CASO PARCIAL DETERMINANTES DE LA INTENCIÓN DE COMPRA DE BILLETES DE AVIÓN POR IN- TERNET

(1)

1

CASO PARCIAL

DETERMINANTES DE LA INTENCIÓN DE

COMPRA DE BILLETES DE AVIÓN POR

IN-TERNET

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

condiciona-do, 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

Intención de compra online Facilidad percibida de uso Utilidad percibida USE1 USE2

PU1 PU2 PU3 PU4

(2)

2 Para operativizar los distintos constructos, los autores elaboraron un

cuestiona-rio 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

to-talmente en desacuerdo con la afirmación y 7 que estaba en completo acuerdo.

Cuadro 1. Instrumento de medida

Afirmación Código

Travelocity.com es fácil de utilizar PEOU1

Es fácil aprender a ser hábil utilizando Travelocity.com PEOU2 Aprender a operar con Travelocity.com es fácil PEOU3 Travelocity.com es una página con la que se puede actuar de forma flexible PEOU4 Travelocity.com me permite buscar y comprar mejor billetes de avión PU1 Travelocity.com mejora mi efectividad en la búsqueda y compra de billetes de avión PU2 Travelocity.com me permite buscar y comprar billetes de avión más rápido PU3 Travelocity.com me permite buscar y comprar billetes de avión más fácil PU4 Usaría mi tarjeta de crédito para comprar en Travelocity.com USE1 No me importaría dar información sobre mis necesidades a Travelocity.com 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

aná-lisis.

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

accep-tance of information technology”. MIS Quarterly, Vol. 13, No. 3,

pp.319-340.

Gefen, D. y Straub, D. (2005). “A practical guide to factorial validity using

pls-graph: tutorial and annotated example”. Communications of the

Associa-tion for InformaAssocia-tion Systems, Vol. 16, pp. 91-109.

Accesible en:

http://cais.aisnet.org/articles/default.asp?vol=16&art=5

(3)

3

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

me-diante 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)

Intención de compra online Facilidad percibida de uso Utilidad percibida USE1 USE2 PU1 PU2 PU3 PU4 PEOU1 PEOU2 PEOU3 PEOU4

(4)

4 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 = *F2 + E5; !Perceived usefulness V6 = *F2 + E6;

V7 = *F2 + E7; V8 = *F2 + E8;

V9 = *F3 + E9; !Intention to use V10 = *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

estima-ción 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

).

(5)

5 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 V1 V2 V3 V4 V5 EOU1 V1 .000 EOU2 V2 -.034 .000 EOU3 V3 .032 .011 .000 EOU4 V4 -.023 .004 -.010 .000 PU1 V5 .013 -.023 -.151 .105 .000 PU2 V6 -.022 -.034 -.119 -.019 .091 PU3 V7 -.021 .020 -.068 .096 .009 PU4 V8 .035 .065 .042 .084 -.050 USE1 V9 -.003 .005 -.103 -.062 -.011 USE2 V10 .050 .036 .020 .037 .012

PU2 PU3 PU4 USE1 USE2 V6 V7 V8 V9 V10 PU2 V6 .000 PU3 V7 -.015 .000 PU4 V8 .006 .000 .000 USE1 V9 -.078 .044 .042 .000 USE2 V10 -.151 -.009 .057 .000 .000

AVERAGE ABSOLUTE STANDARDIZED RESIDUAL = .0349

(6)

6 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,

compro-bamos 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

su-gerir problemas de ajuste en el AFC que hemos realizado.

Cuadro 4. Indicadores específicos de ajuste

INDEPENDENCE MODEL CHI-SQUARE = 476.603 ON 45 DEGREES OF FREEDOM

INDEPENDENCE AIC = 386.603 INDEPENDENCE CAIC = 224.370 MODEL AIC = -24.366 MODEL CAIC = -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 38.390.

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) = .049 90% CONFIDENCE INTERVAL OF RMSEA ( .000, .093)

La convergencia muy rápida en apenas 5 iteraciones (cuadro 5), confirma esta

impresión de que el modelo no presenta problemas de ajuste (tampoco

proble-mas de identificación).

(7)

7 Cuadro 5. Proceso de convergencia

ITERATIVE SUMMARY

PARAMETER

ITERATION ABS CHANGE ALPHA FUNCTION

1 .580846 1.00000 .61070

2 .123242 1.00000 .42484

3 .033059 1.00000 .40088

4 .009904 1.00000 .40041

5 .000989 1.00000 .40034

1.2 Valores teóricamente adecuados

Como vimos durante la sesión, antes de pasar a interpretar el modelo, es

necesa-rio asegurarse de que los resultados de la estimación no presentan valores

anó-malos que, recordemos, podían ser: (a) correlaciones superiores a la unidad, (b)

cargas factoriales estandarizadas superiores en valor absoluto a 1.0 o (c)

varian-zas negativas. Los cuadros 6.a, 6.b y 6.c, muestran que ninguna de las

mencio-nadas 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 F2 - F2 .557*I I F1 - F1 .086 I I 6.491@I I I I F3 - F3 .325*I I F1 - F1 .112 I I 2.898@I I I I F3 - F3 .509*I I F2 - F2 .098 I I 5.180@I I I

(b) Cargas estandarizadas superiors en valor absoluto a 1.0

STANDARDIZED SOLUTION: R-SQUARED EOU1 =V1 = .740*F1 + .673 E1 .547 EOU2 =V2 = .743*F1 + .669 E2 .552 EOU3 =V3 = .844*F1 + .536 E3 .712 EOU4 =V4 = .774*F1 + .633 E4 .600 PU1 =V5 = .733*F2 + .680 E5 .537 PU2 =V6 = .682*F2 + .732 E6 .465 PU3 =V7 = .838*F2 + .546 E7 .702 PU4 =V8 = .809*F2 + .588 E8 .654 USE1 =V9 = .759*F3 + .651 E9 .576 USE2 =V10 = .835*F3 + .550 E10 .698

(8)

8 (c) Varianzas negativas

VARIANCES OF INDEPENDENT VARIABLES ---

STATISTICS SIGNIFICANT AT THE 5% LEVEL ARE MARKED WITH @.

E D --- --- E1 - EOU1 .398*I I .069 I I 5.731@I I I I E2 - EOU2 .561*I I .098 I I 5.704@I I I I E3 - EOU3 .296*I I .068 I I 4.352@I I I I E4 - EOU4 .556*I I .103 I I 5.402@I I I I E5 - PU1 .810*I I .140 I I 5.802@I I I I E6 - PU2 .760*I I .124 I I 6.122@I I I I E7 - PU3 .471*I I .105 I I 4.503@I I I I E8 - PU4 .523*I I .105 I I 4.983@I I I I E9 - USE1 1.335*I I .420 I I 3.178@I I I I E10 - USE2 .851*I I .424 I I 2.009@I I I I

1.3 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

didác-tica 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

míni-mas, 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.

(9)

9 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 +1.000 E1 .085 8.122@ EOU2 =V2 = .832*F1 +1.000 E2 .102 8.171@ EOU3 =V3 = .856*F1 +1.000 E3 .088 9.777@ EOU4 =V4 = .913*F1 +1.000 E4 .106 8.650@ PU1 =V5 = .970*F2 +1.000 E5 .121 8.029@ PU2 =V6 = .812*F2 +1.000 E6 .112 7.286@ PU3 =V7 = 1.053*F2 +1.000 E7 .109 9.684@ PU4 =V8 = .995*F2 +1.000 E8 .108 9.209@ USE1 =V9 = 1.348*F3 +1.000 E9 .205 6.576@ USE2 =V10 = 1.403*F3 +1.000 E10 .199 7.059@

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.

(10)

10

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

úni-cas modificaciones planteadas sobre el AFC son las siguientes (marcadas en

ro-jo):

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 = F2 + E5; !PERCEIVED USEFULNESS V6 = *F2 + E6; V7 = *F2 + E7; V8 = *F2 + E8; V9 = F3 + E9; !INTENTION TO BUY V10 = *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),

(11)

11 mientras que la facilidad percibida, además, influye sobre la utilidad

per-cibida. 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

indepen-dientes, 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

dependien-tes. 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

fi-jar a 1 la primera carga factorial:

V5 = F2 + E5; !PERCEIVED USEFULNESS V6 = *F2 + E6; V7 = *F2 + E7; V8 = *F2 + E8; V9 = F3 + E9; !INTENTION TO BUY V10 = *F3 + E10;

• Finalmente, recordemos que las reglas sólo nos permitían fijar

covarian-zas 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

te-nemos en cuenta la diagonal (.0350) como si no la tete-nemos (.0428). Esto se

(12)

tra-12

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 V1 V2 V3 V4 V5 EOU1 V1 .000 EOU2 V2 -.034 .000 EOU3 V3 .032 .011 .000 EOU4 V4 -.023 .004 -.010 .000 PU1 V5 .013 -.023 -.151 .105 .000 PU2 V6 -.022 -.033 -.119 -.019 .092 PU3 V7 -.021 .020 -.068 .095 .009 PU4 V8 .035 .065 .042 .084 -.050 USE1 V9 -.003 .005 -.103 -.062 -.013 USE2 V10 .051 .037 .022 .038 .013

PU2 PU3 PU4 USE1 USE2 V6 V7 V8 V9 V10 PU2 V6 .000 PU3 V7 -.014 .000 PU4 V8 .006 -.001 .000 USE1 V9 -.079 .042 .040 .000 USE2 V10 -.150 -.009 .057 .000 .000

AVERAGE ABSOLUTE STANDARDIZED RESIDUAL = .0350

AVERAGE OFF-DIAGONAL ABSOLUTE STANDARDIZED RESIDUAL = .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

resi-duos, como el RMSEA, son pequeños, inferior en este caso a .050. Nada, por

(13)

13 tanto, parece sugerir tampoco problemas de ajuste en el MEC que hemos

reali-zado.

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 38.394. 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) = .049

90% CONFIDENCE INTERVAL OF RMSEA ( .000, .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 PARAMETER

ITERATION ABS CHANGE ALPHA FUNCTION 1 .423704 1.00000 .73504 2 .203774 1.00000 .42994 3 .066901 1.00000 .40304 4 .011168 1.00000 .40043 5 .003192 1.00000 .40034 6 .001727 1.00000 .40034 7 .000347 1.00000 .40033

2.2 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

pro-duce ningún tipo de resultado anómalo que nos haga dudar de que hemos

lleva-do 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.

(14)

14 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: R-SQUARED

EOU1 =V1 = .740*F1 + .673 E1 .547 EOU2 =V2 = .743*F1 + .669 E2 .552 EOU3 =V3 = .844*F1 + .537 E3 .712 EOU4 =V4 = .775*F1 + .632 E4 .600 PU1 =V5 = .733 F2 + .680 E5 .537 PU2 =V6 = .681*F2 + .732 E6 .464 PU3 =V7 = .838*F2 + .546 E7 .702 PU4 =V8 = .809*F2 + .587 E8 .655 USE1 =V9 = .762 F3 + .648 E9 .580 USE2 =V10 = .833*F3 + .554 E10 .693 F2 =F2 = .557*F1 + .830 D2 .311 F3 =F3 = .477*F2 + .058*F1 + .859 D3 .262

No se dan cargas superiores a 1. Es importante darse cuenta, aunque

profundi-zaremos 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 =F2 = .557*F1 + .830 D2 .311

F3 =F3 = .477*F2 + .058*F1 + .859 D3 .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

ve-remos después. Lo mismo ocurre para F3 sobre V9.

(15)

15 (c) Varianzas negativas

VARIANCES OF INDEPENDENT VARIABLES ---

E D --- --- E1 - EOU1 .398*I D2 - F2 .648*I .069 I .170 I 5.732@I 3.801@I I I E2 - EOU2 .561*I D3 - F3 1.350*I .098 I .416 I 5.703@I 3.246@I I I E3 - EOU3 .297*I I .068 I I 4.354@I I I I E4 - EOU4 .556*I I .103 I I 5.399@I I I I E5 - PU1 .810*I I .140 I I 5.804@I I I I E6 - PU2 .762*I I .124 I I 6.126@I I I I E7 - PU3 .471*I I .105 I I 4.504@I I I I E8 - PU4 .522*I I .105 I I 4.978@I I I I E9 - USE1 1.323*I I .421 I I 3.140@I I I I E10 - USE2 .865*I I .421 I I 2.056@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

(va-riables manifiestas), como las disturbances (D) asociadas a las va(va-riables 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

me-dida 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

tie-ne poco interés en esta etapa si son significativos o no las cargas factoriales de la

(16)

16 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

(facili-dad) sobre F2 (utili(facili-dad), 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

esti-mación por el error. Refresquemos que los puntos de corte para el estadístico t

son 1.96 (p<.05) y 2.56 (p<.01). El programa marca la estimación que es

signifi-cativa poniendo una @ detrás del estadístico t que es significativo al 5%.

Cuadro 14. Solución no estandarizada de la parte estructural

CONSTRUCT EQUATIONS WITH STANDARD ERRORS AND TEST STATISTICS

F2 =F2 = .540*F1 +1.000 D2 .116 4.666@ F3 =F3 = .666*F2 + .078*F1 +1.000 D3 .228 .192 2.925@ .409

Pues bien, si prestamos atención al cuadro 14, podemos comprobar cómo,

efecti-vamente, la influencia de la facilidad de uso (F1) sobre la utilidad percibida

(F2) es significativa (b=.540; t =4.666; p<.01), al igual que ocurre con la

fluencia que la utilidad percibida (b=.666; t =2.925; p<.01) ejerce sobre la

in-tención de compra (F3). Sin embargo, no podemos afirmar que la facilidad

per-cibida de uso influya en la intención de compra online (b=.078; t =0.409;

p>.05).

Aunque no es objetivo de este caso entrar en los problemas de investigación,

sino únicamente en la metodología, podríamos considerar que los resultados

se-ñalan que, para los internautas, la facilidad percibida de uso es una

característi-ca que contribuye a que el usuario perciba una mayor utilidad en comprar a

través del medio, como lo podría ser también la rapidez, el acceso a mayor

sur-tido, etcétera, pero que en sí misma no genera intención de compra. Sólo en la

medida en que el internauta vea otras utilidades en la compra de billetes de

avión por Internet (mejores precios, acceso a más compañías en una sola

consul-ta, comparación de horarios y precios) se decantará por hacerlo. La facilidad de

uso será una de esas utilidades adicionales, pero no un determinante de la

com-pra.

Al igual que ocurre en una regresión, para poder comparar la influencia relativa

de los distintos factores, no podemos fijarnos en los coeficientes no

(17)

estandariza-17

dos (b) sino en los estandarizados (β). Ya vimos al evaluar si había resultados

anómalos esta parte de la salida, de todos modos la volvemos a reproducir en el

cuadro 15.

Cuadro 15. Solución estandarizada de la parte estructural del modelo

STANDARDIZED SOLUTION: R-SQUARED

EOU1 =V1 = .740*F1 + .673 E1 .547 EOU2 =V2 = .743*F1 + .669 E2 .552 EOU3 =V3 = .844*F1 + .537 E3 .712 EOU4 =V4 = .775*F1 + .632 E4 .600 PU1 =V5 = .733 F2 + .680 E5 .537 PU2 =V6 = .681*F2 + .732 E6 .464 PU3 =V7 = .838*F2 + .546 E7 .702 PU4 =V8 = .809*F2 + .587 E8 .655 USE1 =V9 = .762 F3 + .648 E9 .580 USE2 =V10 = .833*F3 + .554 E10 .693 F2 =F2 = .557*F1 + .830 D2 .311 F3 =F3 = .477*F2 + .058*F1 + .859 D3 .262

A la luz de este cuadro, podemos decir que la influencia de la facilidad percibida

sobre la utilidad percibida (β=.557) es algo superior a la de la utilidad sobre la

intención de compra (β=.477). La forma de presentar los resultados en un

artí-culo, suele ser combinando ambas salidas, se reporta la carga estandarizada,

pero se toma la t y la significatividad de la salida de la solución no

estandariza-da, tal y como se ilustra en el cuadro 16.

Cuadro 16. Presentación de los resultados en un artículo

Table X. Hypothesis testing

Hypothesis Path Standardized

Path coefficients

t-value

H1 Perceived ease of useÆPerceived usefulness .557** 4.66

H2 Perceived usefulnessÆUse .477** 2.92

H3 Perceived ease of use ÆUse .058** 0.41

R2_{(Perceived usefulness) = .311; R}2_{(Use) = .262;}

χ2_{(df = 32) = 39.63 (p=0.17); NFI=.917; NNFI=.975; CFI=.982; RMSEA=.049}

**p<.01; *p<.05

n=100

Aunque completamente innecesario ante el buen ajuste del modelo, podemos

plantearnos, como se señaló durante el seminario, si la inclusión de alguna

rela-ción puede mejorar el ajuste. También insistimos mucho en que el objetivo de

un SEM no es mejorar un ajuste, sino confirmar o no un modelo teórico, por lo

que cualquier inclusión, independientemente de lo que pueda sugerir el test de

los multiplicadores de Lagrange, habrá de someterse al cedazo de la teoría y la

lógica teórica.

El cuadro 17 muestra la parte de la salida que recoge el mencionado test de los

multiplicadores de Lagrange.

(18)

18 Cuadro 17. Test de los multiplicadores de Lagrange

MULTIVARIATE LAGRANGE MULTIPLIER TEST BY SIMULTANEOUS PROCESS IN STAGE 1

PARAMETER SETS (SUBMATRICES) ACTIVE AT THIS STAGE ARE:

PVV PFV PFF PDD GVV GVF GFV GFF BVF BFF

CUMULATIVE MULTIVARIATE STATISTICS UNIVARIATE INCREMENT

--- --- HANCOCK'S SEQUENTIAL STEP PARAMETER CHI-SQUARE D.F. PROB. CHI-SQUARE PROB. D.F. PROB. ---- --- --- ---- --- --- --- ---- --- 1 V6,F3 5.207 1 .023 5.207 .023 32 1.000 2 V3,F2 9.793 2 .007 4.587 .032 31 1.000

Lo primero en lo que debemos fijarnos es que no se plantea la adición de

ningu-na relación en la parte estructural del modelo (relacioningu-naría F con F) sino sólo

posibles modificaciones del instrumento de medida. Así sugiere que la chi

cua-drado tendría una reducción ligeramente significativa (p=.023) si la variable V6,

que actualmente carga sobre F2, también lo hiciera sobre F3 (véase en el STEP

1 que el parámetro es V6,F3).

En primer lugar, si esto hay que tenerlo o no en cuenta, habría que haberlo

te-nido en la validación del instrumento de medida, como veremos después. En

esta fase de MEC, sólo nos fijamos en posibles nuevas relaciones estructurales.

Además, incluso aunque las hubiera, que no es el caso, el ajuste del modelo es

tan bueno que modificar nuestro planteamiento teórico inicial por una mejora

marginal en el ajuste es absurdo.

Pregunta 3

Como hemos venido insistiendo reiteradamente en la resolución de este caso, la

validación del instrumento de medida que vamos a realizar ahora, habría que

haberla realizado antes de estimar el MEC. Simplemente, como comentamos

durante el seminario, para facilitar el seguimiento de las sesiones es más

didácti-co dar AFC y MEC antes de la validación que no seguir la secuencia que luego

seguiremos en nuestros trabajos: AFC+Validación y luego MEC.

Reiterada esta precisión, pasamos a realizar la validación del instrumento de

medida. Validar el instrumento de medida no es sino aplicar una serie de

crite-rios a los resultados de un AFC sobre el conjunto de variables latentes e

indica-dores que conforman nuestro modelo. Esto quiere decir que en la pregunta 1 ya

hemos obtenido del programa toda la información que nos hace falta, sólo nos

resta construir los indicadores y aplicar los criterios.

(19)

19

3.1 Validez convergente

El primer paso es valorar la validez convergente, lo que pasa, recordemos, por

evaluar (1) ajuste global del modelo, (2) tamaño y significatividad de las cargas

factoriales y (3) fiabilidad. Yo sugiero este mismo orden, porque la fiabilidad

implica hacer cálculos manuales (AVE, fiabilidad compuesta) o volver a SPSS

para calcular el α de Cronbach. Esto conviene hacerlo cuando hayamos

elimina-do toelimina-dos los ítems que planteen problemas de tamaño de las cargas.

Si retomamos el cuadro 4 (ahora lo renumeraremos como cuadro 18) de la salida

del AFC, ya vimos que el ajuste era más que razonable, tanto porque la chi

cuadrado no era significativa (p=.16618) como porque todos los indicadores ad

hoc superan los valores mínimos.

Cuadro 18. Indicadores específicos de ajuste

CHI-SQUARE = 39.634 BASED ON 32 DEGREES OF FREEDOM PROBABILITY VALUE FOR THE CHI-SQUARE STATISTIC IS .16618

FIT INDICES ---

La siguiente pregunta es si todas las cargas son o no significativas. Retomando

el cuadro 7 (que ahora renumeramos como 19), podemos comprobar como todas

las cargas factoriales son significativas al 1% (todas las t son mayores que 2.56).

El programa, para facilitar la visualización, las marca todas con una @ indicando

que todas son, al menos, significativas al 5%.

(20)

20 Cuadro 19. Solución no estandarizada del AFC

EOU1 =V1 = .693*F1 +1.000 E1 .085 8.122@ EOU2 =V2 = .832*F1 +1.000 E2 .102 8.171@ EOU3 =V3 = .856*F1 +1.000 E3 .088 9.777@ EOU4 =V4 = .913*F1 +1.000 E4 .106 8.650@ PU1 =V5 = .970*F2 +1.000 E5 .121 8.029@ PU2 =V6 = .812*F2 +1.000 E6 .112 7.286@ PU3 =V7 = 1.053*F2 +1.000 E7 .109 9.684@ PU4 =V8 = .995*F2 +1.000 E8 .108 9.209@ USE1 =V9 = 1.348*F3 +1.000 E9 .205 6.576@ USE2 =V10 = 1.403*F3 +1.000 E10 .199 7.059@

Podemos pasar ahora a ver el tamaño de las cargas. Recordemos que para ello

hay que fijarse en las estandarizadas, por lo que retomamos el cuadro 6.b que

ahora renumeramos como 20.

Cuadro 20. Solución estandarizada del AFC.

STANDARDIZED SOLUTION: R-SQUARED EOU1 =V1 = .740*F1 + .673 E1 .547 EOU2 =V2 = .743*F1 + .669 E2 .552 EOU3 =V3 = .844*F1 + .536 E3 .712 EOU4 =V4 = .774*F1 + .633 E4 .600 PU1 =V5 = .733*F2 + .680 E5 .537 PU2 =V6 = .682*F2 + .732 E6 .465 PU3 =V7 = .838*F2 + .546 E7 .702 PU4 =V8 = .809*F2 + .588 E8 .654 USE1 =V9 = .759*F3 + .651 E9 .576 USE2 =V10 = .835*F3 + .550 E10 .698

(21)

21 Vemos que prácticamente todos los coeficientes estandarizados cumplen el

requi-sito de ser superiores a .60 (Bagozzi y Yi, 1988). Si calculáramos el promedio de

las cargas en cada factor, también será superior a .70 que es lo que recomiendan

Hair, Anderson, Tatham y Black (1998) para no eliminar un ítem si alguno

fue-ra inferior a .60.

Tras ver el tamaño de las cargas, podemos pasar a la siguiente etapa de la

vali-dez convergente que es el cálculo manual de la fiabilidad (AVE, fiabilidad

com-puesta) y, en SPSS, el cálculo del α de Cronbach. En esta solución ilustraremos

sólo los cálculos para el factor F1 (facilidad de uso), aunque cuando escribamos

los resultados como lo haríamos en un artículo, estarán todos los resultados

fina-les, cuya obtención se deja como ejercicio.

Cálculo de la varianza extraída promedio (AVE)

Del cuadro 20 vemos que las cargas estandarizadas de F1 toman los valores

.740, .743, .844, y .774. Recordemos que la AVE se calculaba mediante la

expre-sión [1]:

( )

2 2 ij j i ij ij j j

AVE

Var E

λ

=

+

∑

[1]

Por lo que los cálculos serían:

Factor Item λ λ2 _{Var (e)=}

1- λ2 F1 Facilidad de uso EOU1 0,740 0,548 0,452 EOU2 0,743 0,552 0,448 EOU3 0,844 0,712 0,288 EOU4 0,774 0,599 0,401 Σ 2,411 1,589

( )

2 1 1 2 1 1

2, 411

0.603 2, 411

1, 589

j j F j j j j

AVE

Var E

λ

=

+

∑

Valor superior al nivel mínimo recomendado de .50

Cálculo de la fiabilidad compuesta

Del cuadro 20, tomamos de nuevo los valores de las cargas estandarizadas,

mientras que la expresión para el cálculo de la fiabilidad compuesta es la

recogi-da en [2]:

(22)

22

( )

2 2 ij j i ij ij j j

IFC

Var E

λ

⎛

_⎞⎟

⎜

_⎟

⎜

_⎟

⎜

_⎟

⎜⎝

⎠

=

⎛

_⎞⎟

⎜

_{⎟ +}

⎜

_⎟

⎜

_⎟

⎜⎝

⎠

∑

[2]

Por lo que los cálculos serían:

Factor Item λ Var (e)= 1- λ2 F1 Facilidad de uso EOU1 0,740 0,452 EOU2 0,743 0,448 EOU3 0,844 0,288 EOU4 0,774 0,401 Σ 3,101 1,589

( )

2 1 2 1 2 2 1 1

3,101

0, 858

3,101

1, 589

j j j j j j

IFC

Var E

λ

⎛

_⎞⎟

⎜

_⎟

⎜

_⎟

⎜

_⎟

⎜⎝

⎠

=

+

⎛

_⎞⎟

⎜

_{⎟ +}

⎜

_⎟

⎜

_⎟

⎜⎝

⎠

∑

Superior al valor de referencia de .70

Cálculo del α de Cronbach

Para obtener este estadístico no es necesario el cálculo manual, basta con

recu-rrir a SPSS y a los datos individuales. El análisis se realiza con la secuencia

Analizar→Escalas→Análisis de fiabilidad y eligiendo los indicadores del

cons-tructo cuya fiabilidad se esté evaluando, en este caso EOU1 a EOU4. Por si

aca-so hay dudas, el cuadro 21 recoge la sintaxis que puede ejecutarse y el cuadro 22

los resultados obtenidos. El resultado no nos permite apreciar problemas de

fia-bilidad atendiendo a este estadístico.

Cuadro 21. Sintaxis de SPSS para obtener el α de Cronbach

RELIABILITY /VARIABLES=EOU1 EOU2 EOU3 EOU4 /SCALE('ALL VARIABLES') ALL/MODEL=ALPHA /STATISTICS=DESCRIPTIVE SCALE CORR COV /SUMMARY=TOTAL MEANS VARIANCE COV CORR .

(23)

23 Cuadro 22. α de Cronbach para el facilidad percibida de uso (F1)

Validez discriminante

Aunque es innecesario, como ilustración vamos a evaluar la validez

discriminan-te por los tres procedimientos propuestos en los apundiscriminan-tes: discriminan-test del indiscriminan-tervalo de

confianza, test de las diferencias en las chi cuadrado y comparación del AVE y

la correlación entre los factores.

En un artículo o una tesis, es necesario comparar cada par de factores. Por

eco-nomía de espacio nosotros lo vamos a centrar en aquel par de factores más

pro-blemáticos, aunque en la descripción de cómo escribiríamos estos resultados en

un artículo, se ofrecerán todas las comparaciones, dejándose como ejercicio su

comprobación por vuestra parte.

Pero, ¿cuáles son los factores más problemáticos? Si recordamos que

pretende-mos evaluar con la validez discriminante, estapretende-mos valorando si la

operativiza-ción que hemos realizado de dos constructos, conceptualmente distintos, es

pro-blemática en el sentido de que acaban resultando tan parecidos que nos hacen

dudar de si están midiendo cosas iguales o distintas. El caso extremo sería aquel

en que la estimación de la correlación entre ambos factores fuera 1. Luego

es-tarán más cerca de plantear un problema de validez discriminante aquellos

fac-tores cuya correlación estimada sea más alta.

Si revisamos en el cuadro 6.b, que ahora renumeramos como cuadro 23, la

esti-mación de las correlaciones resultantes del AFC que hemos realizado,

compro-bamos que la más alta corresponde al par de factores F1 (facilidad percibida de

uso) y F2 (utilidad percibida), dado que toma un valor de .557, con un error

estándar en la estimación de .086 y siendo significativa (t = 6.49, p<.01).

Cen-traremos en esta par nuestra evaluación de la validez discriminante.

(24)

24 Cuadro 23. Estimación de las correlaciones entre pares de factores

COVARIANCES AMONG INDEPENDENT VARIABLES

---

V F --- --- I F2 - F2 .557*I I F1 - F1 .086 I I 6.491@I I I I F3 - F3 .325*I I F1 - F1 .112 I I 2.898@I I I I F3 - F3 .509*I I F2 - F2 .098 I I 5.180@I I I

Test del intervalo de confianza

Consiste, simplemente, construir un intervalo de confianza de ± dos

desviacio-nes típicas alrededor de la estimación de la correlación entre F1 y F2, si

contie-ne el valor 1 no podemos afirmar la validez discriminante. En nuestro caso, este

cálculo sería (recordar que la estimación es .557 y el error estándar .086):

2, 3 2, 3

Limite superior

2

0.557 2 0.086

0.73 Limite inferior

2

0.557 2 0.086

0.39

F F F F

ρ

σ

ρ

σ

+

=

+ ⋅

=

−

=

− ⋅

=

Dado que el intervalo [0.385-0.729] no contiene el valor 1.0, no parece que con

este criterio se cuestione la validez discriminante.

Test de la varianza extraída promedio

Consiste, como vimos, en comprobar que las varianzas extraídas promedio de los

factores implicados (F1 y F2) son superiores al cuadrado de la correlación

esti-mada entre ellos (.557

2

_{=.310). Aunque no hemos calculado los AVE de ambos}

factores, sí que hemos explicado cómo se hace para el caso de F1, por lo tanto se

deja como ejercicio comprobar que los AVE son:

1 2

0.603

0.631

F F

AVE

=

De todos modos, en el anexo a esta solución se proporciona impresión de la hoja

de cálculo donde se han obtenido los AVE. En cualquier caso, resulta evidente

que:

2 1 1, 2 2 2 1, 2

.603

.310

.557

.631

.310

.557

F F F F F F

AVE

ρ

=

>

=

>

=

(25)

25 Test de las diferencias en la chi cuadrado

Consiste en (1) estimar el AFC dejando libre la covarianza entre F1 y F2 (ya lo

hemos hecho), (2) estimarlo fijando a 1.0 la covarianza entre F1 y F2 y (3)

comprobar qué modelo ajusta mejor. Si el modelo con la covarianza fijada a 1.0

tuviera un ajuste significativamente mejor, no podríamos afirmar la validez

dis-criminante. Para comparar el ajuste del modelo nos hemos de fijar en las chi

cuadrado de ambos.

En el cuadro 18, hemos visto que el ajuste del modelo donde se deja libre (se

estima) la covarianza entre F1 y F2 es:

2

₍

_df

₃₂₎

_39.63

χ

=

Para estimar el modelo restringido (covarianza fijada a 1), basta con corregir la

sintaxis del cuadro 1

1

_{, en la parte de las covarianzas, sustituyendo}

/COVARIANCES F1,F2=*;

Con

/COVARIANCES F1,F2=1;

El ajuste del modelo resultante aparece reflejado en el cuadro 24. Puede

com-probarse como la Chi cuadrado es claramente peor:

2

₍

_df

₃₃₎

_132.07

χ

=

Aunque parece obvio que el ajuste esa diferencia debe ser significativa, debemos

constatarlo. La diferencia entre las chi cuadrado y entre los grados de libertad

son las siguientes:

2

_132.07

_39.63

_92.44

33

32

1 df

χ

Δ

=

−

=

Δ

=

−

=

Dado que una diferencia de χ

2

_{se distribuye como una χ}

2

_{, si nos fijamos en la}

tabla de esta distribución ilustrada en el cuadro 25, vemos como el nivel crítico

para 1 grado de libertad y p=.01 es de 6.63, dado que 92.44 es superior, dicha

diferencia es significativa y como el peor modelo es el que restringía la

covarian-za a 1, éste es significativamente peor, pudiendo afirmar la validez

discriminan-te.

1

_{Nótese que para comparar cada par de correlaciones deberíamos repetir este procedimiento un}

total de 3 veces, lo que explica que no sea un procedimiento muy utilizado dado el mayor

es-fuerzo comparativo que supone respecto a los otros dos

(26)

26 Cuadro 24. Ajuste del AFC restringido fijando a 1 la covarianza entre F1 y F2

Cuadro 25. Tabla de valores críticos para una distribución χ

2

Validez nomológica

La evaluación de la validez nomológica, pasa por la estimación del modelo de

ecuaciones estructurales y la comparación del ajuste final del mismo con el del

instrumento de medida. Aquí vemos una de las razones por las que

didáctica-mente es más adecuado seguir la secuencia que nosotros hemos seguido en el

seminario: AFC՜SEM՜Validación. Para una parte de la validez, la nomológica,

hace falta haber estimado el SEM.

Nosotros ya disponemos de la estimación del AFC (modelo de medida) y del

SEM (modelo estructural). Para evaluar la validez nomológica hemos de

compa-rar el ajuste del modelo estructural con el de medida. Pero en buena lógica

hemos de realizarlo con el modelo estructural final, es decir, el resultante

des-pués de realizar todas las modificaciones en las relaciones que creamos

relevan-tes (adición o eliminación de algunas de ellas, por ejemplo). En nuestro caso, en

la evaluación de la validez convergente y discriminante no ha sido necesario

modificación alguna, por lo que podemos partir de los ajustes finales recogidos

en los cuadros 4 y 11 que, para volver a tenerlos delante renumeramos como

cuadros 26.a y 26.b respectivamente.

CHI-SQUARE = 132.074 BASED ON 33 DEGREES OF FREEDOM PROBABILITY VALUE FOR THE CHI-SQUARE STATISTIC IS .00000

FIT INDICES ---

(27)

27 Cuadro 26. Ajuste del AFC y del SEM

a. Ajuste del AFC

FIT INDICES ---

b. Ajuste del SEM

FIT INDICES ---

Recordemos que podemos afirmar la validez nomológica cuando el ajuste del

modelo estructural (que incorpora lo que se supone son relaciones teóricamente

sustanciales) tiene un ajuste significativamente mejor que el de medida o, al

menos, es indiscernible de aquél. Para contrastarlo hemos de realizar un test

sobre las diferencias entre las chi cuadrado de ambos modelos:

2

_39.634

_39.633

_0.001

32

0 df

χ

Δ

=

−

=

Δ

=

−

=

La comparación en tablas es realmente innecesaria, el ajuste de ambos modelos

es prácticamente idéntico, son indiscernibles y podemos afirmar la validez

no-mológica.

(28)

28 Validado el instrumento de medida, podríamos, ahora sí, pasar a la estimación

del modelo estructural.

Para terminar el caso, vamos a mostrar la forma en que presentaríamos los

re-sultados del proceso de validación en un artículo. Aunque no hemos obtenido en

la solución todos los resultados que se muestran, sí que se ha explicado cómo

hacerlo. Por si acaso acabaremos también con un anexo donde se muestra la

hoja de cálculo con todas las operaciones.

Table X. Internal consistency and convergent validity of the theoretical

con-struct measures.

Variable Indicator Factor loading Robust t-value Loading average CA CR AVE Ease of use EOU1 0,740** 8.122

.775 .844 .852 .603 EOU2 0,743** 8.171 EOU3 0,844** 9.777 EOU4 0,774** 8.650 Usefulness PU1 0,733** 8.029 .766 .889 .852 .631 PU2 0,682** 7.286 PU3 0,838** 9.684 PU4 0,809** 9.209 Use USE1 0,759** 6.576 _{.797 .894}_.775_.637 USE2 0,835** 7.059

χ2_{(df = 32) = 39.63 (p=.16); NFI=.917; NNFI=.975; CFI=.982; RMSEA=.049}

Note: AVE=Average Variance Extracted; CA = Cronbach’s alpha; CR= Composite reliability

**p<.01; *p<.05

n=100

Table X. Discriminant validity of the theoretical construct measures.

1 2 3

1. Ease of use .603 .310 .106 2. Usefulness [.39;.73] .631 .259 3. Use [.10;.55] [.31;.71] .637

Note: Diagonal represents the average variance extracted; while above the diagonal the shared

va-riance (squared correlations) are represented. Below the diagonal the 95% confidence interval for the estimated factors correlations is provided