Unidad2 del curso SmartPLS aplicado a la investigación en Economía. Contabilidad y Finanzas
Facultad de Contabilidad y Auditoria
Universidad Técnica de Ambato
Unidad 2. modelos de ecuaciones estructurales por el método de mínimos cuadrados parciales
1. Modelos de ecuaciones estructurales
(SEM) por el método de mínimos
cuadrados parciales (PLS)
Vasilica Maria Margalina
Unidad Operativa de Desarrollo e Investigación –UODIDE
Facultad de Contabilidad y Auditoría
Universidad Técnica de Ambato
Julio 2016
2. Aplicación de SmartPLS en Investigación en Economía,
Contabilidad y Finanzas
Unidad 1. Investigación en ciencias sociales.
Unidad 2. Modelos de ecuaciones estructurales (SEM) y la
técnica de mínimos cuadrados parciales (PLS).
Unidad 3. Creación de un modelo PLS-SEM con SmartPLS.
Unidad 4. Análisis e interpretación de datos con SmartPLS.
2
3. Modelos de ecuaciones estructurales (SEM)
Definición
El modelo de ecuaciones estructurales (Structural Equation Modelling,
SEM) es un método multivariable que permite examinar simultáneamente
una serie de relaciones de dependencia, adicionalmente combina
aspectos de la regresión múltiple y el análisis factorial para estimar una
serie de relaciones de dependencia, pero a la vez de interdependencia ya
que las variables son dependientes en una relación pero independientes
en otra relación dentro del mismo modelo.
3
4. Modelos de ecuaciones estructurales (SEM)
En 1921 el biólogo y estadístico Sewall Wrught sienta
las bases del análisis de trayectoria (path analysis), que
consiste en una regresión múltiple expresada a través
de un diagrama de flujo de la relación interdependiente
entre las variables.
En los años ‘70, Karl Joreskög presentó la primera
formulación de un análisis de estructura de
covarianza (Covariance Structure Analysis ) para la
estimación de un sistema de ecuaciones
estructurales lineales. También unificó el análisis
factorial, el análisis de estructuras de covarianzas y el
modelado de ecuaciones estructurales en un sólo
modelo.
4
5. Modelos de ecuaciones estructurales (SEM)
Las ventajas de los modelos de ecuaciones:
La gran ventaja de este tipo de modelos es que permiten proponer el tipo
y la dirección de las relaciones que se espera encontrar entre las variables
contenidas en él, para pasar posteriormente a estimar los parámetros. Por
este motivo, se denominan también modelos confirmatorios
Permite evaluar o testear modelos teóricos, siendo una de las
herramientas más potentes para el estudio de relaciones causales sobre
datos no experimentales cuando estas relaciones son de tipo lineal.
Permite el modelado simultáneo de relaciones entre múltiples constructos
dependientes e independientes (que pasan a denominarse variables
latentes exógenas y endógenas).
Permite al investigador construir variables no observables medidas por
indicadores así como estimar el error de las variables observadas.
Ayuda a seleccionar hipótesis casuales relevantes, eliminando aquellas no
sustentadas por la evidencia empírica.
5
6. Modelos de ecuaciones estructurales (SEM)
La técnica de ecuaciones estructurales se caracteriza por su construcción
de modelos de investigación a través de la transformación de conceptos
teóricos y derivados en variables no observables (latentes) y la
transformación de conceptos empíricos en indicadores. Ambos se
relacionan a través de la hipótesis que quedan expresadas gráficamente
por diagramas de trayectoria.
6
7. Modelos de ecuaciones estructurales (SEM)
Tipos de variables en los modelos de ecuaciones estructurales:
- Variable observada o indicador: Variable con la que se mide a los sujetos.
- Variable latente: Característica que s desearía medir pero que no se puede
observar.
- Variable exógena: variable que afecta a otra variable y que no recibe efecto
de otra variable.
- Variable endógena: variable que recibe efecto de otra variable.
- Variable moderadora: representa un tipo especial de variable
independiente, que es secundaria, y se selecciona con la finalidad de
determinar si afecta la relación entre la variable independiente primaria y la
variable dependiente.
7
9. Modelos de ecuaciones estructurales (SEM)
Variable latente
Las variables o no observables son aquellas que no pueden ser medidas
directamente sino que son inferidas (a través de un modelo matemático a
partir de otras variables que se observan (medidas directamente).
9
11. Los diagramas estructurales (Path-diagrams)
Los diagramas estructural de un modelo es su representación gráfica y es
de gran ayuda a la hora de especificar el modelo y los parámetros
contenidos en el. En definitiva, se trata de un gráfico en el que se
encuentran representadas las relaciones de casualidad que se supone que
existen entre un conjunto de variables.
Elementos de la representación gráfica de los modelos SEM
11
16. El método de mínimos cuadrados parciales (PLS)
Mínimos cuadrados parciales (PLS)
Definición
La regresión de mínimos cuadrados parciales o partial least squares
regression (PLS regression) es un método estadístico que tiene relación
con la regresión de componentes principales y se utiliza para encontrar
relaciones fundamentales entre dos matrices, es decir, un enfoque d
variables latente para modelar la estructura de covarianza entre estos dos
espacios.
16
17. El método de mínimos cuadrados parciales (PLS)
Herman Wold desarrolló la técnica de mínimos cuadrados
parciales en 1960. Originalmente, esta fue un método
general que admitía rutas de modelación causales entre
cualquier número de variables (variables latentes), algo
parecido a un modelo de ecuaciones estructurales
basados en la covarianza.
17
18. El método de mínimos cuadrados parciales (PLS)
Ventajas del método de mínimos cuadrados parciales
Una de las mayores ventajas del uso del PLS en ecuaciones
estructurales lo constituye su forma de realizar la regresión
para la estimación del modelo interior (modelo de medición).
Da buenos resultados en el análisis de realidades
caracterizadas por tamaño limitado de las muestras y
desarrollo teórico insipiente.
Adecuado para utilizar en disciplinas sociales como
mercadotecnia, comportamiento organizacional, planeación
estratégica, gestión de sistemas informáticas.
18
19. El método de mínimos cuadrados parciales (PLS)
El método de mínimos cuadrados parciales (PLS)
Identifica los componentes principales de la variable independiente que
también sean los más adecuados para explicar la variable dependiente.
Intenta obtener variables latentes de manera que contenga la mayor parte
de la variación de las variables independientes observada de manera que
también pueden usarse para modelar la variable dependiente.
El modelo de regresión PLS busca específicamente predecir variables
dependientes, por lo que en opinión de diversos autores, resulta de
especial utilidad para propósitos de análisis causal predictivo en
situaciones de alta complejidad y poco desarrollo teórico.
19
20. El método de mínimos cuadrados parciales (PLS)
Criterios para escoger PLS para el testeo y validación de hipótesis:
- Si el objetivo es predecir constructos fundamentales (explicativos o
explicados).
- Si la investigación es exploratoria o una extensión de una teoría
estructural existente.
- Si el modelo estructural es complejo (muchos constructos con muchos
indicadores).
- Si el tamaño de la muestra es pequeño.
- Si los datos son anormales, en cualquier magnitud.
20
21. El método de mínimos cuadrados parciales (PLS)
El tamaño de la muestra mínimo para PLS debe ser igual o mayor de los
siguientes dos aspectos:
• Diez veces el número mayor de indicadores formativos utilizados para
medir un constructo; o bien:
• Diez veces el mayor número de trayectorias estructurales dirigidas hacia
un constructo latente en particular en el modelo estructural.
21
22. Pasos para la modelización de ecuaciones
estructurales
22
23. Pasos para la modelización de ecuaciones estructurales
1. Especificación del modelo
2. Identificación del modelo
3. Evaluación de la calidad de la base de datos
4. Estimación de parámetros
5. Evaluación de ajuste e interpretación
6. Reespecificación del modelo
23
24. Pasos para la modelización de ecuaciones estructurales
1. Especificación del modelo
En esta fase el investigador aplica los conocimientos teóricos del
fenómenos estudiado al planteamiento de las ecuaciones matemáticas
relativas a los efectos causales de las variables latentes y a las expresiones
que las relacionan con los indicadores o variables observables.
La claridad del modelo viene determinada por los conocimientos teóricos
del investigador sobre el tema estudiado.
24
25. Pasos para la modelización de ecuaciones estructurales
2. Identificación del modelo
Si el modelo teórico es correcto, se procede a la identificación del modelo,
en donde debemos asegurarnos que pueden ser estimados los parámetros
del modelo.
El modelo está identificado si existe una solución única para cada uno de
los parámetros.
Determinar si un modelo está identificado debe analizarse antes de la
recolección de datos, verificando que al menos se dispone para cada
parámetro de una expresión algebraica que lo exprese en función de las
varianzas y covarianzas muestrales.
Una de las reglas aplicables para identificar el modelo, es la regla de los
grados de libertad.
25
26. Pasos para la modelización de ecuaciones estructurales
3. Evaluación de las bases de datos
El primer tema al tratar es el tamaño de la muestra, ya que es uno de los
aspectos donde hay menos consenso entre los especialistas.
Otro aspecto es la multicolineidad entre las variables, donde variables
altamente correlacionadas son consideradas redundantes. Cuando se
observa que dos variables están altamente correlacionadas, la solución
más práctica es retirar una de ellas del modelo.
26
27. Pasos para la modelización de ecuaciones estructurales
4. Estimación de los parámetros
Para la estimación de los parámetros se utilizan programas especiales para
el SEM, softwares de estadística como:
LISREL
AMOS
EQS
SmartPLS
27
28. Pasos para la modelización de ecuaciones estructurales
5. Evaluación del ajuste e interpretación
La etapa de diagnostico de la bondad del ajuste se refiere a la exactitud de
los supuestos del modelo especificado para determinar si el modelo es
correcto y sirve como aproximación para el modelo real, precisando así su
poder de predicción.
28
29. Pasos para la modelización de ecuaciones estructurales
6. Reespecificación del modelo
En raras ocasiones el modelo propuesto es el que mejor se ajusta.
En consecuencia, el investigador busca métodos para mejorar el ajuste del
modelo y/o su correspondencia con la teoría subyacente.
El proceso de reespecificación del modelo consiste en añadir o eliminar los
parámetros estimados del modelo
Es aconsejable hacer las modificaciones con cuidado y considerando
justificaciones teóricas antes que las empíricamente deseables.
29
30. Bibliografía
Cupani, M. (2012). Análisis de Ecuaciones Estructurales: conceptos, etapas de
desarrollo y un ejemplo de aplicación. Revista Tesis, 1, 186-199. Recuperado
de: https://revistas.unc.edu.ar/index.php/tesis/article/viewFile/2884/2750
Leyva-Cordero, O. & Olague, J.T. (2014). Modelos de ecuaciones estructurales
por el método de mínimos cuadrados parciales (PLS), en Saénz López, K. &
Tamez González, G. (Coord). Métodos y técnicas cualitativas y cuantitativas
aplicables a las investigaciones sociales. México D.F.: Tirant Humanidades.
Recuperado de:
https://www.researchgate.net/publication/275523281_Modelo_de_ecuacion
es_estructurales_por_el_metodo_de_minimos_cuadrados_parciales_PLS
30