Este documento presenta los resultados de un modelo de ecuaciones estructurales (SEM) que analiza el efecto de la expectativa de resultados y la expectativa de esfuerzo en la intención de uso de un portal en línea. Los resultados muestran que ambas variables tienen un efecto significativo en la intención de uso, aunque el efecto de la expectativa de esfuerzo es mayor. El modelo explica el 31% de la varianza de la intención de uso. Sin embargo, el ajuste general del modelo no es bueno y se recomienda incluir más variables.

1. INFORME DE RESULTADOS DE UN MODELO
REFLEXIVO REALIZADO CON SMARTPLS
Instructora: Vasilica Maria Margalina
Curso de modelos de ecuaciones estructurales con
SmartPLS
Universidad Estatal de Quevedo
23-26 de octubre de 2018
Email: vmargalina@gmail.com
Ejemplo de informe de resultados de un modelo SEM-PLS reflexivo
utilizando SmartPLS 3
El objetivo del presente estudio es analizar el efecto de la expectativa de resultados y la
expectativa de esfuerzo en la intención de uso de un portal en línea. Para el análisis
estadístico se ha trabajado con un modelo de ecuaciones estructurales (SEM), aplicando
el programa estadístico SmartPLS (Ringle, Wende & Becker, 2015). Aplicando el
Algoritmo PLS se obtienen los siguientes resultados.
Validez discriminante
Tabla 1. Criterio de Fornell y Larcker
El criterio de Fornel y Larcker (1981) indica que las correlaciones entre las variables no
deben superar la raíz cuadrada del AVE correspondiente y que está insertada en la
diagonal de la Tabla 1. Este es el caso de todas las variables del modelo y, por lo tanto,
existe validez discriminante.

2. Tabla 2. Cargas Cruzadas
También se cumple el criterio de cargas cruzadas, ya que todos los indicadores tienen
la carga más alta en sus propios constructos y no en otros del modelo.
Tabla 3. Hetrotrait-Monotrait Ratio
Como los valores de ratio heterotrait -monotrait no supera el valor máximo admitido de
0.90 (Henseler, Ringle & Sarstedt, 2015) en el caso de todas las variables, también se
cumple este criterio de validez discriminante.

3. Tabla 4. Fiabilidad y validez del constructo
La consistencia interna se evaluó utilizando el Alfa de Cronbach y la fiabilidad
compuesta. Ambas medidas deben alcanzar un valor mínimo de 0.70. Como se puede
observar en la tabla 4, este no es el caso del alfa de Cronbach que solo alcanza el valor
mínimo en el caso de la variable Intención de uso. Sin embargo, debido a las limitaciones
del Alfa de Cronbach en la población, la Fiabilidad compuesta es una medida más
apropiada para medir la consistencia interna (Hair, Hult, Ringle & Sarstedt, 2014), y que
si supera el valor mínimo recomendado. Por lo tanto, se decidió a no realizar cambios
en el modelo de medida.
La varianza extraída media (AVE) se utilizó para medir la validez divergente y el análisis
muestra que se alcanza el valor mínimo recomendado de 0.50 (Hair et al., 2014) en el
caso de todas las variables. Es decir, los constructos del modelo explican más del 50%
de la varianza de sus indicadores. Hay que mencionar también que otro criterio para
evaluar la validez divergente es la carga de los indicadores, que deben tener un valor
mínimo de 0.70. En general, todos los indicadores del modelo alcanzan este valor, a la
excepción de EXRES 3, pero como su valor es de 0.614 se decidió mantener este
indicador.
Tabla 6. Valores FIV de los indicadores del modelo
Los valores VIF no superan el valor máximo aceptado de 5, por lo tanto, no existe
multicolinealidad.

4. Tabla 7. Valores FIV del modelo estructural
Tal como se puede observar en la Tabla 7, tampoco existe multicolinealidad en el
modelo estructural.
Tabla 8. Coeficientes de trayectoria (path)
El coeficiente de trayectoria (path) de la relación entre las variables expectativa de
esfuerzo e intención de uso es de 0.392; mientras que, el coeficiente de trayectoria de
la relación entre expectativa de resultados tiene un valor de 0.256. El coeficiente de
trayectoria toma valores entre -1 y 1, siendo una relación entre variable fuerte y positiva
cuando este valor se acerca a +1.
Hay que añadir que el valor del R2 es de 0.311, lo que significa que el 31% de la varianza
de la variable intención de uso está explicada por el modelo. El valor del R2 ajustado es
de 0.297, sin grandes diferencias con el R2.
Tabla 9. Efecto del f2
En el caso del presente estudio, el efecto del f2 en la relación entre expectativa de
esfuerzo e intención de uso es medio; mientras que, en el caso de la relación expectativa
de resultados e intención de uso, el efecto es bajo.
Tabla 10. Valores Q2 del Blindfolding

5. Adicionalmente, para evaluar la magnitud de los valores R2 como criterio para evaluar
la exactitud predictiva se calcula el valor del Q2, que es una indicador de la relevancia
predictiva del modelo. Para eso hay que aplicar la técnica del Blindfolding en el
SmartPLS. Tal como se puede observar en la Tabla 10, en el caso de este análisis el Q2
toma el valor de 0.156, lo que significa un efecto medio.
Tabla 11. Ajuste del modelo
El valor del SRMR es de 0.139 lo que significa que el modelo no tiene un buen ajuste.
Para el presente estudio el valor del Índice Normado Fit (NFI) es de 0.439 indicando,
igual que el SRMR, que el modelo no tiene un buen ajuste.
En el caso del modelo propuesto en este estudio, la distancia euclidiana al cuadrado
(d_ULS) y la distancia geodésica (d_G) tienen valores p significativos (p ≤ 0.05), por lo
que no se pudo establecer el ajuste.
El Chi-cuadrado es utilizado en este caso para determinar los grados de libertad el
modelo. Sin embargo, todavía se está investigando como determinar los grados de
libertad en los modelos.
El modelo propuesto tiene un RMS-theta de 0.304, lo que indica que no tiene un buen
ajuste.
Tabla 12. Media, desviación estándar, valores t, p valores
Mediante el procedimiento Bootstrapping, con un remuestreo de 5000, se obtiene la
significancia de las relaciones entre las variables del modelo. Como se puede observar
en la Tabla 12, tanto la relación entre la expectativa de esfuerzo y la intención de uso,
como la expectativa de resultados y la intención de uso alcanzan un valor p < 0.05, por
lo tanto son significativas.
¿Es esto suficiente para validar una hipótesis? NO. Hay que evaluar también los
coeficientes de trayectoria, los valores del R2, f2 y Q2. En el caso de nuestro ejemplo, los
valores del coeficiente de trayectoria no son muy altos, el valor del R2 tampoco, mientras
que hay dos valores del f2, uno medio y otro bajo. El valor del Q2 indican también un

6. efecto medio. Por lo tanto, se valida la hipótesis, pero hay que tener en cuenta que a
futuro hay que añadir otras variables al modelo que expliquen mejor la variable
endógena intención de uso.
Figura 1. Modelo SEM-PLS reflexivo que analiza el efecto de la expectativa de
resultados y la expectativa de esfuerzo en la intención de uso de un portal en línea
BIBLIOGRAFÍA
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd
ed.). Hillsdale, NJ:
Lawrence Earlbaum Associates.
Fornell, C. & Larcker, D.F. (1981). Evaluating Structural Equation Models with Unobservable
Variables and Measurement. Journal of Marketing Research, 18, 39-50.
Hair, J.F., Hult, T.M. Ringle, C.M, & Sarstedt, M. (2014). A Primer on Partial Least Squares
Structural Equation Modeling (PLS-SEM). Thousand Oaks: Sage.
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(2), 182-209.
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(1), 115-135.
Hu, L.-t. & Bntler, P.M. (1998). Fit Indices in Covariance Structure Modeling: Sensitivity to
Underparametrized Model Misspecification. Psychological Methods, 3(4), 424-453.
Medina Molina, C., Rufin Moreno, R. & Rey Moreno, M. (2013). La adopción del e-Gobierno en
entornos voluntarios. Investigaciones Europeas de Dirección y Economía de la Empresa, 19, 42-
52. http://dx.doi.org/10.1016/j.iedee.2012.10.001
Ringle, C.M., Wende, S. & Becker, J.M. (2015). SmartPLS 3. Boenningstedt: SmartPLS GmbH.
https://www.smartpls.com/