Mini Mos

3.
La medicin de la satisfaccin del cliente

En este captulo realizaremos un anlisis al respeto de la metodologa que emplearemos en nuestro proyecto para medir la satisfaccin del cliente. Comenzaremos con una breve introduccin a la medicin de la satisfaccin del cliente y llegaremos hasta la definicin justificada del modelo que emplearemos para realizar dicha medicin de la satisfaccin de los clientes de la empresa objeto del proyecto.
3.1. Introduccin
Tras presentar las distintas definiciones del concepto de satisfaccin del cliente, el siguiente paso que daremos ser proceder a medir esta satisfaccin. Para ello, haremos un breve repaso de los distintos mtodos empleados para ello. Los primeros mtodos utilizados para la medicin de la satisfaccin del cliente fueron el anlisis porcentual, el uso de escalas, ratios y el mtodo top box. Estos mtodos siguen usndose en la actualidad en el mundo de la empresa por su facilidad de uso. Sin embargo, se han desarrollado mtodos de anlisis multivariable ms avanzados. El anlisis de varianza fue uno de los primeros de estos mtodos en ser desarrollado, que aunque es una herramienta til presenta problemas al tratar de unificar la teora con los datos reales como los otros mtodos multivariable de primera generacin. Por el contrario, los llamados mtodos de anlisis multivariable de segunda generacin tales como el Modelado Estructural de Ecuaciones (Structural Equation Modeling: SEM) y el Modelado mediante Mnimos Cuadrados Parciales (Partial Least Squares: PLS) son capaces de unir de manera coherente el conocimiento emprico y terico. Tanto el mtodo SEM como el PLS estn siendo utilizados en la actualidad en mltiples campos disciplinares, entre ellos para la medicin de la satisfaccin del cliente. Durante este captulo, trataremos de argumentar que el mtodo PLS es el ms adecuado para su utilizacin en la medicin de la satisfaccin del cliente debido a la tolerancia que posee respecto a los datos generados por una encuesta de satisfaccin del cliente.
Estudio de la Satisfaccin del Cliente
3.2. Antecedentes histricos de la medicin de la satisfaccin del cliente

El primer trabajo en esta rea, que posteriormente se conocera como la satisfaccin del cliente basada en el anlisis matemtico, fue realizado en la dcada de los aos 20 del pasado siglo por parte de socilogos que estudiaron el comportamiento de grupos de personas usando principalmente anlisis porcentual. En los aos 40 del pasado siglo, los ltimos avances en la medicin de la satisfaccin del cliente eran las escalas e ndices. Durante la dcada de los 50, el paso del uso de correlaciones a ecuaciones fue el mayor avance. En los 60, se desarroll la primera generacin del anlisis multivariable. Estos mtodos de la primera generacin, tales como la regresin mltiple, el anlisis factorial, el anlisis de varianza, etc., se han convertido en unas herramientas de gran utilidad para los investigadores de la satisfaccin del cliente aunque en los ltimos tiempos se han visto remplazadas por las de segunda generacin. Los mtodos de primera generacin del anlisis multivariable ayudan a evaluar los constructos y las relaciones entre los distintos constructos. En cualquier caso, estas evaluaciones deben realizarse en varias etapas. Estos mtodos presentan dificultades a la hora de poder aunar la teora con los datos reales. A su vez, poseen restricciones al procesar datos relativos al comportamiento al tener fallos al incorporar los hechos asumidos durante las mediciones, que si se excluyen del modelo emprico, podran producir desviaciones en los resultados y confundir stos (Blalock 1982; Fornell 1988).
3.3. Los modelos de segunda generacin empleados en la medicin de la satisfaccin del cliente
A partir de finales de la dcada de los 60 y principios de los 70 del pasado siglo, el aumento de la disponibilidad de ordenadores permiti que se extendiera el uso de los mtodos de anlisis multivariable en el campo del marketing (Sheth 1971). Estos nuevos mtodos de anlisis simultneo de varias variables desplazaron en su uso a las antiguas tcnicas de anlisis univariable y bivariable. Estas nuevas metodologas incluan la regresin mltiple, el anlisis discriminante mltiple, el anlisis de factores, el anlisis de componentes principales, el escalado multidimensional y el anlisis de clusters.
42
Captulo 3: La medicin de la satisfaccin del cliente
Estos avances en el campo del anlisis multivariable de principios de los 70 se afianzaron al llegar a los 80 en el mbito acadmico y para 1982 eran de uso comn en los estudios de marketing comercial (Bateson y Greyser 1982). Fue en 1984 cuando se empleo el trmino segunda generacin para estas tcnicas acundolo Claus Fornell para designar a este conjunto de metodologas de anlisis. En torno a 1982 hizo aparicin una nueva tcnica de anlisis multivariable llamada Modelado mediante Mnimos Cuadrados Parciales que trataba de unir distintas reas de conocimiento como la psicometra, la econometra, la sociologa cuantitativa, la estadstica, la educacin, la filosofa de la ciencia, el anlisis numrico y la informtica (Fornell 1988). Este nuevo mtodo de anlisis, en lugar de simplemente agregar la medida del error en un trmino de error residual, evala a la vez tanto el modelo utilizado en la medicin de la satisfaccin del cliente como el modelo terico de sta. El modelado mediante mnimos cuadrados parciales ajusta las relaciones entre las distintas variables del modelo de manera adecuada, e incluso presenta ventajas como la correccin de las imprecisiones propias de las medidas, adems asla los efectos, modelan un sistema de relaciones y proporcionan una base para la interpretacin de las causas y sus efectos (Fornell 1988).
3.3.1.
El modelado del comportamiento del cliente
La importancia del modelado del comportamiento del cliente se debe a que si contamos con un modelo psicolgicamente coherente del comportamiento del cliente, existen mayores posibilidades de que los datos empricos recogidos en las encuestas puedan interpretarse de forma adecuada. Los datos en bruto de un estudio de la satisfaccin del cliente pueden tratarse de diversas formas. A nivel bsico, pueden analizarse usando una tabulacin cruzada y anlisis de la varianza. De forma alternativa, los datos obtenidos de la satisfaccin de los clientes pueden ser objeto de mtodos de modelado debido a que, la naturaleza de la satisfaccin del cliente es tal que posee variables que contribuyen en distinta medida a ella y a su vez la satisfaccin del cliente conlleva unos determinados comportamientos por parte del cliente tales como la vuelta a usar el producto o servicio o su recomendacin a otros posibles clientes. El modelado proporciona a los investigadores la posibilidad de explorar las conexiones causales entre los distintos niveles de las variables. Si el modelado se hace de forma adecuada puede proporcionar informacin estadstica, que puede emplearse para predecir de manera ajustada el comportamiento futuro de los clientes.
43
En nuestro proyecto, la teora que subyace bajo el estudio de la satisfaccin del cliente es la que se usa de normalmente en el comportamiento de las organizaciones y que se basa en las expectativas y valoraciones (Gordon 1996). Esta aproximacin al comportamiento humano dice que este est determinado por la interaccin entre las expectativas que tienen las personas de un resultado y la valoracin que dan a este mismo resultado. Al aplicar esta teora al comportamiento del cliente, podemos ver que el cliente tiene unas expectativas respecto a un producto o servicio y realiza valoraciones financieras y afectivas a ese producto o servicio. Su satisfaccin se ver fuertemente determinada por la confirmacin de las expectativas del desempeo del producto o servicio (Gordon 2002). En los distintos estudios de la satisfaccin del cliente se han empleado ampliamente mtodos de anlisis de segunda generacin tales como el Modelado Estructural de Ecuaciones (Structural Equation Modeling: SEM), el anlisis factorial, y escalado multidimensional. Todas estas tcnicas estn ampliamente relacionadas con la definicin de las relaciones estructurales entre las distintas variables implicadas en la satisfaccin del cliente. Loehlin (1992) proclam que la tcnica ms flexible entre estas era la conocida como SEM, que tambin se emplea en los estudios de mercado.
3.3.2.
Modelado con el mtodo de Mnimos Cuadrados Parciales
Antes de pasar a explicar con detalle en que consiste la tcnica llamada de Mnimos Cuadrados Parciales o Partial Least Squares (PLS), debemos mostrar algunos conceptos previos necesarios para su entendimiento. Pasamos pues a definir dichos conceptos para terminar esta seccin con la explicacin detallada de la tcnica PLS. 3.3.2.1. Path Analysis El Path Analysis 1 es un mtodo que ampla los modelos de regresin, se emplea para ajustar la matriz de correlacin de los datos a dos o tres modelos causales con los que se compara. El objetivo es proporcionar estimaciones de la magnitud y significacin de las conexiones causales del modelo entre un con conjunto de variables. Dicho modelo se representa normalmente con las variables dentro de crculos y con las conexiones causales representadas en forma de flecha, tal y como podemos ver en el modelo ejemplo representado en la Figura 3-1, es
Hemos optado por emplear la terminologa anglosajona para Path Analysis debido a la falta de acuerdo en la literatura en espaol al respecto de la denominacin del trmino en castellano, emplendose trminos como Anlisis de Camino, Anlisis del Sendero, Anlisis de Vas o Anlisis de Pautas entre otros
1
44
decir, mediante grafos. Estos grafos reciben el nombre de diagramas tipo path o diagramas del camino.
Figura 3-1 Ejemplo de modelo causal
En el Path Analysis se realiza una regresin para cada una de las variables que aparecen en el modelo que dependan de otras variables que el modelo marca como causas. Los pesos predichos mediante estas regresiones se comparan con la matriz de correlaciones de las variables observadas y se calcula la bondad del ajuste. El modelo que mejor ajusta de aquellos seleccionados con anterioridad es aquel que se selecciona como el mejor modelo. El Path Analysis evala hiptesis de causalidad, y en determinados casos (muy especficos) puede emplearse para comprobar dos o ms hiptesis causales, pero en ningn caso puede establecer la direccin de esta causalidad. El Path Analysis asume las siguientes caractersticas de los datos sometidos a anlisis: Los datos deben tener una distribucin normal o de intervalos. Lo cual puede suponer problemas, ya que la falta de normalidad de los datos puede atenuar la correlacin de las variables, que de otra manera puede ser fuerte. Se asume que las relaciones entre las variables son lineales y aditivas. Si existen variables usadas para predecir otra que no tengan las mejores condiciones pueden presentarse problemas, especialmente cuando el nmero de variables de este tipo excede seis o siete. Esta condicin no puede cumplirse en el caso de datos obtenidos mediante encuestas, ya que estos presentan algn tipo de error en la medida.
Debe quedar claro que el Path Analysis es de utilidad cuando tenemos claras las hiptesis que debemos comprobar, o como mximo un pequeo nmero de hiptesis que pueden representarse en un nico modelo causal. Por tanto, el 45
Path Analysis presenta una utilidad reducida en la fase exploratoria de un

estudio. Debemos resear que no se puede emplear el Path Analysis en aquellos casos en los que se producen lazos de retroalimentacin en nuestras hiptesis y que todas las relaciones que conformen el modelo causal deben poder comprobarse empleando una regresin mltiple. Las variables que componen el modelo tienen que poder ser empleadas como variables dependientes en los anlisis de regresin mltiple. Y por tanto, cada una de ellas tiene que poderse tratar como perteneciente a una escala de intervalos, y este es el motivo por el que las medidas nominales u ordinales con pocas categoras harn el Path Analysis imposible. El Path Analysis requiere un tamao muestral elevado para que el resultado sea significativo, ya que, tal y como sugiere Kline (1998), el nmero de casos necesarios es de diez veces el nmero de parmetros a estimar o idealmente veinte veces y afirma que con cinco veces el nmero de parmetros a estimar no se obtiene la suficiente significacin cuando se someten a comprobacin los modelos. Podemos una vez comentada la tcnica Path Analysis establecer el proceso iterativo para el desarrollo de los modelos causales, que se representa en la Figura 3-2 Proceso iterativo para la construccin del modelo causal.
Figura 3-2 Proceso iterativo para la construccin del modelo causal 2
Fuente: ALLEN, D.R. y RAO, T.R. (2000) Analysis of Customer Satisfaction Data, ASQ Quality Press, Milwaukee, Wisconsin, p.138
46
3.3.2.2. Anlisis Factorial El Anlisis Factorial es una tcnica estadstica empleada para descubrir la estructura latente de un grupo de variables. Permite que un nmero elevado de variables interrelacionadas sean condensadas en un nmero menor de dimensiones llamadas factores y es un procedimiento no dependiente, es decir no asume que deba especificarse una variable dependiente. El anlisis factorial puede usarse, entre otras, para las siguientes aplicaciones: Para reducir un nmero elevado de variables a un nmero reducido de factores, para as conseguir desarrollar un modelo, cuando el elevado nmero de variables impide modelar todas las medidas de forma individual. Como tal, el anlisis factorial, se integra en el Modelado Estructural de Ecuaciones para ayudar a crear el modelo de variables latentes. En cualquier caso, el anlisis factorial puede y es empleado por separado para el mismo propsito. Para seleccionar un grupo de variables de un conjunto mayor de estas, basndonos en aquellas variables originales que tengan una mayor correlacin con los factores de componentes principales. Para crear un conjunto de factores, que se tratarn como variables sin correlacin entre ellas para poder tratar la multicolinealidad en tcnicas como la regresin mltiple. Para validar una escala o ndice mediante la demostracin de que sus tems constituyentes influyen en el mismo factor, o para eliminar tems propuestos en una escala que influyen en ms de un factor.
A continuacin pasamos a describir de manera resumida el procedimiento general del anlisis factorial (Rummel 1970). En esta tcnica, cada variable se asume que es una combinacin lineal de un determinado nmero de factores comunes y un factor nico.
Z j = ( a jk S k ) + a ju S ju
donde: Z: variable estandarizada. a: peso del factor S: factor comn j: ndice para las variables k: ndice para los factores u: la parte o factor nico
47
Asumiendo que los pesos de los factores estn estandarizados por factor y que la parte nica de las variables no estn correlacionadas con la parte comn de estas, se pueden obtener los pesos de los factores mediante el proceso iterativo representado en la siguiente ecuacin:
2 ' Rmm I mm + H m m = Fm p Fp m
donde: Rmxm: matriz de correlaciones. Imxm: matriz identidad. H2mxm: matriz diagonal de valores comunes. Fmxp: matriz de peso de los factores. Fmxp: matriz de peso de los factores traspuesta. m: nmero de variables. p: nmero de factores. Como Zj es una variable estandarizada, su varianza es igual a la unidad. La varianza de Zj puede dividirse en dos partes, la parte comn, h2j y la parte nica, u2j que se calculan de la siguiente forma:
2 h2 j = a jk 2 u2 j = a ju
Que en forma matricial puede expresarse como:

2 2 I m m = H m m + U m m
donde H2 y U2 son matrices diagonales de la parte comn y nica de cada variable, respectivamente. Esta ltima ecuacin permite encontrar la parte nica para cada una de las variables. Con este conjunto de ecuaciones pueden calcularse los pesos de cada factor, tambin llamados variables latentes. (Rummel 1970). Por tanto, los pesos de los factores representan la informacin comn que contienen las variables separadas y pueden usarse en lugar del conjunto de variables originales. El anlisis factorial se emplea de dos formas distintas, a modo de confirmacin de un modelo propuesto y de modo exploratorio, para obtener la estructura factorial subyacente en los datos. Estas dos aplicaciones presentan principalmente las diferencias que se citan a continuacin. En primer lugar, el anlisis factorial confirmatorio requiere la especificacin a priori del nmero de factores, su composicin y su covarianza. Por el contrario, a modo de ejemplo, 48
en el anlisis factorial exploratorio no es posible especificar el grado de covarianza de dos factores. De hecho, en la mayora de los estudios que emplean el anlisis factorial exploratorio se supone la ortogonalidad de la las dimensiones, lo que constituye una suposicin por lo general poco realista y una de las principales crticas al anlisis factorial exploratorio. El anlisis factorial confirmatorio forma parte generalmente de un proceso iterativo idntico al representado en la Figura 3-2. El anlisis factorial requiere un nmero de muestras que, segn el autor de que se trate, vara de 200 a 400. El problema a este respecto es que los valores perdidos en cuestionarios suelen ser elevados pudiendo llegarse incluso al 50%, lo que hara que el tamao muestral mnimo para poder emplear el anlisis factorial sea de 400-800. Para evitar esto podemos realizar una imputacin de los valores perdidos mediante un anlisis de este tipo. El requisito del anlisis factorial que ms controversia ha creado es la normalidad de los datos, es decir, que los datos presenten una distribucin normal, lo cual no es un caso frecuente para datos obtenidos a travs de cuestionarios. Tambin debemos asumir que las relaciones entre los datos son lineales. Por ejemplo, una relacin no lineal fuerte entre dos variables no se podr detectar por los coeficientes de correlacin. El anlisis de factores asume que las variables que medimos estn causadas por constructos latentes inobservables y asume que estas variables medidas son combinaciones lineales de los factores. La varianza de las variables, para el anlisis factorial, se puede descomponer en dos partes, una parte comn y una parte nica (no se comparte con ninguna otra variable). Estas partes comunes y nicas de la varianza dependen del contexto de los datos, si se aade o elimina una variable del anlisis, es probable que estas partes, comn y nica, de la varianza cambien su valor. La parte nica de la varianza, a su vez, se puede descomponer en los componentes, la varianza especfica y el error aleatorio. El anlisis factorial extrae de los datos tantos factores como variables sometidas al anlisis y como parece lgico no es conveniente obtener una solucin que tenga tantos factores como variables, por lo que hay que reducir dicho nmero. El problema es qu nmero de factores es importante retener. Es por ello que existen distintos mtodos heursticos y objetivos para determinar el nmero de factores que deben considerarse una vez sometidos los datos al anlisis factorial. Los factores obtenidos tras el anlisis factorial se extraen de la siguiente forma: el primer factor es el que retiene la mayor parte de la matriz de varianza 49
de los datos, el segundo una cantidad menor y as hasta obtener todos los factores. Estos factores son ortogonales con los obtenidos anteriormente. A medida que vamos se obtienen factores, la cantidad de la variacin explicada por el factor obtenido se va haciendo trivial. El objetivo es retener slo aquellas dimensiones que explican una parte sustancial de la matriz de varianza de los datos. Por tanto, la cuestin es cul es el nmero de factores que se deben retener. Este objetivo se ha tratado de diversas formas por los distintos autores, y no existe una respuesta inequvoca a la cuestin. Las tcnicas empleadas para determinar el nmero de factores a retener varan desde las tcnicas heursticas a las empricas. Pasaremos a continuacin a comentar algunas de las tcnicas cuyo uso es ampliamente extendido. Una tcnica heurstica muy utilizada para este propsito es la que emplea el llamado scree 3 test de Cattell en el que se representan grficamente los autovalores de la matriz de datos. El punto donde la magnitud de los autovalores cae claramente se considera indicativo de una cada en el poder explicativo de los factores.
Figura 3-3 Ejemplo de representacin grfica para el Scree Test
Otra de las tcnicas ms empleadas es el llamado Criterio de Kaiser que expone que deben extraerse aquellas variables cuyos autovalores sean mayores o iguales a la unidad. La idea en la que se apoya este criterio consiste en la interpretacin de las fracciones de la varianza, aquella contribucin a la varianza menor que la de una sola variable es de dudoso valor. Este criterio es uno de los usados con mayor frecuencia debido a que no requiere la inspeccin visual de la representacin grfica de los autovalores y su implementacin en las aplicaciones informticas es sencilla.
3
Scree es el punto de inflexin en la representacin grfica de la curva de los autovalores.
50
Jollife (1986) sugiri que la aproximacin ms directa a la hora de determinar cuantos factores retener es observar la proporcin acumulada de la variacin explicada por estos factores. Un criterio razonable puede ser retener tantos factores como sea necesario para explicar ms del 70 u 80% de la varianza de los datos. Este es uno de los mtodos ms populares para el problema de la determinacin de la dimensionalidad como puede comprobarse, ya que es el mecanismo de seleccin de factores en los paquetes estadsticos ms comunes. En cualquier caso, esta tcnica ha sido criticada por ser demasiado mecnica por algunos autores. Es importante resear que no existe un mtodo mejor nico para determinar cuantos factores retener en el anlisis factorial, aunque se han propuesto una gran variedad de tcnicas heursticas, ninguna de ellas es heurstica. Jackson (1991) compar siete mtodos empleados en estos casos usando unos datos con 14 variables para determinar si se obtena el mismo nmero de factores a retener. En esta comparativa obtuvo resultados dispares en cuanto a este nmero, como extremos una de las tcnicas confirm una solucin de un solo factor y otra sugiri que eran necesarios diez factores. Quizs, por tanto, lo recomendable y lo ms habitual en los estudios que usan el anlisis factorial, es combinar la intuicin con una o ms de estas tcnicas analizadas por Jackson (1991) 3.3.2.3. Modelado Estructural de Ecuaciones El Modelado Estructural de Ecuaciones (Structural Equation Modeling: SEM) es una tcnica estadstica de uso muy general de modelado que se emplea en la actualidad en un amplio espectro de campos cientficos. Esta tcnica puede interpretarse como una combinacin del anlisis factorial y la regresin o el Path Analysis. El Modelado Estructural de Ecuaciones tiene inters a la hora de desarrollar constructos de manera terica, que se representan por los factores latentes. Las relaciones entre los constructos tericos se representa mediante una regresin o factores del camino (path).El modelo estructural de ecuaciones implica una estructura para las covarianzas entre las variables observadas, que recibe el nombre de modelado estructural de la covarianza. En cualquier caso, el modelo puede extenderse para incluir las medias de las variables observadas o factores del modelo, lo que hace que el nombre de modelo de estructura de la covarianza no sea muy adecuado. Aunque el Modelado Estructural de Ecuaciones es frecuentemente llamado LISREL (LInear Structural RELations), debido a que este es el nombre dado por Jreskog a uno de los primeros y ms populares programas que implement 51
esta tcnica, este nombre no es adecuado, ya que en la actualidad el Modelado Estructural de Ecuaciones no tiene porqu estar formado por ecuaciones lineales. Las principales aplicaciones del Modelado Estructural de Ecuaciones son las siguientes: Modelado causal o Path Analysis, que realiza hiptesis respecto a las relaciones causales entre las variables y comprueba los modelos causales con un sistema de ecuaciones. Anlisis factorial de confirmacin, es una extensin del anlisis de factores en el cual se especifican las hiptesis al respecto de la estructura de los pesos de los factores y las correlaciones entre ellos y se comprueban. Anlisis de factores de segundo orden, es una variante del anlisis factorial en el que la matriz de correlaciones de los factores comunes se somete a anlisis de factores para obtener factores de segundo orden. Modelos de regresin, es una extensin del anlisis de regresin lineal en el cual los pesos de la regresin se pueden obligar a que sean iguales a otros o a valores numricos dados. Modelos estructurales de covarianza, que realizan hiptesis respecto a la forma en particular de la matriz de covarianza. Modelos estructurales de correlacin, que realizan hiptesis respecto a la forma en particular de la matriz de correlacin.
La mayor parte de los modelos estructurales de ecuaciones pueden representarse mediante grafos idnticos a los empleados en los Path Analysis, los llamados diagramas tipo path. Estos modelos estructurales estn compuestos por variables latentes, tambin llamados constructos. Las variables latentes representan conceptos unidimensionales, en su ms pura forma, puede decirse que se trata de variables abstractas. Como todas las variables latentes corresponden a conceptos, ellas son variables hipotticas que varan en su grado de abstraccin. Las variables latentes se infieren a partir de las variables manifiestas y no pueden medirse directamente (Wittingslow y Markham, 1999). Estas variables latentes pueden a su vez clasificarse en dos tipos distintos:
52
Variables latentes exgenas: son independientes en todas las ecuaciones y en la representacin grfica, slo apuntan hacia ellas flechas de doble sentido. Variables latentes endgenas: son variables dependientes en al menos una ecuacin del modelo y en la representacin grfica, son el objetivo de al menos una flecha de un solo sentido
Las variables manifiestas son aquellas que pueden registrarse u observarse directamente y permiten inferir las construcciones tericas o variables latentes que los investigadores utilizan para guiar sus estudios sociales y de comportamiento. El modelo estructural de ecuaciones se puede entender mejor cuando se descompone en sus dos componentes principales, el modelo de medidas y el modelo estructural. El modelo de medidas representa la componente del anlisis factorial confirmatorio, que explica de manera formal las relaciones entre las variables manifiestas y los constructos latentes que no pueden observarse. Por su lado, la parte estructural del modelo SEM de variables latentes especifica las relaciones causales entre las variables latentes. A la vista de esta descomposicin, es fcil ver como el Modelado Estructural de Ecuaciones representa la unin entre el anlisis factorial confirmatorio y el path analysis de las variables manifiestas. Veamos a continuacin la estructura general de un modelo causal empleado en el Modelado Estructural de Ecuaciones (Figura 3-4)
Figura 3-4 Modelo Estructural de Ecuaciones con variables latentes
53
Para poder comprender estas representaciones grficas de los modelos es necesario conocer al completo la simbologa que se emplea en estos modelos y que podemos ver en Tabla 3-1. Es necesario saber que estos modelos no son ms que la representacin grfica de las ecuaciones que conforman el Modelado Estructural de Ecuaciones, que pasaremos a comentar a continuacin con mayor detalle. Smbolo Descripcin Variables latentes (tambin llamadas factores). Las variables latentes se denominan empleando el smbolo en el caso de las variables latentes exgenas y en el caso de las variables latentes endgenas. Variables manifiestas, observables (normalmente mediante una cuestin en una encuesta). Estas variables se representan con la letra X en el caso de las que forman las variables latentes exgenas y la letra Y el caso de las que forman las variables latentes endgenas. Relacin entre una variable manifiesta y una latente. Se emplea la letra para denominar este camino, que puede interpretarse como el peso del factor. Relaciones causales entre dos variables latentes. Si la unin es entre una variable exgena y una endgena, se emplea el smbolo para denominarla. Si se unen dos variables endgenas entre s, se emplea el smbolo . Una flecha doble denota la covarianza entre dos variables latentes. Esta covarianza se denomina con el smbolo .
Tabla 3-1 Simbologa empleada en el Modelado Estructural de Ecuaciones 4
Como comentamos anteriormente los modelos estructurales de ecuaciones con variables latentes estn formados por dos componentes distintas. Estas dos componentes son el modelo de medicin, que incluye la composicin de las variables latentes y el modelo estructural, que representa como se interrelacionan las variables latentes. La estructura general de las ecuaciones que forman los modelos estructurales de ecuaciones puede representarse de diversas formas, pero la ms empleada y que fue popularizada por Karl Jreskog es la que descompone el problema en tres ecuaciones matriciales que podemos ver a continuacin:
m1 = mm m1 + mn n1 + m1
Fuente: ALLEN, D.R. y RAO, T.R. (2000) Analysis of Customer Satisfaction Data, ASQ Quality Press, Milwaukee, Wisconsin, p.183.
4
54
y p1 = y pm m1 + p1 xq1 = xqm n1 + q1
En la Tabla 3-2 que se acompaa a continuacin pasamos a detallar la nomenclatura empleada en dichas ecuaciones. Smbolo Descripcin
Modelo Estructural Vector de variables latentes endgenas. Vector de variables latentes exgenas. Matriz de los coeficientes de regresin correspondientes a los efectos de las variables latentes exgenas en las variables latentes endgenas. Matriz de los coeficientes de regresin correspondientes a los efectos de las variables latentes endgenas entre s. Matriz de varianza-covarianza . Matriz de covarianza de . Vector de los errores latentes en las ecuaciones Vector de los errores de las variables manifiestas asociadas a las variables latentes exgenas. Vector de los errores de las variables manifiestas asociadas a las variables latentes endgenas. Modelo de medicin Matriz de los coeficientes x pesos de los factores de las Matriz de los coeficientes y pesos de los factores de las de regresin correspondientes a los variables latentes exgenas. de regresin correspondientes a los variables latentes endgenas.
Tabla 3-2 Nomenclatura matricial del Modelado SEM 5
Pasamos ahora a ver con mayor detalle cada uno de los modelos que componen el modelado estructural de ecuaciones con variables latentes, comenzaremos con el modelo de medicin: Modelo de medicin: este modelo consiste en un anlisis de factores confirmatorio. Las ecuaciones del modelo son:
y p1 = y pm m1 + p1 xq1 = xqm n1 + q1
Fuente: ALLEN, D.R. y RAO, T.R. (2000) Analysis of Customer Satisfaction Data, ASQ Quality Press, Milwaukee, Wisconsin, pg.184.
5
55
Figura 3-5 Modelo de medicin del modelado SEM
Un aspecto importante que suele pasarse por alto en el modelo de medicin es la direccin de las flechas entre las variables manifiestas y las variables latentes. Las flechas tienen origen en las variables latentes y apuntan a las variables manifiestas. Esto implica que las variables manifiestas son causadas por las variables latentes o que son una manifestacin de las variables latentes. Un ejemplo nos servir para poder aclarar esta relacin. Si consideramos las puntuaciones de una persona en un test de inteligencia, dichas puntuaciones seran una variable manifiesta del constructo inobservable inteligencia, esto es, la puntuacin del test de inteligencia es reflejo de un factor inobservable. Hay que resear que medidas realizadas son imperfectas y normalmente se tiene a modelar esta imperfeccin, y es por ello, por lo que el Modelado Estructural de Ecuaciones incluye trminos que representan el error en las mediciones que son factores nicos asociados a cada una de las mediciones. En cualquier caso, cuando un constructo esta asociado exclusivamente con una medicin, es normalmente imposible estimar la cantidad de error medido en el modelo. En estos casos, debe especificarse de antemano la cantidad de error antes de intentar estimar los parmetros del modelo. En estos casos, se puede tener la tentacin de asumir que no existe error en la medida, pero teniendo en cuenta que si esto no es cierto, los parmetros estimados del modelo estarn sesgados. Modelo estructural: este modelo especifica las dependencias entre las variables latentes cuya ecuacin es:
m1 = mm m1 + mn n1 + m1
Una vez resueltos ambos modelos debemos comprobar que el modelo propuesto es consistente con las relaciones que tienen los datos que sometemos a anlisis. Es importante recordar que el modelo causal propuesto no se puede probar de manera inequvoca. Nosotros comprobamos si las relaciones propuestas en el modelo, tanto estructurales como de medicin, son consistentes con las relaciones que realmente se encuentran presentes en los datos. Para 56
comprobar el modelo, se hace mediante la bondad del ajuste a los datos. Esta bondad del ajuste se mide mediante un anlisis de chi-cuadrado. La interpretacin de los resultados del chi-cuadrado para medir la bondad del ajuste de un modelo no es intuitiva. Bajo circunstancias normales, en los anlisis exploratorios, un valor significativo de chi-cuadrado es lo deseable, ya que sugiere que existe una relacin relevante entre dos variables. En los anlisis de confirmacin, sin embargo, el estadstico chi-cuadrado refleja el grado en el que el modelo propuesto es consistente con los datos. A medida que ambas cosas son ms dispares, el estadstico chi-cuadrado se hace mayor y su significacin estadstica es ms probable. Por tanto, interpretamos el estadstico chi-cuadrado y su nivel de significacin como indicadores de que el modelo propuesto se aleja de manera significativa de las relaciones presentes en los datos. En los anlisis de confirmacin, se acepta por tanto el modelo propuesto su el estadstico chi-cuadrado no es estadsticamente significativo. Por desgracia, el estadstico chi-cuadrado es sensible al tamao muestral, al aumentar este, el estadstico chi-cuadrado es ms probable que sea significativo, lo que en el caso del Modelado Estructural de Ecuaciones no es deseable, ya que puede llevarnos a rechazar un modelo que realmente se ajusta a los datos. (Hu y Bentler 1995). Por tanto es adecuado emplear en el caso de tamaos muestrales elevados otros indicadores para comprobar la bondad del ajuste de los modelos propuestos. Entre estos indicadores, uno de los ms empleados, y que no es sensible al tamao muestral es el indicador RMSEA (Root Mean Square Error of Approximation) que fue desarrollado por Steiger (1990). Por otro lado, es importante en los anlisis de confirmacin, la identificacin, es decir las relaciones asumidas entre los datos. La identificacin tiene un papel fundamental en el modelado y es a menudo olvidada. Cualquier modelo estructural tiene parmetros que se fijan explcita o implcitamente. Por ejemplo, cuando no especificamos un enlace desde una variable exgena a una variable endgena, las covarianzas tienen total libertad para ser estimadas. Respecto a la identificacin, un modelo puede ser subidentificado, simplemente identificado o sobreidentificado, veamos cuando un modelo se encuentra en estas situaciones: Modelo subidentificado: cuando no tiene solucin nica. Modelo simplemente identificado: cuando posee solucin nica. Modelo sobreidentificado: cuando tiene ms informacin de la necesaria para encontrar una solucin nica.
Los modelos simplemente identificados o sobreidentificados son modelos identificados y los subidentificados reciben el nombre de no identificados. Entre las dos condiciones de identificacin, es generalmente ms deseable tener un modelo sobreidentificado porque permite realizar comprobaciones de 57
la bondad del ajuste. Esto es as, debido a que en los modelos sobreidentificados podemos obligar a que ciertas relaciones no existan (o a que exista covarianza entre dos variables) y seguiremos teniendo un modelo que releja con precisin los datos originales. Por su puesto, existen crticas respecto al Modelado Estructural de Ecuaciones, principalmente centradas en los dos aspectos siguientes: El elevado tamao muestral necesario para tener confianza en los resultados obtenidos. El hecho de asumir que los datos presentan una distribucin normal.
Por ltimo, y a modo de resumen del Modelado Estructural de Ecuaciones, citamos a continuacin los pasos a seguir para realizar un anlisis de este tipo: 1) 2) 3) 4) Se realizan hiptesis al respecto de cmo estn interrelacionadas las variables mediante un diagrama tipo path, realizando un modelo. Se estiman los parmetros libres. Se comprueba si las varianzas y covarianzas se ajustan al modelo propuesto. Una vez realizada la comprobacin, se decide si el modelo es un buen ajuste para los datos y si no es as se vuelve al paso 1 nuevamente.
Debemos recordar que no es razonable esperar que un modelo estructural ajuste a la perfeccin, y lo que nos debemos preguntar es si el modelo se ajusta suficientemente bien a los datos. Por otro lado, que un modelo se ajuste bien a los datos no quiere decir que necesariamente sea el que mejor se ajuste a ellos, puede existir otro modelo que se ajuste tan bien o mejor a los datos. 3.3.2.4. Modelado empleando Mnimos Cuadrados Parciales El modelado PLS ha evolucionado teniendo como base un tipo de modelos de mnimos cuadrados de matrices de correlaciones que fue presentado en los aos 20 del pasado siglo por Sewall Wright en sus estudios genticos. Wright emple esta tcnica para unir el anlisis del camino o de pautas (path analysis) con el anlisis factorial. Esta tcnica volvi a ponerse en prctica en las dcadas de los 60 y 70 y fue bautizada con su nombre actual de PLS por el matemtico noruego Herman Wold (Wold, H. 1980). Originalmente esta metodologa recibi el nombre de Mnimos Cuadrados Parciales No-lineares e Iterativas (Non-linear Iterative Partial Least Squares: NIPLS), tomando como referencia para dicho nombre los algoritmos de punto fijo de los aos 60 de Wold. Los trabajos de Wold respecto a estas tcnicas se desarrollaron durante tres dcadas extendindose en 58
numerosos artculos al respecto. El objetivo de estos trabajos fue el proceso de produccin de modelos que se desarrollen tomando como partida una serie de premisas empricas asumidas sobre el comportamiento en contraposicin a la generacin de teoras sobre el comportamiento y posterior prueba de estas con el proceso de modelado. En contraposicin con la metodologa de Modelado Estructural de Ecuaciones (Structural Equation Modeling: SEM) que tiene como objetivo la comprobacin de teoras, el Modelado mediante Mnimos Cuadrados Parciales se centra en el modelado de sistemas empricos. Para remarcar esta observacin, podemos decir que el modelado PLS se ha descrito como prximo a los datos, mientras que el modelado SEM se encuentra prximo a la teora. La diferencia importante entre el modelado PLS y el modelado SEM es que el modelado SEM trata de explorar los distintos modelos posibles que podran explicar la estructura de los datos para ajustarse a ellos mientras que el modelado PLS se centra en su carcter predictivo en lugar de lograr un mejor ajuste a los datos. Para ahondar an ms en esta diferencia podemos resear que Wold apod el modelado PLS, como modelado suave. En nuestro proyecto emplearemos la metodologa de modelado PLS que define los elementos clave del modelo basndonos en los datos cualitativos obtenidos mediante encuestas. El estudio de la satisfaccin del cliente en lo que respecta al modelado PLS comienza con la creacin de un modelo emprico a partir de los datos obtenidos. Tras desarrollar el modelado PLS, Wold (1982) puso de manifiesto que su tcnica de modelado suave no estaba completamente desarrollada dentro de la teora estadstica tradicional y admiti que su visin estaba fuera de los anlisis estadsticos convencionales basados en la poblacin. Este hecho no ha influido a la hora del desarrollo del modelado PLS, ya que este ha sido refinado y se ha empleado en multitud de aplicaciones a largo de estos aos. Los algoritmos bsicos fueron refinados por Young (1994). El hijo de Herman Wold, Sven, (Wold y Sjostrom 1977; Wold, S. 1978) desarroll algoritmos especficos de modelado PLS en el campo de la qumica y la farmacia. El modelado PLS se ha empleado tambin a la resolucin de distintos problemas en psicologa (Bookstein 1994). En el campo de la econometra, varios ndices de satisfaccin del cliente estn basados en el modelado PLS, entre ellos el American Customer Satisfaction Index y el European Customer Satisfaction Index. Tal y como podemos ver a la vista de estos ejemplos, en los ltimos tiempos, el modelado del tipo path empleando la tcnica de mnimos cuadrados parciales se ha impuesto como una de las tcnicas ms populares. Esta es una tcnica que combina la reduccin de las dimensiones con un modelo de dependencias. En este sentido, difiere del anlisis factorial para la reduccin de los componentes principales en que construye un conjunto nuevo 59
de variables predictoras que tienen relacin con los datos originales (Everitt y Dunn 2001). De forma similar al anlisis factorial, cada una de estas nuevas variables de regresin no tiene correlacin alguna con las otras variables, es decir es ortogonal, pero est correlacionada al mximo con la variable dependiente. El Modelado Estructural de Ecuaciones con variables latentes puede llevarse a cabo empleando la tcnica de Mnimos Cuadrados Parciales, pero las suposiciones hechas para los datos, en particular sus distribuciones, son muy distintas. De hecho, la nomenclatura empleada es la misma y el modelado del camino mediante Mnimos Cuadrados Parciales usa la misma terminologa que presentamos con anterioridad para el Modelado Estructural de Ecuaciones. Las variables latentes y manifiestas siguen estando relacionadas en el modelo de medicin y las variables latentes, en el modelo estructural. La diferencia primordial, tanto conceptual como matemtica, es que el modelado PLS permite relacionar las variables manifiestas con las variables latentes de forma distinta. La diferencia matemtica fundamental entre el enfoque tradicional del modelado SEM y el modelado PLS es la tcnica empleada para estimar los parmetros desconocidos. El modelado del camino con variables latentes empleando la tcnica de mnimos cuadrados parciales es complejo. De hecho, hasta hace poco tiempo ninguno de los paquetes estadsticos ms comunes inclua esta tcnica entre las herramientas de anlisis incluida y en la actualidad slo el paquete SAS tiene un procedimiento experimental que permite acomodar dicha tcnica. El programa informtico desarrollado especficamente para el empleo de esta tcnica ms conocido es, quizs, el programa LVPLS desarrollado por Lohmller en 1986 que requiere para su uso grandes dosis de programacin. En contraposicin, en los ltimos tiempos estn apareciendo programas que permiten ejecutar esta tcnica sin necesidad de programacin y mediante interfaces grficas, como es el caso de PLS-Graph de Chin y SmartPLS de la Universidad de Hamburgo. La tcnica de Mnimos Cuadrados Parciales puede ser un mtodo de anlisis de elevada ponencia debido a que sus requisitos para la escala de medicin, el tamao muestral y las distribuciones residuales son mnimas. Y adems, aunque la tcnica PLS puede usarse para la confirmacin de suposiciones, tambin puede emplearse para sugerir aquellas relaciones que pueden o no existir y extraer nuevas proposiciones para su posterior comprobacin. Como alternativa a enfoques de ajuste basados en la covarianza, el mtodo PLS evita dos problemas graves de estas tcnicas, las soluciones inadmisibles y la indeterminacin de los factores (Fornell y Bookstein 1982). Para su aplicacin real y predictiva, la metodologa PLS es a menudo la ms adecuada ya que esta metodologa asume que toda la varianza medida es varianza til que debe ser explicada. Como esta tcnica estima las variables latentes como combinaciones lineales exactas de las mediciones observadas, se evita el problema de la indeterminacin y proporciona una definicin exacta de 60
los pesos de los factores o dimensiones. Empleando una tcnica de estimacin iterativa (Wold, H. 1982), la metodologa PLS proporciona un modelo general que abarca, entre otras tcnicas, la correlacin cannica, el anlisis de redundancia, la regresin mltiple, el anlisis multivariable de varianza y los componentes/factores principales. Como consecuencia de usar un algoritmo iterativo, que consiste en una serie de anlisis ordinarios de mnimos cuadrados, la identificacin no es un problema para los modelos recurrentes ni se supone que las variables medidas presenten una distribucin especfica. Adems, el tamao muestral puede ser ms pequeo que en otras tcnicas que hemos comentado con anterioridad. Como referencia podemos dar las reglas siguientes para dicho tamao. El tamao muestral debe ser mayor o igual que una de las condiciones siguientes: (1) (2) diez veces la escala con el mayor nmero de indicadores causales (las escalas para constuctos designados con indicadores recurrentes pueden ignorarse) diez veces el mayor nmero de caminos estructurales dirigidos a un constructo en particular del modelo estructural.
Una simplificacin de la regla es usar el multiplicador cinco en lugar de diez para la regla anterior. Un ejemplo extremo de nmero mnimo de muestras empleadas es el de Wold, H. (1989) que analiz 27 variables usando dos constructos latentes con un conjunto de datos de diez casos. Los factores de segundo orden pueden aproximarse usando varios procedimientos. Uno de los ms fciles de implementar es incluir indicadores repetidos, conocido como modelo de componente jerrquico. En este tipo de modelos los factores de segundo orden se miden directamente mediante variables observadas para todos los factores de primer orden. Aunque este enfoque repite el nmero de variables manifiestas empleadas, el modelo puede estimarse empleando el algoritmo estndar PLS. Esta tcnica funciona mejor cuando se tiene el mismo nmero de indicadores para cada uno de los constructos. Adems, la metodologa PLS se considera ms apropiada para explicar relaciones complejas (Fornell, Lorange y Roos 1990; Fornell y Bookstein 1982). Tal y como sugiere Wold, H. (1985), la metodologa PLS es la ideal para modelos complejos, cuando la importancia pasa de las variables y parmetros particulares a conjuntos agregados de estos, y llega incluso a afirmar que en modelos complejos de gran tamao con variables latentes el modelado PLS no tiene competencia. Sin embargo, al ser el modelado PLS un mtodo de informacin limitada, los parmetros estimados son algo peores que los ptimos en lo que se refiere al sesgo y la consistencia. Las estimaciones sern asintticamente correctas bajo 61
el cumplimiento conjunto de las condiciones de consistencia (tamao muestral elevado) y consistencia a gran nivel (nmero de indicadores por variable latente elevado). En otros casos, los pesos entre los constructos y las variables manifiestas suelen tender a sobrestimarse, y los pesos entre constructos, subestimarse. Adems, para estimar los errores estndar es necesario emplear procedimientos de remuestreo como son el jackknife 6 o el bootstrap 7 . Por su parte, la significacin de los distintos caminos o vas pueden determinarse empleando los estadsticos jackknife resultantes de un procedimiento de blindfolding 8 (a ciegas) (Lohmller 1984) A continuacin, pasaremos a comentar la base matemtica del modelado mediante Mnimos Cuadrados Parciales. Al igual que el Modelado Estructural de Ecuaciones, el modelado del camino mediante la metodologa PLS se describe mediante un modelo de medicin que relaciona las variables manifiestas con las variables latentes y un modelo estructural que relaciona algunas variables latentes con otras. El modelo de medicin recibe el nombre tambin de modelo exterior y el modelo estructural, por su parte es llamado tambin modelo interior. A continuacin detallaremos ambos modelos. a) Modelo de medicin o exterior: establece las relaciones entre las variables manifiestas y las variables latentes. Existen tres formas de relacionar las variables manifiestas con sus variables latentes llamadas modo reflexivo, modo formativo y MIMIC (Multiple Effect Indicators for Multiple Causes) o Indicadores Mltiples del Efecto para Causas Mltiples. a. Modo reflexivo: En este modo, cada variable latente es observable indirectamente por un conjunto de variables manifiestas xh. Cada una de las variables manifiestas se relaciona con su variable latente mediante una regresin simple como puede verse en la ecuacin siguiente:
xh = h 0 + h 0 + h
donde
tiene media m y desviacin estndar unidad.
Bootstrap: construye muestras con remplazamiento de los datos originales con el mismo nmero de casos que la muestra original. 8 Blindfolding: consiste en omitir parte de la matriz de datos para el constructo sometido a anlisis y estimar los parmetros del modelo.
original.
7
Jackknife: construye remuestreos eliminando un determinado nmero de casos de la muestra
62
Se trata de un esquema reflexivo, cada variable xj refleja su variable latente . La nica hiptesis realizada en esta regresin es la llamada condicin de especificacin del predictor
E ( xh | ) = h 0 + h
Esta hiptesis implica que el residual h tiene media cero y no tiene correlacin alguna con la variable latente . Comprobacin de la unidimensionalidad: en el modo reflexivo un bloque de variables manifiestas es unidimensional en el sentido del anlisis factorial. En el modelado PLS del camino se supone que todas las variables latentes de un bloque tienen correlacin positiva entre ellas. Esta suposicin no supone una prdida de generalidad, ya que a nivel terico, las variables latentes pueden construirse de esta forma. A la hora de analizar datos reales, esta condicin de unidimensionalidad de los bloques de variables latentes debe comprobarse, y para ello se emplean tres tcnicas distintas, el anlisis de componentes principales para cada bloque, el anlisis de alpha de Cronbach y el anlisis de la de Dillon-Goldstein. Veamos cmo se realiza esta comprobacin para cada una de estas tcnicas: a) Anlisis de componentes principales para un bloque: un bloque es unidimensional si el primer autovalor de la matriz de correlaciones del bloque de variables manifiestas es mayor que la unidad y el segundo menor que 1, o al menos muy lejano al primer autovalor. El primer componente principal puede formarse de tal forma que est correlacionado positivamente con todas, o al menos la mayora, de las variables latentes. Existe un problema con las variables manifiestas que tiene correlacin negativa con el primer componente principal y se sugiere en estos casos que estas variables manifiestas son inadecuadas para medir la variable latente y por tanto, deben eliminarse del modelo de medicin. b) Alpha de Cronbach: puede emplearse para cuantificar la unidimensionalidad de un bloque de variables. Se considera que este bloque de variables es unidimensional cuando la alpha de Cronbach es mayor que 0,7. c) de Dillon-Goldstein: Se considera que un bloque es unidimensional cuando la de Dillon-Goldstein es mayor que 0,7. Este estadstico se considera un mejor indicador de la 63
unidimensionalidad de un bloque que la alpha de Cronbach (Chin 1998) b. Modo formativo: En el modo formativo, se supone que la variable latente es generada por sus propias variables manifiestas. La variable latente es, pues, una combinacin lineal de sus variables manifiestas que incluye un trmino residual representada por la ecuacin:
= h xh +
h
En el modo formativo, el bloque de variables manifiestas puede ser multidimensional. La condicin de especificacin del predictor es tal que se cumple:
E ( | x1 ,..., x p j ) = h xh
h
Esta hiptesis implica que el vector residual tiene media cero y no tiene correlacin alguna con las variable manifiestas xh. Las variables manifiestas xh son variables observadas que describen un concepto subyacente resumido en la variable latente . Esta agrupacin tiene ms sentido si el signo de cada peso h es el correspondiente a la correlacin entre xh y , que debe ser positiva. Aunque el algoritmo PLS clsico no impone restricciones a los coeficientes o pesos, la obtencin de signos no esperados, es decir, negativos, muestra problemas en los datos y debe tomarse alguna accin al respecto. Lo comn en estos casos es eliminar del anlisis aquellas variables manifiestas que estn relacionadas con parmetros estimados cuyos signos sean errneos. c. El modo MIMIC: este modo es una mezcla entre los dos modos anteriores. El modelo de medicin para cada bloque es el siguiente:
xh = h 0 + h 0 + h
desde h=1 a p1
donde la variable latente se define como:
h = p1 +1
h h
x +
64
La primera variable manifiesta p1 sigue un modo reflexivo y las ltimas (p-p1) de modo formativo. b) Modelo estructural o interior: establece la relacin entre las variables latentes. Dicho modelo causal se define mediante ecuaciones lineales que relacionan las variables latentes de la siguiente forma:
j = j 0 + ji i + j
j
Una variable latente que nunca aparece en las ecuaciones como variable dependiente recibe el nombre de variable exgena. Las restantes son llamadas variables endgenas. Este modelo debe ser una cadena causal, no pueden existir bucles. Es decir, se trata de un modelo recursivo. Debemos aadir que la normalizacin de las variables latentes elegida por Wold, H. (1985), j con desviacin estndar unidad es arbitraria. Fornell (1992) por su parte propone otra normalizacin, pero ambas normalizaciones son colineales. A continuacin, para terminar este punto, pasaremos a comentar los distintos pasos y opciones que presenta el algoritmo de Mnimos Cuadrados Parciales. 1) Estandarizacin de las variables manifiestas. Los programas LVPLS y PLS-Graph, entre otros, disponen de cuatro opciones para la estandarizacin de las variables manifiestan dependiendo de si los datos cumplen o no las tres condiciones siguientes:
Condicin 1: Las escalas de las variables manifiestas son comparables. En el caso de usar la misma escala para todas las cuestiones, se cumple esta condicin.
Las medias de las variables manifiestas son interpretables. Por ejemplo, si la diferencia entre dos variables manifiesta no es interpretable, los parmetros de localizacin son insignificantes.
Condicin
2:
Condicin 3: Las varianzas de las variables manifiestas reflejan su

importancia.
65
Los casos que pueden producirse dependiendo del cumplimiento de estas condiciones son: Si la condicin 1 no se cumple, entonces las variables manifiestas deben ser estandarizadas (media 0 y varianza 1) Si se cumple la condicin 1, es til obtener los resultados basados en los datos en bruto. Pero el clculo de los parmetros del modelo depende del cumplimiento de las otras condiciones: Si no se cumplen ni la condicin 2 ni la 3: las variables manifiestas se estandarizan (media 0 y varianza 1) para la fase de estimacin de parmetros. Una vez hecho esto, las variables manifiestas se escalan de nuevo a sus medias y varianzas originales para obtener la expresin final de pesos y cargas. Si se cumple la condicin 2, pero no la condicin 3: las variables manifiestas no se centran, pero s se estandarizan a la unidad de varianza para la fase de estimacin de parmetros. Posteriormente, las variables manifiestas son escaladas nuevamente a sus varianzas originales para obtener la expresin final de pesos y cargas. Si se cumplen las condiciones 2 y 3: se emplean las variables originales.
Lohmller sugiri el uso de un parmetro de estandarizacin que llam METRIC para seleccionar una de estas cuatro opciones representadas en la Tabla 3-3 a continuacin.
Escalas de las variables comparables No S S S Medias interpretables No S S Varianza relacionada con Media Varianza la importancia de la variable 0 1 No 0 1 No Original 1 S Original Original Escalado No S S METRIC 1 2 3 4
Tabla 3-3 Parmetro METRIC de estandarizacin de Lohmller
Las principales aplicaciones de software que actualmente soportan la metodologa PLS usan este parmetro para la configuracin de esta tcnica. 2) Estimacin de las variables latentes Las variables latentes j se estiman siguiendo el procedimiento que citamos a continuacin:
66
Estimacin externa yj de variables latentes estandarizadas (j - mj) Las variables latentes estandarizadas (con media 0 y desviacin estndar 1) se estiman como combinaciones lineales de sus variables manifiestas centradas.
jh ( x jh x jh ) yj w
Las variables latentes estandarizadas quedan as:
jh ( x jh x jh ) yj = w
jh y wjh reciben el nombre de pesos externos. Los coeficientes w
j se estiman con la ecuacin: Las medias m
j = w jh x jh m
Y las variables latentes
j se estiman usando:
= w j jh x jh = y j + m j
Cuando todas las variables manifiestas se miden en empleando la misma escala de medicin, es conveniente expresar las estimaciones de las variables latentes en su escala original como:
* = j
jh x jh w jh w
Para el caso de querer obtener los resultados en una escala de 0 a 100, sera necesario realizar la transformacin para el caso i-simo, siendo xmax y xmin los valores extremos de la escala de medicin comn para las variables manifiestas:
0 100 j
= 100
* x ) ( ij min ( xmax xmin )
Estimacin interna zj de las variables latentes estandarizadas (j - mj) Siguiendo el algoritmo original de Wold, H. (1985) y las mejoras de Lohmller (1989), la estimacin interna zj de las variables latentes estandarizadas (j - mj) se define de la forma siguiente: 67
zj
i: i est conectada con j
e jiYi
donde los pesos internos eji pueden calcularse de las tres formas distintas siguientes: i. Esquema de pesos del camino (path weighting): las variables latentes conectadas a j se dividen en dos grupos: las predecesoras de j que son aquellas variables latentes que explican j y las siguientes que son las variables latentes explicadas por j. Para una predecesora i de la variable latente j, el peso interno eji es igual al coeficiente de regresin de yi en la regresin mltiple de yi con todas las yi relacionadas con las predecesoras de j. Si i es una sucesora de j, entonces los pesos internos eji son iguales a la correlacin entre yi y yj. ii. Esquema centroide: los pesos internos eji son iguales a los signos de la correlacin entre yi y yj. Este fue el esquema originalmente propuesto por Wold. La eleccin de este esquema presenta problemas en el caso de que la correlacin sea prxima a cero, ya que el signo de esta puede cambiar para fluctuaciones muy pequeas. iii. Esquema de los pesos de los factores: los pesos internos son iguales a la correlacin entre yi y yj. Estimacin de los pesos wjh El primer paso del algoritmo PLS para calcular los pesos consiste en tomar un vector de pesos arbitrarios wjh. Estos pesos se estandarizan a continuacin para obtener variables latentes con varianza unidad. Una para los pesos iniciales es tomar w jh = signo(corr ( x jh , h )) o, de manera ms simple, buena eleccin
w jh = signo(corr ( x jh , h )) para h=1 y 0 en el resto de los casos.

Posteriormente, se calculan los pesos iterando hasta que converjan, empleando el modo de estimacin seleccionado. Por ltimo, mediante las ecuaciones
68
j = w jh x jh m
jh ( x jh x jh ) yj = w
= w j jh x jh = Y j + m j
jh , las variables latentes estandarizadas y se obtienen los pesos w

de la estimacin final j
con anterioridad. A continuacin veamos los tres modos ms utilizados para la estimacin de los pesos wjh: a) Modo A: el peso wjh es el coeficiente de regresin de zj en la regresin simple de xjh para la estimacin interna de zj:
, que puede re-escalarse como vimos
w jh =
cov( x jh , z j ) var( z j )
b) Modo B: el vector wj de los pesos wjh est formado por los coeficientes de la regresin mltiple de Zj sobre las variables manifiestas xjh relacionadas con la misma variable latente j:
w j = ( X 'j X j )1 X 'j z j
donde Xj es la matriz con columnas definidas por las variables manifiestas xjh relacionadas con la j-sima variable latente j. El empleo del Modo A es apropiado para bloques con un modelo de medicin reflexivo, mientras que el Modo B es apropiado para modelos de medicin formativos. El Modo A se emplea normalmente para variables latentes endgenas y el B para las exgenas. Ambos modos pueden emplearse conjuntamente si el modelo de medicin es del tipo MIMIC, aplicndose en este caso el Modo A para la parte reflexiva del modelo y el Modo B para la formativa. En la prctica la aplicacin del modo B no es tan sencilla debido a que a menudo existe una fuerte multicolinealidad dentro de cada bloque. Cuando se da este caso, se puede emplear la regresin PLS en lugar de la regresin mltiple de Mnimos Cuadrados Ordinarios (MCO). De hecho, el Modo A consiste en tomar la primera componente de una regresin PLS, mientras que el modo 69
B toma todas las componentes de la regresin PLS, y por tanto coincide con una regresin mltiple MCO. Por lo tanto, realizar una regresin PLS y tomar un determinado nmero de componentes significativas puede verse como un modo intermedio entre A y B. c) Modo C: en este caso a las variables manifiestas del mismo bloque se les asigna el mismo peso con el signo de la correlacin entre xjh y Zj. Para obtener variables latentes estandarizadas, cada peso wjh se define como:
wj h = Desv.Est ( signo(corr( x jh , Z j ) x jh )
h
signo(corr( x jh , Z j ))
Este Modo C se refiere a la manera en que se encuentran enlazadas las variables manifiestas a su variable latente y representa un caso especfico del modo B. Estimacin de las ecuaciones estructurales: Para estimar las ecuaciones estructurales
j = j 0 + jii + j
j
se hace mediante regresiones mltiples de Mnimos Cuadrados Ordinarios (MCO) donde las variables latentes j se sustituyen por sus . estimaciones j En el caso de que exista una multicolinealidad fuerte entre las variables latentes estimadas puede emplearse la regresin PLS para salvar este escollo. Los distintos programas informticos suelen mostrar como resultado, adems de los coeficientes de regresin, los parmetros R-cuadrado de estas regresiones. 3) Validacin del modelo Para la validacin del modelo se suele emplear la validacin cruzada de las R-cuadrado entre cada variable latente endgena y sus variables manifiestas empleando procedimientos de blindfolding. Para obtener el nivel de significacin de los coeficientes de regresin se emplea el estadstico t de Student, o mediante un mtodo de validacin cruzada como las tcnicas llamadas jackknife o bootstrap.
70
4) Remuestreo El remuestreado de los datos originales se realiza normalmente empleando los mtodos de blindfolding, jackkinfe o bootstrap. A continuacin haremos un comentario de cada uno de estos mtodos: a) Blindfolding: este mtodo consiste en los siguientes pasos a seguir: i. ii. iii. iv. Se divide la matriz de datos en G grupos. El valor recomendado por Wold para G es 7. Cada grupo de celdas se elimina consecutivamente. Por tanto aparece en la matriz un grupo de celdas vaco. Se ejecuta un modelo PLS G veces excluyendo cada vez uno de los grupos de datos. Una forma de evaluar la calidad del modelo consiste en medir su capacidad para predecir las variables manifiestas relacionadas con las variables latentes endgenas. Se usan dos ndices para comprobar la calidad del modelo, la comunalidad9 y la redundancia. Si empleamos como ndice la comunalidad, obtenemos predicciones de los valores de las variables manifiestas centradas no usadas en el anlisis usando la frmula:
v.
jhY ji Pred( x jhi xjh) =

jh y Yji se calculan con datos donde el valor de la donde
variable xjh i-simo no est presente. La medida de la comunidad del bloque j es:
comunalidad j
( x x Y = 1 ( x x )
jhi jh jh h i 2 jhi jh h i
ji
)2
vi.
Si empleamos como ndice la redundancia, obtenemos predicciones de los valores de las variables manifiestas centradas no usadas en el anlisis usando la frmula:
La comunalidad tambin recibe el nombre de varianza de los factores comunes y varianza del factor comn.
71
jh Pred(Y ji ) Pred( x jhi x jh ) =

jh es el mismo del punto anterior y Pred(Yji) es la donde
prediccin de la observacin i-sima de la variable latente endgena Yji usando el modelo de regresin:
Pred(Y j ) =
j ': j ' explicando j
Y j' j'
calculndose con datos donde el valor de la variable xjh isimo no est presente. La medida para la redundancia del bloque j es:
redundancia j
( x x Pred(Y = 1 ( x x )
jhi jh jh h i 2 jhi jh h i
ji
)) 2
vii.
En los programas informticos LVPLS y PLS-Graph, el mtodo jackknife calcula las medias y desviaciones estndar de los parmetros del modelo (pesos, cargas, coeficientes de los caminos y correlaciones entre las variables latentes) usando el resultado de G anlisis de tipo blindfold. Las medias y desviaciones estndar de un parmetro se calculan tomando una muestra de las estimaciones del parmetro G tomado del anlisis del tipo blindfold G. Para esta parte del anlisis, una G=7 es probablemente demasiado pequea y es preferible tomar un nmero mayor, como por ejemplo 7.
b) Jackknife: este procedimiento construye remuestreos eliminando un determinado nmero de casos de la muestra original (con tamao n). Por defecto el mtodo elimina un caso en cada iteracin con lo que la nueva muestra jackknife se compone de n-1 casos. El aumento del nmero de casos eliminados conlleva una prdida potencial de la robustez de los estadsticos t de Student debido al menor nmero de remuestreos. c) Bootstrap: las muestras generadas para el uso en este mtodo se construyen remuestreando con remplazamiento de los datos originales. El procedimiento produce muestras consistentes en el mismo nmero de casos que la muestra original. Para ejecutar este mtodo, debe especificarse el nmero de remuestreos. Por defecto, el nmero de remuestreos es 100, aunque un nmero mayor puede producir estimaciones del error estndar ms aceptables. 72
3.3.3.
Eleccin de las herramientas adecuadas para el modelado
En general, la eleccin de la metodologa de anlisis estadstico y modelado adecuada en cada caso depende de muchos parmetros. En aquellos casos donde la teora en que nos podemos apoyar es amplia y consistente y el objeto del anlisis es profundizar en la evaluacin de esta teora y su desarrollo, lo usual es emplear modelos de estimacin basados en la covarianza como el mtodo de Mxima Probabilidad (Maximum Likelihood) o el de los Mnimos Cuadrados Generalizados (Generalizad Least Squares). Pero, estos mtodos presentan una prdida de precisin para su uso predictivo debido a la indeterminacin que se produce en las estimaciones de los pesos de los factores. Por su parte, el modelado PLS, basado en los componentes, elimina dos problemas realmente graves, que son las soluciones inadmisibles y la indeterminacin de los factores (Fornell y Bookstein 1982). La posible prdida de precisin del modelado PLS es admisible cuando se realiza la medicin de la satisfaccin del cliente cuando el objetivo principal del anlisis es la comprobacin de las relaciones estructurales entre los distintos conceptos implicados en ella, es decir, la estimacin paramtrica (Chin et al. 1999). El modelado PLS se aplica primordialmente para el anlisis causal y predictivo en aquellas situaciones que tienen una complejidad elevada pero de las que se tiene poca informacin terica. Cuando se comparan los modelados PLS y SEM, una de las principales diferencias es la manera en la que se estiman los modelos. Mientras que el modelado PLS usa la estimacin de mnimos cuadrados, el modelado SEM usa el mtodo de estimacin de mxima probabilidad (Hahn et al. 2002). El procedimiento de mxima probabilidad reside en tener datos que cumplan los criterios establecidos para los parmetros, mientras que el modelado PLS que usa los mnimos cuadrados, tiene menores requisitos de parametrizacin que el modelado SEM. Por tanto, el modelado PLS puede emplearse con datos que incumplan los requisitos de los parmetros del modelado SEM. Como consecuencia de estos menores requisitos, el modelado PLS puede emplearse con menor nmero de muestras que otras tcnicas de modelado para producir modelos estables (Wittingslow y Markham 1999). Como ejemplo, podemos decir que el modelado PLS puede producir resultados significativos con una muestra de tamao 200 para modelos complejos que tengan 10 variables latentes exgenas y 3 variables latentes endgenas. A modo de comparacin, los modelos basados en la covarianza necesitaran una muestra de tamao 500 para obtener resultados estables (Hahn et al. 2002).
73
Esta posibilidad del modelado PLS de realizar modelos de constructos latentes bajo condiciones de falta de normalidad y con tamaos muestrales pequeos o medianos ha provocado que el uso de este modelado se este extendiendo (Compeau y Higgins 1995; Chin y Gopal 1995). El modelado PLS posee tambin un efecto acumulativo, es decir, los estudios siguientes realizados a la misma poblacin, usando el mismo modelo, incluso con muestras ms pequeas que la inicial pueden producir resultados significativos (Fornell et al. 1996). El algoritmo del modelo PLS ajusta los pesos de cada uno de los indicadores al calcular la influencia que estos tienen en las variables latentes en lugar de asumir que todos los pesos son iguales. Como consecuencia de ello, obtienen menores pesos aquellos indicadores que tienen una relacin ms dbil con los indicadores con los que estn relacionados. Esta caracterstica hace que el modelado PLS sea preferible a tcnicas como la regresin, que asume que las mediciones no tienen error alguno incluso cuando se usan datos que contienen ruido (Wold, H. 1982, 1985, 1989; Lohmller 1984). A medida que la fiabilidad de los datos desciende, la regresin produce estimaciones sesgadas e inconsistentes de los coeficientes, a la vez que se pierde potencia estadstica (Busemeyer y Jones 1983; Aiken y West 1991). Como dato, cuando se usa la regresin, con datos perfectos, un pequeo efecto (f = 0,02) se detectara con una potencia de 0,80 en una muestra de tamao 400 (n = 400), esta misma muestra necesitara aumentar su tamao hasta 1056 si los datos presentaran una fiabilidad del 80% (Aiken y West 1991). Incluso las encuestas realizadas de manera escrupulosa tienen de un 20 a un 30% de ruido (Andrews 1984) y por tanto una fiabilidad de los datos obtenidos del 70 al 80%. Este ruido es producto de datos errneos provocados por la variabilidad de las personas. Como resultado de este hecho, cuando se tratan estadsticamente datos obtenidos mediante encuestas y cuestionarios se deben emplear tcnicas que sean capaces de manejar datos que contengan errores inherentes. Mientras que las tcnicas basadas en la regresin pueden manejar datos con imperfecciones, el mtodo de modelado PLS debe emplearse en el caso de que no queramos o no podamos trabajar con tamaos maestrales muy grandes por cualquier causa. Por tanto, podemos decir que el mtodo de modelado PLS es a menudo el ms adecuado para su empleo. El mtodo PLS asume que toda la varianza medida es varianza til y debe ser tratada para su explicacin causal. Las variables latentes se estiman usando combinaciones lineales exactas de las mediciones observadas, por tanto, salvando los problemas de indeterminacin y proporcionando una definicin exacta de los valores dados a cada uno de los componentes. La metodologa de modelado PLS emplea un tcnica de estimacin iterativa que proporciona un modelo general, el cual abarca entre otras tcnicas la correlacin cannica, el
74
anlisis de redundancia, la regresin mltiple, el anlisis multivariable de varianza y el anlisis de componentes principales (Wold, H. 1982). Uno de los puntos dbiles del modelado PLS es que al tratarse de un mtodo de informacin limitada el sesgo y la consistencia de los parmetros estimados son menores que los valores ptimos. Los parmetros estimados sern asintticamente correctos bajo las condiciones de tamao elevado de la muestra y elevado nmero de indicadores para cada una de las variables latentes. En otros casos, los pesos de los constructos tienden a ser sobrestimados y los caminos entre los constructos subestimados (Fornell y Bookstein 1982). Por ltimo, diremos que la metodologa de modelado PLS se considera que es capaz de explicar relaciones complejas (Fornell y Bookstein 1982; Fornell, Lorange y Roos 1990). Wold H. (1985) lleg incluso ms lejos al afirmar que el modelado PLS no tena prcticamente rival a la hora de analizar modelos complejos, de gran tamao con variables latentes. El modelado PLS se emplea desde comienzos de los 90, con desarrollos e innovaciones realizadas por investigadores como Fornell, Anderson, Johnson, Cha y Bryant en el National Quality Research Center (NQRC) de la Escuela de Negocios de la Universidad de Michigan, para la elaboracin del American Customer Satisfaction Index (ACSI), desde finales de los 80, en el Barmetro Sueco de la Satisfaccin del Cliente (Svenskt Kundindex) y desde comienzos de este siglo en la elaboracin del European Customer Satisfaction Index (ECSI).
3.3.4.
Aplicacin del modelado PLS a la medicin de la satisfaccin del cliente: la metodologa del National Quality Research Center
Las metodologas desarrolladas por el National Quality Research Center (NQRC) para su aplicacin en la elaboracin de ndices de satisfaccin del cliente nacionales estn basadas en el modelado PLS. La metodologa NQRC hace uso de un modelo economtrico que relaciona las percepciones de los clientes respecto a la calidad y el valor con la satisfaccin y explica de forma predictiva los efectos que tiene esa satisfaccin en el comportamiento del cliente en lo que respecta a las quejas, la tolerancia ante cambios en el precio y la intencin de volver a comprar el producto o servicio. Al comparar los distintos mtodos que hacen uso de encuestas para medir la satisfaccin del cliente respecto a los mismos aspectos que los medidos con la metodologa del NQRC, las restantes tcnicas no pueden alcanzar la precisin alcanzada por esta ltima metodologa a la hora de predecir el comportamiento del cliente tras producirse cambios en las experiencias del cliente con el
75
producto o servicio y las consecuencias econmicas que producirn estos cambios (Anderson y Mittal 2000). El modelo bsico de la metodologa NQRC consiste en un sistema de ecuaciones que describe las relaciones entre seis constructos, la calidad y valor percibidos por el cliente, las expectativas del cliente, la satisfaccin, la retencin del cliente y las quejas. Cada uno de los constructos se mide empleando varias cuestiones para cada uno de los aspectos a medir dentro del cuestionario para incrementar la precisin de las mediciones. Para responder a cada una de las cuestiones se dispone de una escala de diez puntos para incrementar la fiabilidad y reducir el error en los ndices. Los datos se someten a anlisis empleando una versin registrada de la tcnica de mnimos cuadrados parciales (PLS) para obtener un ndice de satisfaccin del cliente. Este ndice de satisfaccin del cliente tiene una gran correlacin con la intencin de volver a comprar el producto o servicio y la tolerancia ante cambios en el precio, y por tanto, con el rendimiento econmico, debido a los pesos dados a las cuestiones que forman las encuestas relativas a la satisfaccin global del cliente, la confirmacin de sus expectativas y la comparacin del producto o servicio con el ideal del cliente (Fornell, Ittner y Larcker 1995). El ndice fue creado expresamente para salvar las dificultades a la hora de relacionar las mejoras en la calidad de los productos o servicios con el rendimiento econmico de las empresas u organizaciones (Fornell, Ittner y Larcker 1995). Esta metodologa desarrollada por el NQRC puede emplearse a escala tanto macroeconmica como microeconmica. De su uso a escala macroeconmica tenemos los ejemplos del Barmetro Sueco de la Satisfaccin del Cliente (Svenskt Kundindex) y del American Customer Satisfaction Index (ACSI: ndice de Satisfaccin del Cliente Americano). Empleado de esta forma, los ndices son indicadores de medida nacionales de cuan satisfechos se encuentran los clientes con los productos o servicios dados por las compaas e industrias del pas. (Fornell 1992). Estos ndices miden el rendimiento econmico de las compaas con relacin a la calidad desde la perspectiva del cliente. De esta forma, estos ndices pueden compararse con ndices relativos a la productividad, que tambin miden el rendimiento econmico en relacin con la cantidad. A escala microeconmica, la aplicacin de esta metodologa se centra en un solo negocio o empresa. Se emplea como ayuda para la detectar aquellos aspectos que los clientes consideran fundamentales y que sirven para definir la estrategia de negocio a la hora de concentrarse en la retencin de los clientes y no tanto en la obtencin de nuevos clientes. Esta metodologa considera la base de clientes de la sociedad un activo, trata de medir que variables afectan la satisfaccin del cliente y su fidelidad, y sus creadores proclaman que esta 76
metodologa puede predecir el impacto que producirn cambios sobre la vuelta a usar el producto o servicio, la recomendacin de este, la vuelta a comprarlo y la tolerancia respecto cambios en su precio. A continuacin haremos una breve resea de algunas de estas aplicaciones de la metodologa NQRC. 3.3.4.1. Aplicacin macroeconmica: El Barmetro Sueco de la Satisfaccin del Cliente La metodologa del NQRC se emple por vez primera en 1989 para la creacin del Barmetro Sueco de la Satisfaccin del Cliente (Svenskt Kundindex) (Fornell 1992). Aunque muchas compaas de forma particular haban medido la satisfaccin del cliente con anterioridad, el Svenskt Kundindex fue un hito al ser la primera vez que un pas realizaba medidas de la satisfaccin del cliente a escala nacional. En este primer estudio de la satisfaccin del cliente de una nacin, los resultados mostraron los siguientes hechos (Fornell 1992): Las puntuaciones ms elevadas se daban en aquellas compaas cuyos clientes tenan preferencias diversas y cuyos productos eran heterogneos. Un ejemplo de este tipo de compaas son las automovilsticas. Se producan tambin puntuaciones elevadas cuando los productos no presentaban diferencias entre ellos y los gustos de los consumidores eran a su vez homogneos. Un ejemplo de este caso son los productos como la leche o el azcar. Las puntuaciones bajas se producan cuando las diversas preferencias de los consumidores no eran cubiertas debido a la inexistencia de suficientes opciones a la hora de elegir. Un ejemplo claro de estos casos son los monopolios gubernamentales tales como la polica y las telecomunicaciones.
3.3.4.2. Aplicacin macroeconmica: El ndice de Satisfaccin del Cliente Americano El ndice de Satisfaccin del Cliente Americano (American Customer Satisfaction Index: ACSI) fue creado en 1982. Pero no fue hasta 1994 cuando se remodel dicho ndice con la experiencia adquirida por un grupo de investigadores liderado por Fornell (Fornell et al. 1996).
77
El ndice ACSI es el principal representante de las aplicaciones macroeconmicas de la metodologa NQRC al tratar la satisfaccin del cliente a escala global, en lugar de al nivel de una sola empresa o compaa. De hecho el ndice ACSI es un indicador nacional de las evaluaciones de los clientes de la calidad de los productos o servicios de las principales compaas de ese pas.
Figura 3-6 Modelo empleado para la obtencin del ndice ACSI 10
El desarrollo del ndice ACSI se basa en la las relaciones agregadas al nivel de mercado entre las caractersticas subyacentes del cliente como la calidad percibida, el valor percibido, la personalizacin del producto o servicio, las expectativas del cliente y la tolerancia ante el precio del producto o servicio. Con estos aspectos se cre un modelo que podemos observar en la Figura 3-6. En distintos artculos se analiza la precisin de la metodologa NQRC usada en el ndice ACSI. Se ha detectado por parte de Fornell y Everitt-Bryant (1997) una correlacin muy significativa entre los resultados de la satisfaccin del cliente empleando la metodologa del NQRC y los resultados econmicos de las compaas analizadas, dicha relacin se traduce en los siguientes hechos: Existe una correlacin positiva entre los resultados del ndice ACSI y los valores de las acciones y el ndice precio/ganancias de las compaas sometidas al ACSI. Existe una correlacin negativa entre el ndice ACSI y el riesgo de las compaas, lo que se interpreta como que compaas que tienen una gran lealtad de sus clientes y una elevada satisfaccin de los clientes poseen una situacin financiera ms saneada y menos variable (Fornell y Everitt-Bryant 1997).
Fuente: Pgina web del American Customer Satisfaction Index (http://www.theacsi.org/model.htm)
10
78
Desde la creacin del ndice ACSI, se ha comprobado que las compaas que tienen unos ndices ACSI elevados han mostrado un comportamiento burstil mejor que la media del mercado. En los Estados Unidos ya se sigue con atencin la publicacin del ndice ACSI lo que se traduce en movimientos burstiles, lo que refuerza la validez econmica dada por el mercado al ndice ACSI. Desde su creacin en 1994 el ndice ACSI ha predicho de forma precisa los movimientos del mercado burstil norteamericano (Fornell, Ittner y Larcker 1995).
A modo de verificacin de la importancia que ha adquirido esta metodologa podemos comprobar que en la actualidad existen desarrollos de ndices de la satisfaccin del cliente nacionales y supranacionales en pases tan dispares como once pases de la Europa comunitaria, Estados Unidos de Norteamrica, Sudfrica, India, Corea del Sur y Taiwn, todos ellos basados en mayor o menor medida en la metodologa desarrollada por el NQRC de la Escuela de Negocios de la Universidad de Michigan. La metodologa NQRC se ha empleado ya en la medicin de la satisfaccin del cliente en Suecia, Estados Unidos de Norteamrica, Israel, Taiwn, Corea del Sur y la Unin Europea. 3.3.4.3. Aplicacin macroeconmica: El ndice de Satisfaccin del Cliente Europeo El ndice de Satisfaccin del Cliente Europeo (European Customer Satisfaction Index: ECSI) es el resultado de la iniciativa promovida por la Organizacin Europea para la Calidad (European Organization for Quality: EOQ) y la Fundacin Europea para la Gestin de la Calidad (European Foundation for Quality Management: EFQM) en 1998 y en la que participaron once pases europeos para el desarrollo de un barmetro de la satisfaccin del cliente europeo armonizado. Este ndice permite comparar la satisfaccin de los clientes entre compaas del mismo sector en un pas, a la vez que permite hacer comparaciones entre sectores y pases. Los objetivos principales con los que se ha desarrollado el European Customer Satisfaction Index son los siguientes: Proporcionar a las compaas, servicios pblicos, consumidores, inversores, reguladores y legisladores un ndice anual de la satisfaccin del cliente, sus causas y efectos en la fidelidad. Proporcionar a las compaas y servicios pblicos encuestados los medios para analizar las percepciones de sus clientes (causas y 79
efectos) para compararlas con las percepciones de los clientes de otras compaas y servicios pblicos a diferente escala (sector, pas o Europa). Presentar el ndice ECSI como un indicador macroeconmico reconocido de la medicin del desempeo de las economas nacionales y europeas.
Dicho ndice est basado en la metodologa desarrollada por el National Quality Research Center de la Universidad de Michigan y tiene como modelo uno muy similar al del ndice de Satisfaccin del Cliente Americano (American Customer Satisfaction Index: ACSI) al que se le han realizado algunas leves modificaciones (Ver Figura 3-7 Modelo del European Customer Satisfaction Index).
Figura 3-7 Modelo del European Customer Satisfaction Index
Estas variables latentes se extraen a partir de un conjunto variables manifiestas, que llevan asociada una cuestin, para cada una de las variables latentes. En la Tabla 3-4 que puede verse a continuacin, se enumeran cada una de estas cuestiones para las variables manifiestas as como su correspondiente variable latente asociada:
80
Captulo 3: La medicin de la satisfaccin del cliente Variable Latente Imagen Variables manifiestas a) Puede confiarse en lo que dice y hace la organizacin. b) La organizacin es estable y establecida firmemente. c) La organizacin est implicada con los clientes. La organizacin es innovadora y con miras al futuro. a) Expectativas de la calidad global del producto o servicio suministrado por la organizacin en el momento en que se convirti en cliente de esta. b) Expectativas respecto a la organizacin a la hora de suministrar productos o servicios que cumplan sus expectativas. c) Frecuencia con la que esperaba que las pudieran ocurrir errores en la organizacin proveedora del producto o servicio. a) b) c) d) e) f) Calidad global percibida. Calidad tcnica del producto o servicio. Servicio al cliente y consejo personal ofrecido. Calidad de los productos y servicios que usted usa. Gama de productos y servicios ofrecidos. Fiabilidad y adecuacin de los productos y servicios suministrados. g) Claridad y transparencia de la informacin suministrada a) Dada la calidad de los productos y servicios ofrecidos, cmo calificara las tarifas y precios que paga por ellos. b) Dadas las tarifas y precios que usted paga, cmo calificara la calidad de los productos y servicios que ofrece la organizacin. a) Satisfaccin global. b) Cumplimiento de sus expectativas. c) En qu grado cree que la organizacin es comparable con su organizacin ideal. a) Usted present una queja o reclamacin durante el pasado ao. Cun bien o mal se gestion su ltima reclamacin? O bien, b) Usted no present una queja o reclamacin durante el pasado ao. Imagine que hubiera tenido que reclamar a la organizacin debido a la mala calidad del servicio o producto suministrado. Hasta qu punto cree que la organizacin se preocupara por resolver su reclamacin? a) Si necesitara elegir un nuevo proveedor del servicio o producto que le suministra la organizacin, cul es la probabilidad de que eligiera de nuevo a la organizacin? b) Suponga que la competencia decidiera bajar sus tasas y precios, pero la organizacin que le suministra el producto o servicio permaneciera con las tasas y precios actuales. Con qu diferencia de precio, en porcentaje, elegira cambiar de suministrador? c) Si un amigo o conocido le pide consejo, con qu probabilidad le recomendara la organizacin que le provee del producto o servicio? Tabla 3-4 Variables latentes y manifiestas del modelo ECSI
Expectativas del cliente de la calidad global
Calidad percibida
Valor percibido
Satisfaccin del cliente
Reclamaciones del cliente
Fidelidad del cliente
81
3.3.4.4. La metodologa del NQRC aplicada a escala microeconmica o de una organizacin Como ya comentamos anteriormente, la metodologa del NQRC puede someterse a modificaciones que la personalicen para su uso a escala microeconmica o para una compaa u organizacin en particular. Esta personalizacin de la metodologa se puede hacerse realizando los pasos siguientes: Se efecta un anlisis cualitativo mediante encuestas realizadas por el personal no directivo a los clientes y el personal para determinar los aspectos clave involucrados en la satisfaccin del cliente y en las consecuencias econmicas que esta satisfaccin tiene en la organizacin y que son distintos para cada organizacin en particular. De este primer anlisis, se genera un modelo preliminar de la satisfaccin del cliente cuyos aspectos clave extrados de las opiniones de los clientes se agrupan en las variables latentes. Estas variables latentes tendrn importancias distintas a la hora de extraer la satisfaccin global. De la satisfaccin global se extraen las consecuencias econmicas para la organizacin, la tolerancia ante el cambio de precio por parte del cliente y la fidelidad del cliente en forma de la vuelta a comprar el producto o servicio de que se trate.
Las encuestas se realizan a partir del modelo generado tras las entrevistas a los clientes y estn formadas por cuestiones a las que se puede responder con una escala del uno al diez y con la opcin de No sabe/No contesta. De forma similar se pregunta a los clientes acerca del grado de satisfaccin global, es decir, el grado de cumplimiento de sus expectativas del producto o servicio. Por ltimo, se les pregunta sobre la posibilidad de que vuelvan a comprar el producto o servicio, si recomendaran este y de su tolerancia ante cambios en el precio. Los datos obtenidos tras la realizacin de las encuestas se analizan empleando una tcnica registrada por el NQRC basada en el mtodo de Mnimos Cuadrados Parciales, Partial Least Squares (PLS). Los resultados que se presentan tras el anlisis de los datos son estimaciones, en una escala de 0 a 100, de las relaciones entre los cambios producidos en los aspectos que generan la satisfaccin del cliente y la satisfaccin global y las relaciones entre los cambios en la satisfaccin global y la fidelidad del cliente. A su vez, se obtienen tambin ndices de desempeo para cada uno de los aspectos clave de la satisfaccin y el impacto que estos aspectos tienen en la satisfaccin global
82
A partir de esta informacin obtenida en el anlisis de los datos, es posible estimar las consecuencias econmicas que tendran los cambios en los aspectos clave de satisfaccin del cliente al imponer cambios en la organizacin, tales como las iniciativas de calidad. Aquellos aspectos clave de la satisfaccin que presentan unos ndices de satisfaccin bajos y una importancia elevada son aquellos que tienen un efecto mayor en la satisfaccin del cliente, y por tanto, en la vuelta a comprar el producto o servicio, la recomendacin de este y la tolerancia ante cambios en el precio y sobre los que deben realizarse iniciativas de mejora en la organizacin.
3.4. Definicin del modelo para la medicin de la satisfaccin del cliente

Los modelos empleados en la metodologa PLS utilizan para el modelado dos tipos de variables, las variables latentes y las manifiestas, as como la relacin existente entre ellas. Las variables manifiestas son aquellas que pueden registrarse u observarse directamente y permiten inferir las construcciones tericas o variables latentes que los investigadores utilizan para guiar sus estudios sociales y de comportamiento. Cada una de las cuestiones que forman las encuestas es una variable manifiesta que se agrupan a la hora de analizar los datos en variables latentes. Las dimensiones, factores o variables latentes, por su parte, representan conceptos unidimensionales, puede decirse que se trata de variables abstractas. Como todas las variables latentes corresponden a conceptos, son variables hipotticas que varan en su grado de abstraccin. Estas variables latentes se infieren a partir de las variables manifiestas y no pueden medirse directamente (Wittingslow y Markham 1999). El modelado PLS tambin hace uso de variables endgenas y exgenas dentro de las variables latentes (Wittingslow y Markham 1999). Las variables latentes exgenas son independientes y no se ven afectadas por cambios en las otras variables latentes. Por su parte, las variables latentes endgenas no son independientes y se ven afectadas por cambios en otras variables latentes. La definicin de variable endgena o exgena puede cambiar dependiendo del punto de vista desde el que se observen dichas variables. De hecho, en el proceso de modelado PLS en dos fases para producir un modelo de la satisfaccin del cliente, la variable latente para la satisfaccin es inicialmente una variable endgena y posteriormente, cuando se calculan los resultados, pasa a convertirse en una variable exgena (Wittingslow y Markham 1999). 83
3.4.1.1. La aplicacin del modelado PLS para el estudio de la satisfaccin del cliente.
En un estudio de Wittingslow y Markham (1999), estos comentan que el modelo surgido de la aplicacin del modelado PLS est construido de tal forma que facilita una visin desde el punto de vista de los resultados para la medicin de la satisfaccin del cliente. Es por ello que en la actualidad se emplea esta tcnica de modelado en multitud de estudios de la satisfaccin del cliente. A continuacin veremos el modelo bsico empleando en los estudios de satisfaccin del cliente haciendo uso del modelado PLS. Este modelo bsico es una versin simplificada de los modelos reales que normalmente tienen mltiples variables exgenas y endgenas latentes, tal y como se puede ver en los modelos del ndice de Satisfaccin del Cliente Europeo (ECSI) y el ndice de Satisfaccin del Cliente Americano (ACSI) que pudimos ver con anterioridad (Ver Figura 3-8). El modelo bsico PLS empleado en los estudios de satisfaccin del cliente se compone de las siguientes variables: lv1 y lv2: son variables exgenas que influyen en la satisfaccin global con el producto o servicio de que se trate. Cada una de estas variables de satisfaccin se miden empleando la tcnica de modelado PLS al analizar las variables manifiestas asociadas a cada una de las variables latentes. A modo de ejemplo, las variables manifiestas P11 y P12 son las que utiliza la tcnica PLS para producir el valor de la satisfaccin de la variable latente lv1. Dicho valor calculado se basa en las medias compensadas de las variables manifiestas. Cada una de las variables manifiestas representa la media de las respuestas del cliente a una cuestin de la encuesta de satisfaccin. lv3: es la variable latente endgena para la satisfaccin global con el producto o servicio de que se trate. El valor de esta satisfaccin global es el que se emplea a la hora de comparar la satisfaccin del cliente con otras organizaciones o empresas competidoras. lv4: es la variable latente exgena que mide los resultados que produce la satisfaccin del cliente. Puede tratarse de una o varias de estas variables. Estos resultados son normalmente factores como la vuelta a comprar el producto o servicio, la vuelta a usar dicho producto o servicio y la recomendacin de este.
84
Figura 3-8 Modelo bsico general para el modelado PLS
Adems de producir los valores de satisfaccin para cada una de las variables latentes, la metodologa PLS estima a su vez el impacto que tienen las variables latentes exgenas en las variables latentes endgenas. Esta estimacin posibilita realizar predicciones al respecto de los cambios que se producirn en la satisfaccin global y, por tanto, en los resultados cuando se conocen los cambios producidos en la satisfaccin respecto a una determinada variable latente exgena.
3.5. La medicin de la satisfaccin del cliente en el mbito industrial

En los ltimos tiempos, los estudios relativos a la satisfaccin del cliente han aumentado en gran medida, pero la mayora de ellos se ha enfocado a bienes de consumo o servicios relativos a la satisfaccin del cliente final de estos de forma personal. Por contra, la medicin de la satisfaccin del cliente en el mbito industrial es un rea que ha sido poco investigada y de la que existe poca literatura al respecto, aunque parece que en los ltimos tiempos ha tomado inters su investigacin y es un rea que presenta un gran potencial de crecimiento. No obstante, aunque la literatura sea escasa, hemos optado por comentar el enfoque dado por Homburg y Rudolph (2001) que podemos considerar el estudio ms relevante publicado hasta la fecha que trate la satisfaccin de 85
clientes industriales. En este artculo, los autores desarrollan un sistema para la medicin de la satisfaccin del cliente para clientes industriales, y una escala para dicha medicin que han denominado INDSAT, homloga a la escala SERVQUAL de aplicacin a los servicios. Los autores de esta escala INDSAT para la medicin de la satisfaccin la han desarrollado tomando como punto de partida en entrevistas de campo realizadas a clientes industriales de doce pases europeos con un total de ms de 2500 respuestas y en el anlisis estadstico de los datos obtenidos en las citadas entrevistas. Dicha escala consiste en la descomposicin de la satisfaccin del cliente en siete dimensiones distintas que poseen propiedades psicomtricas. Segn los autores, esta descomposicin en siete dimensiones es la que resulta ms adecuada, a la vista de este estudio, en comparacin con estructuras ms simples. Adems, los autores realizan hiptesis respecto a las diferencias en cuanto a la importancia dada a cada una de las dimensiones de la satisfaccin del cliente por las distintas personas implicadas en el proceso de compra en el mbito industrial. Pasamos ahora a enumerar las citadas siete dimensiones en las que el estudio de Homburg y Rudolph descompone la satisfaccin del cliente que son las siguientes: Satisfaccin Satisfaccin Satisfaccin Satisfaccin Satisfaccin Satisfaccin Satisfaccin con con con con con con con los productos. el personal de ventas. la informacin relativa al producto. la gestin de los pedidos. los servicios tcnicos. la interaccin con el personal interno. la gestin de las quejas y reclamaciones.
A su vez, cada una de estas dimensiones est formada por varios aspectos que son medidos a travs cuestiones relativas a dicha dimensin en una encuesta. Pasaremos a continuacin a exponer cada uno de estos tems, tambin llamados aspectos clave de la satisfaccin en el mbito industrial, que componen las siete dimensiones de dicha satisfaccin segn los resultados obtenidos en este estudio: a) Satisfaccin con los productos a. Rendimiento tcnico de los productos del proveedor. b. Fiabilidad de los productos del proveedor. c. Relacin valor/precio de los productos del proveedor. d. Eficacia del coste de los productos del proveedor a travs de su ciclo de vida. e. Facilidad de reparacin de los productos del proveedor. 86
b) Satisfaccin con el personal de ventas a. Conocimiento del personal de ventas del proveedor acerca de las condiciones de uso de los productos del proveedor en su compaa. b. Conocimiento del producto por parte del personal de ventas del proveedor. c. Apoyo a la hora de solucionar problemas por parte del personal de ventas del proveedor. d. Afabilidad del personal de ventas del proveedor cuando interactan con usted. e. Continuidad del personal de ventas que trabaja con usted. f. Tiempo de reaccin del personal de ventas del proveedor a la hora de responder a sus peticiones de visitas. g. Frecuencia de las visitas del personal de ventas a su compaa. c) Satisfaccin con la informacin relativa al producto. a. Informacin suministrada en la documentacin tcnica. b. Disponibilidad de la documentacin tcnica. c. Utilidad de los manuales de funcionamiento de los productos. d. Informacin dada en otro tipo de documentacin d) Satisfaccin con la gestin de los pedidos. a. Tiempo de confirmacin de un pedido. b. Fiabilidad del procesamiento de los pedidos. c. Tiempo de entrega tal y como se dice en la confirmacin de los pedidos. d. Cumplimiento de las fechas de entrega dadas. e) Satisfaccin con los servicios tcnicos. a. Velocidad a la hora de disponer del personal de los servicios tcnicos. b. Calidad tcnica del servicio suministrado. c. Relacin precio/valor de los servicios tcnicos del proveedor. f) Satisfaccin con la interaccin con el personal interno. a. Accesibilidad de los empleados de las plantas de produccin. b. Reaccin a las peticiones realizadas telefnicamente. c. Reaccin a las peticiones realizadas por escrito. g) Satisfaccin con la gestin de quejas y reclamaciones. a. Acciones llevadas a cabo por esta compaa proveedora con relacin a las quejas y reclamaciones relacionadas con el producto dentro del perodo de garanta. b. Acciones llevadas a cabo por esta compaa proveedora con relacin a las quejas y reclamaciones relacionadas con el producto fuera del perodo de garanta. c. Reaccin de la compaa a las quejas y reclamaciones en general.
87
Tras analizar los datos obtenidos en las distintas encuestas realizadas a clientes industriales, los autores infieren un modelo en este estudio, del que podemos destacar los pesos obtenidos para cada una de las siete componentes en las que Homburg y Rudolph descomponen la satisfaccin global del cliente, tal y como podemos ver en la Tabla 3-5.
Satisfaccin Satisfaccin Satisfaccin Satisfaccin Satisfaccin Satisfaccin Satisfaccin
con con con con con con con
Componente los productos. el personal de ventas. la informacin relativa al producto. la gestin de los pedidos. los servicios tcnicos. la interaccin con el personal interno. la gestin de las quejas y reclamaciones.
Peso 0,17 0,25 0,05 0,25 0,09 0,05 0,23
Tabla 3-5 Pesos para las componentes de la satisfaccin del cliente en mbitos industriales 11
El modelo completo de la satisfaccin para clientes industriales es el que puede verse en la Figura 3-9 Modelo causal de los factores INDSAT en la satisfaccin global. Para concluir este punto, citamos a continuacin las conclusiones de este estudio relativas a cada una de las reas a las que hacen referencia: Conclusiones tericas: o El constructo de la satisfaccin del cliente industrial presenta una alta complejidad, incluso superior a la escala SERVQUAL empleada para la evaluacin de la satisfaccin con los servicios (Parasuraman, Zeithaml y Berry 1988). o La escala de 29 tems resultado del estudio puede no ser muy viable a la hora de aplicarla a determinados estudios de satisfaccin debido a su extensin y en estos casos debe optarse por una solucin de compromiso entre el uso de la escala completa y el uso de mediciones individuales de los tems. o La forma en que un proveedor se desenvuelve a la hora de realizar procesos especficos del cliente y la interaccin del personal de ventas con el cliente son aspectos clave en la satisfaccin del cliente industrial y debieran tener mayor relevancia en la teora de marketing al respecto desde este momento.
Fuente: HOMBURG, C. y Rudolph B. (2001) Customer satisfaction in industrial markets: dimensional and multiple role issues. Journal of Business Research, 2001 vol. 52, p. 15.
11
88
o El estudio revela claramente que diferentes grupos funcionales dentro del cliente tendrn criterios distintos a la hora de evaluar al proveedor
Figura 3-9 Modelo causal de los factores INDSAT en la satisfaccin global 12
Fuente: HOMBURG, C. y RUDOLPH, B. (2001) Customer satisfaction in industrial markets: dimensional and multiple role issues. Journal of Business Research, 2001 vol. 52, p. 15.
12
89
Conclusiones metodolgicas: o Como las valoraciones pueden diferir en gran medida dependiendo del grupo funcional que responda a las cuestiones dentro del personal de la empresa cliente. Por tanto, debe intentarse que los cuestionarios recojan la opinin de varias personas pertenecientes a distintas reas funcionales dentro de la empresa cliente.
Conclusiones prcticas de cara a la gestin: o La escala INDSAT puede usarse como gua para a la hora de realizar estudios de satisfaccin. Esto puede hacerse de manera simple haciendo medias para cada una de las siete dimensiones que componen la escala y obteniendo una medida global de satisfaccin, pero tambin puede optarse por un estudio mucho ms profundo de la satisfaccin a medida de la industria que lo realice. o La escala INDSAT es mucho ms valiosa en cuanto se realicen estudios peridicos para detectar cambios en la satisfaccin de los clientes a lo largo del tiempo. Es adecuado que como mnimo dicha periodicidad sea al menos bienal o anual. o La escala INDSAT puede emplearse como un indicador a la hora de comparar el desempeo de las organizaciones en comparacin con otras compaas competidoras. o Las compaas industriales deberan considerar aspectos tales como la relacin interpersonal con las empresas cliente y no solo centrarse en la optimizacin del producto que fabrican. o El conocimiento de la importancia dada a cada una de las dimensiones de la satisfaccin es importante a la hora de fijar prioridades para los esfuerzos de mejora y decidir al respecto de la asignacin de recursos. o En resumen, el estudio evidencia que diferentes situaciones de venta requieren diferentes enfoques de la venta.
Limitaciones del estudio: o La escala INDSAT debe aceptarse slo de manera tentativa hasta que no se realicen ms estudios que reafirmen su validez y permitan su generalizacin.
90
3.6. Conclusin
En nuestro proyecto, comprobaremos si la metodologa del NQRC para medir la satisfaccin del cliente a escala microeconmica o de una organizacin es vlida y aplicable a los clientes de una empresa auxiliar del sector carrocero de autocares y autobuses. La metodologa que emplearemos se basar en la desarrollada por el NQRC a la que haremos algunas pequeas modificaciones que se justificarn. Con ello mediremos el nivel de la satisfaccin del cliente usando el modelo de satisfaccin que generarn los propios clientes.
91

Mini Mos

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Mini Mos

Uploaded by

Copyright:

Available Formats

3.

La medicin de la satisfaccin del cliente

Estudio de la Satisfaccin del Cliente

3.2. Antecedentes histricos de la medicin de la satisfaccin del cliente

Captulo 3: La medicin de la satisfaccin del cliente

El modelado del comportamiento del cliente

Estudio de la Satisfaccin del Cliente

Modelado con el mtodo de Mnimos Cuadrados Parciales

Captulo 3: La medicin de la satisfaccin del cliente

Figura 3-1 Ejemplo de modelo causal

Estudio de la Satisfaccin del Cliente

Path Analysis presenta una utilidad reducida en la fase exploratoria de un

Figura 3-2 Proceso iterativo para la construccin del modelo causal 2

Captulo 3: La medicin de la satisfaccin del cliente

Estudio de la Satisfaccin del Cliente

Que en forma matricial puede expresarse como:

Captulo 3: La medicin de la satisfaccin del cliente

Estudio de la Satisfaccin del Cliente

Figura 3-3 Ejemplo de representacin grfica para el Scree Test

Scree es el punto de inflexin en la representacin grfica de la curva de los autovalores.

Captulo 3: La medicin de la satisfaccin del cliente

Estudio de la Satisfaccin del Cliente

Captulo 3: La medicin de la satisfaccin del cliente

Figura 3-4 Modelo Estructural de Ecuaciones con variables latentes

Estudio de la Satisfaccin del Cliente

Captulo 3: La medicin de la satisfaccin del cliente

Tabla 3-2 Nomenclatura matricial del Modelado SEM 5

Estudio de la Satisfaccin del Cliente

Figura 3-5 Modelo de medicin del modelado SEM

Captulo 3: La medicin de la satisfaccin del cliente

Estudio de la Satisfaccin del Cliente

Captulo 3: La medicin de la satisfaccin del cliente

Estudio de la Satisfaccin del Cliente

Captulo 3: La medicin de la satisfaccin del cliente

Estudio de la Satisfaccin del Cliente

tiene media m y desviacin estndar unidad.

Jackknife: construye remuestreos eliminando un determinado nmero de casos de la muestra

Captulo 3: La medicin de la satisfaccin del cliente

Estudio de la Satisfaccin del Cliente

donde la variable latente se define como:

Captulo 3: La medicin de la satisfaccin del cliente

Condicin 3: Las varianzas de las variables manifiestas reflejan su

Estudio de la Satisfaccin del Cliente

Tabla 3-3 Parmetro METRIC de estandarizacin de Lohmller

Captulo 3: La medicin de la satisfaccin del cliente

* x ) ( ij min ( xmax xmin )

Estudio de la Satisfaccin del Cliente

i: i est conectada con j

w jh = signo(corr ( x jh , h )) para h=1 y 0 en el resto de los casos.

Captulo 3: La medicin de la satisfaccin del cliente

jh , las variables latentes estandarizadas y se obtienen los pesos w

, que puede re-escalarse como vimos

Estudio de la Satisfaccin del Cliente

Captulo 3: La medicin de la satisfaccin del cliente

jhY ji Pred( x jhi xjh) =

Estudio de la Satisfaccin del Cliente

jh Pred(Y ji ) Pred( x jhi x jh ) =

j ': j ' explicando j

Captulo 3: La medicin de la satisfaccin del cliente

Eleccin de las herramientas adecuadas para el modelado

Estudio de la Satisfaccin del Cliente

Captulo 3: La medicin de la satisfaccin del cliente

Estudio de la Satisfaccin del Cliente

Captulo 3: La medicin de la satisfaccin del cliente