CAPITULO III: DESARROLLO Y VALIDACIÓN DEL MODELO DE CAPACIDADES DE
4. TÉCNICAS DE ANÁLISIS MULTIVARIENTE
4.2. REGRESIÓN LINEAL MÚLTIPLE
4.2.1. Modelo para la Capacidad de Gestionar Conocimiento (CGC)
114
Se inicia con una comprobación de los supuestos que presenta la regresión lineal múltiple;
Multicolinealidad
Correlación Variable CON VAL PLN ORG DIR CTRL CGC
Correlación de Pearson CON 1 ,701** ,636** ,348** ,492** ,444** ,613** VAL ,701** 1 ,515** ,415** ,474** ,384** ,466** PLN ,636** ,515** 1 ,465** ,479** ,429** ,663** ORG ,348** ,415** ,465** 1 ,493** ,557** ,524** DIR ,492** ,474** ,479** ,493** 1 ,524** ,442** CTRL ,444** ,384** ,429** ,557** ,524** 1 ,465** CGC ,613** ,466** ,663** ,524** ,442** ,465** 1 Sig. (unilateral) CON 0,000 0,000 0,000 0,000 0,000 0,000 VAL 0,000 0,000 0,000 0,000 0,000 0,000 PLN 0,000 0,000 0,000 0,000 0,000 0,000 ORG 0,000 0,000 0,000 0,000 0,000 0,000 DIR 0,000 0,000 0,000 0,000 0,000 0,000 CTRL 0,000 0,000 0,000 0,000 0,000 0,000 CGC 0,000 0,000 0,000 0,000 0,000 0,000 N CON 106 106 106 106 106 106 106 VAL 106 106 106 106 106 106 106 PLN 106 106 106 106 106 106 106 ORG 106 106 106 106 106 106 106 DIR 106 106 106 106 106 106 106 CTRL 106 106 106 106 106 106 106 CGC 106 106 106 106 106 106 106
Tabla 40. Tabla de correlaciones.
Se tiene CGC como Variable Dependiente. Fuente: Elaboración propia basados en SPSS.
Según los datos presentados en la Tabla 40, se puede observar que es posible la existencia de multicolinealidad entre las variables CON y VAL. Sin embargo, es preciso aplicar otras técnicas de colinealidad con el fin de tomar una decisión más objetiva para su medición. Para tal fin se mide el nivel de tolerancia y el indicador de inflación de la varianza FIV.
Modelo Estadísticas de colinealidad
Tolerancia VIF 1 (Constante) CON 0,382 2,618 VAL 0,467 2,140 PLN 0,518 1,931 ORG 0,577 1,733 DIR 0,582 1,720 CTRL 0,577 1,732 a. Variable dependiente: CGC
115
Fuente: Elaboración propia con base en SPSS
La tolerancia es una medida de la varianza de las variables predictoras, establece que si esta es inferior a 0,1 las variables podrían presentar multicolinealidad; para este caso de estudio no se presenta ninguna variable con esta condición. Por otra parte, el factor de inflación de la varianza, establece que es posible tener problemas de multicolinealidad cuando se presenta un valor superior a 10; algunos autores afirmar que desde un VIF>4 se pueden presentar indicios de multicolinealidad, sin embargo, tampoco se presentan en esta sección.
Normalidad, linealidad y Homocedasticidad.
Normalidad: Como se puede observar en la Figura 29, los valores se encuentran cerca de la línea del normal PP Plot indicando un buen ajuste; confirmando los residuos de la variable dependiente (Capacidad de Gestionar Conocimiento “CGC”)
Figura 29. Gráfico PP plot de regresión residuo estandarizado para la capacidad de gestionar conocimiento
Fuente: Autores con base en SPSS.
Linealidad: Como puede observarse en la Figura 30, los datos presentan no presentan ningún tipo de agrupamiento dudoso, distribuyéndose en una manera rectangular, de
116
la misma manera se observa una distribución aceptable de valores por encima y por debajo de cero, por lo que es preciso no tener dudas de la asunción de linealidad. De la misma manera podemos ver a partir del gráfico de dispersión, que los valores presentan independencia, ya que no siguen ninguna tendencia o agrupamiento.
Figura 30. Gráfico de dispersión para la capacidad de gestionar conocimiento
Fuente: Autores con base en SPSS.
Homocedasticidad: De acuerdo al gráfico de dispersión, si se traza una horizontal a la altura del 0, la variación de los residuos sobre esta y debajo de esta son semejantes para los diferentes valores de Y, lo que indica la no presencia de heterocedasticidad. No se aprecia tendencia clara en este gráfico, los residuos no presentan estructura definida respecto de los valores predichos por el modelo por lo que no se debe rechazar la hipótesis de homocedasticidad.
Los gráficos anteriores, establecen que los datos son normales, presentan linealidad y homocedasticidad; por última prueba se realiza la Kolmogorov–Smirnov para evaluar la normalidad de los datos; se tiene por hipótesis nula que los datos son normales.
117 Fuente: Autores.
La prueba arroja como resultado que efectivamente los datos son normales.
Independencia de los residuos: Para observar la independencia de los residuos, se aplica el test de Durbin-Watson; el cual presenta en el modelo un valor de 1,928; lo que indica una correlación entre los residuos dado que se aleja de 0 y se aproxima más al valor 2 del test. Se asume entonces esta independencia.
Resumen del modelo b
Modelo R R cuadrado R cuadrado
ajustado
Error estándar de la estimación
Durbin-Watson
1 ,746a ,556 ,529 ,38079 1,928
a. Predictores: (Constante), CTRL, VAL, PLN, ORG, DIR, CON b. Variable dependiente: CGC
Tabla 42. Test Durbin-Watson para la capacidad de gestionar conocimiento
Fuente: Autores.
Valores extremos y Outliers: A través del gráfico de dispersión (residuos) es posible identificar valores extremos, lo cuales están definidos sobre un residuo estandarizado con valores menores a -3.3 o mayores a 3.3, como se observa en la gráfica hay presencia de un valor extremo.
Para dar una mejor evidencia de la existencia o la no existencia de valores extremos, se aplica la prueba de distancia de Mahalanobis.
Para datos multivariantes distribuidos normalmente, los valores de la distancia de Mahalanobis tienen aproximadamente una distribución chi-cuadrado con p grados de libertad. En consecuencia, aquellas observaciones con una distancia de Mahalanobis grande se indican como valores atípicos.
Para este caso, ubicando en la tabla de chi-cuadrado para valores críticos y para 6 grados de libertad provenientes de tener 6 variables independientes, a un nivel de significancia de 0,001 se obtiene un chi cuadrado de 22,457.
118
Mínimo Máximo Media Desv.
Desviación N
Valor pronosticado 4,9022 6,8900 6,1395 ,41218 106
Desv. Valor pronosticado -3,002 1,821 ,000 1,000 106
Error estándar de valor pronosticado ,038 ,165 ,070 ,023 106
Valor pronosticado corregido 4,9404 6,8851 6,1387 ,41197 106
Residuo -1,40112 ,89576 ,00000 ,37156 106
Desv. Residuo -3,717 2,376 ,000 ,986 106
Residuo estud. -3,789 2,413 ,001 1,003 106
Residuo eliminado -1,45652 ,92410 ,00087 ,38505 106
Residuo eliminado estud. -4,068 2,473 -,002 1,024 106
Distancia Mahal. ,090 19,217 2,972 3,028 106
Distancia de Cook ,000 ,142 ,009 ,018 106
Valor de influencia centrado ,001 ,183 ,028 ,029 106
a. Variable dependiente: CGC
Tabla 43. Estadístico sobre residuos para capacidad de gestionar conocimiento
Fuente: Autores.
Al comparar la distancia de Mahalanobis obtenida (19,217) con el valor de chi cuadrado (22,457), observamos que ésta es inferior al valor crítico; por tanto no se considera la eliminación de casos o sujetos por presencia de valores extremos. Por otra parte, al analizar los residuos desde la distancia de cook, se observa como mayor valor 0,142 que, según el criterio de ser menor que 1, no se elimina ningún caso de la muestra presentada.
Variabilidad explicada por el modelo: El R cuadrado permite cuantificar la variabilidad de la variable dependiente CGC, siendo explicada en sus variables independientes.
Resumen del modelo b
Modelo R R cuadrado R cuadrado
ajustado
Error estándar de la estimación
Durbin-Watson
1 ,746a ,556 ,529 ,38079 1,928
a. Predictores: (Constante), CTRL, VAL, PLN, ORG, DIR, CON b. Variable dependiente: CGC
Tabla 44. Resumen del modelo para la capacidad de gestionar conocimiento
Fuente: Autores.
119
Resumen del modelo b
Modelo R R cuadrado R cuadrado
ajustado
Error estándar de la estimación
Durbin-Watson
1 ,746a ,556 ,529 ,38079 1,928
a. Predictores: (Constante), CTRL, VAL, PLN, ORG, DIR, CON b. Variable dependiente: CGC
Tabla 44, las variables Control, Conocimiento, Dirigir, Valores, Planeación y Organización, explicarían la Capacidad de Gestionar Conocimiento en un 52,9%, indicando que un 47,1% es explicado por otros motivos o factores “desconocidos”.
Significancia del modelo: Haciendo una revisión de la tabla de ANOVA, en ella la hipótesis nula hace referencia a que el modelo propuesto no predice efectivamente la variable dependiente CGC. ANOVA a Modelo Suma de cuadrados gl Media cuadrática F Sig. 1 Regresión 17,980 6 2,997 20,666 ,000b Residuo 14,355 99 ,145 Total 32,335 105 a. Variable dependiente: CGC
b. Predictores: (Constante), CTRL, VAL, PLN, ORG, DIR, CON
Tabla 45. Tabla de ANOVA para la Capacidad de gestionar conocimiento
Fuente: Autores.
Con un nivel de significancia menor a 0,05 la hipótesis nula se rechaza y se acepta la hipótesis alterna, que justifica que este modelo predice la variable dependiente CGC.
Análisis de variables independientes: Se pretende con este análisis conocer qué variables aportan más a la salida del modelo, se presenta en la Tabla 46. Tabla de coeficientes de regresión para la capacidad de gestionar conocimiento
Coeficientes a Modelo Coeficientes no estandarizados Coeficientes estandarizados t Sig. 95,0% intervalo de confianza para B B Desv. Error Beta Límite inferior Límite superior 1 (Constante) -0,176 0,659 -0,267 0,790 -1,482 1,131
120 CON 0,425 0,142 0,325 2,996 0,003 0,143 0,706 VAL -0,066 0,102 -0,064 -0,650 0,517 -0,269 0,136 PLN 0,340 0,089 0,354 3,806 0,000 0,163 0,518 ORG 0,252 0,092 0,242 2,748 0,007 0,070 0,434 DIR -0,010 0,098 -0,009 -0,106 0,916 -0,206 0,185 CTRL 0,077 0,108 0,063 0,713 0,478 -0,137 0,291 a. Variable dependiente: CGC
Tabla 46. Tabla de coeficientes de regresión para la capacidad de gestionar conocimiento
Fuente: Autores
En esta parte se revisan los coeficientes estandarizados o tipificados (Beta); estos muestran que la variable que ejerce mayor influencia es Planeación “PLN” con una salida obtenida de (0,354), seguida por Conocimiento “CON” la cual obtuvo un Beta de (0,325), seguida de Organización “ORG”.
Continuando con el análisis del nivel de significancia estadística de su contribución, se evidencia que la variable Dirección “DIR” no está realizando un aporte significativo a la salida (al obtener un Beta de -0,009 y un t de -0,106). Con ello se concluye que esta variable no está haciendo un aporte significativo en la salida (CGC). Es importante señalar que un valor Beta estandarizado se reconoce como significativo si su valor es superior a 0,05; de lo contrario se pone en duda la presencia de dicha variable en el modelo; tal como sucede como DIR.
Teniendo en cuenta lo anterior, la variable Dirección “DIR” debe considerarse como susceptible de remoción en un modelo ajustado o posterior bajo las condiciones de la presente investigación.
Ecuación de la regresión:
𝐶𝐺𝐶 = −0,176 + 0,425𝐶𝑂𝑁 − 0,066𝑉𝐴𝐿 + 0,340𝑃𝐿𝑁 + 0,252𝑂𝑅𝐺 − 0,010𝐷𝐼𝑅 + 0,077𝐶𝑇𝑅𝐿
121
o CON se verá afectada la variable dependiente CGC en 0,425 unidades, céteris páribus11.
o VAL se verá afectada la variable dependiente CGC en -0,066 unidades, céteris páribus.
o PLN se verá afectada la variable dependiente CGC en 0,340 unidades, céteris páribus.
o ORG se verá afectada la variable dependiente CGC en 0,252 unidades, céteris páribus.
o DIR se verá afectada la variable dependiente CGC en -0,010 unidades, céteris páribus.
o CTRL se verá afectada la variable dependiente CGC en 0,077 unidades, céteris páribus.
Correlaciones parciales y semiparciales: Con este análisis de correlaciones es posible determinar cuál es la contribución única que hace cada variable al R cuadrado, dando una idea aproximada de cuánto podría verse afectada la salida si se removiera dicha variable.
Coeficientes a
Modelo Correlaciones
Orden cero Parcial Parte
1 (Constante) CON 0,613 0,288 0,201 VAL 0,466 -0,065 -0,044 PLN 0,663 0,357 0,255 ORG 0,524 0,266 0,184 DIR 0,442 -0,011 -0,007 CTRL 0,465 0,071 0,048 a. Variable dependiente: CGC
Tabla 47. Coeficientes parciales y semiparciales para la capacidad de gestionar conocimiento
Fuente: Autores.
Como se puede observar en la Tabla 47, el R cuadrado se vería principalmente afectado por la remoción de las variables Planeación “PLN” y Conocimiento “CON” modificándolo en 0,357 y 0,288 respectivamente.
122
o CON contribuye (ella sola) en un proporción de (0,201)2 = 0,040401; es decir, 4,04% a CGC.
o VAL contribuye (ella sola) en un proporción de (0,044)2 = 0,001936; es decir, 0,19% a CGC.
o PLN contribuye (ella sola) en un proporción de (0,255)2 = 0,065025; es decir,
6,50% a CGC.
o ORG contribuye (ella sola) en un proporción de (0,184)2 = 0,033856; es decir,
3,38% a CGC.
o DIR contribuye (ella sola) en un proporción de (0,007)2 = 0,000049; es decir, 0,0049% a CGC.
o CTRL contribuye (ella sola) en un proporción de (0,048)2 = 0,002304; es decir, 0,23% a CGC.
4.2.1.2. Análisis del modelo ajustado
Para este análisis, se removió la variable Dirección “DIR”, ya que como se mencionó anteriormente, no representa mayor aporte significativo en la capacidad de gestionar conocimiento.
Multicolinealidad:
Correlación Variable CON VAL PLN ORG CTRL CGC
Correlación de Pearson CON 1 ,701** ,636** ,348** ,444** ,613** VAL ,701** 1 ,515** ,415** ,384** ,466** PLN ,636** ,515** 1 ,465** ,429** ,663** ORG ,348** ,415** ,465** 1 ,557** ,524** CTRL ,444** ,384** ,429** ,557** 1 ,465** CGC ,613** ,466** ,663** ,524** ,465** 1 Sig. (unilateral) CON 0,000 0,000 0,000 0,000 0,000 VAL 0,000 0,000 0,000 0,000 0,000 PLN 0,000 0,000 0,000 0,000 0,000 ORG 0,000 0,000 0,000 0,000 0,000 CTRL 0,000 0,000 0,000 0,000 0,000 CGC 0,000 0,000 0,000 0,000 0,000 N CON 106 106 106 106 106 106 VAL 106 106 106 106 106 106 PLN 106 106 106 106 106 106 ORG 106 106 106 106 106 106
123
CTRL 106 106 106 106 106 106
CGC 106 106 106 106 106 106
Tabla 48. Multicolinealidad modelo ajustado para la capacidad de gestionar conocimiento
Fuente: Autores.
Una vez se omite la variable Dirección “DIR”, se observa que podría presentarse multicolinealidad entre las variables CON y VAL (0,701) y CON y PLN (0,636). Se procede nuevamente a revisar la Tolerancia y en Indicador de inflación de la varianza FIV, para valorar correlación entre las variables.
Modelo Estadísticas de colinealidad Tolerancia VIF 1 (Constante) CON 0,387 2,584 PLN 0,475 2,107 ORG 0,525 1,905 DIR 0,598 1,671 CTRL 0,616 1,624 a. Variable dependiente: CGC
Tabla 49. Tolerancia y FIV Modelo Ajustado para Capacidad de gestionar conocimiento
Fuente: Autores.
Al igual que en el modelo inicial, no hay presencia de correlaciones, debido a que no hay valores por debajo de 0,1 para el caso de la Tolerancia, ni superiores de 10 o 4 para el Factor de inflación de la varianza (FIV); por lo tanto se asume la no presencia de multicolinealidad.
Normalidad, Linealidad y Homocedasticidad.
Normalidad: Según el gráfico PP Plot, se puede observar un buen ajuste de normalidad, ya que los valores están razonablemente cercanos a la línea normalizada, por tanto se asume normalidad de las variables independiente.
124
Figura 32. Gráfico P-P Plot del Modelo Ajustado para la Capacidad de Gestionar Conocimiento
Fuente: Autores.
Linealidad: Como puede observarse en el diagrama de dispersión, no existen agrupaciones ni tendencias de los datos que puedan causar duda acerca de su linealidad; además se observa una buena distribución de los datos por encima y por debajo de cero. Se acepta por lo tanto la asunción de linealidad.
Figura 33. Diagrama de dispersión del Modelo Ajustado para la Capacidad de Gestionar Conocimiento
Fuente: Autores
Homocedasticidad: Analizando el gráfico de dispersión no se presenta ninguna tendencia particular, ni se observa un aumento o disminución del tamaño de los
125
residuos o presencia de forma de embudo. Por ende no se señala presencia de heterocedasticidad.
Los gráficos anteriores, establecen que los datos son normales, presentan linealidad y homocedasticidad; por última prueba se realiza la Kolmogorov–Smirnov para evaluar la normalidad de los datos; se tiene por hipótesis nula que los datos son normales.
Figura 34. Prueba de hipótesis del Modelo Ajustado para la capacidad de gestionar conocimiento
Fuente: Autores.
La prueba arroja como resultado que efectivamente los datos son normales.
Independencia de los residuos: Al igual que el modelo inicial, se realiza el test de Durbin- Watson; el cual arroja como resultado un valor de próximo a 2. Por tanto se acepta la condición de independencia de los residuos.
Resumen del modelo b
Modelo R R cuadrado R cuadrado
ajustado
Error estándar de la estimación
Durbin-Watson
1 ,746a ,556 ,534 ,37890 1,928
a. Predictores: (Constante), CTRL, VAL, PLN, ORG, CON b. Variable dependiente: CGC
Tabla 50. Test Durbin-Watson del Modelo Ajustado para la capacidad de gestionar conocimiento
Fuente: Autores
Valores extremo y outliers: En el diagrama de dispersión no fueron observados valores extremos, sin embargo, se procede como en el modelo inicial a realizar la prueba de distancia de Mahalanobis.
126
Estadísticas de residuos a
Mínimo Máximo Media Desv.
Desviación
N
Valor pronosticado 4,9022 6,8900 6,1395 ,41218 106 Desv. Valor pronosticado -3,002 1,821 ,000 1,000 106 Error estándar de valor
pronosticado
,038 ,165 ,070 ,023 106
Valor pronosticado corregido 4,9404 6,8851 6,1387 ,41197 106
Residuo -1,40112 ,89576 ,00000 ,37156 106
Desv. Residuo -3,717 2,376 ,000 ,986 106
Residuo estud. -3,789 2,413 ,001 1,003 106
Residuo eliminado -1,45652 ,92410 ,00087 ,38505 106 Residuo eliminado estud. -4,068 2,473 -,002 1,024 106 Distancia Mahal. ,090 19,217 2,972 3,028 106
Distancia de Cook ,000 ,142 ,009 ,018 106
Valor de influencia centrado ,001 ,183 ,028 ,029 106 a. Variable dependiente: CGC
Tabla 51. Estadísticas de residuos del Modelo Ajustado para Capacidad de Gestionar Conocimiento
Fuente: Autores
En este caso ubicando en la tabla de chi cuadrado para valores críticos y para 5 grados de libertad provenientes de tener 5 variables independientes, a un nivel de significancia de 0,001 se obtiene un chi cuadrado crítico de 20,515.
Comparando este valor de chi cuadrado con la distancia de Mahalanobis que es de 19,217; se observa que es menor que el valor crítico, por tanto no se considera la eliminación de casos o sujetos por causa de presencia de valores extremos.
Por último, al analizar los residuos desde la distancia de cook, el mayor valor es 0,142 y según el criterio, al ser menor a 1, no se sugiere eliminar ningún caso de la muestra presentada.
Variabilidad explicada por el modelo ajustado: El R cuadrado permite cuantificar la variabilidad de la variable dependiente CGC, siendo explicada en sus variables independientes.
127
Resumen del modelo b
Modelo R R cuadrado R cuadrado
ajustado
Error estándar de la estimación
Durbin-Watson
1 ,746a ,556 ,534 ,37890 1,928
a. Predictores: (Constante), CTRL, VAL, PLN, ORG, CON b. Variable dependiente: CGC
Tabla 52. Resumen del modelo del modelo ajustado para la capacidad de gestionar conocimiento
Fuente: Autores.
Como se observa en la Tabla 52, las variables Control, Conocimiento, Dirigir, Planeación y Organización, explicarían la Capacidad de Gestionar Conocimiento en un 53,4%, indicando que un 46,6% es explicado por otros motivos o factores “desconocidos”.
Significancia del modelo: Igual que en el modelo inicial se procede a revisas la tabla de ANOVA, en ella la hipótesis nula hace referencia a que el modelo propuesto no predice efectivamente la variable dependiente CGC.
ANOVA a Modelo Suma de cuadrados Gl Media cuadrática F Sig. 1 Regresión 17,978 5 3,596 25,045 ,000b Residuo 14,357 100 ,144 Total 32,335 105 a. Variable dependiente: CGC
b. Predictores: (Constante), CTRL, VAL, PLN, ORG, CON
Tabla 53. Tabla de ANOVA del modelo ajustado para la Capacidad de gestionar conocimiento
Fuente: Autores.
Con un nivel de significancia menor a 0,05 la hipótesis nula se rechaza y se acepta la hipótesis alterna, que justifica que este modelo predice la variable dependiente CGC.
Análisis de variables independientes: Se pretende con este análisis conocer qué variables aportan más a la salida del modelo ajustado, se presenta en la
128 Coeficientes a Modelo Coeficientes no estandarizados Coeficientes estandarizados T Sig. 95,0% intervalo de confianza para B B Desv. Error Beta Límite inferior Límite superior 1 (Constante) -0,187 0,646 -0,290 0,772 -1,469 1,095 CON 0,423 0,140 0,323 3,018 0,003 0,145 0,701 VAL -0,068 0,101 -0,065 -0,672 0,503 -0,268 0,133 PLN 0,339 0,088 0,353 3,839 0,000 0,164 0,514 ORG 0,250 0,090 0,240 2,792 0,006 0,072 0,428 CTRL 0,074 0,104 0,060 0,712 0,478 -0,132 0,280 Tabla 54 Coeficientes a Modelo Coeficientes no estandarizados Coeficientes estandarizados T Sig. 95,0% intervalo de confianza para B B Desv. Error Beta Límite inferior Límite superior 1 (Constante) -0,187 0,646 -0,290 0,772 -1,469 1,095 CON 0,423 0,140 0,323 3,018 0,003 0,145 0,701 VAL -0,068 0,101 -0,065 -0,672 0,503 -0,268 0,133 PLN 0,339 0,088 0,353 3,839 0,000 0,164 0,514 ORG 0,250 0,090 0,240 2,792 0,006 0,072 0,428 CTRL 0,074 0,104 0,060 0,712 0,478 -0,132 0,280
Tabla 54. Tabla de coeficientes de regresión del modelo ajustado para la capacidad de gestionar conocimiento
Fuente: Autores
En esta parte se revisan los coeficientes estandarizados o tipificados (Beta); estos muestran que la variable que ejerce mayor influencia es Planeación “PLN” con una salida obtenida de (0,353), seguida por Conocimiento “CON” la cual obtuvo un Beta de (0,323), seguida de Organización “ORG” con (0,240); resultados semejantes a los del modelo inicial.
Se puede señalar que todos las variables realizan un aporte a la variable dependientes CGC, pues tienen betas estandarizados por encima del valor de 0,05.
Ecuación de la regresión: La ecuación de regresión del modelo ajustado quedaría como la siguiente:
129
Se puede decir de los coeficientes no estandarizados que por un incremento unitario en:
o CON se verá afectada la variable dependiente CGC en 0,423 unidades, céteris páribus12.
o VAL se verá afectada la variable dependiente CGC en -0,068 unidades, céteris páribus.
o PLN se verá afectada la variable dependiente CGC en 0,339 unidades, céteris páribus.
o ORG se verá afectada la variable dependiente CGC en 0,250 unidades, céteris páribus.
o CTRL se verá afectada la variable dependiente CGC en 0,074 unidades, céteris páribus.
Correlaciones parciales y semiparciales:
Coeficientes a
Modelo Correlaciones
Orden cero Parcial Parte
1 (Constante) CON ,613 ,289 ,201 VAL ,466 -,067 -,045 PLN ,663 ,358 ,256 ORG ,524 ,269 ,186 CTRL ,465 ,071 ,047
Tabla 55. Coeficientes parciales y semiparciales del modelo ajustado para la capacidad de gestionar conocimiento
Fuente: Autores.
Como se puede observar el R cuadrado se vería principalmente afectado por la remoción de las variables Organización “ORG” y Conocimiento “CON” modificándolo en 0,358 y 0,289 respectivamente.
Finalmente se puede afirmar a partir de las correlaciones semiparciales que:
130
o CON contribuye (ella sola) en un proporción de (0,289)2 = 0,083521; es decir, 8,35% a CGC.
o VAL contribuye (ella sola) en un proporción de (0,067)2 = 0,004489; es decir,
0,45% a CGC.
o PLN contribuye (ella sola) en un proporción de (0,358)2 = 0,128164; es decir,
12,81% a CGC.
o ORG contribuye (ella sola) en un proporción de (0,269)2 = 0,072361; es decir, 7,24% a CGC.
o CTRL contribuye (ella sola) en un proporción de (0,071)2 = 0,005041; es decir, 0,504% a CGC.
4.2.2. Modelo para la Capacidad de Gestionar Recursos (CGRC)
4.2.2.1. Análisis del modelo inicial
Debido a que los datos para esta capacidad no presentaban una distribución normal, se procedió a realizar una transformación de variables la cual se explica en el ANEXO 4.
Multicolinealidad
Correlación Variable ADMON ECO CGRC
Correlación de Pearson ADMON 1 ,525** ,540** ECO 1 ,472** ,529** CGRC ,472** 1 ,574** Sig. (unilateral) ADMON ,529** ,574** 1 ECO 0,000 0,000 CGRC 0,000 0,000 N ADMON 0,000 0,000 ECO 106 106 106 CGRC 106 106 106
Tabla 56. Tabla de correlaciones.
131
Según los datos presentados en la Tabla 56, se puede observar que no hay indicios de multicolinealidad. Sin embargo, es preciso aplicar otras técnicas de colinealidad, para tal fin se mide el nivel de tolerancia y el indicador de inflación de la varianza VIF.
Modelo Estadísticas de colinealidad
Tolerancia VIF 1 (Constante) ADMON 0,724 1,381 ECO 0,724 1,381 Variable Dependiente: CGRC
Tabla 57. Estadísticos de colinealidad para la Capacidad de Gestionar Recursos
Fuente: Elaboración propia con base en SPSS
La tolerancia es superior al valor crítico de 0,1 y el factor de inflación de la varianza es menor que 4, por lo tanto se asume que las variables no presentan multicolinealidad.
Normalidad, linealidad y Homocedasticidad.
Normalidad: En la Figura 35, los valores se encuentran cerca de la línea del normal PP Plot indicando un buen ajuste; confirmando los residuos de la variable dependiente (Capacidad de Gestionar Recursos “CGRC”)
Figura 35. Gráfico PP plot de regresión residuo estandarizado para la capacidad de gestionar recursos
Fuente: Autores con base en SPSS.
Linealidad: En la Figura 36, los datos no presentan ningún tipo de agrupamiento dudoso, distribuyéndose en una manera rectangular, de la misma manera se observa