XLSTAT: Análisis de satisfacción con PLS-PM

 

Principios del modelado path PLS

El modelado path de mínimos cuadrados parciales (PLS-PM) es un enfoque estadístico para el modelado de relaciones multivariables complejas (modelos de ecuaciones estructurales) entre variables observadas y latentes. Esta familia de modelos generalmente se denomina modelos de ecuaciones estructurales con variables latentes. PLS-PM busca relaciones predictivas lineales óptimas en lugar de mecanismos causales, privilegiando así un proceso de descubrimiento orientado a la relevancia en la predicción en lugar de centrarse en la comprobación estadística de hipótesis causales. Dos artículos de revisión muy importantes en la aproximación a los modelos PLS de ecuaciones estructurales son Chin (1998, más orientado a la aplicación) y Tenenhaus et al. (2005, más orientado a la teoría). Las puntuaciones (“scores”) de las variables latentes estimadas utilizando el método PLS-PM son muy útiles en el cálculo de los índices globales que incluyen el índice de satisfacción de los consumidores.

Modelado path PLS usando XLSTAT-PLSPM

En este articulo le guiaremos paso a paso para mostrarle cómo crear un proyecto, definir un modelo, estimar los parámetros y analizar los resultados en el marco del análisis de la satisfacción del consumidor. La aplicación se basa en datos de la vida real, donde se hicieron varias preguntas a 250 clientes de operadoras de telefonía móvil con el fin de modelar su lealtad. El modelo PLSPM se basa en el Índice de Satisfacción del Cliente Europeo (European Customer Satisfaction Index, ECSI). En el modelo ECSI, las variables latentes (conceptos que no se pueden medir directamente) están relacionados entre sí como se muestra a continuación.

Cada variable latente está relacionada con una o más variables manifiestas (i.e., aquellas que se miden directamente). En este caso, las variables manifiestas son preguntas medidas en una escala de 0-100. Por ejemplo, para la variable latente Imagen las cinco variables manifiestas son:

• Se puede confiar en lo que dice y hace
• Es estable y está firmemente establecida
• Cuenta con una contribución relevante a la sociedad
• Se preocupa de los clientes
• Es innovadora y tiene visión de futuro

Una hoja con el proyecto XLSTAT-PLSPM que contiene los datos y los resultados para su uso en este articulo se

Los proyectos XLSTAT-PLSPM son plantillas especiales de libro de Excel. Cuando se crea un nuevo proyecto, su nombre por defecto se inicia con PLSPMBook.

A continuación, puede guardarlo en el nombre que desee, pero asegúrese de usar el comando "Guardar" o "Guardar como" del menú XLSTAT-PLSPM para guardarlo en la carpeta dedicada a los proyectos PLSPM utilizando la extensión * .ppmx. Por otra parte, cuando se crea un proyecto, aparece un cuadro de diálogo que le pide que elija el tipo de visualización. En el marco del análisis de la satisfacción, vamos a utilizar el modo de Marketing que simplifica los cuadros de diálogo y las salidas.

Nota: cuando se abre el archivo PLSPathModeling_ECSI.ppmx, la representación gráfica podría quedar mal. Esto se debe al hecho de que la representación depende de la configuración de pantalla. Para mejorar la visualización, haga clic en el botón "Optimizar la pantalla" (véase más adelante).

Un proyecto XLSTAT-PLSPM en bruto contiene dos hojas que no se pueden quitar: - D1: Esta hoja está vacía y hay que añadir todos los datos de entrada que desea utilizar en esa hoja de cálculo.

• PLSPMGraph: Esta hoja está en blanco y se utiliza para diseñar el modelo. Al seleccionar esta hoja, el menú "modelado path" aparece en la parte superior izquierda de la página.

Al abrir un proyecto existente, el modo de visualización puede cambiarse en cualquier momento haciendo clic en las opciones de XLSTAT-PLSPM en el menú PLSPM.

En este articulo, vamos a centrarnos en la pantalla de marketing que le permite utilizar Modelado path PLS en el análisis de la satisfacción del consumidor. Guarde el proyecto usando la función Guardar el proyecto como . Observación: siempre se deben guardar y abrir sus proyectos .ppmx utilizando las funciones PLSPM y no las funciones clásicas de Excel.

A continuación, copiamos los datos que estaban disponibles en un archivo de Excel, y los pegamos en la hoja D1 del Proyecto. Una vez hecho esto, usted está listo para empezar a crear el modelo. Vaya a la hoja PLSPMGraph. La barra de herramientas aparece en la esquina superior izquierda de la hoja.

Para crear varias variables latentes en una fila, haga doble clic en el botón círculo para que quede presionado mientras añade variables:

A continuación, puede agregar las flechas que indican cómo se relacionan las variables latentes. Para añadir una flecha, haga clic en la variable latente en la que desea empezar y, a continuación, pulse Ctrl y haga clic en la variable latente donde la flecha debe terminar. A continuación, haga clic en el botón de flecha o utilice la siguiente combinación de teclas: Ctrl + L.

Otro método le permite cargar modelos predefinidos, utilizando el séptimo botón. Usted será capaz de cargar el modelo de una biblioteca que ya contiene una lista de modelos famosos. El modelo seleccionado se importará automáticamente en el proyecto. Los modelos PLSPM tienen una extensión .ppmxmod.

Una vez que se han añadido todas las flechas, se pueden definir las variables manifiestas que se relacionan con cada variable latente (esto también se puede hacer después de la adición de las variables latentes). Para añadir variables manifiestas a una variable latente, seleccione la variable latente y haga clic en el botón MV en la barra de herramientas:

Esto activa la hoja de D1 y muestra un cuadro de diálogo en el que dar un nombre propio a la variable latente, seleccionar las variables manifiestas en D1 y definir algunas opciones de configuración.

El modo tiene que ser definido. En el modo A (modo reflectivo) la variable latente es responsable de lo que es medido por las variables manifiestas, y en el modo B (modo formativo), las variables manifiestas construyen la variable latente. En nuestro ejemplo asumimos que nuestras variables manifiestas y latentes están vinculados con el modo A.

Esta es la configuración de la caja de diálogo de la variable latente expectativa :

El modelo obtenido tiene la siguiente forma:

Una vez que las variables manifiestas se han definido para cada variable latente y las variables latentes están vinculadas, puede comenzar a calcular el modelo. Para ejecutar el modelo, haga clic en el botón de reproducción.

Esto muestra el cuadro de diálogo Ejecutar , en el que se dispone de muchas opciones. Para este articulo se han utilizado las siguientes opciones:

En nuestro ejemplo, se utiliza el modo automático para la escala de las variables manifiestas y la escala de 0-100 para las variables latentes . Mantenga sin realizar cambios la configuración de la pestaña Opciones . Configure la pestaña Resultados de la siguiente manera:

Active la opción de Tabla de simulación y seleccione como variable a explicar la variable latente Satisfacción, dado que queremos estudiar los efectos que tendrá un cambio en las variables del modelo sobre esta variable específica. La escala del cambio se mide en porcentaje y se extiende desde -10% a 10%, con un paso de 1%. Active asimismo la tabla IPMA (Importance Performance Matrix Analysis).

Resultados e interpretación de los resultados de un proyecto PLSPM

La primera parte de los resultados recoge información sobre los datos y sobre el modelo creado (estadísticos descriptivos relacionados con las variables manifiestas y la especificación del modelo). En primer lugar es importante comprobar la unidimensionalidad de los bloques. En nuestro caso (las variables reflectivas), los bloques deben ser unidimensionales. La tabla Fiabilidad compuesta  proporciona esta información:

 El alfa de Cronbach se encuentra por debajo del umbral de 0.7 en las variables Expectativas y Lealtad. Sin embargo, la Rho de Dillon y Goldstein está por encima del umbral de 0.7 en todas las variables. Por último, el primer valor propio es superior al segundo en muchos casos. Esos resultados nos permiten considerar que los bloques son unidimensionales, aunque podría ser interesante investigar dimensiones suplementarias en las variables Expectativas y Lealtad. La variable latente Quejas no aparece en la tabla ya que se asocia a una sola variable manifiesta.

La siguiente tabla contiene información sobre el índice de bondad del ajuste  .

 El GoF absolutao = 0.484. Está muy cerca de su estimación bootstrap. Este valor no es fácil de interpretar. Se utiliza sobre todo para comparar diferentes grupos de personas o diferentes modelos. El GoF relativo y los GOFs basados en modelos internos y externos son muy altos y reflejan un probable buen ajuste del modelo a los datos.

Las dos tablas siguientes muestran los pesos externos y las correlaciones asociadas al modelo de medida. Una vez que hemos estudiado el modelo de medición, podemos analizar el modelo estructural. Cada variable latente se asocia con varias salidas. Vamos a comentar los resultados de la variable satisfacción  :

 Podemos considerar que la variable latente está bien explicada (R² = 0.681). Vemos que la calidad percibida tiene el efecto más importante sobre la satisfacción seguida de la variable valor percibido . El impacto de expectativas es insignificante. La última tabla resume los resultados precedentes. Vemos que la calidad percibida tiene una contribución del 59% al valor de R2. El siguiente gráfico ilustra las tablas que acabamos de comentar:

 A continuación, se muestran los resultados vinculados al análisis de márketing, comenzando con el análisis de la matriz de importancia-desempeño (Importance Performance Matrix Analysis, IPMA ). La IPMA permite visualizar la importancia y el desempeño de las variables latentes sobre una variable objetivo. He aquí el gráfico para la variable satisfacción  :

 Vemos que la calidad es la variable latente con valores más altos tanto en importancia como en desempeño. Será difícil aumentar el desempeño de esta variable, puesto que ya es demasiado alto. Esta es seguida por las variables Expectativas e Imagen , que comparten la misma importancia. La variable Imagen  parece interesante porque tiene un desempeño inferior y se podría mejorar más fácilmente que otras variables. A continuación se muestran los gráficos de simulación. En primer lugar, los correspondientes a las variables manifiestas: El primer gráfico resume el efecto de un aumento de X% de una variable de manifiesto sobre la satisfacción. Para un cambio del 10% se obtiene:

 La variable QUALITY5  tiene el efecto más fuerte. El siguiente gráfico es el mismo que el actual, pero utiliza el valor medio como base. A continuación, se investigan los cambios en las variables latentes:

 Aquí vemos que un aumento del 10% de la calidad se traducirá en un aumento del 17% en la satisfacción. A continuación se muestra el mismo gráfico basado en las medias.

En los restantes resultados, encontramos las puntuaciones (“scores”) de la variable latente, así como los estadísticos descriptivos asociados. Tales puntuaciones pueden usarse en otros análisis en XLSTAT.

Este análisis ha mostrado cómo investigar un conjunto de datos usando un modelo de satisfacción. Hemos ilustrado que el uso del enfoque del modelado path PLS permite entender fácilmente las interacciones entre conceptos. Una vez validado el modelo, la interpretación de los coeficientes y resultados es muy sencilla.