Manual de presentación del informe de resultados de un modelo de ecuaciones estructurales formativo creado con SmartPLS.

1. INFORME DE RESULTADOS DE UN MODELO
FORMATIVO 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 formativo
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).
Validez convergente
El primer paso en el análisis de los modelos de ecuaciones estructurales formativos es
hacer un análisis de la validez convergente, que es la evaluación de hasta que punto un
indicador tiene una correlación positiva con otros indicadores del mismo constructo.
Para evaluar los modelos de medida formativos hay que testear si el constructo medido
de manera formativo está altamente correlacionado con una medida reflexiva del
mismo constructo. El constructo medido de manera formativa es utilizado como variable
latente exógena (independiente) y el constructo con medidas reflexivas como variable
latente endógena (dependiente). Para el constructo medido de manera reflexiva
también se puede utilizar una sola medida. Este tipo de análisis también es conocido
como análisis de redundancia. Pero, para realizar este análisis hay que recolectar datos
para estas medidas o crear una nueva variables utilizando medidas que ya hemos
colectado.
En este ejemplo no hemos realizado un análisis de redundancia, pero si es necesario
hacerlo en investigaciones que trabajen con modelos que incluyan al menos una
variables con medidas formativas. Hay que añadir también, que los modelos de
ecuaciones estructurales pueden incluir tanto variables con medidas reflexivas, como
variables con medidas formativas.

2. Tabla 1. Valores FIV de los indicadores del modelo
El segundo paso es evaluar los posibles problemas de multicolinealidad del modelo. En
este caso no existe un problema de multicolinealidad porque todos los valores están por
debajo del valor máximo 5.
Tabla 2. Significancia de los pesos
Al no existir problemas de multicolinealidad, el siguiente paso es analizar la significancia
de los pesos para determinar su contribución absoluta y relativa al modelo. Para realizar
este análisis hay que determinar la significancia estadística de los indicadores utilizando
el procedimiento Bootstrapping.
Como se puede observar en la Tabla 2, en el caso del presente análisis el peso de cinco
de los nueve indicadores no es significativo ya que el valor p supera el 0.05. Cuatro si
son significativos: EXES1, EXRES3, IU2 y IU3.
Pero para poder completamente evaluar la contribución empírica de un indicador hay
que analizar también su carga (Tabla 3).

3. Tabla 3. Las cargas de los indicadores y su significancia
Cuando el peso de un indicador no es significativo, pero su varga es mayor a 0.50,
generalmente si se mantiene este indicador. Pero cuando el peso un indicador no tiene
significancia y su carga es inferior a 0.50, el investigador debe examinar su relevancia
teórica para decidir si lo mantiene o no. Sin embargo, si la carga del indicador es baja y
no es significativa se debería tener en cuenta la posible eliminación.
En el caso del modelo propuesto todas las cargas son superiores a 0.50 y significativas,
por lo que se pueden mantener todos los indicadores como medidas de los constructos.
Tabla 4. Valores FIV del modelo estructural
El primer paso en evaluar el ajuste estructural del modelo es analizar la
multicolinealidad. La tabla muestra los valores de la medida FIV que están por debajo
del valor máximo 5 (Hair, Hult, Ringle & Sarstedt, 2014).
Tabla 5. Coeficientes de trayectoria (path)
El coeficiente de trayectoria (path) de la relación entre las variables expectativa de
esfuerzo e intención de uso es de 0.431; mientras que, el coeficiente de trayectoria de
la relación entre expectativa de resultados tiene un valor de 0.231. 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.

4. Hay que añadir que el valor del R2 es de 0.345, lo que significa que el 34.5% de la varianza
de la variable intención de uso está explicada por el modelo. El valor del R2 ajustado es
de 0.331, sin grandes diferencias con el R2.
Tabla 5. Efecto del f2
El f2 se utiliza para evaluar la contribución al R2 de variables exógenas (independientes)
que han sido omitidas del modelo. 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 6. Ajuste del modelo
El SRMR es una medida del ajuste aproximado del modelo. El indicador mide la
diferencia entre la matriz de correlación observada y la matriz de correlaciones implícita
del modelo. En este caso, el valor es de 0.078 lo que significa que el modelo tiene un
buen ajuste.
Para el presente estudio, el Índice Normado Fit toma el valor 0.787, indicando, igual que
el SRMR, que el modelo tiene un buen ajuste.
El ajuste exacto del modelo es medido a través de dos medidas: la distancia euclidiana
al cuadrado (d_ULS) y la distancia geodésica (d_G). En el caso del modelo propuesto en
este estudio, la distancia euclidiana al cuadrado (d_ULS) y la distancia geodésica (d_G)
alcanzan valores 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 estos modelos.
Otro valor de ajuste es el RMS-theta, que es la raíz cuadrada residual de la matriz de
covarianza. Esta medida solo se utiliza para evaluar modelos reflexivos puros (Henseler

5. et al., 2014) y al ser el presente modelo formativo no se puede utilizar esta medida para
evaluar el ajuste estructural.
Tabla 7. 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 8 la relación entre la expectativa de esfuerzo y la intención de uso es
significativa, con un valor p < 0.05. No ocurre lo mismo con la relación entre expectativa
de resultados y la intención de uso que no muestra significancia.
¿Es esto suficiente para validar una hipótesis? NO. Hay que evaluar también los
coeficientes de trayectoria, los valores del R2 y f2. En el caso de nuestro ejemplo, solo el
coeficiente de trayectoria de la relación entre expectativa de esfuerzo e intención de
uso es relativamente alto, de 0.431. El coeficiente de la relación entre expectativa de
esfuerzo e intención de uso tiene un valor relativamente bajo de 0.231. El valor del R2
es de 0.345, mientras que hay dos valores del f2, uno medio y otro muy bajo. Por lo
tanto, se valida parcialmente la hipótesis, ya que solo la relación entre la expectativa de
esfuerzo e intención de uso muestra significancia estadística y un efecto medio.
Figura 1. Modelo de ecuaciones estructurales formativo 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.

6. 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.
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/