Conversando sobre la normalidad de los datos en PLS-SEM

Estudiante A: Profesor, antes de hacer un SEM siempre escucho que debo revisar si los datos son normales. ¿También tengo que preocuparme por eso en PLS-SEM?

Diego: Menos de lo que crees. Una de las grandes ventajas de PLS-SEM es que no exige que los datos sigan una distribución normal.

Estudiante A: Entonces, ¿qué significa que los datos sean normales?

Diego: Imagina una campana. En una distribución normal, la mayoría de las respuestas se concentra en el centro y hay pocas observaciones en los extremos.

Estudiante A: ¿Puede darme un ejemplo?

Diego: Claro. Supongamos que medimos satisfacción laboral con una escala de Likert del 1 al 5:

• 1 = Totalmente en desacuerdo
• 2 = En desacuerdo
• 3 = Ni de acuerdo ni en desacuerdo
• 4 = De acuerdo
• 5 = Totalmente de acuerdo.

Si la mayoría de los empleados responde 3 o 4 y pocas personas responden 1 o 5, los datos podrían parecerse a una campana.

Estudiante A: Pero en management muchas veces casi todos responden 4 o 5.

Diego: Exactamente. Eso ocurre con frecuencia cuando medimos liderazgo, satisfacción o compromiso. Las respuestas se concentran en la parte alta de la escala y los datos dejan de ser normales.

Estudiante A: ¿Y eso es un problema para PLS-SEM?

Diego: Generalmente no. PLS-SEM fue diseñado para trabajar con datos que, en la práctica, rara vez son perfectamente normales.

Estudiante A: Entonces, ¿puedo olvidarme de revisar la normalidad?

Diego: Tampoco. Aunque PLS-SEM no necesita normalidad para estimar el modelo, revisar la distribución de los datos sigue siendo una buena práctica.

Estudiante A: ¿Por qué?

Diego: Porque te ayuda a entender tus datos. Puedes detectar respuestas extremadamente sesgadas, poca variabilidad o posibles errores en la base de datos.

Estudiante A: Entonces, ¿por qué PLS-SEM no se preocupa tanto por la normalidad?

Diego: Porque utiliza una técnica llamada bootstrap para evaluar la significancia de los resultados. En lugar de depender de supuestos estrictos de normalidad, toma miles de muestras de la base de datos y calcula los errores estándar de manera empírica.

Estudiante A: ¡Ahora entiendo! Entonces PLS-SEM es más flexible.

Diego: Exactamente. Por eso es tan popular en management, donde la mayoría de las variables se miden mediante escalas Likert  y las distribuciones perfectamente normales son poco frecuentes.

Estudiante A: Entonces, ¿qué debería hacer antes de correr mi PLS-SEM?

Diego: Cuatro cosas:

1. Revisar las estadísticas descriptivas.
2. Examinar la asimetría y la curtosis.
3. Identificar posibles valores extremos.
4. Utilizar bootstrap para evaluar la significancia de los resultados (revisar la literatura).

Estudiante A: Entonces, ¿la falta de normalidad invalida un estudio con PLS-SEM?

Diego: No. El error no es tener datos no normales. El error es no conocer tus datos y no explicar por qué elegiste PLS-SEM.

Estudiante A: Entonces la pregunta correcta no es ¿Mis datos son normales?, sino ¿Entiendo la naturaleza de mis datos y estoy utilizando el método adecuado para analizarlos?.

Diego: Exactamente. Ese es el razonamiento de un buen investigador en management.

Lecturas Recomendadas

• Finney, S. J., & DiStefano, C. (2013). Nonnormal and categorical data in structural equation modeling. In G. R. Hancock & R. O. Mueller (Eds.), Structural equation modeling: A second course (2nd ed., pp. 439–492). Information Age Publishing.
• Flora, D. B., & Curran, P. J. (2004). An empirical evaluation of alternative methods of estimation for confirmatory factor analysis with ordinal data. Psychological Methods, 9(4), 466–491. https://doi.org/10.1037/1082-989X.9.4.466

Declaración de Uso de IA
El autor utilizó inteligencia artificial generativa únicamente como apoyo para mejorar la redacción, la claridad y la corrección gramatical del manuscrito. El autor revisó, validó y asume plena responsabilidad por el contenido final del documento.