Después de concluir satisfactoriamente con la evaluación del modelo de medición (modelo externo), fue realizada la estimación del modelo estructural o prueba de hipótesis (modelo interno), siguiendo nuevamente los pasos sugeridos por Sarstedt et al. (2017). En esta fase, primero, fueron analizadas cuestiones relacionadas con la colinealidad, para evitar que los constructos tuvieran alto grado de colinealidad, es decir, que fueran similares. Para ello, tal como se expone en la Tabla 31,
186
fue calculado el Factor de Inflación de la Varianza (VIF, del inglés Variance Inflate Factor), el cual debe ser menor a 5 para demonstrar que no existe una colinealidad en las dimensiones (Hair et al., 2017).
Posteriormente, se evaluó la precisión predictiva del modelo, analizando los coeficientes de determinación (R2) de las dimensiones dependientes (ver Tabla 32), que son calculados como la correlación cuadrada entre los valores observados y esperados de una dimensión endógena específica. Así, el valor R2 incluye todos los datos que han sido usados para estimar el modelo y juzgar su poder predictivo y, por ello, representa una medida del poder predictivo del modelo dentro de la muestra. Estos coeficientes indican en qué medida las variables exógenas contribuyen para explicar una variable endógena. Es decir, que R2 es una medida de la variancia explicada de cada dimensión endógena dentro del modelo estructural, teniendo en cuenta el efecto combinado de todas las variables exógenas relacionadas con dicha variable endógena. Los valores de R2 varían entre 0 y 1, con mayores
valores indicando mayores niveles de precisión predictiva. Teniendo en cuenta que el objetivo de la técnica PLS-SEM está enfocado a la previsión, es decir, a explicar la variancia de las variables latentes endógenas, los niveles de R² de las dimensiones principales deben ser elevados (Hair et al., 2011). Hair et al. (2017) afirman que no existe una regla específica para el valor de R² y recomiendan como parámetros los valores R² de 0,25, 0,50 y 0,75, que significan débil, moderado y substancial, respectivamente.
Seguidamente, para evaluar la relevancia predictiva del modelo, se analizó el índice Q2 de Stone-Geisser (Geisser, 1974; Stone, 1974) para cada dimensión endógena del modelo (ver Tabla 32). Esta medida es un indicador del poder predictivo del modelo fuera de la muestra. El criterio fijado es que si Q2>0 para cualquier dimensión endógena, existe relevancia predictiva en el camino del modelo estructural (Hair et al., 2017). Este índice es calculado por el software a través del procedimiento de blindfolding, que substituye los datos originales observados en la muestra para una determinada distancia de omisión (D). Entonces, al ejecutar el procedimiento de blindfolding en el
software debe seleccionarse una distancia de omisión de los datos (D), teniendo en cuenta que lo ideal es usar valores entre 5 y 10, y con la condición que el número de observaciones (N) dividido por la distancia de omisión (D) no puede ser entero (Hair et al., 2017). Por ejemplo, en la presente investigación donde N=371, no puede utilizarse un valor D=7, ya que 371/7=53. Así, en esta investigación, para el cálculo del índice Q2 de Stone-Geisser se seleccionó una distancia de sustitución
de los datos de D=6. El procedimiento de blindfolding es una técnica de reutilización de muestras que omite (en función de D) cada punto de datos en los indicadores de dimensiones endógenas y estima los parámetros con los puntos de datos restantes. Los puntos de datos omitidos se consideran valores perdidos y, cuando se ejecuta el algoritmo PLS-SEM, se tratan consecuentemente (por ejemplo,
187
mediante su reemplazo con el valor de sus medias). Las estimaciones resultantes se usan para predecir los puntos de datos omitidos. Blindfolding es un proceso iterativo que se repite hasta que se ha omitido cada punto de datos y se ha vuelto a estimar el modelo. Después de la última ronda de blindfolding, cada punto de datos de los indicadores de una variable latente endógena se ha eliminado y luego se ha predicho. Por lo tanto, el procedimiento de blindfolding puede comparar los valores originales con los valores estimados. Si la predicción es cercana al valor original (es decir, hay un pequeño error de predicción), el modelo tiene una alta precisión predictiva. Los errores de predicción (calculados como la diferencia entre los valores verdaderos, es decir, los valores omitidos, y los valores estimados), junto con un error de predicción trivial (definido como la media de los datos restantes), se utilizan para estimar el valor de Q2. Los valores Q2 mayores que 0 sugieren que el modelo tiene relevancia predictiva para una cierta dimensión endógena. Por el contrario, los valores de 0 y menores indican una falta de relevancia predictiva (Hair et al., 2017).
Luego, el testeo de las relaciones entre las variables del modelo fue realizada evaluando los coeficientes de los caminos (β), que representan las relaciones hipotéticas entre las dimensiones. Después de ejecutar el algoritmo PLS-SEM en el software, se obtienen las estimaciones para las relaciones del modelo estructural (β). Los coeficientes de los caminos tienen valores entre -1 y +1. Los β estimados cercanos a +1 representan relaciones positivas fuertes (y viceversa para valores negativos) que son casi siempre estadísticamente significativas (es decir, diferentes de cero en la población). Cuanto más cerca estén los coeficientes estimados de 0, más débiles serán las relaciones. Los valores muy bajos cercanos a 0 generalmente no son significativos (es decir, no son significativamente diferentes de cero). La significancia del coeficiente del camino (es decir de la hipótesis propuesta en el modelo) debe ser probada a fin de verificar si la hipótesis nula de la prueba (que plantea que no existe relación entre las variables) no es soportada y, consecuentemente, se pueda confirmar la hipótesis alternativa que representa que existe alguna relación entre las dimensiones, conforme las hipótesis que fueran propuestas en el modelo (Hair et al., 2017). Estas pruebas se basan la aplicación del procedimiento de bootstrapping (técnica de re-muestreo) provisto por el software
Smart-PLS. Según Hair et al. (2011), como la técnica PLS-SEM no presume que los datos siguen la distribución normal, el software aplica bootstrapping no paramétrico, que implica obtener repetidas muestras aleatorias, sustituyendo la muestra original, para crear una muestra de bootstrap y obtener los errores estándar para las pruebas de hipótesis. Esta muestra de bootstrap permite que los coeficientes estimados con PLS-SEM sean testados respecto a su significancia. En esta investigación, se aplicó un bootstrapping de 5.000 re-muestreos, siguiendo las recomendaciones de Hair et al. (2017) y los resultados se muestran en la Tabla 33.
188
Así, el bootstrapping permitió realizar la prueba estadística de la hipótesis que indica que un coeficiente es igual a cero (hipótesis nula: β no es estadísticamente significativo, β=0), en contraposición a la hipótesis alternativa de que el coeficiente no sea igual a cero (hipótesis alternativa: β es estadísticamente significativo, β≠0). Si el coeficiente del camino es estadísticamente significativo (es decir, el coeficiente es significativamente diferente de cero en la población), su valor indica el grado en que la dimensión exógena está asociada con la dimensión endógena. Un análisis de la importancia relativa de las relaciones es crucial para interpretar los resultados y sacar conclusiones. Los coeficientes de los caminos del modelo estructural se pueden interpretar en relación uno con el otro. Si un coeficiente de camino es mayor que otro, su efecto sobre la variable latente endógena es mayor. Más específicamente, los coeficientes de los caminos individuales pueden interpretarse exactamente como los coeficientes beta estandarizados en una regresión de mínimos cuadrados. Estos coeficientes representan el cambio estimado en la dimensión endógena para un cambio de unidad en la dimensión exógena (Hair et al., 2017).
Finalmente, fueron analizados los impactos relativos de la precisión y relevancia predictiva, utilizando el tamaño del efecto de Cohen (1988) que indica cuán importante es cada dimensión para el modelo, a través de los estadísticos f2 y q2, respectivamente (ver Tabla 34). Estos indicadores representan cuál es el impacto que sufre la dimensión endógena, en caso que una dimensión exógena antecedente a ella sea removida. Es decir que, el valor f2 permite estimar la contribución de una variable exógena para el valor de R² de una variable latente endógena y el valor q2 permite estimar la contribución de una variable exógena para el valor de Q² de una variable latente endógena.En ambos casos, los valores calculados son mayores que cero y los valores críticos de referencia recomendados por Hair et al. (2017) para el impacto relativo en el R² o Q² de la variable endógena son de 0,02 para un efecto pequeño, 0,15 para un efecto medio y 0,35 para un efecto grande. Los valores de f2 son calculados automáticamente por el software Smart-PLS®, Versión 3.2.7 (Ringle et al., 2015). Sin embargo, los valores de q2 no son proporcionados por el software y deben calcularse manualmente a través de la siguiente fórmula: q2= (Q2incluido - Q2excluido) / (1- Q2incluido). Así, para calcular
manualmente el valor q2, se necesitan los valores Q2incluidos y Q2excluidos de una variable latente
endógena. Los resultados Q2
incluidos están disponibles en la estimación anterior de blindfolding (ver
Tabla 32). Los valores Q2excluidos se obtienen a partir de una nueva estimación del modelo después de
eliminar un predecesor específico de la variable latente endógena en cuestión (Hair et al., 2017). Es decir, que para obtener el valor q2 el primer paso es calcular el valor de Q2 de cada variable endógena
y el segundo paso es excluir una a una las variables exógenas antecedentes de cada variable endógena y recalcular su Q2.
189
De todos los estadísticos previamente señalados, según Hair et al. (2011), los criterios de evaluación principales para el modelo estructural son las medidas de los coeficientes de determinación (R²) y el nivel de significancia de los coeficientes de los caminos (β), cuya representación gráfica dentro del modelo se expone en la Figura 25 y Figura 26. A continuación se exponen los análisis adicionales realizados sobre la información recolectada.