XLSTAT: Modelo PLS de efectos moderadores

Efectos de moderación en modelos path PLS

Con XLSTAT, podemos analizar efectos de moderación dentro de un modelo PLS. Se usan dos enfoques principales para identificar y medir efectos de moderación en modelos path PLS: - El enfoque directo, que es automático en XLSTAT-PLSPM.

• El enfoque de dos pasoa, que necesita un proceso en dos pasos en XLSTAT-PLSPM.

Los efectos moderadores son muy importantes en el modelo path PLS. "En términos generales, un moderador puede ser una variable cualitativa (por ejemplo, el sexo, la etnia, la clase) o cuantitativa (por ejemplo, nivel de recompensa) que afecta a la dirección y/o la fuerza de la relación entre una variable independiente o predictor y una variable dependiente o criterio" (Baron / Kenny 1986 p 1174). El efecto de una variable moderadora en la relación entre dos variables se denomina "efecto moderador" o "efecto de interacción". En el caso de una variable de moderación cualitativa, se puede usar el enfoque de comparación de grupo (ver tutorial sobre group comparación de grupos con XLSTAT-PLSPM ). Cuando la variable moderadora es cuantitativa, se utiliza una variable latente de interacción. Sean A, B y C tres variables latentes; queremos entender el efecto moderador de B sobre la relación entre A y C. Tendremos el siguiente modelo:

Las variables latentes son A, B, C y A * B, que es el término de interacción. Se utiliza para entender la fuerza del efecto moderador. Hay dos métodos para la construcción de la variable latente interacción:

• El enfoque Producto-Indicador:
  • Basado en Kenny/Judd (1984) y Chin/Marcolin/ Newsted (1996, 2003).
  • Se usa el Modo A (flechas hacia fuera).
  • Procedimiento:
    • Cada uno de los indicadores g de la variable exógena es elementwise multiplica con cada uno de los indicadores de h de la variable moderadora, lo que resulta en g*h indicadores de producto.
    • Estos indicadores de producto sirven como indicadores del término de interacción.
• La aproximación en dos pasos:
  • Chin/Marcolin/ Newsted (2003, apéndice online).
  • Viable para cada modo (Modo A, Modo B, Modo MIMIC, Modo PLS, modo PCA).
  • Procedimiento:
    • Ejecutar el modelo de efecto principal.
    • Extraer las puntuaciones de las variables latentes.
    • Usar estas puntuaciones de las variables latentes como indicadores de las variables exógenas y endógenas.
    • El producto ELEMENTWISE de las puntuaciones de las variables latentes de la variable exógena y la variable moderadora sirve como indicador del término de interacción.

Estos dos enfoques pueden usarse en XLSTAT-PLSPM. Vamos a mostrar con detalle la aplicación de cada uno de ellos.

Datos para el análisis

Vamos a utilizar una parte de los datos utilizados en el tutorial general sobre aquí  .

Tenga en cuenta que este tutorial sólo está  disponible para los usuarios de Excel 2007 y Excel 2010 . Queremos estudiar el efecto moderador de la imagen de un proveedor de telefonía móvil sobre la relación entre la satisfacción y la lealtad de los clientes.

Configuración

En primer lugar, tiene que cambiar a la visualización en modo experto. En el menú XLSTAT-PLSPM , haga clic en las opciones de XLSTAT-PLSPM .

Aparece este cuadro de diálogo:

Seleccione la visualización en modo experto y guarde la configuración. Al igual que en el general , construimos un modelo especial sólo incluyendo la imagen, satisfacción y lealtad mediante la hoja PLSPMGraph y la barra de herramientas "Path Modeling".

Una vez que el modelo ha sido dibujado, dos enfoques están disponibles para estudiar los efectos de moderación.

El enfoque producto-indicador

Este enfoque se puede aplicar de forma automática en XLSTAT-PLSPM. En primer lugar, añada una variable latente al modelo y haga clic en el botón de la barra de herramientas para definir la variable latente. Aparece el siguiente cuadro de dialogo.

En lugar de seleccionar los datos, haga clic en el botón interacción. Una nueva pestaña está disponible en el cuadro de diálogo. En la pestaña de interacción, seleccione las dos variables exógenas imagen y satisfacción. Decidimos estandarizar las variables manifiestas.

A continuación, haga clic en el botón "OK". Una nueva variable latente aparece en el diagrama con 6 variables manifiestas que son los productos de las variables manifiestas asociadas a la satisfacción y la imagen.

Ahora puede hacer clic en el botón Ejecutar de la barra XLSTAT-PLSPM se encuentra en la hoja de PLSPMGraph. Aparece el cuadro de diálogo de ejecución. En este tutorial, vamos a elegir estandarizar las variables manifiestas en la pestaña General.

En la pestaña Opciones, utilizamos el esquema de centroide con regresión OLS sin bootstrap. En la pestaña de salidas, solicitamos la puntuación de variables latentes estandarizadas.

 

Una vez que se hace clic en el botón "OK", el cálculo se inicia. Los resultados se muestran en la hoja de PLSPM del librode trabajo y se pueden ver en el diagrama. El resultado más importante se puede encontrar en la tabla de coeficientes path.

 

Vemos que la imagen y la satisfacción tienen un efecto positivo sobre la lealtad y que el término de interacción tiene un efecto negativo significativo. Eso significa que el efecto moderador de la imagen sobre la relación entre la satisfacción y la lealtad es significativo.

La aproximación en dos pasos

Si ya ha aplicado el método producto-indicador, primero elimine la variable latente de interacción e inicie XLSTAT-PLSPM usando el botón de ejecución de la barra de herramientas situada en la hoja de PLSPMGraph. Aparece el cuadro de diálogo Ejecutar. Elegimos estandarizar las variables manifiestas en la pestaña General.

En la pestaña Opciones, utilizamos el esquema de centroide con regresión por mínimos cuadrados (OLS) y sin bootstrap. En la pestaña de resultados, solicitamos las puntuaciones de las variables latentes estandarizadas.

Una vez que se hace clic en el botón "OK", comienzan los cálculos.

Los resultados se muestran en la hoja de PLSPM1 del libro de trabajo, y se puede ver en el diagrama.

Sólo estamos interesados en las puntuaciones (“scores”) de las variables latentes del modelo simple. En la hoja de PLSPM1, calculamos el producto de las variables latentes Satisfacción e Imagen utilizando las fórmulas de Excel junto a la tabla de puntuaciones de las variables latentes.

Seguidamente, cambiamos la definición de la variable latente, reemplazando las variables manifiestas por las puntuaciones de las variables latentes que se pueden seleccionar en la hoja de PLSPM1. Añadimos una variable latente con una sola variable manifiesta (i.e., la nueva columna). El nuevo modelo tiene la siguiente forma:

Ahora puede ejecutar el modelo con los mismos parámetros que tenía anteriormente y estudiar los resultados. Los coeficientes path son los resultados más importantes.

Vemos que la imagen y la satisfacción tienen un efecto positivo sobre la lealtad, y que el término de interacción tiene un efecto negativo no significativo. Eso significa que el efecto moderador de la imagen sobre la relación entre la satisfacción y la lealtad no es significativo.