máster’en’economíay’...

Máster en Economía y Organización de Empresas (Modulo III)

Dr. Eulogio Cordón Pozo Dr. Eulogio Cordón Pozo

Máster en Economía y Organización de empresas

Módulo III: Competencias para la preparación de trabajo fin de Máster


ÍNDICE DE CONTENIDOS !

1.  Errores en la medición. El modelo de valor verdadero

2.  Validez y fiabilidad de escalas de medida

3.  Análisis factorial exploratorio y validación de escalas

4.  Ejemplo aplicado para evaluar la validez y fiabilidad de

escalas de medida.

5.  Análisis factorial confirmatorio (LISREL)

6.  Bibliografía básica recomendada.


ERRORES EN LA MEDICIÓN!

"   Medir aspectos no observables es difícil, por lo que se pueden cometer errores en el proceso de medición. "   Los posibles errores que podemos cometer son:

1. Error de medida: diferencia existente entre la puntuación verdadera (que

desconocemos) y la empírica (la conocida) .

2. Error de estimación: diferencia entre el valor verdadero pronosticado y el

verdadero (que desconocemos).

3. Error de sustitución: diferencia entre la puntuación obtenida al aplicar una escala

o índice y la obtenida por otra escala o índice que mida el mismo concepto.

4. Error de predicción: diferencia entre la puntuación o valor obtenido en una escala

o índice y la pronosticada por una escala o índice que mide el mismo concepto


MODELO DEL VALOR VERDADERO!

Medida = Valor verdadero + Error sistemá3co + Error aleatorio

Error sistemático: sesgo que afecta de forma constante a la medición, de manera que siempre que se procede a medir se incurre en el mismo error (vg: un reloj que se adelanta 5 minutos). Afecta a la VALIDEZ de la medida. Error aleatorio: relacionado con circunstancias transitorias o aleatorias, de manera que no siempre se produce el mismo error (depende de las circunstancias). Afecta a la FIABILIDAD de la medida.


VALIDEZ Y FIABILIDAD DE ESCALAS DE MEDIDA!

"   Las escalas de medida utilizadas en investigaciones deben ser válidas y fiables

"   Un instrumento de medida puede ser fiable, pero no tiene por qué ser válido

Ni válido ni fiable Fiable, pero no válido Válido y fiable


VALIDEZ!

Un instrumento de medida es válido cuando mide lo que 3ene que medir. Una medida tendrá validez cuando las diferencias en los valores observados reflejan diferencias verdaderas solamente sobre las caracterís3cas que se pretenden medir y no sobre otros factores. Si un instrumento es válido, no habrá error

sistemá3co (a menor error sistemá3co, mayor validez)

"   De contenido: relacionada con el grado de idoneidad con el que las características de lo que se mide son recogidas por la media. ¿Recoge la medida todos los aspectos o facetas del fenómeno que se mide? (revisión de la literatura). "   De concepto: ¿qué se está midiendo realmente con el instrumento de medida?. Implica la existencia de una consistencia interna, y el marco teórico es relevante para su determinación. La validez de concepto se puede llevar a cabo a través de: 1.  Validez Convergente: existe una corroboración por procedimientos independientes del

concepto bajo estudio. Por ejemplo, si desarrollamos una escala nueva para medir un concepto previo, la nueva escala debe estar correlacionada con las escalas previas que miden el concepto.

2.  Validez discriminante: grado en que una medida no se correlaciona con otras de las que se supone que debe diferir.


FIABILIDAD!

Un instrumento de medida es fiable cuando proporciona puntuaciones estables y consistentes (está libre de error aleatorio). Mientras la validez se refiere a la

coincidencia entre dos medidas de algún objeto mediante métodos diferentes, la fiabilidad se refiere a la coincidencia en la medida de algo con métodos iguales o

muy similares.

1. Técnica de pruebas repetidas o test-retest: permite determinar la estabilidad de una medida en el tiempo. Se trata de realizar una medición repetida del mismo individuo utilizando la misma escala bajo condiciones similares a las anteriores mediciones. Posteriormente se determina la correlación entre ambas mediciones.

2.  Coeficiente alfa de Cronbach. Mide la fiabilidad entendida como consistencia interna. Este coeficiente analiza la homogeneidad de los ítems que componen una escala. Su valor oscilará entre 0 y 1, y en general se suele aceptar que su valor debe ser superior a 0,7 y que a medida que aumenta mejora la consistencia interna de la escala. No obstante, valores elevados (vg: superiores a 0,9) pueden ser indicativos de la existencia de ítems redundantes. ¡ Muy criticado !... aunque necesario


ANÁLISIS FACTORIAL EXPLORATORIO!Escalas para la medida de la orientación al mercado

Naver y Slater (1990): con tres componentes que son orientación al cliente, orientación a la competencia e interdependencia funcional Kohli, Jaworski y Kumar (1993)


ANÁLISIS FACTORIAL EXPLORATORIO (AFE)!

"   Pretende definir la estructura subyacente en una matriz de datos. En términos generales, permite resumir un conjunto de variables observadas en un número menor de factores, relacionando cada una de las variables con los factores (esto facilita la interpretación de los mismos). "   Las escalas con las que se miden las variables deben ser métricas (de intervalo o razón).

"   El número mínimo de casos recomendable es 100, y nunca menos de 50. Autores como Hair et al. (1999) recomiendan que como mínimo se debe disponer de un número de observaciones cinco veces (o mejor aún 10 veces) el número de variables a analizar.

Fichero: datosseminario.sav (12 variables. Algo más de 100 casos)

Número de variables

Tamaño muestral (5)

Tamaño muestral (10)

5 50 506 50 607 50 708 50 809 50 9010 50 10011 55 11012 60 12013 65 13014 70 14015 75 15016 80 16017 85 17018 90 18019 95 19020 100 200


"   Las correlaciones entre las variables deben ser elevadas. Matriz de correlaciones: número elevado de correlaciones con valores superiores a un mínimo (0,3 – 0,5 según autores). SPSS: Analizar – Correlaciones – Bivariadas (también se pueden obtener con el procedimiento para el análisis factorial).

"   El estadístico de Kaiser-Meyer-Olkin (índice KMO) debe tomar un valor suficiente. El resultado de la prueba de esfericidad de Bartlett debe ser significativo SPSS: Analizar – Reducción de datos-Análisis factorial –Descriptivos

¿SON LOS DATOS ADECUADOS PARA AFE?!


¿SON LOS DATOS ADECUADOS PARA AFE?!

"   La diagonal de la matriz de correlaciones antiimagen debe tener un valor apropiado (en principio, podrían eliminarse las variables con valores inferiores a 0,5) SPSS: Analizar – Reducción de datos-Análisis factorial –Descriptivos

¿Qué ocurre en nuestro ejemplo?


NÚMERO DE FACTORES A CONSIDERAR!

"   A diferencia del análisis factorial confirmatorio, en el exploratorio se desconoce a priori el número de factores que se considerarán. ¿Qué criterios se pueden seguir para determinar el número de factores a extraer? SPSS: Analizar – Reducción de datos-Análisis factorial –Extracción

1. Enfoque objetivo: criterio del valor propio (Autovalores)

2. Enfoque subjetivo: indicar el número de factores a extraer (gráfico de sedimentación)

Mínimo 60%


INTERPRETACIÓN DE LOS FACTORES!

"   Para interpretar los factores nos basamos en las cargas factoriales de las distintas variables. "   ¿Cuándo es una carga factorial significativa? (general: superior a ± 0,30; ¡ Es raro encontrar valores superiores a ± 0,80)

Carga factorial

Tamaño Muestral requerido para la significación

0,75 500,70 600,65 700,60 850,55 1000,50 1200,45 1500,40 2000,35 2500,30 350

Fuente: Hair et al (1999), p.100


INTERPRETACIÓN: SOLUCIONES ROTADAS!"   Para facilitar la interpretación de los factores se puede llevar a cabo una rotación de los factores. "   Hay diversos métodos de rotación. Algunos mantienen la independencia de los factores rotados (vg: VARIMAX), y otros permiten la existencia de factores correlacionados (vg: OBLIMIN). "   La rotación VARIMAX es la que más simplifica la interpretación de los factores.


INTERPRETACIÓN DE LOS FACTORES!

Solución no rotada. Se eliminan cargas menores a ± 0,4 Solución rotada (VARIMAX). Se eliminan cargas menores a ± 0,4

Participación en toma de decisiones

Tolerancia al fracaso y asunción riesgos

Grado de

formalización

Concentración de

autoridad


FIABILIDAD: “PARTICIPACIÓN TOMA DECISIONES”!

SPSS: Analizar – Escalas – Análisis de fiabilidad

Estadísticos total-elemento

9,81 5,327 ,622 ,451 ,6479,85 6,129 ,605 ,440 ,6709,70 6,152 ,428 ,191 ,757

10,66 5,398 ,554 ,311 ,689

Participación: desarrollo NPParticipación: adopción ideasParticipación: modificación productos existentesParticipación: abandono productos existentes

Media de laescala si seelimina elelemento

Varianza dela escala si

se elimina elelemento

Correlaciónelemento-total

corregida

Correlaciónmúltiple alcuadrado

Alfa deCronbach sise eleiminael elemento

Matriz de correlaciones inter-elementos

1,000 ,628 ,371 ,464,628 1,000 ,301 ,478,371 ,301 1,000 ,375,464 ,478 ,375 1,000

Participación: desarrollo NPParticipación: adopción ideasParticipación: modificación productos existentesParticipación: abandono productos existentes

Participación:desarrollo NP

Participación:adopción

ideas

Participación:modificación

productosexistentes

Participación:abandonoproductosexistentes

Estadísticos de fiabilidad

,750 ,756 4

Alfa deCronbach

Alfa de Cronbachbasada en los

elementos tipificadosN de

elementos


FIABILIDAD GRADO DE FORMALIZACIÓN!


,744 ,743 3

Alfa deCronbach

Alfa deCronbachbasada en

loselementostipificados

N deelementos

¿Eliminaría algún ítem?


10,55 8,614 ,447 ,200 ,7939,71 7,157 ,634 ,454 ,5829,88 7,117 ,639 ,458 ,575

Evaluación se basa en estándaresObligaciones, autoridad, etc. descritos formalmenteExisten procedimientos y directrices por escrito




Correlaciónelemento-total corregida




TOLERANCIA FRACASO/ASUNCIÓN RIESGOS!


,790 ,793 3

Alfa deCronbach



elementos


9,80 7,414 ,585 ,343 ,7689,49 7,121 ,659 ,450 ,6849,05 7,967 ,657 ,444 ,694

Se ofrecen incentivos a pesar de incertidumbreInterés por proyectos arriesgadosSi se falla, se sigue animando




Correlaciónelemento-total corregida



¿Eliminaría algún ítem?


CONCENTRACIÓN DE AUTORIDAD!


,761 ,762 2

Alfa deCronbach



elementos

Correlaciones

1 ,904** ,894**,000 ,000

100 100 100,904** 1 ,615**

,000 ,000

100 100 100

,894** ,615** 1,000 ,000

100 100 100

Correlación de PearsonSig. (bi lateral)NCorrelación de PearsonSig. (bi lateral)

N

Correlación de PearsonSig. (bi lateral)N

Escala concentraciónde autoridad

No se emprendenacciones sinautorización superior

Custiones triviales secomentan a superior

Escalaconcentraciónde autoridad

No seemprendenacciones sinautorización

superior

Custionestriviales se

comentan asuperior

La correlación es significativa al nivel 0,01 (bilateral).**.

1.  Correlación inter-ítem: mínimo de 0,3

2.  Correlación ítem-total: mínimo de 0,5

Fuente: Hair et al. (1999), p. 105

Escala con dos items


BIBLIOGRAFÍA RECOMENDADA!

"   De Vellis, R. F. (2003): Scale Development, SAGE Publications (FEG/107 02 DEV).

"   Hair – Anderson – Tatham y Black (1999): Análisis multivariante, Prentice Hall (FEG/303 01

ANA).

"   Luque, T. (1997): Investigación de marketing, Ariel Economía, (FEG/603 04 LUQ)

"   Martinez, R. (2008): El análisis multivariante en la investigación científica, Ed. La Muralla (FCE/

519.2 MAR ana)

"   Pardo Merino, A y Ruíz Díaz (2002): SPSS 11. Guía para el análisis de datos, McGraw Hill (FEG/

303 01 PAR).

"   Peterson, R.A (1994): “ A meta-analysis of Cronbach’s coefficient alfa”, Journal of Consumer

Research, Vol. 21, nº 2, pp. 381-391.

"   Sarabia Sánchez, F.J. (coord., 1999): Metodología para la investigación en marketing y dirección de

empresas, Pirámide ( FEG/603 04 MET).

"   Sharma, S. (1996): Applied Multivariate Techniques, John Wiley & Sons, (FEG/303 01 SHA)


Dr. Eulogio Cordón Pozo

Máster en Economía y Organización de empresas

Módulo III: Competencias para la preparación de trabajo fin de Máster

máster’en’economíay’...

Documents