2.5 Person detection principle
2.5.2 Range estimation
Una vez comentados los resultados del contraste de nuestras hipótesis así como de otras relaciones de control consideradas en nuestro modelo, a continuación realizamos una evaluación global del mismo. En este punto hemos de recordar lo indicado en el capítulo 3 sobre que en PLS, dado que no se trata de reproducir la matriz de datos original sino de maximizar la varianza explicada de los constructos endógenos, no tiene sentido hablar de ajuste del modelo y, por tanto, no existen estadísticos del grado de ajuste como los que habitualmente se examinan en el análisis de ecuaciones estructurales basado en covarianzas (Chin, 1998 a y b; Hair et al., 2014). No obstante, los recientes debates en torno a la validez del enfoque PLS como metodología de estimación de modelos de ecuaciones estructurales han llevado a Henseler et al. (2014) a proponer el uso del estadístico SRMR (standardized root mean square residual o raíz cuadrada media estandarizada de los residuos) como medida útil para evaluar la discrepancia que hay entre las correlaciones observadas y las previstas según el modelo. Dicho de otro modo, Henseler y otros consideran que sí es posible evaluar si hay indicios de errores de especificación o falta de ajuste en un modelo de PLS y para ello recomiendan examinar el estadístico SRMR que incorpora entre sus salidas la última versión del programa SmartPLS. Más concretamente, se obtienen dos estimaciones alternativas del SRMR: una basada en un modelo de factor común (common factor model) y otra basada en un modelo de componentes (composite model). A esta última es a la que hay que atender en nuestro caso dado que en nuestro modelo se incluyen constructos medidos mediante índices formativos. El valor del SRMR obtenido en el modelo que hemos estimado en este trabajo es 0,068. De acuerdo con Hu y Bentler (1998) valores por debajo de 0,8 serían indicativos de un buen ajuste del modelo propuesto.
En cualquier caso, la recomendación planteada por Henseler et al. (2014) sobre el uso del estadístico SRMR como posible índice de ajuste es muy reciente y es objeto de debate. Por ello, para evaluar la calidad del modelo estimado recurriremos a los procedimientos que habitualmente se han utilizado en PLS, es decir, examinando su validez predictiva. Tal y como sugieren Chin (1998b) o Hair et al. (2014), analizaremos el coeficiente de determinación (R2) de cada variable endógena y el coeficiente de relevancia predictiva (Q2) (véase la Tabla 4.13). Pero antes de presentar los valores de la R2 y la Q2, conviene destacar que no hay indicios de que puedan darse problemas de multicolinealidad importantes en nuestro modelo estructural, pues todos VIF quedan claramente por debajo de 5.
Tabla 4.13.
Coeficientes de determinación y de relevancia predictiva de las variables endógenas del modelo Variable dependiente R2 Q2 Orientación a la innovación 0,164 0,119 Objetivos mejora 0,254 0,182 Objetivos comerciales 0,096 0,064 Formación 0,251 0,193 Capacidad decisión 0,215 0,126 Conductas extra-rol 0,248 0,161 Facilitación 0,231 n.a.
Protocolo tramitación 0,256 n.a.
Participación proceso 0,209 0,156 Participación solución 0,175 0,077 Trato interpersonal 0,350 0,267 Explicación 0,386 0,325 Disculpa 0,401 0,241 Compensación 0,070 0,041 Justicia soluciones 0,735 0,492 Satisfacción clientes 0,581 0,398 Satisfacción empresa 0,400 0,320
n.a.: no aplicable para los constructos formativos endógenos.
Como es bien conocido, el valor de R2 de una determinada variable se corresponde con la cantidad de varianza explicada por parte de las variables vinculadas a ella. Aunque no existe una regla fija que nos permita determinar si un valor específico es alto o bajo, sí hemos de decir que, buscando alguna referencia, nos hemos encontrado con los trabajos de Hair et al. (2011) y Henseler et al. (2009) que establecen 0,75, 0,50 y 0,25 como valores que, respectivamente, señalan una alta, moderada o débil capacidad explicativa. Con estas referencias, podemos señalar que la variable dependiente que mejor queda explicada en nuestro trabajo es la justicia en la solución, ya que nuestro modelo explica un 73,5% de su varianza. La adopción de normas y procedimientos y el establecimiento de una buena política de personal son claves para explicar la percepción de que los problemas de los consumidores que se quejan están siendo resueltos justamente. A su vez, tanto la justicia, como algunas variables del enfoque mecanicista (la participación del cliente en la solución y la explicación)
son fundamentales para explicar la satisfacción del cliente, cuya R2 es 58,1%, y la satisfacción de la propia empresa (R2=40,0%). También se logra explicar un porcentaje relativamente elevado de la varianza del trato interpersonal (R2=35,0%), el nivel de explicación (R2=38,6%) y la disculpa (R2=40,1%). Por el lado negativo, hemos de señalar la pobre capacidad del modelo para explicar la varianza de la compensación (R2=7,0%). De todos los predictores de la compensación considerados, sólo los objetivos de mejora y la capacidad de decisión parecen influir en la compensación y la significación en ambos casos es marginal. También es bajo el coeficiente de determinación de los objetivos de mejora (R2=9,6%), pero esto es razonable, dado que en el modelo se establece como único antecedente considerado la orientación al mercado.
Finalmente, además de la evaluación del R2, la literatura sobre PLS recomienda utilizar como indicador de la relevancia predictiva el valor de la Q2 de Stone-Geisser (Hair et al., 2011 y 2014). Este estadístico se obtiene utilizando un proceso denominado blindfolding, que consiste en una técnica de reutilización de la muestra para predecir o “descubrir” los valores de la matriz de datos que previamente se han ocultado siguiendo un patrón sistemático10, y utilizando para dicha predicción el resto de datos disponibles (los que no se han ocultado) y los parámetros de los modelos de medida y estructural resultantes de la estimación del modelo propuesto. El procedimiento blindfolding se aplica únicamente a constructos endógenos medidos mediante escalas multi-ítem reflectivas o medidos con un único ítem. Si los errores de predicción son pequeños, más pequeños que los errores que se cometerían utilizando un método más ingenuo de previsión: la media, entonces puede afirmarse que el modelo tiene una buena precisión o relevancia predictiva, en cuyo caso se observará un coeficiente mayor Q2 que cero11. Como puede comprobarse en la Tabla 4.13, efectivamente, el valor es positivo para todos los constructos endógenos reflectivos. Más allá de que debe ser positivo para concluir que un modelo tiene adecuada relevancia predictiva, no hay un valor de referencia que sirva para juzgar si la relevancia es muy grande o simplemente aceptable. No obstante, cabe destacar los elevados valores de la Q2 que presentan las variables de resultados –justicia de las soluciones, satisfacción de los clientes y satisfacción de la empresa–, así como algunos constructos del enfoque mecanicista –por ejemplo, la explicación, el trato interpersonal o la disculpa-.
10 De acuerdo con Hair et al. (2014), para aplicar este proceso de blindfolding hay que escoger una distancia de
omisión que debe estar entre 5 y 10 y que no sea un divisor exacto del número de observaciones que contiene la muestra. Como nuestra muestra tiene un tamaño de 140 observaciones, hemos tomado 8 como distancia de omisión, de modo que el proceso se repite 8 veces hasta que todos los datos de la matriz han sido ocultados y predichos una vez.
11 Hay dos formas de calcular la Q2, utilizando medidas de cross-validated redundancy o medidas de cross-
validated communality. Mientras que en las primeras los datos ocultos en un indicador concreto de un constructo
endógeno se predicen a partir de los datos disponibles de los indicadores de medida de otros constructos que son antecedentes, en las segundas los datos omitidos en un indicador de un constructo endógeno se predicen a partir de los datos disponibles del resto de indicadores de medida del mismo constructo. Se considera que es