Guía para la Evaluación del Modelo de Medida y del Modelo Estructural

Muchos investigadores me consultan sobre cómo analizar el modelo de medida y estructural para redactar adecuadamente la sección de resultados en un artículo científico que emplea la técnica estadística multivariada de segunda generación PLS-SEM. A continuación, presento una guía que se basa en el artículo “This fast car can move faster: a review of PLS-SEM application in higher education research” de Ghasemy et al. (2020), y en el libro “Domina el arte del análisis de datos: una guía paso a paso de PLS-SEM para la investigación” del Dr. Diego Noreña, publicado en 2023, en Lima, Perú.

Para esto necesitamos realizar el análisis del modelo de medida externo y el análisis del modelo estructural, que es el interno. A continuación, detallo los pasos para ambos casos:

Modelo de Medida

1. Cargas Factoriales:Verifica que las cargas factoriales de los indicadores en tu modelo sean mayores a 0.708, aunque en la práctica, se acepta un valor de 0.7 como suficiente.
2. Estimaciones de Fiabilidad: Evalúa la fiabilidad interna de los constructos asegurándote de que el Alfa de Cronbach de cada constructo esté en el rango de 0.7 a 0.95. Calcula el Rho_A para cada constructo, que también debe estar entre 0.7 y 0.95.
3. Determina la Fiabilidad Compuesta de cada constructo, asegurándote de que esté en el rango de 0.7 a 0.95.Ten en cuenta que las estimaciones de fiabilidad por encima de 0.95 no son deseables porque pueden indicar redundancia en los ítems del constructo.
4. Validez Convergente:Confirma la validez convergente examinando la Varianza Extraída Media (AVE) de cada constructo, que debe ser superior a 0.5. Esto indica que, en promedio, los ítems del constructo explican más de la mitad de la varianza de sus observaciones.
5. Validez Discriminante: Asegúrate de que la validez discriminante se cumpla verificando que el índice HTMT entre cada par de constructos sea menor que 0.85, 0.90, o 1.00, dependiendo del nivel de rigor deseado. Valores más bajos del HTMT sugieren que los constructos son suficientemente distintos entre sí.

Modelo Estructural 

Para llevar a cabo una evaluación efectiva de tu modelo estructural en investigación, sigue estas instrucciones paso a paso:

1.  Evaluar Problemas de Colinealidad usando VIF (Variable Inflation Factor):Examina los estadísticos de colinealidad para determinar si las variables en tu análisis están excesivamente interrelacionadas. Esto es crucial porque la alta colinealidad puede impedir entender los efectos individuales de cada variable. Utiliza el factor de inflación de la varianza (VIF) como medida, asegurándote de que el VIF sea menor que 5 para cada variable, aunque idealmente debería ser menor que 3.
2. Evaluación de la Significancia de los Coeficientes de Trayectoria (β):Revisa la significancia y relevancia de los coeficientes de las rutas en el modelo. Esto se puede realizar comúnmente a través del procedimiento de bootstrapping.Evalúa cada coeficiente en términos de su signo, magnitud y significancia estadística para asegurar que cada ruta en el modelo contribuye adecuadamente a la explicación del fenómeno estudiado.
3. Determinar el Poder Predictivo o Coeficiente de Determinación (R2):Calcula el R2 para cada constructo dependiente en el modelo. Este coeficiente indica qué tan bien las variables independientes vinculadas explican la varianza en el constructo dependiente.Interpreta los valores obtenidos: un R2 de 0.75 sugiere un efecto sustancial, 0.50 un efecto moderado, y 0.25 un efecto débil.
4. Calcular el Tamaño del Efecto (f2):Determina el tamaño del efecto (f2) para entender cuánto contribuye una variable específica al modelo. El f2 te indica cuánto disminuiría el R2 si se elimina esa variable del modelo.Considera los tamaños de efecto donde f2 = 0.02 indica un efecto pequeño, 0.15 un efecto mediano, y 0.35 un efecto grande.
5. Evaluar la Relevancia Predictiva (Q2):Utiliza el índice Q2 para evaluar la capacidad del modelo de hacer predicciones sobre datos nuevos que no fueron usados para desarrollar el modelo.Asegúrate de que el valor de Q2 sea mayor que cero para confirmar que el modelo tiene relevancia predictiva para el constructo en cuestión.

Referencias

Ghasemy, M., Teeroovengadum, V., Becker, J. M., & Ringle, C. M. (2020). This fast car can move faster: A review of PLS-SEM application in higher education research. Higher Education, 80(6), 1121-1152. https://doi.org/10.1007/s10734-020-00534-1

Norena-Chavez, D. (2023). Domina el arte del análisis de datos: Una guía paso a paso de PLS-SEM para la investigación. Lima, Perú.