Proofs

Como complemento al estudio cuantitativo completo, se verificaron los efectos de las variables categóricas incluidas en el cuestionario (CT4 y CID 1 a 4) en el modelo estructural, que fueron analizados de dos maneras: incluyendo dichas variables como variables de control; y separando la muestra en distintas sub-muestras en función de grupos determinados conforme al perfil de los encuestados (análisis de multi-grupos).

Por otro lado, para explorar las diferencias entre las respuestas de los encuestados de los dos países que componen la muestra, fue realizado un análisis de estadísticos descriptivos por país y se compararon sus medias mediante pruebas t de Student. Asimismo, se evaluó el modelo estructural considerando las muestras de cada país de forma separada y verificando también el análisis de multi- grupos dividiendo la muestra en dos sub-muestras, una por cada país. Seguidamente se exponen los métodos empleados.

4.3.8.1 Variables de control

El algoritmo de PLS-SEM requiere datos métricos para medir los indicadores del modelo, pero también pueden incluirse en el modelo variables categóricas de control, codificadas, por ejemplo, binariamente o de manera dummy. Así, al utilizar la técnica PLS-SEM, las variables categóricas pueden utilizarse como variables del control del modelo a evaluar. De esta manera, pueden analizarse los datos con el objeto de observar cómo el perfil de las personas encuestadas (ver Tabla 25) influye en su percepción sobre las variables del modelo.

En los resultados se expone gráficamente el modelo más ajustado o más representativo analizando el efecto de las variables de control sobre los criterios de evaluación principales para el modelo estructural: las medidas de los coeficientes de determinación (R²) y el nivel de significancia de los coeficientes de los caminos (β) (ver Figura 27). Se compararon dichos resultados con los del estudio completo y se volvieron a testear las hipótesis del modelo (ver Tabla 35). Finalmente, para examinar el impacto de cada variable categórica en una variable endógena específica del modelo fueron realizadas pruebas t de Student, utilizando dichas variables como variables de control para calcular las significancias de los caminos (β) en la relación específica del modelo (ver Tabla 36).

190

4.3.8.2 Análisis de multi-grupos

Además, cuando existen variables categóricas en el cuestionario, dichas variables pueden llegar a usarse como variables de agrupación que dividen la muestra en sub-muestras y el mismo modelo puede ser estimado para cada una de las sub-muestras diferentes. Como los investigadores generalmente están interesados en comparar los modelos y examinar las diferencias significativas entre las distintas sub-muestras, los modelos estimados para las sub-muestras son normalmente comparados utilizando la técnica de análisis de multi-grupos (Sarstedt, Henseler, & Ringle, 2011).

Esta técnica permite al investigador probar si existen diferencias entre modelos idénticos estimados para dos grupos diferentes de encuestados y tiene como objetivo observar si existen diferencias estadísticas significativas entre dos muestras diferentes de encuestados. Así, se pueden identificar relaciones en el modelo que difieren significativamente entre los grupos. Este enfoque ofrece una visión más completa en el análisis de los resultados, ya que el foco cambia de examinar el impacto de una variable categórica en una relación específica del modelo a examinar su impacto en todas las relaciones del modelo (Hair et al., 2017).

Entonces, el análisis de multi-grupos permite analizar la heterogeneidad en dos grupos alternativos de datos en función de características observables de los encuestados (por ejemplo, en esta investigación, tipo de tareas realizadas, edad, formación, diferencias geográficas por el lugar de prestación de servicios y puesto de trabajo). Por ello, en la presente investigación, con base en las cinco variables categóricas del cuestionario, fueron establecidos grupos y sub-muestras en función del perfil de los encuestados (ver Tabla 25), siendo:

 Tipo de tareas: De instrucción (N1=63), De resolución (N2=90) y Ambas (N3=218);

 Edad: 18-30 (N1=77), 31-40 (N2=123), 41-50 (N3=104), 51-60 (N4=58) y 61 o más (N5=9);

 Formación: Abogado (N1=268) y Otro (N2=103);

 Lugar de prestación de servicios: Capital o Sede de Región (N1=172) e Interior (N2=199);

 Puesto de trabajo: Funcionario Letrado o Juiz ou Analista da área judiciária (N1=114) y

Empleado administrativo, Técnico u otro (N2=257).

Estos grupos fueron comparados de a dos a través del análisis multi-grupos, a fin de verificar si existen diferencias significativas en los parámetros estimados en los dos grupos. Según Hair et al. (2017), técnicamente, el análisis de multi-grupos prueba la hipótesis nula de que los coeficientes de los caminos no son estadísticamente diferentes entre los dos grupos distintos (H0: β1=β2), lo que es

lo mismo que decir que la diferencia absoluta entre los coeficientes de los caminos es cero (H0: |β1-

β2|=0). La correspondiente hipótesis alternativa es que los coeficientes de los caminos son diferentes

o que la diferencia absoluta entre los coeficientes de los caminos es mayor que cero (H1: β1≠β2o H1:

191

Para realizar esta evaluación fue utilizada la función Partial Least Squares Multi-Group Analysis (PLS-MGA) disponible en el software Smart-PLS®, Versión 3.2.7 (Ringle et al., 2015). Este método es un test de significancia no-paramétrico para la diferencia de los resultados específicos de dos grupos, el cual utiliza los resultados del bootstrapping de PLS-SEM. Entonces, el análisis PLS- MGA compara cada bootstrap estimado de un grupo con todos los otros bootstrap estimados para el mismo parámetro en el otro grupo, de manera de determinar si existen diferencias significativas entre los grupos (Hair et al., 2017).

4.3.8.3 Comparación entre los países

A fin de evaluar las diferencias entre las respuestas de los encuestados de los dos países que componen la muestra, primero, utilizando el software estadístico Statistical Package for the Social Sciences® (SPSS), Versión 23, fue realizado un análisis de estadísticos descriptivos por país y se compararon sus medias mediante pruebas t de Student en miras de determinar si existen diferencias significativas en los ítems entre ambos países (ver Tabla 52). Así, se procedió a realizar una prueba de hipótesis para contrastar la media de dos poblaciones independientes, tomando como independientes a las muestras recolectadas en Argentina, por un lado, y en Brasil, por el otro.

Mediante esta técnica se buscó establecer si existen (hipótesis alternativa) o no (hipótesis nula) diferencias estadísticas significativas entre una y otra muestra. En caso de existir diferencias significativas entre una y otra muestra, se rechaza la hipótesis nula de igualdad de medias y, consecuentemente, se acepta la hipótesis alternativa de diferencia de medias. En el caso contrario, de no existir diferencias significativas entre una y otra muestra, se acepta la hipótesis nula de igualdad de medias y, consecuentemente, los datos de cada muestra pueden ser considerados similares.

Luego, en el software Smart-PLS®, Versión 3.2.7 (Ringle et al., 2015), se calcularon los coeficientes de determinación (R²) y el nivel de significancia de los coeficientes de los caminos (β) para el modelo estructural considerando las muestras de cada país de forma separada (ver Figura 28 y Tabla 53 para Argentina y Figura 29 y Tabla 54 para Brasil). Este análisis fue comparado también aplicando el análisis de multi-grupos (ver Tabla 55) dividiendo la muestra total (N=371) en dos sub- muestras por país: Argentina (N1=271) y Brasil (N2=100).

Por último, el análisis comparativo entre países fue complementado con las propuestas de reportes ejecutivos elaborados por país (ver Anexos XX y XXI) a fin de dar a conocer a los funcionarios autorizantes de la presente investigación los resultados de la misma. Con la divulgación de los resultados se buscará consolidar la información relevante para los gestores públicos y poner a su disposición los hallazgos generados sobre sus organizaciones.

192