Geometry Construction

En trabajos de investigación es de esperar que diferentes tipos de sesgos influencien el proceso de respuesta en una investigación de comportamiento y de organización (Meade et al., 2007). Sin embargo, este fenómeno se intenta controlar de dos formas: el diseño de la investigación y el uso de métodos estadísticos (Podsakoff et al., 2003).

Se comprobó la inexistencia de sesgo de no respuesta por medio de la selección aleatoria de 101 empresas entre las que respondieron la encuesta y disponible de la base de datos, de otras 101 firmas que no participaron en el estudio; a estos dos grupos se les realizó una prueba de diferencia de medias en Stata acerca de las variables características de las empresas (número de empleados y subsector económico al que pertenecen). Los resultados del test sugieren que no hay diferencias significativas entre los individuos que respondieron y aquellos que no lo hicieron, lo que confirmó que no existe un sesgo de no respuesta en la muestra y que ésta es adecuada para realizar análisis posteriores, como se observa en las dos tablas del anexo 2.

Así mismo, en investigaciones de este tipo se presenta el sesgo del método común, por el hecho de que la encuesta tomada como base de trabajo fue respondida por una sola persona, dueños o gerentes de las PYME estudiadas, lo cual reduce la variabilidad de la información, dado que los que responden representan una única posición en las empresas analizadas (Nasrallah y Qawasmeh, 2009); por lo tanto, siguiendo la metodología desarrollada por Podsakoff et al.

(2003), se establecieron dos pasos para garantizar lo no presencia de este sesgo y por tanto la inexistencia de un error de medida que distorsione las conclusiones de la investigación.

En primer lugar, se dejó claro a la hora de responder la encuesta que se protegería el anonimato de quien respondía, lo que ayudó a reducir en cierta medida la subjetividad con que responden los encuestados. En segundo lugar, se aplicó el test de Harman de un solo factor, una de las herramientas más usadas en manejo de datos.

La asunción básica del test de Harman es que si una cantidad sustancial de la varianza del método común se encuentra presente, un solo factor resultará de análisis factorial con la mayor cantidad de la varianza concentrada en éste (Podsakoff et al., 2003; Meade et al., 2007). Como se observa en el anexo 3, el primer factor explica solo el 22,22% de la varianza y siguiendo el método de Kaiser se deben conservar 14 factores que explican el 73,35% de la varianza.

3.4. Modelos

3.4.1. Análisis factorial exploratorio y confirmatorio

Inicialmente para los tres factores propuestos: orientación emprendedora, emprendimiento corporativo y CECO, se hizo el análisis factorial exploratorio o exploratory factor analysis (EFA) que permitió hallar los constructos que los conforman. Se eligió esta técnica puesto que presenta una medida objetiva de las cargas factoriales de los constructos encontrados (Pérez, 2008), los que serán luego estimados siguiendo la rutina recomendada tanto por Uriel y Aldás (2005), como por Hair et al. (1999) (Apéndice).

La validez de la técnica estadística empleada se comprueba por medio las pruebas KMO y de esfericidad de Bartlett, que determinan la pertinencia del análisis exploratorio realizado. El primer paso del EFA, consistió en determinar el número de factores adecuados que integran cada constructo, teniendo en cuenta la interdependencia entre variables y que son las observables que se explican por los factores. El supuesto principal del análisis factorial es que las variables están correlacionadas, ya que de no ser así toda esta técnica carecería de sentido; la causa de la correlación se debe al hecho de que las variables comparten factores en común.

Al tener datos en escala Likert, se hace necesario el uso de una matriz muestral de tipo policórica debido a la escala de los datos usada; de esta manera se estimaron las correlaciones entre las variables como si hubiesen sido medidas en una escala continua. Para este procedimiento se halló la matriz de correlaciones de las variables por constructo. Luego se extrajeron los factores por el método de factores principales, extraídos siguiendo el criterio de Kaiser (1958) que consiste en utilizar todos aquellos factores cuyo valor propio sea mayor a 1.

El método de estimación o extracción de factores usado en este trabajo es el de factores principales, que se caracteriza porque cada factor representa la cantidad máxima posible de la varianza de las variables que están siendo analizadas (Gorsuch, 1974). El método de selección de factores, es el de Kaiser (1958) que dice que se deben seleccionar todos los factores cuyo valor propio sea mayor o igual a 1.

Los factores se obtienen de la matriz de rotación ya que como establecen Uriel y Aldás (2005), se trata de que las variables tengan una correlación lo más próxima posible a 1, que sea factible con uno de los factores y correlaciones próximas a 0 con el resto de los factores.

Hay dos tipos posibles de rotación, la ortogonal o rígida, que considera que los factores no estén correlacionados entre ellos, y la oblicua que sí considera correlación entre los factores. Para decidir qué tipo de rotación usar se sigue la metodología propuesta por Brown (2009): estimar primero la rotación oblicua (Promax en este caso) y seguidamente, calcular la matriz de correlaciones de los factores después de la rotación; si las correlaciones son bajas se puede desestimar el uso de rotación oblicua y hacer en cambio la ortogonal, que permite una interpretación más sencilla.

También se presentan los análisis de consistencia del alpha de Cronbach para cada dimensión, constructo y variables que fueron observados, planteados o resultaron del análisis exploratorio.

Finalmente, para comprobar la existencia de las dimensiones propuestas a partir de la teoría, se realizó un análisis de validez convergente que consiste en contrastar los modelos, el primero que considera que la correlación entre las dimensiones es cero, y el segundo que considera que existe correlación entre ellos; si el modelo con correlaciones tiene un mejor ajuste que el primero, se obtiene evidencia de validez convergente en las escalas de las tres dimensiones: orientación emprendedora, recursos y capacidades y emprendimiento corporativo (Bagozzi y Phillips, 1982; Phillips y Bagozzi, 1986; Tse, et al., 2003). Este contraste se da por medio de una comparación entre los estadísticos de bondad de ajuste de los dos modelos.

El EFA permitió identificar los tres factores: orientación emprendedora, emprendimiento corporativo y CECO, asociados en este trabajo, los cuales a su vez se relacionan con cada una de las dimensiones que la conforman. El análisis factorial confirmatorio o confirmatory factor

relacionaron las dimensiones encontradas para los correspondientes factores, permitiendo confirmar la validez de los modelos propuestos para cada factor.

3.4.2. Sistema de ecuaciones estructurales

Para contrastar la validez estadística de las hipótesis propuestas en la investigación se hizo uso de SEM con el objetivo de recoger de manera integrada y coherente la propuesta teórica presentada en este estudio como se muestra en la figura 6.

Figura 6. Orientación emprendedora y capacidades para el emprendimiento corporativo en las PYME ORIENTACIÓN EMPRENDEDORA Hipótesis 1 Proactividad Rivalidad competitiva Asunción de Riesgo Estrategias de Innovación Autonomía ? _{EMPRENDIMIENTO} ^{ACCIONES DE} CORPORATIVO Nuevos productos, nuevos

procesos y tecnologías, nuevos negocios e internacionalización ?Peso de Factores CAPACIDADES DE EC Hipótesis 3 Hipótesis 4 Hipótesis 2

Fuente: elaboración propia

Por medio de SEM, el modelo es estimado por máxima verosimilitud, método que de acuerdo con Pérez (2008), carece de sesgo, eficiente e invariable al tipo de escalas, y es recomendado cuando el tamaño de la muestra oscile entre los 100 y 200 datos.

IV. RESULTADOS