XLSTAT: PLS-PM: Componentes Estructurados Generalizados (GSCA) en Excel

Principios de componentes estructurales generalizados (GSCA)

El modelado de trayectorias por mínimos cuadrados parciales (PLS-PM) es un enfoque estadístico para modelar relaciones multivariables complejas (modelos de ecuaciones estructurales) entre variables observadas y latentes. Desde hace algunos años, este enfoque ha ido ganando popularidad en varias ciencias (Esposito Vinzi et al., 2007). Los modelos de ecuaciones estructurales incluyen una serie de metodologías estadísticas que permiten la estimación de una red teórica causal de relaciones que vinculan conceptos complejos latentes, cada uno medido por medio de una serie de indicadores observables.

La primera presentación del enfoque PLS finalizado para modelos de trayectorias con variables latentes fue publicada por Wold en 1979 y las principales referencias sobre el algoritmo PLS son Wold (1982 y 1985).

Herman Wold opuso el "modelado duro" LISREL (Jöreskog, 1970) (supuestos de distribución pesados, varios cientos de casos necesarios) al "modelado suave" PLS (muy pocos supuestos de distribución, pocos casos pueden ser suficientes). Estos dos enfoques del modelado de ecuaciones estructurales han sido comparados en Jöreskog y Wold (1982).

Desde el punto de vista del modelado de ecuaciones estructurales, PLS-PM es un enfoque basado en componentes donde el concepto de causalidad se formula en términos de expectativa condicional lineal. PLS-PM busca relaciones predictivas lineales óptimas en lugar de mecanismos causales, privilegiando así un proceso de descubrimiento orientado a la relevancia de la predicción en lugar de la prueba estadística de hipótesis causales. Dos artículos de revisión muy importantes sobre el enfoque PLS para el modelado de ecuaciones estructurales son Chin (1998, más orientado a la aplicación) y Tenenhaus et al. (2005, más orientado a la teoría).

Además, el modelado de rutas PLS se puede utilizar para analizar múltiples tablas y está directamente relacionado con los métodos de análisis de datos más clásicos utilizados en este campo. De hecho, PLS-PM también puede considerarse un enfoque muy flexible para el análisis de múltiples bloques (o múltiples tablas) mediante el modelo de rutas PLS jerárquico y el modelo de rutas PLS confirmatorio (Tenenhaus y Hanafi, 2007). Este enfoque muestra claramente cómo la tradición "basada en datos" del análisis de múltiples tablas se puede fusionar de alguna manera con la tradición "basada en teoría" del modelado de ecuaciones estructurales para permitir la ejecución del análisis de datos de múltiples bloques a la luz del conocimiento actual sobre las relaciones conceptuales entre tablas.

En este articulo te guiamos paso a paso para mostrarte cómo crear un proyecto, definir un modelo, estimar los parámetros y analizar los resultados. Este articulo está basado en el siguiente artículo: [Tenenhaus M., Esposito Vinzi V., Chatelin Y.-M. y Lauro C. (2005). PLS Path Modeling. Computational Statistics & Data Analysis, 48(1), 159-205].

GSCA con XLSTAT-PLSPM

Conjunto de datos para el análisis de GSCA

La aplicación se basa en datos reales, donde se han realizado varias preguntas a 250 clientes de operadores de telefonía móvil para poder modelar su fidelidad. El modelo GSCA se basa en el Índice Europeo de Satisfacción del Cliente (ECSI). En el modelo ECSI, las variables latentes (conceptos que no se pueden medir directamente) están interrelacionadas como se muestra a continuación.

Cada variable latente está relacionada con una o más variables manifiestas que se miden. En este caso de aplicación, las preguntas sobre las variables manifiestas se realizan en una escala de 0 a 100. Por ejemplo, para la variable latente de imagen, las cinco variables manifiestas son:

• Se puede confiar en lo que dice y hace.
• Es estable y firmemente establecido.
• Tiene un aporte social para la sociedad
• Se preocupa por los clientes.
• Es innovador y con visión de futuro.

Se puede descargar una hoja de proyecto XLSTAT-PLSPM que contiene los datos y los resultados para utilizar en este articulo haciendo clic aquí .

Los proyectos XLSTAT-PLSPM son plantillas especiales de libros de trabajo de Excel. Cuando crea un proyecto nuevo, su nombre predeterminado comienza con PLSPMBook.

Luego puede guardarlo con el nombre que desee, pero asegúrese de utilizar el comando "Guardar" o "Guardar como" del menú XLSTAT-PLSPM para guardarlo en la carpeta dedicada a los proyectos PLSPM usando la extensión *.ppmx.

Nota: al abrir el archivo GSCA_ECSI.ppmx, la representación gráfica puede verse mal. Esto se debe a que la representación depende de la configuración de la pantalla. Para mejorar la visualización, haga clic en el botón "Optimizar la visualización" (ver a continuación).

Un proyecto XLSTAT-PLSPM sin procesar contiene dos hojas que no se pueden eliminar:

• D1: Esta hoja está vacía y necesita agregar todos los datos de entrada que desea utilizar en esa hoja de trabajo.
• PLSPMGraph: Esta hoja está en blanco y se utiliza para diseñar el modelo. Al seleccionar esta hoja, se muestra el menú "Modelado de trayectorias" en la parte superior izquierda de la página.

Configuración de un análisis GSCA

Para crear el proyecto utilizado en este articulo, primero generamos un nuevo proyecto utilizando el menú XLSTAT-PLSPM:

Luego lo guardamos como PLSPM_ECSI.ppmx usando el comando Guardar como del mismo menú.

 

Luego, copiamos los datos que estaban disponibles en un archivo Excel y los pegamos en la hoja D1 del Proyecto. Una vez hecho esto, ya está listo para comenzar a crear el modelo. Vaya a la hoja PLSPMGraph. La barra de herramientas se muestra en la esquina superior izquierda de esa hoja. Puede encontrar detalles sobre la función de cada botón en la ayuda.

 

Para crear varias variables latentes en una fila, haga doble clic en el botón circular para que permanezca presionado mientras agrega variables:

 

Luego, puedes agregar las flechas que indican cómo se relacionan las variables latentes. Para agregar una flecha, haz clic en la variable latente desde la que debe comenzar, luego presiona Ctrl y haz clic en la variable latente donde debe terminar la flecha. Luego, haz clic en el botón de la flecha o usa el siguiente atajo de teclado: Ctrl+L.

 

Una vez que se hayan agregado todas las flechas, puede definir las variables manifiestas que se relacionan con cada variable latente (esto también se puede hacer después de agregar las variables latentes). Para agregar 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 D1 y muestra un cuadro de diálogo donde puede dar un nombre apropiado a la variable latente, seleccionar las variables manifiestas en D1 y definir algunas configuraciones.

 

Se debe definir el modo. En el modo reflexivo, la variable latente es responsable de lo que se mide para las variables manifiestas, y en el modo formativo, las variables manifiestas construyen la variable latente. Por ejemplo, así es como se veía el cuadro de diálogo una vez completado para la variable latente Expectativa:

 

El modelo obtenido tiene la siguiente forma:

 

Una vez que se han definido las variables manifiestas 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.

 

Se abre el cuadro de diálogo Ejecutar, donde hay muchas opciones disponibles. Para este articulo se han utilizado las siguientes opciones:

 

En el caso de GSCA, puede elegir entre variables de manifiesto estandarizadas y sin procesar. Elegimos estandarizar las variables de manifiesto.

 

Los intervalos de confianza se obtienen utilizando un nuevo muestreo bootstrap.

 

En nuestro ejemplo sencillo, no faltan datos en el conjunto de datos, por lo que no aceptamos datos faltantes.

Resultados e interpretación de un proyecto PLS-PM

En los resultados se resume en primer lugar la información relacionada con las variables manifiestas, el modelo de medida y el modelo estructural.

Resultados numéricos para un análisis GSCA

Los primeros elementos importantes son los índices de confiabilidad compuestos:

 

En esta aplicación, las variables latentes son reflexivas. Los bloques deben ser unidimensionales. Podemos ver que el rho de Dillon-Goldstein es mayor que 0,7 y que el primer valor propio siempre es mucho mayor que el segundo. La expectativa y la lealtad tienen valores malos para el alfa de Cronbach y una segunda dimensión podría ser significativa. En este articulo, nos centraremos en el caso de una dimensión. Si está interesado en más dimensiones, puede estudiar las correlaciones entre las variables manifiestas y los factores en un análisis de componentes principales aplicado a cada bloque de variables manifiestas. No nos centraremos en ese punto y consideraremos solo una dimensión. La aplicación del modelado de rutas PLS da como resultado la tabla con índices GoF:

 

Podemos ver que el GoF absoluto es 0,465, muy cercano a la estimación bootstrap. Este valor es difícil de interpretar; podría ser útil al comparar la calidad global de dos grupos de observaciones o dos modelos diferentes. El GoF relativo es muy alto. Lo mismo ocurre con el GoF de los modelos interno y externo. Luego, debe verificar las cargas cruzadas:

 

En el caso de nuestro conjunto de datos, las cargas entre las variables manifiestas y sus propias variables latentes son las más altas. Por lo tanto, los pesos externos y las correlaciones se reúnen en dos grandes tablas. Si estudiamos las correlaciones entre las variables manifiestas y las variables latentes:

 

Podemos observar que, por ejemplo, las variables manifiestas CUSA3 y CUSA2 tienen un mayor efecto sobre la satisfacción que CUSA1. Estas tablas permiten ver el impacto de cada variable manifiesta sobre su variable latente asociada. A continuación se muestran los resultados asociados al modelo estructural. Para cada variable latente se recoge información sobre el modelo estructural. En el caso de la satisfacción tenemos:

 

Un R'² de 0,672 puede considerarse un buen resultado. Podemos ver que la calidad percibida tiene el mayor efecto sobre la satisfacción y que el impacto de las expectativas no es significativo. La última tabla resume los resultados y muestra que el valor percibido contribuye al 64% del R'² de satisfacción. El gráfico ilustra estos resultados:

 

La siguiente tabla muestra diferentes índices de calidad predictiva asociados a los modelos externo e interno para cada variable latente. Los valores medios de estos índices dan un valor de calidad global. Vemos que la media de todos los R'² es 0,378 y el R'² de satisfacción es el más alto. Las comunalidades son siempre mayores que las redundancias porque PLSPM favorece el modelo de medición en su procedimiento de estimación.

 

Una de las mayores ventajas de PLSPM son las puntuaciones de las variables latentes. Éstas se proporcionan y pueden utilizarse para otros tratamientos estadísticos con XLSTAT. Este estudio ha demostrado cómo utilizar el módulo XLSTAT-PLSPM en el caso de datos reales. Una vez dibujado el modelo, el procedimiento es sencillo. Una vez validado el modelo, la interpretación del resultado puede realizarse leyendo las tablas con los coeficientes de trayectoria y las correlaciones.

Salida gráfica para el análisis de GSCA

Con XLSTAT-PLSPM se pueden visualizar muchos tipos de resultados en el modelo de ruta. Elija entre todos los índices posibles que se obtienen al hacer clic en el botón “Elegir los resultados a visualizar”:

 

Aparece el cuadro de diálogo “resultados”. Tiene tres páginas: la primera se refiere a la visualización de índices en las variables latentes; la segunda se refiere a la visualización de coeficientes e índices en las flechas entre las variables latentes; la tercera se refiere a la visualización de coeficientes e índices en las flechas entre las variables manifiestas y las variables latentes: Los resultados aparecen en el modelo de ruta en la hoja de cálculo PLSPMgraph al presionar el botón “mostrar resultado”.

 

Puede seleccionar el diagrama completo y copiarlo a cualquier otro documento.