Story Transcript
CASO PARCIAL DETERMINANTES DE LA INTENCIÓN DE COMPRA DE BILLETES DE AVIÓN POR INTERNET Adaptado de Gefen y Straub (2005)
Los modelos de aceptación de tecnología TAM (Davis, 1989), postulan que la intención de utilizar una tecnología determinada (use, USE), viene condicionado, entre otros factores, por la facilidad que los usuarios potenciales perciben en esa tecnología (perceived ease of use, PEOU), así como la utilidad que perciben en recurrir a esa tecnología frente a otras (perceived usefulness, PU). También se espera que cuanto más fácil sea utilizar una tecnología, más útil se perciba. Gefen y Straub (2005) utilizan este modelo conceptual para tratar de explicar la intención de utilizar una página web para comprar billetes de avión, reservar hoteles o comprar paquetes vacacionales completos, tal y como se ilustra en la figura 1. Figura 1. Determinantes de la intención de compra online PU1
PU2
PU3
PU4
Utilidad percibida
USE1
Intención de compra online
USE2
Facilidad percibida de uso
PEOU1
PEOU2
PEOU3
PEOU4
1
Para operativizar los distintos constructos, los autores elaboraron un cuestionario con las preguntas que aparecen en el cuadro 1. Todas ellas se midieron en escalas likert de siete puntos, donde 1 indicaba que el entrevistado estaba totalmente en desacuerdo con la afirmación y 7 que estaba en completo acuerdo. Cuadro 1. Instrumento de medida Afirmación Travelocity.com es fácil de utilizar Es fácil aprender a ser hábil utilizando Travelocity.com Aprender a operar con Travelocity.com es fácil Travelocity.com es una página con la que se puede actuar de forma flexible Travelocity.com me permite buscar y comprar mejor billetes de avión Travelocity.com mejora mi efectividad en la búsqueda y compra de billetes de avión Travelocity.com me permite buscar y comprar billetes de avión más rápido Travelocity.com me permite buscar y comprar billetes de avión más fácil Usaría mi tarjeta de crédito para comprar en Travelocity.com No me importaría dar información sobre mis necesidades a Travelocity.com
Código PEOU1 PEOU2 PEOU3 PEOU4 PU1 PU2 PU3 PU4 USE1 USE2
El fichero de datos de EQS datos_caso_parcial.ess contiene los resultados de la encuesta a 100 individuos. Se pide: 1. SESIÓN 1. Realiza un AFC de los tres constructos implicados en el análisis. 2. SESIÓN 1. Estima el modelo planteado mediante un MEC. 3. SESIÓN 2. A partir de la información del AFC, valida el instrumento de medida: validez convergente, validez discriminante y validez nomológica (para esta última necesitarás la información procedente del MEC).
Referencias Davis, F.D. (1989). “Perceived usefulness, perceived ease of use and user acceptance of information technology”. MIS Quarterly, Vol. 13, No. 3, pp.319340. Gefen, D. y Straub, D. (2005). “A practical guide to factorial validity using plsgraph: tutorial and annotated example”. Communications of the Association for Information Systems, Vol. 16, pp. 91-109. Accesible en: http://cais.aisnet.org/articles/default.asp?vol=16&art=5 [Accedido 29.09.2008]
2
Solución Pregunta 1 Antes de comenzar, para evitar la confusión con la figura 1, que representa el modelo con su parte estructural, y que se estimará con un MEC, mostramos en la figura 2, el instrumento de medida de ese MEC (es decir las variables latentes y sus indicadores, pero sin la parte estructural) que es lo que estimaremos mediante el AFC y que luego, como veremos en la pregunta 3, nos proporcionará la información de base para la validación. Figura 2. Instrumento de medida del modelo (AFC) PU4
PU3
Utilidad percibida
PU2
PU1
USE1
Intención de compra online
USE2
PEOU1
PEOU2
Facilidad percibida de uso
PEOU3
PEOU4
3
En primer lugar planteamos la sintaxis del AFC, tal y como se ilustra en el cuadro siguiente: Cuadro 1. Sintaxis del AFC /TITLE Caso parcial: AFC /SPECIFICATIONS DATA='E:\Mis documentos\...\datos_caso_parcial.ess'; VARIABLES=10; CASES=100; METHOD=ML; ANALYSIS=COVARIANCE; MATRIX=RAW; /LABELS V1=EOU1; V2=EOU2; V3=EOU3; V4=EOU4; V5=PU1; V6=PU2; V7=PU3; V8=PU4; V9=USE1; V10=USE2; /EQUATIONS V1 = *F1 + E1; !Ease of use V2 = *F1 + E2; V3 = *F1 + E3; V4 = *F1 + E4; V5 V6 V7 V8
= = = =
V9 = V10 =
*F2 *F2 *F2 *F2
+ + + +
E5; !Perceived usefulness E6; E7; E8;
*F3 + E9; !Intention to use *F3 + E10;
/VARIANCES F1 = 1; F2 = 1; F3 = 1; E1 = *; E2 = *; E3 = *; E4 = *; E5 = *; E6 = *; E7 = *; E8 = *; E9 = *; E10 = *; /COVARIANCES F1,F2 = *; F1,F3 = *; F2,F3 = *; /PRINT FIT=ALL; /LMTEST /END
La sintaxis no presenta ninguna diferencia significativa respecto a lo visto en el seminario. Simplemente nótese cómo hemos preferido estimar todas las cargas factoriales y fijar a 1 la varianza de las variables latentes. El método de estimación es máxima verosimilitud (METHOD=ML), se analiza la matriz de varianzas y covarianzas (ANALYSIS=COVARIANCE), mientras que los datos que se proporcionan no son una matriz ni de varianzas-covarianzas, ni de correlaciones, sino datos individuales (MATRIX=RAW). Al decidirnos por esta última opción, es necesario decirle al programa dónde puede encontrar ese fichero de datos (DATA=’E\Mis Documentos\...\datos_caso_parcial.ess’) o donde quiera que sea que lo hemos puesto. También hemos solicitado que se impriman los multiplicadores de Lagrange que nos indicarán si cabe esperar mejoras significativas en el ajuste añadiendo determinadas relaciones (/LMTEST). 4
Cuando ejecutamos esa sintaxis y vemos los resultados, hemos de revisar la misma información que veíamos en el desarrollo del seminario, a saber:
1.1
Bondad de ajuste
Si nos fijamos en la matriz residual estandarizada de covarianzas (cuadro 2), observamos que el promedio de los residuos es pequeño, tanto si tenemos en cuenta la diagonal (.0349) como si no la tenemos (.0427). Esto se traduce un gráfico de residuos –cuadro 3– centrado (es decir, residuos pequeños). Cuadro 2. Matriz residual estandarizada de covarianzas STANDARDIZED RESIDUAL MATRIX:
EOU1 EOU2 EOU3 EOU4 PU1 PU2 PU3 PU4 USE1 USE2
PU2 PU3 PU4 USE1 USE2
EOU2 V2
EOU3 V3
EOU4 V4
PU1 V5
V1 V2 V3 V4 V5 V6 V7 V8 V9 V10
EOU1 V1 .000 -.034 .032 -.023 .013 -.022 -.021 .035 -.003 .050
.000 .011 .004 -.023 -.034 .020 .065 .005 .036
.000 -.010 -.151 -.119 -.068 .042 -.103 .020
.000 .105 -.019 .096 .084 -.062 .037
.000 .091 .009 -.050 -.011 .012
PU3 V7
PU4 V8
USE1 V9
USE2 V10
V6 V7 V8 V9 V10
PU2 V6 .000 -.015 .006 -.078 -.151
.000 .000 .044 -.009
.000 .042 .057
.000 .000
AVERAGE ABSOLUTE STANDARDIZED RESIDUAL = AVERAGE OFF-DIAGONAL ABSOLUTE STANDARDIZED RESIDUAL =
5
.000 .0349 .0427
Cuadro 3. Gráfico de residuos estandarizados ---------------------------------------! ! 40! ! ! ! ! ! ! ! RANGE FREQ PERCENT 30! * ! 1 -0.5 - -0 .00% ! * ! 2 -0.4 - -0.5 0 .00% ! * * ! 3 -0.3 - -0.4 0 .00% ! * * ! 4 -0.2 - -0.3 0 .00% 20* * 5 -0.1 - -0.2 4 7.27% ! * * ! 6 0.0 - -0.1 27 49.09% ! * * ! 7 0.1 0.0 23 41.82% ! * * ! 8 0.2 0.1 1 1.82% ! * * ! 9 0.3 0.2 0 .00% 10* * A 0.4 0.3 0 .00% ! * * ! B 0.5 0.4 0 .00% ! * * ! C ++ 0.5 0 .00% ! * * * ! ------------------------------! * * * * ! TOTAL 55 100.00% ---------------------------------------1 2 3 4 5 6 7 8 9 A B C EACH "*" REPRESENTS 2 RESIDUALS
Si nos fijamos en el cuadro 4 en los estadísticos específicos de ajuste, comprobamos como la chi cuadrado no es significativa (p=.16618) y la gran mayoría de indicadores es superior a .90; si nos fijamos en los basados en residuos, como el RMSEA, son pequeños, inferior en este caso a .050. Nada, por tanto, parece sugerir problemas de ajuste en el AFC que hemos realizado. Cuadro 4. Indicadores específicos de ajuste INDEPENDENCE MODEL CHI-SQUARE INDEPENDENCE AIC = MODEL AIC =
386.603 -24.366
=
476.603 ON
INDEPENDENCE CAIC = MODEL CAIC =
45 DEGREES OF FREEDOM 224.370 -139.731
CHI-SQUARE = 39.634 BASED ON 32 DEGREES OF FREEDOM PROBABILITY VALUE FOR THE CHI-SQUARE STATISTIC IS .16618 THE NORMAL THEORY RLS CHI-SQUARE FOR THIS ML SOLUTION IS FIT INDICES ----------BENTLER-BONETT NORMED FIT INDEX = .917 BENTLER-BONETT NON-NORMED FIT INDEX = .975 COMPARATIVE FIT INDEX (CFI) = .982 BOLLEN'S (IFI) FIT INDEX = .983 MCDONALD'S (MFI) FIT INDEX = .963 JORESKOG-SORBOM'S GFI FIT INDEX = .928 JORESKOG-SORBOM'S AGFI FIT INDEX = .876 ROOT MEAN-SQUARE RESIDUAL (RMR) = .086 STANDARDIZED RMR = .052 ROOT MEAN-SQUARE ERROR OF APPROXIMATION (RMSEA) 90% CONFIDENCE INTERVAL OF RMSEA ( .000,
=
38.390.
.049 .093)
La convergencia muy rápida en apenas 5 iteraciones (cuadro 5), confirma esta impresión de que el modelo no presenta problemas de ajuste (tampoco problemas de identificación). 6
Cuadro 5. Proceso de convergencia ITERATIVE SUMMARY PARAMETER ABS CHANGE .580846 .123242 .033059 .009904 .000989
ITERATION 1 2 3 4 5
1.2
ALPHA 1.00000 1.00000 1.00000 1.00000 1.00000
FUNCTION .61070 .42484 .40088 .40041 .40034
Valores teóricamente adecuados
Como vimos durante la sesión, antes de pasar a interpretar el modelo, es necesario asegurarse de que los resultados de la estimación no presentan valores anómalos que, recordemos, podían ser: (a) correlaciones superiores a la unidad, (b) cargas factoriales estandarizadas superiores en valor absoluto a 1.0 o (c) varianzas negativas. Los cuadros 6.a, 6.b y 6.c, muestran que ninguna de las mencionadas contingencias se producen. Cuadro 6. Valores estimados anómalos (a)
Correlaciones superiors a la unidad
COVARIANCES AMONG INDEPENDENT VARIABLES --------------------------------------STATISTICS SIGNIFICANT AT THE 5% LEVEL ARE MARKED WITH @. V ---
F --I I I I I I I I I I I I
(b)
F2 F1
-
F2 F1
F3 F1
-
F3 F1
F3 F2
-
F3 F2
.557*I .086 I 6.491@I I .325*I .112 I 2.898@I I .509*I .098 I 5.180@I I
Cargas estandarizadas superiors en valor absoluto a 1.0
STANDARDIZED SOLUTION:
EOU1 EOU2 EOU3 EOU4 PU1 PU2 PU3 PU4 USE1 USE2
=V1 =V2 =V3 =V4 =V5 =V6 =V7 =V8 =V9 =V10
= = = = = = = = = =
.740*F1 .743*F1 .844*F1 .774*F1 .733*F2 .682*F2 .838*F2 .809*F2 .759*F3 .835*F3
R-SQUARED
+ + + + + + + + + +
.673 .669 .536 .633 .680 .732 .546 .588 .651 .550
E1 E2 E3 E4 E5 E6 E7 E8 E9 E10
.547 .552 .712 .600 .537 .465 .702 .654 .576 .698
7
(c)
Varianzas negativas
VARIANCES OF INDEPENDENT VARIABLES ---------------------------------STATISTICS SIGNIFICANT AT THE 5% LEVEL ARE MARKED WITH @. E --E1
-
EOU1
E2
-
EOU2
E3
-
EOU3
E4
-
EOU4
E5
-
PU1
E6
-
PU2
E7
-
PU3
E8
-
PU4
E9
-
USE1
E10 -
USE2
1.3
D --.398*I .069 I 5.731@I I .561*I .098 I 5.704@I I .296*I .068 I 4.352@I I .556*I .103 I 5.402@I I .810*I .140 I 5.802@I I .760*I .124 I 6.122@I I .471*I .105 I 4.503@I I .523*I .105 I 4.983@I I 1.335*I .420 I 3.178@I I .851*I .424 I 2.009@I I
I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I
Interpretación de resultados
Recordemos que muy raramente nosotros vamos a plantear una AFC como fin último (salvo que el objetivo de nuestra investigación sea validar una escala), sino que lo vamos a estimar para tener la información necesaria para validar el instrumento de medida de un MEC que, él sí, recoja las hipótesis de nuestra investigación. Como comentamos durante el seminario, por conseguir una secuenciación didáctica de los contenidos, nosotros hemos pasado de estimar el AFC a estimar el MEC sin ningún tipo de reflexión sobre los resultados del AFC, puesto que nos era más fácil ver que las diferencias en la sintaxis entre uno y otro eran mínimas, y por eso dejábamos para la sesión 2, el análisis de la información del AFC para validar el instrumento de medida. Por ese motivo no nos vamos a detener en interpretar resultado alguno, y vamos a pasar a la pregunta 2, que implica la estimación del MEC. 8
Pero es MUY IMPORTANTE que tengamos claro que en una investigación la secuencia no sería esa. Estimaríamos el AFC, con su información validaríamos el instrumento de medida y solo entonces, estimaríamos el MEC. En cualquier caso, la interpretación que luego veremos en la pregunta 3, habrá que realizarla sobre las cargas factoriales estandarizadas (cuadro 6.b) y sobre las cargas no estandarizadas que contienen el estadístico t que nos dice si son o no significativas (cuadro 7). Sobre estos cuadros volveremos en la pregunta 3. Cuadro 7. Solución no estandarizada EOU1
=V1
=
.693*F1 .085 8.122@
+1.000 E1
EOU2
=V2
=
.832*F1 .102 8.171@
+1.000 E2
EOU3
=V3
=
.856*F1 .088 9.777@
+1.000 E3
EOU4
=V4
=
.913*F1 .106 8.650@
+1.000 E4
PU1
=V5
=
.970*F2 .121 8.029@
+1.000 E5
PU2
=V6
=
.812*F2 .112 7.286@
+1.000 E6
PU3
=V7
=
1.053*F2 .109 9.684@
+1.000 E7
PU4
=V8
=
.995*F2 .108 9.209@
+1.000 E8
USE1
=V9
=
1.348*F3 .205 6.576@
+1.000 E9
USE2
=V10 =
1.403*F3 .199 7.059@
+1.000 E10
Simplemente interpretar los tres números que para cada variable latente nos proporciona el programa. Tomando como ejemplo la relación de F1 sobre V1, el primer número (.693) nos indica la carga factorial no estandarizada, el segundo (.085) es el error estándar de la estimación, mientras que el tercero 8.122 es el estadístico t que simplemente es el resultado de dividir carga estimada por error estándar. Recordemos que los valores críticos de este estadístico son 1.96 para un nivel de significación del 5% y 2.56 para el 1%. Esto quiere decir que al ser 8.122, la carga factorial es significativa al 1%. El programa marca con una @ las cargas factoriales que son significativas al menos al 5% para facilitar la lectura de la salida.
9
Pregunta 2 Con la salvedad anterior, vamos a dar por validado el instrumento de medida (aunque volveremos sobre él en la pregunta 3) y vamos a estimar el MEC. El cuadro 8 muestra la sintaxis que ejecuta el mismo. Si nos damos cuenta, las únicas modificaciones planteadas sobre el AFC son las siguientes (marcadas en rojo): Cuadro 8. Sintaxis del MEC /TITLE Caso parcial: MEC /SPECIFICATIONS DATA='E:\DATOS\Docencia\Doctorado_Marketing\SEMINARIOS\Seminario_Mondra gon\Casos\Datos\datos_caso_parcial.ess'; VARIABLES=10; CASES=100; METHOD=ML; ANALYSIS=COVARIANCE; MATRIX=RAW; /LABELS V1=EOU1; V2=EOU2; V3=EOU3; V4=EOU4; V5=PU1; V6=PU2; V7=PU3; V8=PU4; V9=USE1; V10=USE2; /EQUATIONS V1 = *F1 + E1; !EASE OF USE V2 = *F1 + E2; V3 = *F1 + E3; V4 = *F1 + E4; V5 V6 V7 V8
= = = =
F2 + E5; !PERCEIVED USEFULNESS *F2 + E6; *F2 + E7; *F2 + E8;
V9 = V10 =
F3 + E9; !INTENTION TO BUY *F3 + E10;
F3=*F1+*F2+D3; F2=*F1+D2; /VARIANCES F1 = 1; E1 = *; E2 = *; E3 = *; E4 = *; E5 = *; E6 = *; E7 = *; E8 = *; E9 = *; E10 = *; D2=*; D3=*; /COVARIANCES !NO HAY COVARIANZAS /PRINT FIT=ALL; /LMTEST
/END
•
La más importante es, lógicamente, que hay que introducir en el modelo la parte estructural, es decir, las ecuaciones que relacionan las variables latentes. Si refrescamos la figura 1, vemos que utilidad percibida (F2) y facilidad percibida (F1), influyen sobre la intención de compra (F3),
10
mientras que la facilidad percibida, además, influye sobre la utilidad percibida. En términos de sintaxis: F3=*F1+*F2+D3; F2=*F1+D2;
•
•
•
Al convertirse los factores F2 y F3 en variables dependientes, es necesario incorporarles un término de error. Al ser factores se denota como D en lugar de cómo E (variables manifiestas), así aparecen D2 y D3. Pero como todos los términos de error, D2 y D3 son variables independientes, por lo que siguiendo las reglas es necesario estimar sus varianzas, por eso se añaden a la sección /VARIANCES Si nos damos cuenta, F2 y F3 se han convertido en variables dependientes. Siguiendo las reglas, no se puede estimar sus varianzas. En la fase de identificación de escala de un AFC teníamos como opción fijar una carga factorial de una de las variables manifiestas que iban sobre un factor a 1 o, alternativamente, fijar a 1 la varianza. Pero ahora, al ser dependientes, la segunda opción no existe. Por eso hemos de darnos cuenta que hemos fijado a 1 la varianza de F1 (que es independiente), estimando las cuatro cargas de sus variables manifiestas, pero en F2 y F3 hemos tenido que fijar a 1 la primera carga factorial: V5 V6 V7 V8
= = = =
V9 = V10 =
•
F2 + E5; !PERCEIVED USEFULNESS *F2 + E6; *F2 + E7; *F2 + E8; F3 + E9; !INTENTION TO BUY *F3 + E10;
Finalmente, recordemos que las reglas sólo nos permitían fijar covarianzas entre cada par de factores independientes. Ahora no hay ningún par independiente, puesto que sólo hay un factor que cumple este requisito (F1). Por eso en la sección /COVARIANCES no hay ningún par implicado.
Llegados a este punto, rodaríamos el modelo y aplicaríamos los mismos criterios de los puntos anteriores para valorar la bondad de ajuste y asegurarnos que se toman los valores teóricamente adecuados.
2.1
Bondad de ajuste
Si nos fijamos de nuevo en la matriz residual estandarizada de covarianzas (cuadro 9), observamos que el promedio de los residuos es pequeño, tanto si tenemos en cuenta la diagonal (.0350) como si no la tenemos (.0428). Esto se tra-
11
duce un gráfico de residuos –cuadro 10– también centrado (es decir, residuos pequeños). Cuadro 9. Matriz residual estandarizada de covarianzas STANDARDIZED RESIDUAL MATRIX:
EOU1 EOU2 EOU3 EOU4 PU1 PU2 PU3 PU4 USE1 USE2
PU2 PU3 PU4 USE1 USE2
EOU2 V2
EOU3 V3
EOU4 V4
PU1 V5
V1 V2 V3 V4 V5 V6 V7 V8 V9 V10
EOU1 V1 .000 -.034 .032 -.023 .013 -.022 -.021 .035 -.003 .051
.000 .011 .004 -.023 -.033 .020 .065 .005 .037
.000 -.010 -.151 -.119 -.068 .042 -.103 .022
.000 .105 -.019 .095 .084 -.062 .038
.000 .092 .009 -.050 -.013 .013
PU3 V7
PU4 V8
USE1 V9
USE2 V10
V6 V7 V8 V9 V10
PU2 V6 .000 -.014 .006 -.079 -.150
.000 -.001 .042 -.009
.000 .040 .057
.000 .000
AVERAGE ABSOLUTE STANDARDIZED RESIDUAL = AVERAGE OFF-DIAGONAL ABSOLUTE STANDARDIZED RESIDUAL =
.000 .0350 .0428
Cuadro 10. Gráfico de residuos estandarizados ---------------------------------------! ! 40! ! ! ! ! ! ! ! RANGE FREQ PERCENT 30! ! 1 -0.5 - -0 .00% ! * * ! 2 -0.4 - -0.5 0 .00% ! * * ! 3 -0.3 - -0.4 0 .00% ! * * ! 4 -0.2 - -0.3 0 .00% 20* * 5 -0.1 - -0.2 4 7.27% ! * * ! 6 0.0 - -0.1 25 45.45% ! * * ! 7 0.1 0.0 25 45.45% ! * * ! 8 0.2 0.1 1 1.82% ! * * ! 9 0.3 0.2 0 .00% 10* * A 0.4 0.3 0 .00% ! * * ! B 0.5 0.4 0 .00% ! * * ! C ++ 0.5 0 .00% ! * * * ! ------------------------------! * * * * ! TOTAL 55 100.00% ---------------------------------------1 2 3 4 5 6 7 8 9 A B C EACH "*" REPRESENTS 2 RESIDUALS
Si vemos ahora el cuadro 11 donde se nos proporcionan los estadísticos ad hoc de ajuste, vemos como la chi cuadrado no es significativa (p=.16621) y la gran mayoría de indicadores es superior a .90; si nos fijamos en los basados en residuos, como el RMSEA, son pequeños, inferior en este caso a .050. Nada, por
12
tanto, parece sugerir tampoco problemas de ajuste en el MEC que hemos realizado. Cuadro 11. Indicadores específicos de ajuste CHI-SQUARE = 39.633 BASED ON 32 DEGREES OF FREEDOM PROBABILITY VALUE FOR THE CHI-SQUARE STATISTIC IS .16621 THE NORMAL THEORY RLS CHI-SQUARE FOR THIS ML SOLUTION IS FIT INDICES ----------BENTLER-BONETT NORMED FIT INDEX = .917 BENTLER-BONETT NON-NORMED FIT INDEX = .975 COMPARATIVE FIT INDEX (CFI) = .982 BOLLEN'S (IFI) FIT INDEX = .983 MCDONALD'S (MFI) FIT INDEX = .963 JORESKOG-SORBOM'S GFI FIT INDEX = .928 JORESKOG-SORBOM'S AGFI FIT INDEX = .876 ROOT MEAN-SQUARE RESIDUAL (RMR) = .086 STANDARDIZED RMR = .052 ROOT MEAN-SQUARE ERROR OF APPROXIMATION (RMSEA) 90% CONFIDENCE INTERVAL OF RMSEA ( .000,
=
38.394.
.049 .093)
La convergencia muy rápida en 7 iteraciones (cuadro 12), confirma la impresión de que el modelo no presenta problemas de ajuste ni de identificación. Cuadro 12. Proceso de convergencia ITERATIVE SUMMARY
ITERATION 1 2 3 4 5 6 7
2.2
PARAMETER ABS CHANGE .423704 .203774 .066901 .011168 .003192 .001727 .000347
ALPHA 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
FUNCTION .73504 .42994 .40304 .40043 .40034 .40034 .40033
Valores teóricamente adecuados
Tal y como se ha comentado en la sesión del seminario, no se debe pasar nunca a intepretar los resultados del modelo, sin antes asegurarnos de que no se produce ningún tipo de resultado anómalo que nos haga dudar de que hemos llevado a cabo cada paso con precisión. Los cuadros 13.a, 13.b y 13.c, muestran que ninguna de las mencionadas posibilidades erróneas se producen.
13
Cuadro 13. Valores estimados anómalos (a)
Correlaciones superiores a la unidad
Dado que no hemos estimado covarianzas entre pares de factores, dado que no hay dos independientes en nuestro modelo, no cabe posibilidad de estimación extraña. (b)
Cargas estandarizadas superiores en valor absoluto a 1.0
STANDARDIZED SOLUTION:
EOU1 EOU2 EOU3 EOU4 PU1 PU2 PU3 PU4 USE1 USE2 F2 F3
=V1 =V2 =V3 =V4 =V5 =V6 =V7 =V8 =V9 =V10 =F2 =F3
= = = = = = = = = = = =
.740*F1 .743*F1 .844*F1 .775*F1 .733 F2 .681*F2 .838*F2 .809*F2 .762 F3 .833*F3 .557*F1 .477*F2
R-SQUARED
+ + + + + + + + + + + +
.673 E1 .669 E2 .537 E3 .632 E4 .680 E5 .732 E6 .546 E7 .587 E8 .648 E9 .554 E10 .830 D2 .058*F1
+ .859 D3
.547 .552 .712 .600 .537 .464 .702 .655 .580 .693 .311 .262
No se dan cargas superiores a 1. Es importante darse cuenta, aunque profundizaremos luego cuando veamos la interpretación del modelo, que ahora hay dos tipos de estimaciones. Lo que estrictamente podemos llamar cargas factoriales estimadas, que se corresponden a las que unen a las variables manifiestas con sus factores, y lo que debemos denominar coeficientes de regresión estimados, que se corresponden con las estimaciones de la parte estructural del modelo, esto es: F2 F3
=F2 =F3
= =
.557*F1 .477*F2
+ .830 D2 + .058*F1
+ .859 D3
.311 .262
En cualquier caso el requisito se ha de aplicar tanto a unas como a los otros. Nótese que, pese a que no se ha estimado la carga factorial de, por ejemplo, F2 sobre V5, dado que se fijó a 1 (no aparece un * en el cuadro 12.b), el valor que figura en la ecuación (.733) es distinto de 1 (valor al que se fijó). Recuérdese que estamos ante la solución estandarizada, no a la directamente estimada que veremos después. Lo mismo ocurre para F3 sobre V9.
14
(c)
Varianzas negativas
VARIANCES OF INDEPENDENT VARIABLES ---------------------------------STATISTICS SIGNIFICANT AT THE 5% LEVEL ARE MARKED WITH @. E --E1
-
EOU1
E2
-
EOU2
E3
-
EOU3
E4
-
EOU4
E5
-
PU1
E6
-
PU2
E7
-
PU3
E8
-
PU4
E9
-
USE1
E10 -
USE2
D --.398*I D2 .069 I 5.732@I I .561*I D3 .098 I 5.703@I I .297*I .068 I 4.354@I I .556*I .103 I 5.399@I I .810*I .140 I 5.804@I I .762*I .124 I 6.126@I I .471*I .105 I 4.504@I I .522*I .105 I 4.978@I I 1.323*I .421 I 3.140@I I .865*I .421 I 2.056@I I
-
F2
-
F3
.648*I .170 I 3.801@I I 1.350*I .416 I 3.246@I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I
Vemos que no hay varianzas negativas. Nótese que ahora se proporcionan las varianzas tanto de los errores (E) asociados a la parte de medida el modelo (variables manifiestas), como las disturbances (D) asociadas a las variables latentes.
2.3
Interpretación de resultados
El MEC lo hemos realizado para evaluar si las hipótesis que se han planteado en nuestro modelo, y que hemos resumido en la figura 1, se compadecen o no con nuestros datos. Debemos recordar, insisto una vez más, en que la parte de medida del modelo ya se habrá evaluado en términos de fiabilidad y validez antes de la estimación (aunque nosotros lo haremos en la pregunta 3), por lo que tiene poco interés en esta etapa si son significativos o no las cargas factoriales de la
15
parte de medida, y nosotros nos hemos de centrar en la parte estructural, que es la que soporte nuestras hipótesis. El cuadro 14 contiene los resultados no estandarizados de la estimación de la parte estructural. Recordemos, tomando como ejemplo la relación de F1 (facilidad) sobre F2 (utilidad), que los tres números que aparecen son: el coeficiente de regresión no estandarizado (.540), el error estándar de la estimación (.116) y el valor del estadístico t (4.666) que simplemente se obtiene dividiendo la estimación por el error. Refresquemos que los puntos de corte para el estadístico t son 1.96 (p