PLS-SEM: La Técnica Estadística Ampliamente Utilizada en más de 100 Campos en Web of Science

Me gustaría destacar que PLS-SEM no está direccionada a una sola disciplina; de hecho, actualmente se emplea en más de 100 campos distintos según la Web of Science. Es importante que, como académicos y docentes, nuestras opiniones y afirmaciones se fundamenten en datos y hechos concretos, y no solo en percepciones. Al debatir y compartir conocimientos, especialmente frente a otros investigadores, debemos ser cuidadosos y responsables con los comentarios que emitimos. Esto asegura que proporcionamos información precisa y valiosa, promoviendo así un entendimiento correcto y respetuoso de las herramientas estadísticas y su aplicación en la investigación científica.

Este artículo tiene dos objetivos: en primer lugar, presentar un resumen de algunos puntos clave del artículo del investigador Mateos-Aparicio publicado en 2011, y en segundo lugar, destacar la producción científica en diversos campos en la Web of Science.

Historia de PLS-SEM (Resumen del artículo del investigador Mateos-Aparicio)

Herman Ole Andreas Wold, el creador de los métodos PLS, nació el 25 de diciembre de 1908 en Skien, Noruega. En 1912, sus padres emigraron a Suecia, donde recibió su educación escolar antes de inscribirse en la Universidad de Estocolmo. Obtuvo su doctorado en Estocolmo en 1938 con una tesis sobre el análisis de series temporales estacionarias. Antes de desarrollar los métodos PLS, Wold trabajó en el análisis estadístico de la demanda y realizó contribuciones a la teoría de la utilidad. Se convirtió en el primer profesor de estadística en la Universidad de Uppsala en 1942 y luego enseñó en Gotemburgo antes de regresar a Uppsala. Wold fue un destacado miembro de varias organizaciones estadísticas y económicas y formó parte del Comité del Premio Nobel de Ciencias Económicas. Falleció el 16 de febrero de 1992 en Uppsala, Suecia.

Desarrollo de los Métodos PLS:

Herman Wold desarrolló métodos basados en mínimos cuadrados en lugar de máxima verosimilitud. En 1973, creó el Algoritmo de Punto Fijo, que utilizaba regresiones de mínimos cuadrados ordinarios (OLS) para estimar coeficientes en sistemas de ecuaciones simultáneas. En 1966, modificó su algoritmo para calcular componentes principales y aplicó el método para calcular correlaciones canónicas. Estos procedimientos evolucionaron en 1973 hacia el algoritmo NIPALS, que calculaba componentes principales y correlaciones canónicas mediante iteraciones de regresiones OLS. Finalmente, en 1977, se introdujo el algoritmo PLS, un método iterativo para encontrar variables latentes.

Origen de la Regresión de Mínimos Cuadrados Parciales (PLS-R) como Alternativa a la Regresión de Componentes Principales (PCR):

La Regresión de Mínimos Cuadrados Parciales (PLS-R) surgió para abordar el problema de la multicolinealidad en modelos de regresión, que ocurre cuando existe una fuerte dependencia entre las variables explicativas. La PLS-R encuentra componentes principales que explican tanto las variables explicativas como las variables de respuesta, maximizando la covarianza entre ellas. Esta técnica se utiliza principalmente con fines predictivos y es adecuada para situaciones complejas con comprensión teórica limitada. La PLS-R se desarrolló a partir del trabajo de Herman Wold y se adaptó para resolver problemas de multicolinealidad en la década de 1980, especialmente en aplicaciones químicas (quimiometría).

Modelado de Ecuaciones Estructurales Basado en PLS (PLS-SEM) como Alternativa al Modelado de Ecuaciones Estructurales Basado en Covarianza (SEM):

El PLS-SEM surgió como una alternativa al Modelado de Ecuaciones Estructurales Basado en Covarianza (SEM), que ajusta la matriz de covarianza y requiere condiciones de normalidad multivariante y muestras grandes. El PLS-SEM utiliza el método de Mínimos Cuadrados Parciales (PLS) para estimar coeficientes de ecuaciones estructurales, evitando restricciones en la distribución de datos y el tamaño de la muestra. Se considera más flexible y adecuado para situaciones con comprensión teórica limitada. Para diferenciarlo del PLS-Regression en modelos de ecuaciones estructurales, se utiliza el término “Modelado de Trayectoria de PLS”. A pesar de sus ventajas, la adopción inicial del PLS-SEM fue limitada debido a la disponibilidad de software en comparación con el SEM basado en covarianza, que se integró con el programa LISREL en la década de 1970.

Diseño Básico de Modelo Suave de Herman Wold:

Herman Wold presentó su “diseño básico de modelo suave” en 1982 como una alternativa al Análisis de Estructura de Covarianza (CSA), evitando muchas de las hipótesis restrictivas, como la normalidad multivariante y las muestras grandes. Este enfoque suave, junto con el desarrollo de métodos PLS, ha contribuido significativamente al campo de la estadística multivariada y su aplicación en diversas disciplinas en la Web of Science.

Producción Científica Utilizando PLS-SEM en la Web of Science
La técnica de Modelado de Ecuaciones Estructurales con Mínimos Cuadrados Parciales (PLS-SEM) es una metodología robusta y versátil empleada para analizar modelos de ecuaciones estructurales, especialmente útil cuando las distribuciones de los datos no cumplen con los supuestos de normalidad o cuando los modelos son complejos y tienen muchas variables. Aunque esta técnica es prominentemente conocida y aplicada en el campo de los negocios, su utilidad se extiende a múltiples disciplinas. Veamos cómo se aplica PLS-SEM en diferentes campos:

Ciencias Ambientales y Ecología: PLS-SEM se utiliza para modelar relaciones complejas en estudios de sustentabilidad, gestión de recursos y ecología de paisajes. Por ejemplo, puede ayudar a comprender cómo diferentes prácticas agrícolas afectan la biodiversidad y los servicios ecosistémicos.

Ciencias de la Salud: En campos como la psicología y la nutrición, PLS-SEM permite examinar modelos que incluyen variables latentes complejas, como la calidad de vida relacionada con la salud o los patrones dietéticos y su relación con los resultados de salud.

Ingeniería y Tecnología: Se emplea PLS-SEM para entender las interacciones entre diversos factores en estudios de ingeniería civil y ambiental, como la relación entre los materiales de construcción y la sostenibilidad de las estructuras o la adopción de nuevas tecnologías en la ingeniería mecánica y aeroespacial.

Ciencias Sociales: Más allá de los negocios, PLS-SEM es aplicado en la investigación en educación, sociología y antropología para modelar la influencia de factores socioculturales en el comportamiento humano y en los sistemas de educación.

Ciencias de la Computación: En inteligencia artificial y sistemas de información, PLS-SEM es útil para modelar la aceptación de la tecnología y el impacto de los sistemas de información en el rendimiento organizacional.

Ciencias de la Vida: En campos como la bioquímica y la genética, se puede usar PLS-SEM para explorar las relaciones entre diferentes biomarcadores y condiciones de salud o enfermedades.

El uso de PLS-SEM en estos diversos campos demuestra su flexibilidad y capacidad para adaptarse a las necesidades específicas de investigación multidisciplinaria. Permite a los investigadores ir más allá del análisis de relaciones simples y explorar redes complejas de relaciones causales, incluso cuando los tamaños de las muestras son relativamente pequeños y los modelos son altamente complejos. Esto ha contribuido a su creciente popularidad en muchas disciplinas (100) fuera del ámbito empresarial, ofreciendo insights significativos que pueden ser difíciles de obtener mediante métodos estadísticos tradicionales. La Figura 1 presenta una visión general del uso de la técnica estadística PLS-SEM en diversas áreas de investigación, según los datos recopilados de la Web of Science por el Dr. Noreña el día 25-01-2024 a las 17:07 horas de Barcelona, España.

Figura 1

Publicaciones por Campo usando PLS-SEM

Referencias

Mateos-Aparicio, G. (2011). Partial Least Squares (PLS) Methods: Origins, Evolution, and Application to Social Sciences. Communications in Statistics – Theory and Methods, 40(13), 2305–2317. https://doi.org/10.1080/03610921003778225.