Comparación de la eficiencia en la estimación de parámetros entre análisis de estructura de covarianzas, modelo de rutas mediante mínimos cuadrados parciales y análisis generalizado de componentes estructurales un estudio de simulación

Resumen

La presente tesis doctoral busca profundizar en el estudio de la recuperación de parámetros. Partiendo del reconocimiento de distintas técnicas de MEE, se pretende: 1.- Evaluar la eficiencia y sesgo en la estimación de parámetros de las técnicas de MEE: ACOV, PLS-PM y GSCA, en condiciones que no se han utilizado conjuntamente en estudios previos, tales como la utilización de datos sintéticos simulados con escala ordinal, en un modelo con variables manifiestas reflectivas y formativas. Además de incorporar condiciones habitualmente utilizadas en el estudio de la recuperación de parámetros tales como distintos tamaños muestrales, niveles de asimetría y especificaciones del modelo; con niveles habituales en psicología y educación (Micceri, 1989); y economía (Hulland, Ryan y Rayner, 2005, citados por Hwang y cols., 2010a) y valores extremos que superan las limitaciones de estudios previos (Hwang y cols., 2010a). 2.- Comparar la precisión en la recuperación de parámetros de las técnicas de MEE: ACOV, PLS-PM y GSCA en las distintas condiciones experimentales señaladas en el objetivo 1. Se plantean las siguientes hipótesis de investigación: (1). La eficiencia en la recuperación de parámetros de las aproximaciones basadas en componentes, será similar y mayor que la eficiencia presentada por ACOV en condiciones de tamaño muestral pequeño y asimetría alta. (2). La eficiencia en la recuperación de parámetros de ACOV será mayor que la presentada por las aproximaciones basadas en componentes, cuando las condiciones experimentales favorezcan el cumplimiento de supuestos de distribución de los datos (asimetría nula) y requisitos de tamaño muestral (tamaño muestral grande y muy grande). (3). La precisión en la recuperación de parámetros de las aproximaciones basadas en componentes, será similar y mayor que la presentada por ACOV en condiciones de tamaño muestral pequeño y asimetría alta. (4). La precisión en la estimaciones de parámetros de ACOV será mayor que la presentada por las aproximaciones basadas en componentes, cuando las condiciones experimentales favorezcan el cumplimiento de supuestos de distribución de los datos (asimetría nula) y requisitos de tamaño muestral (tamaño muestral grande y muy grande). (5). La precisión en la recuperación de parámetros de GSCA será mayor que la precisión de ACOV y PLS-PM en condición de modelo menos especificado. La tesis se estructura en dos secciones. La primera parte es puramente teórica e incluye un capítulo para el Análisis de Rutas (Path Analysis, PA), un capítulo para cada una de las tres técnicas de MEE: ACOV, PLS-PM y GSCA, y un capítulo sobre la comparación de las mismas. La segunda parte es empírica e incluye la realización de dos estudios de simulación que buscan responder a los objetivos de esta tesis doctoral. El primero de ellos busca evaluar la eficiencia y sesgo de ACOV y PLS-PM en la recuperación de parámetros con datos simulados con escala ordinal, en un modelo con variables manifiestas reflectivas, considerando distintas condiciones de: a) asimetría, b) especificación del modelo y c) tamaño muestral. Utilizando el método de estimación de parámetros ULS para ACOV, el que se ha demostrado es el método más eficiente cuando se utilizan variables manifiestas con escala ordinal (Forero, Maydeu-Olivares y Gallardo-Pujol, 2009). El segundo estudio incorpora la técnica de MEE: GSCA e incluye variables manifiestas formativas en la definición del modelo. Así, este segundo estudio busca comparar ACOV, PLS-PM y GSCA, respecto de su eficiencia y sesgo en la recuperación de parámetros en un modelo que incluye variables manifiestas reflectivas y formativas, con datos simulados con escala ordinal, considerando distintos niveles de asimetría, especificación del modelo y tamaño muestral; superando algunas de las limitaciones presentes en el trabajo de Hwang, y cols. (2010a) y señaladas por los propios autores, en cuanto a los niveles de asimetría y tamaño muestral. Este estudio reduce la cantidad de condiciones y de réplicas por condición (en comparación con el primer estudio de la parte práctica) para posibilitar la incorporación de la técnica GSCA, dada la limitación para la automatización de la aplicación de la misma, reconocida por el autor de GeSCA (Hwang, 2011), siendo el único programa disponible hasta el momento. Se destaca la utilización de variables manifiestas con escala ordinal, dada su amplia utilización en distintas áreas de la psicología; la incorporación de variables manifiestas formativas considerando su utilización en el ámbito de las ciencias económicas; y la utilización del método de estimación ML para ACOV, el que ha demostrado ser el más eficiente cuando se utiliza un modelo que incluye variables manifiestas formativas (Ringle, Götz, Wetzles, y Wilson, 2009). En los capítulos teóricos se presentará un diagrama de rutas con la nomenclatura propia de cada técnica de MEE. Sin embargo, por simplicidad y considerando lo virtualmente inevitable de comenzar por definir un modelo de rutas con variables latentes convencional (McDonald, 1996), en la parte práctica de este trabajo se utilizará la nomenclatura de ACOV, tanto en los diagramas de rutas, como en el desarrollo de los dos estudios que incorpora dicho apartado.