La Importancia del PLS-SEM para los Negocios
Es importante que todo investigador desarrolle competencias estadísticas, ya que la mayor cantidad de artículos científicos publicados en revistas científicas indizadas siguen un enfoque metodológico cuantitativo. Después de muchos años de estudiar SEM (modelamiento de ecuaciones estructurales) y apoyar a mis alumnos en el análisis de data con PLS-SEM, he podido concluir que la literatura existente es muy técnica, lo cual influye negativamente en la mayoría de personas que están iniciando su carrera de investigación. En el mercado iberoamericano, no existe un libro que explique de manera sencilla, práctica y robusta el uso del PLS-SEM desde cero. Por ese motivo, hoy explicaré un poco sobre PLS-SEM, técnica estadística multivariada de segunda generación muy usada en el campo del management.
SEM combina el uso de variable latentes (constructos), lo que ayuda a representar teoría y datos que provienen de medidas (indicadores). Esto servirá para realizar un análisis estadístico que demuestre las relaciones entre variables latentes. A su vez, el SEM puede ejecutarse por medio de dos técnicas estadísticas: a) CB-SEM, que son métodos basados en las covarianzas (factores), y b) PLS-SEM, que son métodos basados en la varianza (compuestos). A su vez, la elección de CB-SEM o PLS-SEM va a depender de los objetivos de la investigación. Por un lado, CB-SEM busca estimar parámetros del modelo, de forma que la matriz de covarianzas estimada por el sistema de ecuaciones estructurales sea próxima a la matriz empírica observada en la muestra. Por otro lado, PLS-SEM estima los parámetros del modelo gracias a la maximización de la varianza explicada de todas las variables dependientes.
En negocios, el uso de PLS-SEM resulta muy interesante porque nos ayuda a estimar modelos complejos con muchos constructos e indicadores, y no nos impone supuestos de distribución sobre los datos. De acuerdo con Wold et al. (1982), el enfoque de PLS-SEM es causal-predictivo y enfatiza la predicción en la estimación de modelos estadísticos, cuyas estructuras estén diseñadas para ofrecer estimaciones causales. A continuación, expongo algunos propósitos con los que se puede usar PLS-SEM.
1) Investigación confirmatoria: El objetivo es comprender las relaciones causales entre variables. El foco de atención son los indicadores de bondad de ajuste.
2) Investigación explicativa: El objetivo es explicar un fenómeno específico que es tratado como variable dependiente. El foco de atención está en el R2 de las variables dependientes y en los tamaños de los efectos f2.
3) Investigación exploratoria: El objetivo es identificar posibles relaciones entre variables. El foco de atención está en la magnitud de los caminos estructurales.
4) Investigación descriptiva: El objetivo es enfocarse en las cantidades que describen a una población. Se centra en las puntuaciones medias y los pesos de los indicadores de las variables.
5) Investigación predictiva. Tiene como objetivo crear predicciones precisas de nuevas observaciones.
Referencias
Wold, S., Martens, H., & Wold, H. (1983). The multivariate calibration problem in chemistry solved by the PLS method. In Matrix pencils (pp. 286-293). Springer, Berlin, Heidelberg.