicadores en subdimensiones más
específicas del constructo abstracto se facilita con ellos, lo que también
reduce los problemas de colinealidad entre los indicadores, y ayuda a equilibrar
la cantidad de información y la precisión de las pruebas (Hair et al., 2018).

Ejemplo de Constructo de Orden Superior: Capital Intelectual

El capital intelectual es la capacidad complementaria de los individuos para

generar valor añadido y crear riqueza, incluyendo tanto recursos tangibles
como intangibles (Nerdrum & Erikson, 2001). De acuerdo con Swart (2006),
el capital intelectual generalmente se compone de tres variables: Capital
Organizacional (o Estructural), Capital Humano, y Capital de Clientes (o
Relacional). En el contexto del capital intelectual, una ilustración de un
constructo de orden superior podría consistir en tres dimensiones principales:
capital humano, capital estructural y capital relacional. El constructo de orden
superior del capital intelectual se forma colectivamente por cada una de estas
dimensiones, las cuales pueden considerarse como constructos de orden
inferior.
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Constructo de Orden Superior: Capital Intelectual (IC)

Constructos de Orden Inferior: Capital Humano (HC), Capital Estructural (SC),

Capital Relacional (RC). La Figura 7.1 muestra un ejemplo de HOC.

Figura 7.1
Ejemplo de HOC

124
CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

7.2 Tipos de Constructos de Orden Superior

Hay cuatro tipos principales de constructos de orden superior que se utilizan

en el análisis, de acuerdo con Sarstedt et al. (2019). La Figura 7.2 muestra los
tipos de constructos de orden superior y sus descripciones.

Figura 7.2
Tipos de constructos de orden superior

Tipo de Constructo Descripción

Tipo I: Tanto el constructo de orden superior como los
Reflectivo-Reflectivo constructos de orden inferior son medidos de manera
reflectiva. Los indicadores reflejan el constructo
subyacente.
 DR. DIEGO ALONSO NORENA-CHAVEZ

Tipo II: El constructo de orden superior es medido de manera

Reflectivo-Formativo formativa por sus constructos de orden inferior, que son
medidos de manera reflectiva. Los indicadores reflejan los
constructos de orden inferior, los que a su vez forman el
constructo de orden superior.

Tipo III: El constructo de orden superior es medido de manera

Formativo-Reflectivo reflectiva por sus constructos de orden inferior, que son
medidos de manera formativa. Los constructos de orden
inferior forman el constructo de orden superior y los
indicadores reflejan los constructos de orden inferior.

Tipo IV: Tanto el constructo de orden superior como los

Formativo-Formativo constructos de orden inferior son medidos de manera
formativa. Los constructos de orden inferior y sus
indicadores forman el constructo de orden superior.

Para fines prácticos, en este libro, me centraré en los constructos de orden

superior reflectivo-formativo y reflectivo-reflectivo.
125

CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

7.2.1 Constructo de Orden Superior Reflectivo-formativo

La variable latente exógena, EL, influye en BDA, que a su vez afecta a varios
constructos: TR, TIC, TEPD, y TEPI. Esto indica que TEPD y TEPI son constructos
de orden inferior. Dichos constructos influyen, además, en IPF, lo que influye
directamente en RC, SC, y HC, e indica que RC, SC y HC son constructos de
orden inferior dentro del modelo. Por último, PS está directamente influenciado
por IPF. La Figura 7.3 muestra un modelo que utilicé para explicar un modelo de
constructo de orden superior del tipo Reflectivo-Formativo.

Figura 7.3
Constructo de orden superior reflectivo-formativo
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

La Figura 7.4 muestra el primer paso, que consiste en seleccionar el algoritmo

PLS-SEM.

Figura 7.4
Primer paso del análisis

126
CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

La Figura 7.5 muestra la configuración del algoritmo PLS-SEM. Para configurar

el algoritmo PLS-SEM, seleccione el esquema de ponderación “Path” y elija
“Standardized” para el tipo de resultados. Luego, seleccione “Start calculation”
(iniciar el cálculo) para comenzar el análisis.

Figura 7.5
Configuración del algoritmo PLS-SEM
 DR. DIEGO ALONSO NORENA-CHAVEZ

La Figura 7.6 muestra la sección Outer loadings. Seleccione “List” para ver las
Outer loadings (Cargas externas) de cada constructo. Esto mostrará una lista
de cargas externas, indicando la fuerza de las relaciones entre las variables
observadas y sus respectivos constructos latentes.

Figura 7.6
Sección Outer loadings

127

CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

La Figura 7.7 muestra la selección de fiabilidad y validez del constructo.

Navegue a “Construct reliability and validity” y seleccione “Overview”
para ver la tabla que muestra el Alfa de Cronbach, “Composite reliability”
(fiabilidad compuesta) (rho_a and rho_c), y “Average Variance Extracted”
(AVE) (Varianza Media Extraída) para cada constructo. Esta tabla proporciona
una visión general de la fiabilidad y validez de los constructos en su modelo.
*Para resolver el problema de la baja fiabilidad y validez, los lectores pueden
referirse al capítulo 3.
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Figura 7.7
Sección de Fiabilidad y Validez del Constructo

128
CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

La Figura 7.8 muestra la sección de Validez Discriminante. Navegue a

“Discriminant validity” y seleccione “Heterotrait-monotrait ratio (HTMT) - Matrix”
para ver los valores HTMT. Esta matriz muestra la validez discriminante de los
constructos, indicando hasta qué punto un constructo es verdaderamente
distinto de otros constructos en el modelo.

Figura 7.8
Validez discriminante
 DR. DIEGO ALONSO NORENA-CHAVEZ

La Figura 7.9 muestra la validez discriminante utilizando el criterio de Fornell-

Larcker. Navegue a “Discriminant validity” y seleccione “Fornell-Larcker
criterion” para ver la matriz. Esta tabla muestra los valores de validez
discriminante, indicando el grado en que cada constructo es distinto de
los demás, lo cual es esencial para confirmar que los constructos miden
conceptos diferentes.

Figura 7.9
Validez discriminante utilizando el criterio de Fornell-Larcker

129

CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

La Figura 7.10 muestra la sección de variables latentes. Navegue a “Latent

variables” y seleccione “Scores” para ver los puntajes de cada variable latente
en tu modelo. Esta tabla muestra los puntajes de las variables latentes,
proporcionando información sobre los valores de cada constructo en diferentes
casos. Para guardar estos datos, haz clic en el botón “Create data file”.

La Figura 7.11 muestra el proceso de duplicar un proyecto en SmartPLS.

Para duplicar un proyecto, haga clic derecho sobre el proyecto deseado en el
espacio de trabajo. En el menú contextual, seleccione “Duplicate”. Esta acción
creará una copia del proyecto seleccionado, lo que permite trabajar con un
duplicado sin alterar el proyecto original.
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Figura 7.10
Sección de variables latentes

130
CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

Figura 7.11
Duplicar proyecto
 DR. DIEGO ALONSO NORENA-CHAVEZ

La Figura 7.12 muestra cómo seleccionar un archivo de datos en SmartPLS.

Para seleccionar un archivo de datos, haga clic en el botón “Select” y elija el
archivo de datos deseado de la lista de archivos disponibles. Esto cargará el
archivo de datos seleccionado en su proyecto actual para su posterior análisis.

Figura 7.12
Seleccionar un archivo de datos

131

CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

La Figura 7.13 muestra el proceso de nombrar una nueva variable latente
en SmartPLS. Para agregar una nueva variable latente, haga clic en el botón
“Latent variable”; luego, ingrese el nombre de la nueva variable latente en el
campo proporcionado y presione la tecla “Enter” para continuar. Esta acción
creará una nueva variable latente en su modelo, la cual podrá conectar a otras
variables según sea necesario.

La Figura 7.14 muestra cómo invertir el modelo de medición para una variable
latente. Haga clic derecho sobre la variable latente; luego, seleccione “Invert
measurement model” en el menú contextual, o presione “Alt+Q”. Esta acción
invertirá el modelo de medición, cambiando la dirección de las flechas entre la
variable latente y sus indicadores.
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Figura 7.13
Nombrar una nueva variable latente

132
CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

Figura 7.14
Invertir el modelo de medición
 DR. DIEGO ALONSO NORENA-CHAVEZ

La Figura 7.15 muestra cómo conectar variables latentes en SmartPLS. Para

conectar variables latentes, haga clic en el botón “Connect” en la barra de
herramientas. Luego, haga clic en la variable latente desde la cual desea
iniciar la conexión y arrastre la flecha hacia la variable latente a la que
desea conectar. Esta acción creará un camino entre las variables latentes
seleccionadas, lo cual permite establecer relaciones dentro de su modelo.

Figura 7.15
Opción Connect

133

La Figura 7.16 muestra la conexión finalizada entre variables latentes CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR
en SmartPLS. Asegúrese de que todas las conexiones deseadas estén
establecidas haciendo clic en el botón “Connect”, luego haciendo clic y
arrastrando de una variable latente a otra. Esto solidificará las relaciones
dentro de su modelo, como lo indican las flechas entre las variables.

La Figura 7.17 muestra cómo agregar una nueva conexión a la variable latente
“IC” en SmartPLS. Haga clic en el botón “Connect”; luego, haga clic y arrastre,
desde la variable latente “TEP”, a “IC” para crear la nueva conexión. Presione
la tecla “Enter” para confirmar y continuar. Esto establecerá un nuevo camino,
indicando la relación entre “TEP” e “IC” en su modelo.
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Figura 7.16
Conexión finalizada

134
CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

Figura 7.17
Añadir una nueva conexión

La Figura 7.18 muestra cómo invertir el modelo de medición para una variable
latente. Haga clic derecho sobre la variable latente; luego, seleccione “Invert
measurement model” en el menú contextual, o presione “Alt+Q”. Esta acción
invertirá el modelo de medición, cambiando la dirección de las flechas entre la
variable latente y sus indicadores.
 DR. DIEGO ALONSO NORENA-CHAVEZ

Figura 7.18
Invertir el modelo

135

CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

La Figura 7.19 muestra el modelo final en SmartPLS con todas las variables
latentes y sus conexiones establecidas. Asegúrese de que todas las
conexiones deseadas estén hechas haciendo clic en el botón “Connect” y,
luego, haciendo clic y arrastrando de una variable latente a otra para crear
caminos. Verifique que el modelo represente con precisión las relaciones
hipotetizadas entre los constructos.

Figura 7.19
Conexión establecida
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

La Figura 7.20 muestra la selección del algoritmo PLS-SEM desde el menú de

algoritmos estándar. Para ejecutar el algoritmo PLS-SEM, haga clic en el botón
“Calculate” en la barra de herramientas; luego, seleccione “PLS-SEM algorithm”
en el menú desplegable. Esto iniciará el proceso de cálculo para el modelo
que ha construido, lo que permitirá analizar las relaciones entre las variables
latentes.

Figura 7.20
Selección del algoritmo PLS-SEM

136
CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

La Figura 7.21 muestra la ventana de configuración del algoritmo PLS-

SEM. Para iniciar el algoritmo PLS-SEM, asegúrese de que el esquema de
ponderación “Path” esté seleccionado y el “Type of results” esté configurado
en “Standardized”. Luego, haga clic en el botón “Start calculation” para
comenzar el análisis. Esto ejecutará el algoritmo PLS-SEM y generará los
resultados para su modelo.

La Figura 7.22 muestra cómo verificar los valores VIF para las estadísticas de
colinealidad en el algoritmo PLS-SEM. Para verificar los valores VIF, navegue a
“Quality criteria” y seleccione “Collinearity statistics (VIF).” Luego, elija “Outer
model - List” para ver los valores VIF de cada indicador. Este paso es crucial
para asegurar que la multicolinealidad no afecte los resultados de su modelo;
debe considerar números por debajo del cinco (Hair et al., 2021).
 DR. DIEGO ALONSO NORENA-CHAVEZ

Figura 7.21
Ventana de configuración del algoritmo PLS-SEM

137

CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

Figura 7.22
VIF
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

La Figura 7.23 muestra cómo verificar la significancia de los pesos externos

en el modelo PLS-SEM. Para verificar la significancia de los pesos externos,
navegue al botón “Calculate” en la barra de herramientas y seleccione
“Bootstrapping” en el menú desplegable. Esto realizará un análisis de
bootstrapping, que proporciona los niveles de significancia para los pesos
externos, lo que ayuda a determinar la fiabilidad de los indicadores en la
medición de sus respectivos constructos.

Figura 7.23
Selección de “Bootstrapping”

138
CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

La Figura 7.24 muestra la ventana de configuración de bootstrapping

en SmartPLS. Para realizar el bootstrapping, configure los siguientes
parámetros: Subsamples a 10,000, seleccione “Do parallel processing”; elija
“Most important (faster)” para la cantidad de resultados; y asegúrese de
que el método “Percentile bootstrap” esté seleccionado para el método de
intervalo de confianza. Configure el tipo de prueba en “One tailed” y el nivel de
significancia en 0.05000. Finalmente, haga clic en el botón “Start calculation”
para iniciar el análisis de bootstrapping. Este proceso ayudará a determinar la
significancia estadística de los coeficientes de camino y los pesos externos
del modelo.

La Figura 7.25 muestra los resultados del análisis de bootstrapping,

centrados en los pesos externos. Para verificar la significancia de los pesos
externos, navegue a “Final results” y seleccione “Outer weights” Asegúrese
de que “Mean, STDEV, T values, p values” esté seleccionado para mostrar las
estadísticas relevantes. Revise las estadísticas T y los valores P para cada
 DR. DIEGO ALONSO NORENA-CHAVEZ

Figura 7.24
Ventana de configuración de Bootstrapping en SmartPLS

139

CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

Figura 7.25
Análisis de Bootstrapping
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

peso externo. Se deben verificar las cargas externas mayores a 0.5; en este
caso, observe específicamente el camino SC -> IC. Este paso es crucial para
determinar la significancia y fiabilidad de los pesos externos en el modelo
PLS-SEM.

La Figura 7.26 muestra los resultados del análisis de bootstrapping para las
cargas externas. Para verificar las cargas externas, navegue a “Final results”
y seleccione “Outer loadings” Asegúrese de que “Mean, STDEV, T values, p
values” esté seleccionado. Revise las cargas externas para asegurarse de que
sean mayores a 0.5 y significativas. Este paso es crucial para validar que los
indicadores estén fuerte y significativamente asociados con sus respectivos
constructos latentes.

Figura 7.26

140
Outer loadings (Cargas externas)
CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

La Figura 7.27 muestra los coeficientes de camino resultantes del análisis de

bootstrapping. Para verificar los coeficientes Path, navegue a “Final results”
y selecciona “Path coefficients.” Asegúrese de que “Mean, STDEV, T values,
p values” esté seleccionado. Revise las estadísticas T y los valores P para
determinar la significancia de cada coeficiente path. Los coeficientes path
significativos indican relaciones fuertes y significativas entre los constructos
en su modelo.
 DR. DIEGO ALONSO NORENA-CHAVEZ

Figura 7.27
Path coefficients (Coeficientes Path)

141
La Figura 7.28 muestra los efectos indirectos específicos resultantes del

CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

análisis de bootstrapping. Para verificar los efectos indirectos específicos,
navegue a “Final results” y seleccione “Specific indirect effects” Asegúrese de
que “Mean, STDEV, T values, p values” esté seleccionado. Revise y seleccione
solo los que apliquen a tu estudio, enfocándose en las estadísticas T y los
valores P para determinar la significancia de cada efecto indirecto específico.
Este paso es esencial para entender las relaciones indirectas y los efectos de
mediación dentro de su modelo.

Figura 7.28
Efectos mediadores
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Resumen del proceso

Pasos para Analizar la HOC Formativa Reflexiva Usando SmartPLS

Para comenzar el análisis PLS-SEM, primero, seleccione el algoritmo PLS-SEM,

como se muestra en la Figura 7.4. Luego, configure el algoritmo PLS-SEM eligiendo
el esquema de ponderación “Path” y seleccionando “Standardized” para el tipo
de resultados; así, comienza el cálculo, según la Figura 7.5. A continuación, se
visualiza las cargas externas seleccionando “List” en la Figura 7.6, lo cual muestra
la fuerza de las relaciones entre las variables observadas y sus respectivos
constructos latentes. Navegue a “Construct reliability and validity” y seleccione
“Overview”, como en la Figura 7.7, para ver el alfa de Cronbach, la fiabilidad
compuesta (rho_a y rho_c) y la varianza media extraída (AVE). Luego, como en la
Figura 7.8, verifique la validez discriminante navegando a “Discriminant validity”

142
y seleccionando “HTMT - Matrix” para ver los valores HTMT. También, revise el
criterio de Fornell-Larcker en la Figura 7.9 para comprobar la validez discriminante.
CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

En la Figura 7.10, visualice las puntuaciones de las variables latentes y guarda

los datos si es necesario. Para duplicar un proyecto, haga clic derecho sobre
el proyecto deseado y seleccione “Duplicate”, como se muestra en la Figura
7.11. Luego, seleccione un archivo de datos para el análisis según la Figura
7.12. Agregue una nueva variable latente ingresando su nombre en el campo
proporcionado, como se indica en la Figura 7.13. Luego, invierta el modelo
de medición haciendo clic derecho sobre la variable latente y seleccionando
“Invert measurement model”, como en la Figura 7.14.

Establezca conexiones entre las variables latentes usando el botón “Connect”,

como en la Figura 7.15, y asegúrese de que todas las conexiones estén
establecidas como en la Figura 7.16 Si es necesario, agregue una nueva
conexión entre variables latentes, siguiendo la Figura 7.17, y repita el proceso
de invertir el modelo de medición según se necesite, como se muestra en la
Figura 7.18. La Figura 7.19 muestra el modelo final con todas las variables
latentes y conexiones. Repita la selección del algoritmo PLS-SEM según
la Figura 7.20, y asegúrese de que la configuración sea correcta, como se
muestra en la Figura 7.21; luego, comience el cálculo. Verifique los valores
VIF para comprobar la multicolinealidad navegando a “Quality criteria” y
seleccionando “Collinearity statistics (VIF)”, como se muestra en la Figura 7.22.
Use el bootstrapping para comprobar la significancia de las cargas externas,
como se indica en la Figura 7.23, y configure los parámetros de bootstrapping
según la Figura 7.24 Revise los resultados del bootstrapping para las cargas
externas y su significancia, como se muestra en las Figuras 7.25 y 7.26.
Finalmente, revise los coeficientes de trayectoria del análisis de bootstrapping
en la Figura 7.27 y los efectos indirectos específicos en la Figura 7.28.
 DR. DIEGO ALONSO NORENA-CHAVEZ

7.2.2 Constructo de Orden Superior Reflectivo- Reflectivo

La figura 7.29 representa el modelo principal de constructo de alto orden

(HOC) PLS-SEM (Partial Least Squares Structural Equation Modeling), que
ilustra las relaciones entre varios constructos latentes. El “EL” afecta a “BDA”,
que, a su vez, influye en HC, SC, RC e IPF. La TR afecta a las TIC y a la FPI,
mientras que las TIC también afectan a la FPI. Las interconexiones entre HC,
SC y RC influyen colectivamente en la FPI. En última instancia, la FPI tiene
un impacto en la PS. Dos elementos, TEP1 y TIC1, PS8, se han eliminado del
modelo, lo que indica un refinamiento durante el análisis.

Figura 7.29
Modelo principal de constructo de orden superior

143

CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

La Figura 7.30 muestra la interfaz de configuración del algoritmo PLS-SEM.

Incluye opciones para seleccionar el esquema de ponderación (Factor, Path,
PCA); el tipo de resultados (Estandarizados); y el peso inicial (Predeterminado).
Esta configuración es esencial para ejecutar el algoritmo PLS-SEM, que es un
estimador basado en compuestos de modelos de ecuaciones estructurales de
variables latentes. La interfaz permite la personalización de los parámetros del
algoritmo antes de iniciar el proceso de cálculo, indicado por el rectángulo rojo
alrededor del botón “Start calculation”.
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Figura 7.30
Interfaz de configuración del algoritmo PLS-SEM

144
CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

La Figura 7.31 muestra la lista de cargas externas en los resultados del PLS-
SEM, con rectángulos rojos que resaltan la selección de “Outer loadings”
y la opción “List”. La tabla de cargas externas enumera las cargas de los
indicadores en sus respectivos constructos latentes, y muestran valores para
BDA, EL, HC, IPF y PS. Estas cargas son cruciales para evaluar el modelo de
medición, pues indican qué tan bien cada indicador representa su constructo
correspondiente.

La Figura 7.32 muestra la vista general de Fiabilidad y Validez del Constructo

en los resultados del algoritmo PLS-SEM. Esta tabla proporciona métricas
clave para evaluar el modelo de medición, incluyendo el alfa de Cronbach,
fiabilidad compuesta (rho_a y rho_c) y varianza media extraída (AVE) para cada
constructo.
 DR. DIEGO ALONSO NORENA-CHAVEZ

Figura 7.31
Outer loadings (Cargas externas)

145

CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

Figura 7.32
Vista general de fiabilidad y validez del constructo
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

La Figura 7.33 muestra la evaluación de Validez Discriminante utilizando la

matriz HTMT (Heterotrait-Monotrait Ratio) en los resultados del algoritmo
PLS-SEM. Los valores HTMT ayudan a evaluar si los constructos son distintos
entre sí. Típicamente, los valores HTMT deben estar por debajo de 0.90 para
confirmar la validez discriminante.

Figura 7.33
Evaluación de validez discriminante HTMT

146
CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

La Figura 7.34 presenta la evaluación de Validez Discriminante utilizando

el criterio Fornell-Larcker en los resultados del algoritmo PLS-SEM. La tabla
muestra la raíz cuadrada de la Varianza Media Extraída (AVE) en la diagonal,
con las correlaciones entre constructos debajo de la diagonal.

La Figura 7.35 muestra los puntajes de variables latentes para el modelo

PLS-SEM. Esta tabla presenta los puntajes calculados para cada variable
latente (BDA, EL, HC, IPF, PS, RC, SC, TIC, TR) en múltiples observaciones.
La selección de “Latent variables” y “Scores” está resaltada a la izquierda,
indicando que este resultado específico fue generado. El botón “Create data
file” también está resaltado, lo que puede usarse para exportar estos puntajes
de variables latentes para análisis adicionales. Estos puntajes son esenciales
 DR. DIEGO ALONSO NORENA-CHAVEZ

Figura 7.34
Evaluación de Validez Discriminante utilizando el criterio Fornell-Larcker

147

CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

Figura 7.35
Puntajes de las variables latentes para el modelo PLS-SEM
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

para entender las dimensiones subyacentes representadas por cada variable

latente y pueden usarse en análisis posteriores, como la evaluación del
modelo estructural o el modelado predictivo adicional.

La Figura 7.36 ilustra el proceso de creación de un nuevo archivo de datos

dentro del software PLS-SEM. El proyecto seleccionado es “Diego - Old Model
1 - Backup” y el nombre del archivo se establece como “HOC REFLECTIVE-
REFLECTIVE” Las opciones “Manifest variable scores” y “Latent variable scores”
están marcadas, lo que indica que el archivo de datos incluirá puntajes para
ambos tipos de variables. El botón “Create” está resaltado, y muestra el paso
final en la exportación de estos puntajes. Esta configuración permite un
análisis de datos integral, incluyendo tanto variables observables como no
observables (latentes).

148
Figura 7.36
Proceso de creación de un nuevo archivo de datos
dentro del software PLS-SEM
CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR
 DR. DIEGO ALONSO NORENA-CHAVEZ

Para duplicar un proyecto en el software PLS-SEM (Figura 7.37), sigua estos

pasos. Comience seleccionando el proyecto relevante en el espacio de trabajo,
como “Diego - Old Model 1 - Backup” Haga clic derecho en el proyecto que
desea duplicar, en este caso, “HOC Main Model” En el menú contextual que
aparece, elija la opción “Duplicate”. Esta acción creará una copia del proyecto
seleccionado, lo que permitirá trabajar en una copia sin alterar el modelo
original. El proyecto duplicado aparecerá en el espacio de trabajo, listo para
modificaciones o análisis adicionales. Este proceso asegura que sus datos y
configuraciones originales permanezcan intactos mientras proporciona una
versión separada para pruebas o refinamientos adicionales.

Figura 7.37
Duplicar proyecto

149

CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

En el cuadro de diálogo “Paste file ‘HOC Main Model’” (Figura 7.38), ingrese
un nuevo nombre para el proyecto duplicado, como “HOC REFLECTIVE-
REFLECTIVE”. Haga clic en el botón “Create” para generar el duplicado. Esta
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

acción crea una copia del proyecto seleccionado, lo que permite trabajar en el
duplicado sin alterar el modelo original. El proyecto duplicado aparecerá en el
espacio de trabajo, listo para modificaciones o análisis adicionales.

Figura 7.38
Cuadro de diálogo

150
CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

Para duplicar y seleccionar un proyecto en el software PLS-SEM (Figura 7.39),

comience duplicando el proyecto como se describió en los pasos anteriores.
Una vez creado el proyecto duplicado con el nombre “HOC REFLECTIVE-
REFLECTIVE”, navegue a la interfaz principal, donde puede seleccionar archivos
de datos disponibles. Haga clic en el ícono o menú de archivos de datos,
y aparecerá una lista de archivos de datos disponibles. De esta lista, elija el
proyecto recién creado “HOC REFLECTIVE-REFLECTIVE [423]”. Esta acción
cargará el proyecto duplicado en el espacio de trabajo, lo que permitirá
continuar su análisis con el nuevo conjunto de datos. Este proceso asegura
que trabaje en una versión separada de su proyecto preservando los datos y
configuraciones originales.

Para modificar el modelo PLS-SEM en el software (Figura 7.40), siga estos

pasos. Asegúrese de tener cargado el proyecto duplicado, como “HOC
REFLECTIVE-REFLECTIVE”. Haga clic derecho en los constructos o indicadores
específicos que desee modificar. En este caso, se seleccionan múltiples
 DR. DIEGO ALONSO NORENA-CHAVEZ

constructos (HC, SC, RC), y aparece el menú contextual del clic derecho. Para
eliminar los constructos o indicadores seleccionados, elije la opción “Delete”
del menú. Esta acción eliminará los elementos seleccionados de tu modelo.

Figura 7.39
Elegir el data file

151

CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

Figura 7.40
Constructo de orden superior REFLECTIVO-REFLECTIVO
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

La Figura 7.41 muestra el modelo PLS-SEM actualizado “HOC REFLECTIVE-

REFLECTIVE” después de las modificaciones. En esta figura, los constructos
HC, SC y RC han sido eliminados, simplificando el modelo. El panel izquierdo
enumera varios puntajes de variables latentes (LV), y la selección de “LV
scores - HC” y “LV scores - SC” está resaltada, con la mejor correlación entre
estos puntajes anotada como 0.665. Este ajuste clarifica las relaciones entre
los constructos restantes (EL, BDA, TR, TIC, IPF, PS), enfocando el análisis en
estos componentes centrales. Las líneas rojas indican los caminos eliminados,
simplificando el modelo para reflejar mejor la hipótesis refinada.

Figura 7.41
Modelo PLS-SEM actualizado

152
CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

La Figura 7.42 muestra el modelo PLS-SEM actualizado “HOC REFLECTIVE-

REFLECTIVE”. El modelo principal muestra las relaciones entre EL, BDA, TR,
TIC, IPF y PS. Debajo, los puntajes LV para HC, RC y SC están conectados a un
constructo intermediario (IC). Esta configuración simplificada se enfoca en los
constructos clave y sus interacciones, con un análisis adicional de los puntajes
LV para HC, RC y SC.

La Figura 7.43 muestra el modelo PLS-SEM “HOC REFLECTIVE-REFLECTIVE”.

El modelo principal incluye EL, BDA, TR, TIC, IPF y PS. Debajo, un constructo
intermediario (IC) se conecta a los puntajes LV para HC, RC y SC. Esta
configuración se enfoca en las relaciones principales mientras analiza por
separado los puntajes adicionales de variables latentes.
 DR. DIEGO ALONSO NORENA-CHAVEZ

La Figura 7.42
Modelo PLS-SEM actualizado “HOC REFLECTIVE-REFLECTIVE

153

CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

Figura 7.43
Modelo PLS-SEM “HOC REFLECTIVE-REFLECTIVE”

La Figura 7.44 muestra la selección del algoritmo PLS-SEM en el software

SmartPLS. El modelo principal incluye constructos como EL, BDA, TR, TIC, IPF
y PS. Debajo del modelo principal, un constructo intermediario (IC) se conecta
a los puntajes LV para HC, RC y SC. El menú del algoritmo está abierto,
resaltando la selección del “algoritmo PLS-SEM” para un análisis adicional
del modelo. Este paso es crucial para ejecutar el análisis PLS-SEM y obtener
resultados para las relaciones especificadas.
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Figura 7.44
Selección del algoritmo PLS-SEM en el software SmartPLS

154
CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

La Figura 7.45 muestra la configuración para ejecutar el algoritmo PLS-SEM. La

pestaña “PLS setup” está activa, con opciones para seleccionar el esquema
de ponderación (Factor, Path, PCA); el tipo de resultados (Estandarizados); y
el peso inicial (Predeterminado). El botón “Start calculation” está resaltado,
indicando el paso final para comenzar el análisis PLS-SEM. Esta configuración
es crucial para configurar los parámetros del algoritmo antes de ejecutar el
análisis para obtener resultados de las relaciones especificadas en el modelo.

La Figura 7.46 muestra los resultados finales del algoritmo PLS-SEM,

específicamente la “Outer Loadings - List”. La lista muestra las cargas
externas para varios indicadores en sus respectivos constructos latentes.
Resaltados en el cuadro rojo están las cargas externas para los puntajes de
variables latentes (LV scores) de HC, RC y SC en el constructo intermediario
(IC), con valores de 0.847, 0.788 y 0.876, respectivamente. Estas cargas
indican la fuerza de la relación entre los puntajes LV y el IC, crucial para
evaluar el modelo de medición.
 DR. DIEGO ALONSO NORENA-CHAVEZ

Figura 7.45
Configuración
para ejecutar
el algoritmo
PLS-SEM

155

CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

Figura 7.46
Outer loadings
– List (Cargas
Externas – Lista)
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

La Figura 7.47 muestra la vista general de fiabilidad y validez del constructo

para el modelo PLS-SEM. La tabla muestra métricas clave para el constructo
intermediario (IC), resaltado en rojo, que incluyen:

- Alfa de Cronbach: 0.787

- Fiabilidad compuesta (rho_a): 0.791
- Fiabilidad compuesta (rho_c): 0.876
- Varianza media extraída (AVE): 0.702

Estos valores indican buena fiabilidad y validez para el constructo IC, con
todas las métricas cumpliendo umbrales aceptables, particularmente la AVE
por encima de 0.50, indicando una adecuada validez convergente.

Figura 7.47

156
Vista general de fiabilidad y validez del constructo
para el modelo PLS-SEM
CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

La Figura 7.48 muestra la matriz HTMT para validez discriminante. Valores

clave:

IC y BDA: 0.614, IC y EL: 0.514, IC y IPF: 0.820, IC y PS: 0.697, IC y TIC: 0.606, IC
y TR: 0.610. Valores por debajo de 0.90 indican buena validez discriminante.
 DR. DIEGO ALONSO NORENA-CHAVEZ

La Figura 7.48
Matriz HTMT para validez discriminante

157

CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

La Figura 7.49 muestra el criterio Fornell-Larcker para validez discriminante en
el algoritmo PLS-SEM. La tabla lista la raíz cuadrada de la AVE en la diagonal y
las correlaciones entre constructos debajo de la diagonal:

IC: 0.838 (valor diagonal)

IC and BDA: 0.484
IC and EL: 0.450
IC and IPF: 0.618
IC and PS: 0.565
IC and TIC: 0.501
IC and TR: 0.612

Los valores en la diagonal deben ser mayores que los valores fuera de
la diagonal en la misma fila y columna para indicar una buena validez
discriminante.
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Figura 7.49
Criterio Fornell-Larcker

158
CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

La Figura 7.50 muestra la selección del algoritmo bootstrapping en el

software SmartPLS. El menú “Calculate” está abierto, y “Bootstrapping” está
resaltado. Este paso es crucial para evaluar la estabilidad y significancia de los
coeficientes de trayectoria del modelo y otras estimaciones.

La Figura 7.51 muestra la configuración del procedimiento bootstrapping en el

software SmartPLS.
 DR. DIEGO ALONSO NORENA-CHAVEZ

Figura 7.50
Algoritmo
Bootstrapping
en SmartPLS

159

CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

Figura 7.51
Procedimiento
bootstrapping
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

La Figura 7.52 muestra los resultados del bootstrapping para los coeficientes
path en el modelo PLS-SEM. La tabla incluye la media, desviación estándar
(STDEV), valores T y valores P para cada path:

BDA  IC : T=12.303, P=0.000

BDA  IPF : T=6.355, P=0.000
BDA  TIC : T=4.057, P=0.000
BDA  TR : T=4.260, P=0.000
EL  BDA : T=6.375, P=0.000
IC  IPF : T=7.019, P=0.000
IPF  PS : T=17.109, P=0.000
TIC  IPF : T=0.288, P=0.387 (no significativo)
TR  IPF : T=0.369, P=0.356 (no significativo)

160
Estos resultados ayudan a evaluar la significancia de las trayectorias en el
modelo.
CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

Figura 7.52
Resultados de bootstrapping

La Figura 7.53 muestra los resultados del bootstrapping para efectos

indirectos específicos en el modelo PLS-SEM. La tabla incluye la media,
desviación estándar (STDEV), valores T y valores P para cada efecto indirecto
específico. Los resultados resaltados en rojo son:

BDA  IC  IPF : T=5.783, P=0.000

BDA  IPF  PS : T=5.944, P=0.000
BDA  TR  IPF : T=0.353, P=0.362 (no significativo)
BDA  TIC  IPF : T=0.274, P=0.392 (no significativo)
 DR. DIEGO ALONSO NORENA-CHAVEZ

Estos resultados ayudan a evaluar la significante de los efectos indirectos en

el modelo.

Figura 7.53
Resultados bootstrapping para efectos indirectos específicos

161

CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

Pasos para Analizar PLS-SEM High-Order Construct (HOC-reflective-
reflective) utilizando SmartPLS

Para realizar un análisis PLS-SEM, comience con el modelo principal de

constructo de alto orden (HOC), como se muestra en la Figura 7.29, que
ilustra las relaciones entre varios constructos latentes. Configure el algoritmo
PLS-SEM utilizando la interfaz mostrada en la Figura 7.30, seleccionando el
esquema de ponderación, el tipo de resultados y el peso inicial, y, luego, inicie
el cálculo. A continuación, vea las cargas externas de los indicadores en sus
respectivos constructos latentes (Figura 7.31) y verifique la confiabilidad y
validez de los constructos en la sección correspondiente (Figura 7.32). Evalúe
la validez discriminante utilizando la matriz HTMT (Figura 7.33) y el criterio
Fornell-Larcker (Figura 7.34). Consulte las puntuaciones de variables latentes
(Figura 7.35) y, si es necesario, cree un nuevo archivo de datos (Figura 7.36).
Para duplicar un proyecto, haga clic derecho y seleccione “Duplicar” (Figura
7.37), ingrese un nuevo nombre para el proyecto duplicado (Figura 7.38) y
cárguelo en el espacio de trabajo (Figura 7.39). Modifique el modelo PLS-
SEM según sea necesario eliminando constructos o indicadores (Figura 7.40),
y revise el modelo actualizado (Figura 7.41). Enfóquese en el modelo “HOC
REFLECTIVE-REFLECTIVE” (Figura 7.42) y realice un análisis adicional sobre las
puntuaciones de variables latentes (Figura 7.43). Seleccione el algoritmo PLS-
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

SEM para análisis adicionales (Figura 7.44) y asegúrese de que la configuración

esté correcta antes de iniciar el cálculo (Figura 7.45). Revise las cargas
externas de los indicadores (Figura 7.46) y los indicadores de confiabilidad y
validez (Figura 7.47). Evalúe la validez discriminante utilizando la matriz HTMT
(Figura 7.48) y el criterio Fornell-Larcker (Figura 7.49). Configure y ejecute
el algoritmo de bootstrapping (Figura 7.50 y Figura 7.51), revisando los
resultados para los coeficientes de ruta (Figura 7.52) y los efectos indirectos
específicos (Figura 7.53).

REFERENCIAS

Cheung, G. (2008). Testing Equivalence in the Structure, Means, and Variances of

162
Higher-Order Constructs With Structural Equation Modeling. Organizational

Crocetta, C., Antonucci, L., Cataldo, R., Galasso, R., Grassia, M., Lauro, C., &
CAPÍTULO 7: CONSTRUCTOS DE ORDEN SUPERIOR

Marino, M. (2020). Higher-Order PLS-PM Approach for Different Types of

Constructs. Social Indicators Research, 154, 725 - 754. [Link]
10.1007/s11205-020-02563-w.

Hair, J. F., Sarstedt, M., Ringle, C. M., & Gudergan, S. P. (2018). Advanced issues
in partial least squares structural equation modeling (PLS-SEM). Sage.

Lohmöller, J.-B. (1989). Latent variable path modeling with partial least squares.
Springer.

Nerdrum, L., & Erikson, T. (2001). Intellectual capital: a human capital

perspective. Journal of Intellectual Capital, 2, 127-135. [Link]
10.1108/14691930110385919.

Sarstedt, M., Hair, J., Cheah, J., Becker, J., & Ringle, C. (2019). How to
Specify, Estimate, and Validate Higher-Order Constructs in PLS-SEM.
Australasian Marketing Journal, 27, 197 - 211. [Link]
ausmj.2019.05.003.

Swart, J. (2006). Intellectual capital: disentangling an enigmatic concept.

Journal of Intellectual Capital, 7, 136-159. [Link]
30610661827.
 NCA

CAPÍTULO
8

163
 OBJETIVOS DE APRENDIZAJE

 Comprender los Fundamentos del NCA

164  Aspectos y Metodología Clave

 Comparar con Métodos Tradicionales

 Aplicaciones Prácticas

 Realización del NCA

 Interpretación de los Resultados del NCA

 DR. DIEGO ALONSO NORENA-CHAVEZ

8.1 ¿Qué es NCA?

El análisis de condiciones necesarias (NCA) es un enfoque reciente y una

herramienta de análisis de datos introducida por (Dul,2016). NCA es una
metodología diseñada para identificar condiciones que son necesarias pero no
suficientes para lograr un resultado deseado. Esto significa que la presencia
de una condición necesaria debe estar presente para que ocurra el resultado,
pero tener esta condición sola no garantiza el resultado (Karwowski, 2016;
Bokrantz & Dul, 2023). La ausencia de esta condición garantiza el fracaso.

La Figura 8.1 resume los aspectos clave del Análisis de Condiciones Necesarias
(NCA); se destaca su enfoque en identificar condiciones que deben estar
presentes para un resultado, aunque su presencia por sí sola no asegura el
resultado. Describe la metodología del NCA para encontrar “áreas vacías” en

165
gráficos de dispersión, su aplicación junto con métodos tradicionales para
entender relaciones causales, y su contraste con métodos tradicionales que
asumen causalidad aditiva. Las implicaciones prácticas del NCA enfatizan la

CAPÍTULO 8: NCA
gestión de determinantes críticos para prevenir el fracaso y asegurar el éxito.
Cada aspecto se ilustra con ejemplos relevantes.

Figura 8.1
Aspectos clave del Análisis de Condiciones Necesarias (NCA)

Aspecto Descripción Ejemplo

NCA identifica condiciones Un puntaje alto en el GMAT es
necesarias requeridas para un necesario para la admisión a
Necesidad vs. resultado, pero su presencia un programa de posgrado, pero
Suficiencia sola no asegura el resultado. solo no garantiza la admisión.
Los métodos tradicionales se Otros factores también juegan
centran en la suficiencia. un papel.

NCA se utiliza junto con En un estudio sobre el

métodos tradicionales para rendimiento laboral, NCA puede
entender las relaciones identificar que un nivel mínimo
Aplicaciones causales en las ciencias de formación es necesario para
organizacionales probando un alto rendimiento, incluso
hipótesis donde múltiples si otros factores también
determinantes interactúan. contribuyen.

Los métodos tradicionales En la regresión múltiple, varios

como la regresión asumen factores como la experiencia y
Comparación causalidad aditiva donde las la educación pueden predecir
con Métodos causas pueden compensarse el éxito laboral, pero NCA
Tradicionales entre sí. NCA destaca que mostraría que sin un nivel
sin la condición necesaria, la básico de experiencia, el éxito
compensación es imposible. es imposible.
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

NCA ayuda a identificar En la estrategia empresarial,

determinantes críticos para NCA puede revelar que
gestionar y prevenir el fracaso, tener una visión clara es
Implicaciones guiando la toma de decisiones necesario para el éxito
Prácticas para asegurar que se cumplan organizacional, guiando a los
las condiciones necesarias gerentes a centrarse en este
para los resultados deseados. determinante crítico.

8.2 Fundamentos de la Necesidad Lógica y NC

La Figura 8.2 muestra la relación entre la condición (X) y el resultado (Y),

destacando el área sin observaciones (zona de techo C) y la frontera delineada
por CE-FDH (Ceiling Envelopment-Free Disposal Hull) y CR-FDH (Ceiling

166
Regression-Free Disposal Hull).

Figura 8.2
CAPÍTULO 8: NCA

Análisis de Condición Necesaria (NCA) frontera de envolvimiento

en la relación condición-resultado

Gráfico con Puntos

Este dibujo tiene muchos puntos negros. Cada punto muestra cómo algo
(como estudiar) se relaciona con otra cosa (como obtener una buena nota).

Ejes del Gráfico

El eje inferior (X) muestra una condición, como cuántas horas estudia. El eje
izquierdo (Y) muestra un resultado, como la nota que obtiene en un examen.
 DR. DIEGO ALONSO NORENA-CHAVEZ

Línea Recta
Hay una línea recta que va en diagonal. Esta línea muestra una relación básica
entre estudiar y las notas: más estudio, mejores notas.

Líneas de Techo (CE-FDH y CR-FDH)

Hay dos líneas de techo: una con escalones (CE-FDH) y otra más recta (CR-
FDH). Estas líneas muestran el límite máximo de lo que puede lograr. Es decir,
no hay puntos por encima de estas líneas. La línea de techo escalonada (CE-
FDH) es para datos exactos, como 1 hora, 2 horas, etc. La línea de techo más
recta (CR-FDH) es para datos continuos, como 1.5 horas, 2.3 horas, etc.

Ejemplo
El Liderazgo Sostenible (SL) actúa como el motor fundamental que influye en
varias capacidades y estrategias organizacionales. La Capacidad Verde (GC),

167
la Intención Estratégica de Sostenibilidad (SI), las Tecnologías Inteligentes
(ST) y la Gestión de Calidad Total (TQM) son variables intermedias que están
directamente influenciadas por SL. Estas variables intermedias (GC, SI, ST,

CAPÍTULO 8: NCA
TQM) impactan directamente los Objetivos de Desarrollo Sostenible (SDGs). La
Figura 8.3 muestra el modelo para el ejemplo de NCA.

Figura 8.3
Modelo
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

8.3 Proceso para Evaluar NCA

¿Por qué elegir No Estandarizado?

Al seleccionar “No Estandarizado”, el modelo generará valores brutos o no

transformados. Estos valores retienen las unidades originales de las variables
que se ingresaron en el análisis. Permiten ver directamente los efectos en
las unidades originales, lo cual puede ser más intuitivo y útil para la toma de
decisiones práctica. Aplicación en el Proceso PLS-SEM:

Paso 1: Seleccione “Unstandardized” en “Type of results”

Paso 2: Haga Clic en “Start calculation” para comenzar el cálculo del modelo.

168
Resultado: Los resultados del modelo reflejarán los efectos directos en las
unidades originales de las variables ingresadas. Esto facilita la interpretación
de resultados en un contexto real. La Figura 8.4 muestra la configuración del
CAPÍTULO 8: NCA

algoritmo PLS-SEM.

Figura 8.4
Configuración del algoritmo PLS-SEM
 DR. DIEGO ALONSO NORENA-CHAVEZ

Luego, el enfoque está en las puntuaciones de variables latentes, que se

muestran en formato de tabla. Las puntuaciones de cada variable latente
(GC, SDGs, SI, SL, ST, TQM) se enumeran para varias observaciones (filas).
Esto permite a los usuarios ver cómo cada observación puntúa en diferentes
constructos latentes. El botón “Create Data File” resaltado sugiere que el
usuario puede exportar estos resultados para un análisis o informe posterior.
Ver Figura 8.5.

Figura 8.5
Crear un archivo de datos

169

CAPÍTULO 8: NCA

El cuadro de diálogo se usa para configurar y crear un nuevo archivo de

datos desde el proyecto SmartPLS. El usuario puede seleccionar el proyecto,
especificar el nombre del archivo y elegir qué tipos de puntuaciones incluir
en el archivo. En este caso, el usuario ha seleccionado “Model 3” como el
proyecto, ha nombrado el archivo “4NCA MODEL 4” y ha elegido incluir solo
las puntuaciones de variables latentes. Al hacer clic en “Create”, el usuario
generará un archivo de datos con estas configuraciones, que puede usarse
para análisis o informes adicionales (Ver Figura 8.6).
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Figura 8.6
Cuadro de diálogo

170
CAPÍTULO 8: NCA

La opción “New REGRESSION model” está resaltada e indica que el usuario está
a punto de crear un nuevo modelo de regresión (Ver Figura 8.7).

Figura 8.7
Crear un modelo de regresión
 DR. DIEGO ALONSO NORENA-CHAVEZ

Elija el nombre del modelo y seleccione la opción “Save” como se ilustra en la

Figura 8.8.

Figura 8.8
Seleccione el nombre del modelo

171

CAPÍTULO 8: NCA
Seleccione la variable independiente; en este caso, la opción SDGs y arrástrela
al lienzo (Ver Figura 8.9).

Figura 8.9
Seleccione la variable independiente
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Seleccione las variables dependientes y arrástrelas al lienzo. Ver Figura 8.10.

Figura 8.10
Arrastre las variables dependientes al lienzo

172
CAPÍTULO 8: NCA

Observe el modelo final que se ha creado. Como puede ver, las variables
independientes apuntan a la variable dependiente. Ver Figura 8.11.

Figura 8.11
Modelo final para ejecutar NCA
 DR. DIEGO ALONSO NORENA-CHAVEZ

Luego, seleccione la opción “Necessary condition analysis (NCA)”. Ver Figura 8.12.

Figura 8.12
Seleccionar la opción NCA

173

CAPÍTULO 8: NCA
Luego, seleccione la opción “Start calculation”. Ver Figura 8.13.

Figura 8.13
Seleccionar la opción “Start calculation”
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

8.4 Tamaño del efecto de la línea de techo - Ceiling Line

Effect Size Overview

El “Ceiling Line Effect Size Overview” se refiere a un resumen de los tamaños

del efecto calculados utilizando la línea de techo en el Análisis de Condición
Necesaria (NCA). Cuantifica cuánto una variable independiente particular
(condición) limita o restringe la variable de resultado (dependiente).

ST (Smart Technologies) con un valor de 0.093 es moderadamente influyente.

TQM (Total Quality Management) con un valor de 0.132 es una de las
condiciones más influyentes en este análisis, cerca de 0.10, lo que indica
su importancia en la evaluación de la condición necesaria. Estos valores
indican que, aunque no son críticos (cercanos a 1), representan condiciones
significativas en el análisis NCA utilizando la metodología CE-FDH. Ver Figura

174
8.14, resultados finales.

Figura 8.14
CAPÍTULO 8: NCA

Resultados finales de “Ceiling line effect size overview”

 DR. DIEGO ALONSO NORENA-CHAVEZ

8.5 Tablas de Cuello de Botella

Las tablas de cuello de botella en NCA tienen los siguientes propósitos:

 Identificación de Condiciones Necesarias: La tabla muestra los puntajes

necesarios de las variables latentes (LV scores) en diferentes percentiles
para alcanzar niveles específicos de los ODS (Objetivos de Desarrollo
Sostenible). Esto permite identificar qué variables son necesarias y en
qué medida para lograr ciertos niveles de eficiencia.

 Detección de Cuellos de Botella: Los “cuellos de botella” son variables

que, si no alcanzan ciertos niveles, impiden alcanzar niveles más altos de
eficiencia en los ODS. La tabla ayuda a identificar estas variables críticas.

175
 Análisis de Eficiencia: Proporciona una visión clara de cómo varían los
puntajes de las variables latentes a través de diferentes niveles de
eficiencia. Esto ayuda a entender cómo cada variable contribuye a la

CAPÍTULO 8: NCA
eficiencia general y cuáles son más críticas en diferentes niveles.

Estructura de la Tabla

Percentiles (Columna Izquierda): Las filas representan diferentes niveles

percentiles, que van desde 10 000 % hasta 100 000 %. Estos percentiles
indican la distribución de los puntajes de la variable latente, mostrando los
niveles mínimos requeridos en cada percentil.

Puntajes de Variables Latentes (Columnas): Las columnas representan los

puntajes de diferentes variables latentes (LV) en cada percentil:

Puntajes LV - SDGs : Puntajes para los Objetivos de Desarrollo Sostenible

(variable dependiente).
Puntajes LV - GC : Puntajes para la Capacidad Verde.
Puntajes LV - SI : Puntajes para la Intención Estratégica de Sostenibilidad.
Puntajes LV - SL : Puntajes para el Liderazgo Sostenible.
Puntajes LV - ST : Puntajes para las Tecnologías Inteligentes.
Puntajes LV - TQM : Puntajes para la Gestión de Calidad Total.

NN: Indica que no hay valores necesarios (o no disponibles) para algunos

percentiles y variables.
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Principales Hallazgos e interpretaciones:

Para alcanzar un puntaje de 1.724 en los ODS (Objetivos de Desarrollo

Sostenible), ninguna de las variables adicionales (GC, SI, SL, ST, TQM) es
necesaria. Sin embargo, para obtener un puntaje máximo de 5.000 en los ODS,
se requiere que las variables estén en los siguientes niveles: GC en 2.470, SI
en 3.808, SL en 3.207, ST en 2.744 y TQM en 4.000. Esto significa que todas
estas variables deben alcanzar esos niveles para lograr el máximo puntaje.
En el percentil del 30 %, para alcanzar un puntaje de 2.707 en los ODS, no es
necesaria la variable GC, pero sí son necesarios los siguientes puntajes: SI en
2.286, SL en 2.054, ST en 2.054 y TQM en 2.168.

Cuellos de botella: A partir del 30 % de eficiencia, las variables SI (rojo), SL

(rosado) y TQM (morado) se vuelven necesarias. La variable ST (naranja) se

176
vuelve necesaria a partir del 50 % de eficiencia, mientras que la variable GC
(verde) solo se vuelve necesaria a partir del 80 % de eficiencia.
CAPÍTULO 8: NCA

Ver Figura 8.15 para ver los resultados de la Tabla de Cuello de Botella
(Bottleneck Table).

Figura 8.15
Tabla de Cuello de Botella (Bottleneck Table)

8.6 Gráficos NCA

El gráfico de NCA es una herramienta poderosa para identificar los niveles

mínimos necesarios de GC requeridos para lograr niveles específicos de
los Objetivos de Desarrollo Sostenible (SDGs). Al resaltar estos umbrales,
 DR. DIEGO ALONSO NORENA-CHAVEZ

las organizaciones pueden priorizar la mejora de su GC para cumplir con sus

objetivos de sostenibilidad de manera efectiva. Las líneas de techo escalonada
(CE-FDH) y continua (CR-FDH) proporcionan dos perspectivas sobre estas
condiciones necesarias, ofreciendo una visión completa de la relación entre GC
y SDGs.

Líneas de Techo. Línea Amarilla (CE-FDH): Indica el mínimo GC requerido de

manera escalonada para lograr varios niveles de SDGs. Línea Gris (CR-FDH):
Muestra un mínimo continuo de GC requerido. Observaciones (Puntos Azules):
Representan puntos de datos reales. La mayoría de las observaciones caen
por debajo de las líneas de techo, indicando que los niveles más altos de SDGs
requieren niveles suficientes de GC.

Área Amarilla Sombreada. Área por encima de las líneas de techo donde no

177
hay observaciones, lo que indica niveles inalcanzables de SDGs sin cumplir con
los umbrales necesarios de GC. Ver Figura 8.16.

CAPÍTULO 8: NCA
Figura 8.16
Gráfico de línea de techo (NCA ceiling line chart (GC)

El gráfico de NCA enfatiza el papel crucial de la Intención Estratégica de

Sostenibilidad (SI) en el logro de los Objetivos de Desarrollo Sostenible (SDGs).
Muestra claramente que a medida que aumenta el nivel de SDGs deseados,
también aumenta el nivel mínimo requerido de SI. Las líneas de techo (tanto
escalonada como continua) indican estos umbrales críticos, destacando la
necesidad de suficiente SI para obtener resultados de sostenibilidad más
altos. Las organizaciones que buscan puntajes altos en SDGs deben centrarse
en cumplir con estos umbrales de SI para asegurar el éxito. Ver Figura 8.17.
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Figura 8.17
Gráfico de línea de techo de NCA (NCA ceiling line chart) (SI)

178
CAPÍTULO 8: NCA

La Figura 8.18 muestra un gráfico de línea de techo de NCA para puntajes

LV - SL y puntajes LV - SDSC. Las áreas amarillas representan las líneas de
techo (CR-FDH y CE-FDH), indicando el nivel máximo de puntajes LV - SDSC
alcanzable dado el nivel de puntajes LV - SL. Los puntos azules representan
observaciones individuales, con aquellos por debajo de las líneas de techo que
satisfacen la condición necesaria. El gráfico resalta los umbrales críticos de
puntajes LV - SL requeridos para alcanzar niveles específicos de puntajes LV -
SDSC, indicando una variabilidad significativa en los datos. Este análisis ayuda
a identificar los niveles mínimos necesarios de puntajes LV - SL para lograr los
resultados deseados en puntajes LV - SDSC.

La Figura 8.19 muestra un gráfico de línea de techo de NCA para puntajes

LV - ST versus puntajes LV - SDSC. Las áreas amarillas representan las líneas
de techo (CR-FDH y CE-FDH), indicando el nivel máximo de puntajes LV - SDSC
alcanzable dado el nivel de puntajes LV - ST. Los puntos azules representan
observaciones individuales, con aquellos por debajo de las líneas de techo que
satisfacen la condición necesaria. El gráfico resalta los umbrales críticos de
puntajes LV - ST requeridos para alcanzar niveles específicos de puntajes LV -
SDSC, indicando una variabilidad significativa en los datos. Este análisis ayuda
a identificar los niveles mínimos necesarios de puntajes LV - ST para lograr los
resultados deseados en puntajes LV - SDSC.
 DR. DIEGO ALONSO NORENA-CHAVEZ

Figura 8.18
Gráfico de línea de NCA (NCA ceiling line chart) (SL)

179

CAPÍTULO 8: NCA
Figura 8.19
Gráfico de línea de techo de NCA (NCA ceiling line chart) (ST)

La Figura 8.20 muestra un gráfico de línea de techo de NCA para puntajes LV

- TQM versus puntajes LV - SDSC. Las áreas amarillas representan las líneas
de techo (CR-FDH y CE-FDH), indicando el nivel máximo de puntajes LV - SDSC
alcanzable dado el nivel de puntajes LV - TQM. Los puntos azules representan
observaciones individuales, con aquellos por debajo de las líneas de techo que
satisfacen la condición necesaria. El gráfico resalta los umbrales críticos de
puntajes LV - TQM requeridos para alcanzar niveles específicos de puntajes LV -
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

SDSC, indicando una variabilidad significativa en los datos. Este análisis ayuda
a identificar los niveles mínimos necesarios de puntajes LV - TQM para lograr
los resultados deseados en puntajes LV - SDSC.

Figura 8.20
Gráfico de línea de techo de NCA (NCA ceiling line chart) (TQM)

180
CAPÍTULO 8: NCA

8.7 Resultados de permutación del análisis de condiciones

necesarias (NCA) para predecir las puntuaciones de los ODS

Utilidad Identificación de Variables Clave:

• Impacto Significativo: El análisis de permutación te permite determinar

qué variables son realmente necesarias para alcanzar un cierto nivel de
eficiencia, basándose en la significancia estadística.

• Tamaño del Efecto: Evalúa la magnitud del impacto de cada variable en la

eficiencia.

La Figura 8.21 representa un modelo de permutación de NCA que ilustra las

condiciones necesarias para predecir las puntuaciones de variable latente -
SDGs utilizando diversas variables latentes (puntuaciones de LV - GC, SI, SL,
ST y TQM). Las variables latentes están conectadas a la variable de resultado
(puntuaciones LV - ODS) mediante flechas, que indican las relaciones y
condiciones necesarias entre las variables. Los coeficientes de trayectoria a
lo largo de estas flechas representan la fuerza de cada condición necesaria,
 DR. DIEGO ALONSO NORENA-CHAVEZ

y los coeficientes más altos indican condiciones necesarias más críticas. La

intersección, representada por la línea discontinua, ajusta el nivel de referencia
de la variable de resultado. Al comparar los coeficientes de la trayectoria,
puede evaluar qué variables latentes tienen condiciones necesarias más
sólidas e identificar las variables clave que deben abordarse para lograr los
resultados deseados para las puntuaciónes de variable latente - SDGs. Utilice
estos conocimientos para centrarse en mejorar las variables latentes críticas
identificadas, logrando así mejores resultados para las puntuaciones de
variable latente - SDGs.

Figura 8.21
Modelo de permutación NCA

181

CAPÍTULO 8: NCA

La Figura 8.22 muestra la configuración del algoritmo de permutación NCA.

Para configurar los ajustes de permutación, introduzca “5000” en el campo
Permutaciones, marque la casilla “Realizar procesamiento paralelo” para
acelerar los cálculos y establezca el nivel de significación en “0,05”. Asegúrese
de que el “Generador de números aleatorios” esté configurado en “Semilla fija”
para la reproducibilidad de los resultados. Una vez configurados estos ajustes,
haga clic en el botón “Iniciar cálculo” para comenzar el análisis de permutación
de NCA, que determinará la significación estadística del tamaño del efecto de
necesidad.
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Figura 8.22
Configuración para el algoritmo de permutación NCA

182
CAPÍTULO 8: NCA

La Figura 8.23 muestra la descripción general del tamaño del efecto de la línea
de techo (CE-FDH) para el análisis de permutación NCA, incluido el tamaño
del efecto original, los intervalos de confianza del 95 % y los valores p de
permutación para varias variables latentes (puntuaciones LV - GC, SI, SL, ST,
TQM). Los valores p de permutación indican la significación estadística de los
tamaños del efecto. Las puntuaciones del variable latente - SDGs (p = 0,021)
y las puntuaciones del variable latente - TQM (p = 0,015) tienen valores de p
significativos, lo que sugiere que sus tamaños de efecto son estadísticamente
significativos y no se deben al azar. Por el contrario, las puntuaciones del
variable latente - GC (p = 0,103), SI (p = 0,103) y SL (p = 0,213) no muestran
tamaños de efecto significativos, lo que indica que sus efectos pueden no
ser estadísticamente significativos. Este análisis ayuda a identificar cuáles
variables latentes tienen un impacto significativo en función del análisis de
condición necesario.
 DR. DIEGO ALONSO NORENA-CHAVEZ

Figura 8.23
Descripción general del tamaño del efecto de línea de techo

183

CAPÍTULO 8: NCA
8.8 Resumen del proceso NCA

El Análisis de Condiciones Necesarias (NCA) identifica condiciones que son

necesarias, pero no suficientes, para lograr un resultado deseado, basado en
las referencias clave de Dul (2016), Karwowski (2016), y Bokrantz y Dul (2023).
Primero, recopile datos relevantes para su estudio, incluyendo condiciones
necesarias potenciales y el resultado deseado, y luego ingrese estos datos
en el software NCA o herramienta estadística. Entienda los aspectos clave del
NCA como se resume en la Figura 8.1. Analice la relación entre la condición (X)
y el resultado (Y), destacando las zonas límite según la Figura 8.2, y observe
un modelo de ejemplo en la Figura 8.3. Configure el algoritmo PLS-SEM
seleccionando “Unstandardized” para valores brutos, según se muestra en la
Figura 8.4. Revise la tabla de puntuaciones de variables latentes en la Figura
8.5 y cree un archivo de datos como se indica en la Figura 8.6. Luego, cree
un modelo de regresión según la Figura 8.7, eligiendo y guardando el nombre
del modelo en la Figura 8.8. Seleccione la variable independiente (por ejemplo,
SDGs) y arrástrela al lienzo (Figura 8.9), y haga lo mismo con las variables
dependientes (Figura 8.10). Finalice el modelo asegurándose de que las
variables independientes apunten a la variable dependiente, como se muestra
en la Figura 8.11. Seleccione la opción NCA (Figura 8.12) y comience el cálculo
del NCA (Figura 8.13). Analice el tamaño del efecto de la línea de techo en la
Figura 8.14 e interprete la tabla de cuello de botella en la Figura 8.15. Visualice
los gráficos NCA en las Figuras 8.16 a 8.20 y realice el análisis de permutación
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

NCA según las Figuras 8.21 y 8.22. Revise los resultados de permutación en
la Figura 8.23. Finalmente, revise los resultados para asegurarse de que todas
las condiciones necesarias se hayan identificado correctamente, implemente
los cambios necesarios para mejorar las estrategias y procesos de toma de
decisiones, y documente detalladamente cada paso para futuras referencias
y replicaciones.

REFERENCIAS

Bokrantz, J., & Dul, J. (2023). Building and testing necessity theories in supply
chain management. Journal of Supply Chain Management, 59(1), 48–65.
[Link]

Dul, J. (2016). Necessary condition analysis (NCA) logic and methodology of

184 “necessary but not sufficient” causality. Organizational Research Methods,
19(1), 10-52. [Link]
CAPÍTULO 8: NCA

Hair Jr, J. F., Hult, G. T. M., Ringle, C. M., Sarstedt, M., Danks, N. P., & Ray, S.
(2021). Partial least squares structural equation modeling (PLS-SEM) using R:
A workbook (p. 197). Springer Nature.

Karwowski, M., Dul, J., Gralewski, J., Jauk, E., Jankowska, D. M., Gajda, A., ...
Benedek, M. (2016). Is creativity without intelligence possible? A necessary
condition analysis. Intelligence, 57, 105-117. [Link]
intell.2016.04.006
 9
CAPÍTULO
ANÁLISIS DE MAPA
DE IMPORTANCIA-
DESEMPEÑO

185
 OBJETIVOS DE APRENDIZAJE

 Aprender qué es el Análisis de Mapa de

Importancia-Desempeño (IPMA) y su propósito
186
 Identificar y entender las dimensiones de
importancia y desempeño en el IPMA

 Seguir los pasos para realizar el IPMA, desde

verificar los requisitos hasta crear el mapa

 Aprender cómo acceder y configurar el IPMA

en el software SmartPLS

 Interpretar los efectos totales y las

puntuaciones de desempeño en los
resultados del IPMA

 Graficar y entender los mapas de

importancia-desempeño para identificar
áreas clave de mejora

 Utilizar los hallazgos del IPMA para tomar

mejores decisiones y mejorar las estrategias
 DR. DIEGO ALONSO NORENA-CHAVEZ

9.1 ¿Qué es IPMA?

El Análisis de Mapa de Importancia-Rendimiento (IPMA) en el contexto del

Modelado de Ecuaciones Estructurales de Mínimos Cuadrados Parciales
(PLS-SEM) es una técnica avanzada que extiende los análisis tradicionales
al incorporar evaluaciones dualísticas de importancia y rendimiento de los
constructos (Ringle & Sarstedt, 2016). Este método permite identificar y
priorizar áreas cruciales que requieren mejoras, lo que ayuda a los gerentes a
tomar mejores decisiones (Tailab, 2020). IPMA examina específicamente dos
dimensiones clave:

1. Importancia: Representada por el impacto total de las variables

independientes en la variable dependiente. Los efectos totales reflejan
el grado en que las variables independientes influyen en la variable

187
dependiente.
2. Rendimiento: Se mide a través de las puntuaciones medias de las
variables latentes de los constructos predecesores. Estas puntuaciones

CAPÍTULO 9: ANÁLISIS DE MAPA DE IMPORTANCIA-DESEMPEÑO

reflejan el nivel actual de rendimiento de cada constructo en el modelo.

La Figura 9.1 ilustra el proceso paso a paso para realizar un Análisis de Mapa
de Importancia-Rendimiento (IPMA).

Figura 9.1
Proceso del IPMA

Pasos Descripción

Paso 1: Verificación de Asegurarse de que se cumplen todos los requisitos previos

Requisitos para realizar el IPMA, incluyendo el uso de escalas métricas
o cuasi métricas y la consistencia en la dirección de las
escalas para todos los indicadores

Paso 2: Cálculo de los Reescalar las puntuaciones de las variables latentes y

Valores de Desempeño sus indicadores a un rango de 0 a 100 para facilitar la
interpretación y comparación

Paso 3: Cálculo de los Calcular los efectos totales de los constructos

Valores de Importancia antecedentes sobre el constructo objetivo, representando
su importancia

Paso 4: Creación del Graficar los valores de importancia en el eje x y los

Mapa de Importancia- valores de desempeño en el eje y para crear el mapa de
Desempeño importancia-desempeño, que ayuda a identificar áreas
clave de mejora

Paso 5: Extensión Analizar la importancia y el desempeño a nivel de indicador

del IPMA al Nivel de para identificar áreas más específicas de mejora e
Indicador información accionable
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

9.2 Paso a paso usando PLS-SEM

La Figura 9.2 proporciona una guía visual sobre cómo acceder y ejecutar la
función de Análisis de Mapa de Importancia-Rendimiento (IPMA) en el software
SmartPLS. Esta funcionalidad es crucial para los investigadores que buscan
mejorar su análisis PLS-SEM incorporando dimensiones de importancia y
rendimiento, lo que facilita una mejor toma de decisiones y la priorización de
áreas de mejora.

Figura 9.2
Acceso a IPMA

188
CAPÍTULO 9: ANÁLISIS DE MAPA DE IMPORTANCIA-DESEMPEÑO

La Figura 9.3 ilustra la ventana de configuración para realizar el análisis

del mapa de importancia-rendimiento (IPMA) en SmartPLS, con un enfoque
específico en los elementos resaltados por los rectángulos rojos. El primer
rectángulo rojo enfatiza la importancia de verificar y ajustar los valores de
“Escala mínima” para cada indicador. Este paso garantiza que los valores
mínimos de la escala sean coherentes en todos los indicadores, lo cual es
crucial para una medición precisa del rendimiento.

El segundo rectángulo rojo resalta el botón “Iniciar cálculo”, que se utiliza

para iniciar el proceso IPMA una vez que todas las escalas están verificadas
y configuradas correctamente. Al hacer clic en este botón, se genera el mapa
de importancia-rendimiento, que proporciona información valiosa sobre la
importancia y el rendimiento de los constructos dentro del modelo PLS-SEM. Al
asegurarse de que los mínimos de la escala estén configurados correctamente
 DR. DIEGO ALONSO NORENA-CHAVEZ

y comenzar el cálculo, los investigadores pueden obtener resultados precisos

y significativos de su IPMA.

Figura 9.3
Ventana de configuración

189

CAPÍTULO 9: ANÁLISIS DE MAPA DE IMPORTANCIA-DESEMPEÑO

La Figura 9.4 muestra la “Lista de efectos totales” en los resultados de IPMA

de SmartPLS. El rectángulo rojo resalta los valores totales de los efectos para
cada trazado del modelo. En el lado izquierdo, se muestra la selección de la
opción “Lista” para presentar estos resultados. Este diseño claro ayuda a los
investigadores a identificar y priorizar los impulsores clave en función de su
importancia.
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Figura 9.4
Lista total de efectos

190
CAPÍTULO 9: ANÁLISIS DE MAPA DE IMPORTANCIA-DESEMPEÑO

La Figura 9.5 muestra los resultados de “Rendimiento - Rendimiento de

BT” en el análisis IPMA dentro de SmartPLS. El rectángulo rojo resalta las
puntuaciones de rendimiento de las variables latentes (LV) como GC, SDG, SI,
SL, ST y TQM. A la izquierda, se selecciona la opción “Rendimiento del VI” en
la sección “Rendimiento” de los resultados finales. Este diseño ayuda a los
investigadores a evaluar los niveles de rendimiento actuales de cada variable
latente en el modelo.

La Figura 9.6 muestra el Mapa de Importancia-Rendimiento para IPMA en

SmartPLS. El rectángulo rojo resalta el punto que representa un constructo
(TQM) con alta importancia y alto rendimiento. El panel de la izquierda muestra
la selección del “Mapa de importancia-rendimiento” en la sección “Criterios
de calidad”. Este mapa traza los constructos en función de su importancia
(efectos totales) en el eje x y su rendimiento en el eje y, lo que ayuda a los
investigadores a identificar las áreas clave de mejora y las fortalezas dentro
del modelo.
 DR. DIEGO ALONSO NORENA-CHAVEZ

Figura 9.5
Rendimiento - Rendimiento BT

191

CAPÍTULO 9: ANÁLISIS DE MAPA DE IMPORTANCIA-DESEMPEÑO

Figura 9.6
Mapa de importancia-rendimiento
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Paso a paso usando PLS-SEM

Acceder a la Función IPMA: La Figura 9.2 proporciona una guía visual sobre
cómo acceder y ejecutar la función de Análisis de Mapa de Importancia-
Desempeño (IPMA) en el software SmartPLS.

Configurar los Ajustes de IPMA: La Figura 9.3 muestra la ventana de

configuración para realizar IPMA en SmartPLS, destacando la verificación y
ajuste de los valores de “Escala mínima” y el botón de “Iniciar cálculo”.

Calcular los Efectos Totales: La Figura 9.4 muestra la “Lista de efectos

totales” en los resultados de IPMA de SmartPLS, resaltando los valores de los
efectos totales para cada camino en el modelo.

192
Calcular los Valores de Desempeño: La Figura 9.5 muestra los resultados de
“Desempeño - Desempeño de LV” en el análisis de IPMA dentro de SmartPLS,
destacando las puntuaciones de desempeño de las variables latentes.
CAPÍTULO 9: ANÁLISIS DE MAPA DE IMPORTANCIA-DESEMPEÑO

Crear el Mapa de Importancia-Desempeño: La Figura 9.6 muestra el Mapa de

Importancia-Desempeño para IPMA en SmartPLS, destacando los constructos
según su importancia y desempeño, ayudando a identificar áreas clave para la
mejora.

Pasos Finales:

Revisar Resultados: Asegúrese de que todas las condiciones necesarias se

hayan identificado correctamente.

Implementar Cambios: Aplique los hallazgos para mejorar las estrategias y

procesos de toma de decisiones.

Documentar el Proceso: Mantenga registros detallados de cada paso para

futuras referencias y replicaciones.

REFERENCIAS

Tailab, M. (2020). Using Importance-Performance Matrix Analysis to Evaluate the

Financial Performance of American Banks During the Financial Crisis. SAGE
Open, 10. [Link]

Ringle, C. M., & Sarstedt, M. (2016). Gain more insight from your PLS-SEM results:
The importance-performance map analysis. Industrial Management & Data
Systems, 116(9), 1865-1886. [Link]
 10
CAPÍTULO
USO COMBINADO
DE IPMA Y NCA

193
 OBJETIVOS DE APRENDIZAJE

 Comprender cIPMA:
• Fusionar IPMA y NCA en PLS-SEM para
194 analizar importancia y rendimiento de
variables latentes

 Aplicar Análisis Comparativos en SmartPLS:

• Realizar análisis IPMA y NCA, incluyendo
generación de datos y evaluación de
desempeño

 Desarrollar Modelos de Regresión Integrados:

• Integrar variables independientes y
latentes en un modelo “IPMA+NCA” y
configurarlo completamente

 Realizar Análisis NCA:

• Configurar y ejecutar NCA para identificar
condiciones cruciales y analizar resultados
de permutación

 Visualizar Relaciones entre Variables Latentes:

• Utilizar mapas y visualizaciones para
explorar y destacar relaciones clave entre
variables latentes
 DR. DIEGO ALONSO NORENA-CHAVEZ

10.1 ¿Qué es cIPMA?

cIPMA es un acrónimo de Análisis de Mapa de Importancia-Rendimiento

combinado. Este enfoque integra los resultados del Análisis de Mapa de
Importancia-Rendimiento (IPMA) y el Análisis de Condición Necesaria (NCA) en
el marco del Modelado de Ecuaciones Estructurales de Mínimos Cuadrados
Parciales (PLS-SEM) (Hauff et al., 2024).

La Figura 10.1 proporciona una visión comparativa de tres métodos analíticos:

Análisis de Mapa de Importancia-Rendimiento (IPMA), Análisis de Condición
Necesaria (NCA) y el Análisis Combinado de Mapa de Importancia-Rendimiento
(cIPMA). Cada método se detalla con su respectiva aplicación y beneficios en
el contexto del Modelado de Ecuaciones Estructurales de Mínimos Cuadrados
Parciales (PLS-SEM).

Figura 10.1 195

Visión compartida

CAPÍTULO 10: USO COMBINADO DE IPMA Y NCA

Método de Análisis Descripción

Análisis de Mapa de El IPMA se utiliza en PLS-SEM para evaluar la importancia

Importancia-Desempeño y el desempeño de las variables latentes y sus
(IPMA) indicadores. Visualiza el desempeño y la importancia
de los atributos en un gráfico bidimensional, ayudando
a los investigadores y profesionales a entender dónde
concentrar los esfuerzos de mejora (Ringle & Sarstedt,
2016).

Análisis de Condición El NCA identifica condiciones cruciales para lograr

Necesaria (NCA) resultados deseados, basándose en la lógica de
necesidad. Este método se utiliza para identificar
factores imprescindibles que deben estar presentes
para alcanzar ciertos niveles de resultados (Dul, 2016).

Análisis Combinado de El cIPMA extiende la aplicación del IPMA incorporando

Mapa de Importancia- los hallazgos del NCA. Combina la lógica de suficiencia
Desempeño (cIPMA) del PLS-SEM (identificando factores deseables para un
alto rendimiento) con la lógica de necesidad del NCA
(identificando factores imprescindibles para lograr
resultados). Este enfoque combinado ofrece un análisis
más integral, permitiendo una mejor priorización de
acciones para mejorar resultados objetivos como
la satisfacción del cliente o el compromiso de los
empleados (Hauff et al., 2024).
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Figura 10.2
Modelo

196
CAPÍTULO 10: USO COMBINADO DE IPMA Y NCA

La Figura 10.2 ilustra un marco de Modelado de Ecuaciones Estructurales de

Mínimos Cuadrados Parciales (PLS-SEM), que demuestra el uso combinado del
Análisis de Mapa de Importancia-Rendimiento (IPMA) y el Análisis de Condición
Necesaria (NCA). El modelo consta de siete variables latentes representadas
por nodos azules con flechas direccionales que indican las relaciones
hipotéticas entre ellas.

Recuerde que, para el análisis combinado de IPMA y NCA, es necesario

comenzar con el análisis IPMA y, luego, proceder con el análisis NCA. La Figura
10.3 ilustra el paso inicial para realizar un Análisis de Mapa de Importancia-
Rendimiento (IPMA) utilizando el software SmartPLS. El usuario navega al
menú “Calcular” y selecciona “Análisis de mapa de importancia-rendimiento
(IPMA)” de la lista desplegable de algoritmos estándar. La interfaz muestra la
lista de variables latentes y sus indicadores en el panel izquierdo, mientras
que el panel central muestra el modelo estructural con variables latentes
interconectadas, como BDA y PS. Este paso es crucial para evaluar la
importancia y el rendimiento de las variables latentes y sus indicadores dentro
del modelo estructural.

La Figura 10.4 muestra el proceso de generación de un archivo de datos en

SmartPLS después de realizar un análisis de mapa de importancia-rendimiento
(IPMA). La interfaz de usuario muestra los resultados del IPMA en el panel
derecho, con una tabla que enumera las variables latentes y sus valores
 DR. DIEGO ALONSO NORENA-CHAVEZ

Figura 10.3
Paso inicial del análisis cIPMA

197

CAPÍTULO 10: USO COMBINADO DE IPMA Y NCA

Figura 10.4
Creación del archivo de datos
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

correspondientes. En el panel izquierdo, en la sección “Resultados finales”,

la opción “Variables latentes” se establece en “Original”, lo que indica que
se están utilizando las puntuaciones de las variables latentes originales. El
botón “Crear archivo de datos” en el menú superior, indica el siguiente paso
para exportar los datos. Este paso es esencial para el análisis posterior o la
presentación de informes de los resultados de IPMA, asegurando que las
puntuaciones originales de las variables latentes se conserven en el archivo
de datos exportado.

La Figura 10.5 presenta el proceso de creación de un nuevo archivo de

datos en SmartPLS después de realizar un análisis de mapa de importancia-
rendimiento (IPMA). La interfaz de usuario muestra un cuadro de diálogo
titulado “Nuevo archivo de datos”. El usuario ha nombrado el fichero
“RESULTADOS IMAP PARA NCA” y ha seleccionado la opción “Puntuaciones

198
de variables latentes” para incluirla en el fichero de datos. El panel izquierdo
indica los resultados de IPMA con varias opciones en “Resultados finales”,
lo que confirma que se están utilizando las puntuaciones originales de las
CAPÍTULO 10: USO COMBINADO DE IPMA Y NCA

variables latentes. El paso final consiste en hacer clic en el botón “Crear” para
generar el archivo de datos, que se utilizará para análisis posteriores, como el
Análisis de Condición Necesaria (NCA). Este paso garantiza que se guarden los
datos adecuados para los procedimientos analíticos posteriores.

Figura 10.5
Creación de nuevo archivo de datos
 DR. DIEGO ALONSO NORENA-CHAVEZ

La Figura 10.6 representa la sección “Efectos totales” de los resultados del

Análisis de Mapa de Importancia-Rendimiento (IPMA) en SmartPLS. El usuario
ha seleccionado la opción “Lista” en la categoría “Efectos totales” en el panel
izquierdo. El panel derecho muestra una tabla que enumera los efectos totales
de varias relaciones en el modelo estructural, con columnas que indican la
trayectoria y el valor del efecto total correspondiente. Por ejemplo, el trayecto
“BDA  PS” tiene un efecto total de 0,338, mientras que “TEPI  PS” tiene
un efecto total de -0,028. Este paso es crucial para comprender el impacto
general de cada variable latente en el constructo objetivo, lo que ayuda a
identificar los factores más influyentes en el modelo.

Figura 10.6
Sección de efectos totales

199

CAPÍTULO 10: USO COMBINADO DE IPMA Y NCA

La Figura 10.7 muestra la sección “Rendimiento - Rendimiento de variable

latente” de los resultados del Análisis de Mapa de Importancia-Rendimiento
(IPMA) en SmartPLS. El panel izquierdo muestra la opción “Rendimiento”
en la categoría “Resultados finales”, con rendimiento de variables latentes
seleccionado. En el panel derecho, se presenta una tabla que enumera las
puntuaciones de rendimiento de las variables latentes, como BDA (55,818), EL
(65,381), PS (64,982), TEPD (70,937), TEPI (56,297), TIC (67,427) y TR (68,884).
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Estas puntuaciones reflejan los niveles medios de rendimiento de las variables

latentes en el modelo, lo que proporciona información sobre qué variables
tienen un buen rendimiento y cuáles pueden necesitar mejoras. Este paso es
crucial para evaluar la efectividad de diferentes variables latentes en el logro
de los resultados deseados en el modelo estructural.

Figura 10.7
Rendimiento de variable latente

200
CAPÍTULO 10: USO COMBINADO DE IPMA Y NCA

La Figura 10.8 ilustra el Mapa de Importancia-Rendimiento (IPM) para la variable

latente PS (Satisfacción del Rendimiento) en SmartPLS. El panel izquierdo
muestra la selección del “Mapa de importancia-rendimiento” en la sección
“Criterios de calidad” para las construcciones PS. El panel de la derecha
muestra el mapa de importancia-rendimiento, que representa el rendimiento
(eje Y) frente a la importancia (efectos totales, eje X) de varias variables
latentes.

Rendimiento e importancia:

1. El eje Y representa las puntuaciones de rendimiento, que van de 0 a 100.

2. El eje X representa las puntuaciones de importancia (efectos totales),
que oscilan entre -0,046 y 0,357 aproximadamente.
 DR. DIEGO ALONSO NORENA-CHAVEZ

Variables latentes:

1. Los puntos de colores representan diferentes variables latentes, como

BDA (Big Data Analytics, rojo), EL (morado), TEPD (amarillo), TEPI (naranja),
TIC (azul) y TR (cian).
2. La posición de cada punto indica el rendimiento y la importancia de la
variable latente correspondiente.

Destacando BDA:

1. La variable BDA (Big Data Analytics) está resaltada en rojo, mostrando

su puntuación de rendimiento en torno a 55,818 y una puntuación de
importancia de aproximadamente 0,338.

201
Este mapa de importancia-rendimiento ayuda a identificar qué variables
latentes tienen un alto rendimiento y una alta importancia, orientando a
los investigadores y profesionales sobre dónde centrar sus esfuerzos para

CAPÍTULO 10: USO COMBINADO DE IPMA Y NCA

mejorar.

Figura 10.8
Mapa de importancia

La Figura 10.9 muestra el proceso de creación de un nuevo modelo de

regresión en SmartPLS, integrando los resultados de IPMA y NCA. La interfaz
de usuario muestra el cuadro de diálogo “Nuevo modelo”, donde el usuario ha
nombrado el modelo “IMAP+NCA” en el proyecto “Diego - Modelo antiguo 1 -
Copia de seguridad”. El “Tipo de modelo” se establece en “REGRESSIÓN”, lo que
indica el tipo de análisis que se va a realizar.
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Figura10.9
Creación de nuevo modelo usando los datos del IPMA

202
CAPÍTULO 10: USO COMBINADO DE IPMA Y NCA

La Figura 10.10 muestra la selección de puntuaciones de variables latentes

(LV) en SmartPLS para un análisis de regresión que combina los resultados de
IPMA y NCA. El panel izquierdo enumera las puntuaciones de LV del conjunto
de datos “RESULTADOS IMAP PARA NCA”, incluidos BDA, EL, PS, TEPD, TEPI, TIC
y TR, cada uno marcado como “MET”. El usuario ha seleccionado “Puntuaciones
LV - PS”, que es la variable dependiente para incluirlas en el modelo de
regresión.

La Figura 10.11 muestra el proceso de adición de las puntuaciones de las

variables latentes (LV) para la (PS) al modelo de regresión en SmartPLS.

La Figura 10.12 muestra la selección de variables independientes para el

análisis de regresión en SmartPLS.
 DR. DIEGO ALONSO NORENA-CHAVEZ

Figura 10.10
Selección de variables latentes

Figura 10.11 203

Adición de variable PS

CAPÍTULO 10: USO COMBINADO DE IPMA Y NCA

Figura 10.12
Variable dependiente en el CANVAS
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

La Figura 10.13 ilustra el proceso de arrastrar y soltar variables independientes

en la variable dependiente en SmartPLS durante la configuración de un modelo
de regresión.

Figura 10.13
Proceso de arrastre de las variables independientes

204
CAPÍTULO 10: USO COMBINADO DE IPMA Y NCA

La Figura 10.14 muestra la configuración completa de un modelo de regresión

en SmartPLS, integrando múltiples variables independientes para predecir una
variable dependiente.

Figura 10.14
Modelo completo

La Figura 10.15 muestra la selección del Análisis de Condición Necesaria (NCA)

en SmartPLS como parte de la configuración del modelo de regresión.
 DR. DIEGO ALONSO NORENA-CHAVEZ

Figura 10.15
Selección del NCA

205

CAPÍTULO 10: USO COMBINADO DE IPMA Y NCA

La Figura 10.16 muestra la configuración y el inicio del Análisis de Condición
Necesaria (NCA) en SmartPLS.

Figura 10.16
Inicio del NCA
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

La Figura 10.17 muestra los resultados del Análisis de Condición Necesaria

(NCA) en SmartPLS, centrándose específicamente en la “Descripción general
del tamaño del efecto de la línea de techo”.

Figura 10.17
Descripción general del tamaño del efecto de la línea de techo

206
CAPÍTULO 10: USO COMBINADO DE IPMA Y NCA

La Figura 10.18 muestra las tablas de cuellos de botella del Análisis de

Condición Necesaria (NCA) en SmartPLS, específicamente los valores para el
método CE-FDH. Los valores de la tabla indican los niveles mínimos (cuellos
de botella) de cada variable latente necesarios para alcanzar diferentes
niveles de rendimiento para la variable dependiente (puntuaciones variables
latente - PS).

Resumen de Cuellos de Botella: BDA se vuelve necesario para alcanzar el nivel

100 % EL, TEPD, TEPI, TIC y TR para el nivel 40 %.

La Figura 10.19 muestra un gráfico de líneas de techo de NCA para la

variable latente “Puntuaciones Variable Latente - BDA” (Big Data Analytics) en
SmartPLS.

La Figura 10.20 muestra un gráfico de líneas de techo NCA para la variable

latente “Puntuaciones LV - EL” en SmartPLS.
 DR. DIEGO ALONSO NORENA-CHAVEZ

Figura 10.18
Cuellos de botella del NCA

Figura 10.19 207

Gráfico de líneas de techo de NCA

CAPÍTULO 10: USO COMBINADO DE IPMA Y NCA

Figura 10.20
Gráfico de líneas de techo de NCA
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

La Figura 10.21 presenta un gráfico de línea de techo de NCA para la variable

latente “Puntuaciones de LV – TEPD”.

Figura 10.21
Gráfico de líneas de techo de NCA

208
CAPÍTULO 10: USO COMBINADO DE IPMA Y NCA

La Figura 10.22 presenta un gráfico de línea de techo de NCA para la variable

latente “Puntuaciones de LV - TEPI” en SmartPLS.

Figura 10.22
Gráfico de líneas de techo de NCA
 DR. DIEGO ALONSO NORENA-CHAVEZ

La Figura 10.23 presenta un gráfico de línea de techo de NCA para la variable

latente “Puntuaciones de LV - TIC” (Capacidad de Infraestructura Tecnológica)
en SmartPLS.

Figura 10.23
Gráfico de líneas de techo de NCA

209

CAPÍTULO 10: USO COMBINADO DE IPMA Y NCA

La Figura 10.24 presenta un gráfico de línea de techo de NCA para la variable
latente “Puntuaciones de LV - TR” (Preparación Tecnológica) en SmartPLS.

Figura 10.24
Gráfico de líneas de techo de NCA
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

La Figura 10.25 muestra la opción NCA Permutation.

Figura 10.25
NCA permutation

210
CAPÍTULO 10: USO COMBINADO DE IPMA Y NCA

La Figura 10.26 muestra la configuración para realizar la permutación del

Análisis de Condición Necesaria (NCA) en SmartPLS.

Figura 10.26
Configuración para la permutación
 DR. DIEGO ALONSO NORENA-CHAVEZ

La Figura 10.27 muestra los resultados del análisis de permutación NCA en

SmartPLS.

Figura 10.27
Resultados de la permutación

211

CAPÍTULO 10: USO COMBINADO DE IPMA Y NCA

La Figura 10.28 muestra la interpretación del resultado de la permutación del
modelo.

Figura 10.28
Interpretación de la permutación del modelo

Latent Tamaño Intervalo de Valor p de Interpretación

Variable del efecto confianza permutación
(LV) original del 95 %

No es una
LV scores - 0.761
0.026 0.078 condición
BDA (no significativo)
necesaria

Condición
LV scores - 0.032
0.112 0.106 necesaria
EL (significativo)
significativa

Condición
LV scores - 0.013
0.148 0.129 necesaria
TEPD (significativo)
significativa
 DOMINA EL ARTE DEL ANÁLISIS DE DATOS: UNA GUÍA PASO A PASO DE PLS-SEM PARA LA INVESTIGACIÓN

Condición
LV scores - 0.002
0.104 0.075 necesaria muy
TEPI (muy significativo)
significativa

Condición
LV scores - 0.000
0.193 0.129 necesaria muy
TIC (muy significativo)
significativa

Condición
LV scores - 0.000
0.171 0.1 necesaria muy
TR (muy significativo)
significativa

Descripción general del proceso de cIPMA (Análisis de mapa combinado de

importancia-rendimiento)

El Análisis Combinado del Mapa de Importancia-Rendimiento (cIPMA) fusiona

212 los resultados de IPMA y NCA dentro del marco PLS-SEM. Ofrece un enfoque
integral para analizar la importancia y el rendimiento de las variables latentes.
CAPÍTULO 10: USO COMBINADO DE IPMA Y NCA

El proceso de análisis comparativo de métodos incluye varias figuras. En

la Figura 10.1, IPMA evalúa la importancia y el rendimiento de las variables
latentes, NCA identifica condiciones cruciales para lograr resultados, y cIPMA
combina ambos para un análisis integral. La Figura 10.2 muestra la integración
de IPMA y NCA en un modelo PLS-SEM. La Figura 10.3 indica cómo iniciar el
análisis IPMA en SmartPLS, mientras que la Figura 10.4 detalla la generación
de archivos de datos en IPMA. La Figura 10.5 describe la creación de un
archivo de datos para NCA. La Figura 10.6 presenta los efectos totales de
las relaciones en el modelo IPMA, y la Figura 10.7 enumera las puntuaciones
de desempeño de las variables latentes. La Figura 10.8 muestra un mapa de
importancia-desempeño, destacando BDA. La Figura 10.9 detalla la creación
de un modelo de regresión “IPMA+NCA”. En la Figura 10.10, se seleccionan
puntuaciones de variables latentes y, en la Figura 10.11, se añaden estas
puntuaciones al modelo. La Figura 10.12 describe la selección de variables
independientes, y la Figura 10.13, cómo se añaden al modelo de regresión.
La configuración completa del modelo se detalla en la Figura 10.14. En la
Figura 10.15, se selecciona NCA para el análisis, que se configura en la Figura
10.16. La Figura 10.17 muestra los tamaños de efecto de la línea de techo
de NCA y la Figura 10.18 presenta tablas de cuello de botella. Las figuras
10.19 a 10.25 visualizan las relaciones entre diversas variables latentes y
PS. La configuración de permutación de NCA se describe en la Figura 10.26,
y sus resultados se muestran en la Figura 10.27, indicando la significancia
estadística de los tamaños de efecto observados. Finalmente, en la Figura
10.28, se muestra la interpretación de los resultados de la permutación del
modelo Cipma.
 DR. DIEGO ALONSO NORENA-CHAVEZ

REFERENCIAS

Hauff, S., Richter, N. F., Sarstedt, M., & Ringle, C. M. (2024). Importance and
performance in PLS-SEM and NCA: Introducing the combined importance-
performance map analysis (cIPMA). Journal of Retailing and Consumer
Services, 78, 103723. [Link]

213

CAPÍTULO 10: USO COMBINADO DE IPMA Y NCA

 Este libro terminó de imprimir en
los talleres gráficos de
Servicios Gráficos Publicitarios APAR SRL
Calle los Algarrobos 166 Chorrillos,
Lima - Perú
Agosto 2024