Sugerencias contextuales aparecen mientras trabajas. Un panel de chat responde preguntas abiertas sobre tu modelo, siempre basadas en los números que ya calculaste.
Un vistazo por pestaña
Abre Results, Editor, MGA o Advanced y verás 1 a 3 sugerencias en la parte superior. Cada sugerencia lee tu modelo actual y cita tus propios números.
Pregunta, respuestas fundamentadas
Abre el robot en la esquina inferior derecha y pregunta cualquier cosa sobre tu modelo, datos o resultados. Cuatro herramientas de solo lectura dan acceso a la estructura del proyecto, nunca a las filas.
El Primer on PLS-SEM de Hair, Ringle y Sarstedt tiene 428 páginas. Los niveles de R² de Chin, HTMT de Henseler, f² de Cohen, HTMT2 de Roemer, reglas out-of-sample de Shmueli - cada paso de un análisis riguroso tiene un umbral, una cita y una advertencia sobre la varianza según el dominio. Incluso los autores expertos mantienen el primer abierto junto al editor.
El Compañero IA no elimina ese rigor. Elimina el impuesto de búsqueda. Lee tu proyecto en vivo, conoce el umbral aplicable, cita su fuente, y señala dónde podrías estar a punto de publicar algo que un revisor detectará.
Las tres últimas fases cierran el círculo. Elige los métodos avanzados correctos, redacta los párrafos de Método / Resultados / Discusión desde tu output en vivo, y deja que cada afirmación se remonte a un paper curado que el asistente puede nombrar.
Lee la forma de tu modelo, el tamaño de muestra y los resultados, y propone una tubería ordenada de métodos avanzados con una justificación de una línea cada uno. IPMA antes de MGA. MICOM antes de MGA. Saltar FIMIX por debajo de n = 200. Cada sugerencia conoce el umbral que acaba de cruzar.
Párrafos de Método, Resultados y Discusión redactados desde tu output en vivo como LaTeX o Word. Incluye un paso de simulación de revisor: qué objetaría un revisor escéptico, y qué cita responde a la objeción.
Las respuestas fundamentan cada afirmación en una biblioteca vectorial de 50+ clásicos PLS-SEM. Chin, Henseler, Hair, Sarstedt, Ringle, Shmueli, Sarstedt et al. Cada chip de cita abre el abstract del paper en el drawer.
Convierte una pregunta de investigación en un modelo inicial en segundos. Obtén un cuestionario validado a partir de las LVs del modelo. Recopila datos, luego interpreta con el mismo asistente.
Escribe tu pregunta de investigación. El asistente propone 3-6 variables latentes con modos (reflectivo/formativo), caminos hipotéticos con citas y 2-3 referencias de la literatura PLS-SEM. Un clic crea un nuevo modelo con LVs y caminos ya dibujados.
Dado el modelo, el asistente genera 4-6 items validados por LV con citas (Davis TAM, Zeithaml SERVQUAL, Cronin & Taylor …). O empieza desde cero y escribe items tú mismo. Edita inline, añade demografía, exporta como CSV / Markdown / JSON para Qualtrics, LimeSurvey o SoSci Survey.
trust1 Confío en que esta tienda cumple sus promesas. trust2 Esta tienda parece fiable en sus transacciones. trust3 La tienda maneja con cuidado mis datos personales. El Compañero no es un chatbot pegado a un formulario. Está tejido en los paneles que ya usas, y lee solo lo que necesita.
Mientras arrastras LVs y caminos, el asistente lee la estructura actual y señala desajustes de modo reflectivo/formativo, LVs con menos de 3 indicadores, y constructos aislados. Sugiere construcciones de orden superior cuando LVs correlacionados podrían simplificar el diseño, y cita Sarstedt et al. (2019) sobre el enfoque disjoint two-stage.
Adecuación del tamaño de muestra frente a la regla 10x, auditoría de valores faltantes columna a columna, detección de códigos sentinel (−99, −999), consistencia de rangos de escala entre indicadores del mismo constructo. Todo desde resúmenes de columnas - nunca desde tus datos.
Niveles de R² con cortes nombrados (Chin 1998), violaciones HTMT por pareja, fallos de fiabilidad por LV, aviso de SRMR, y el próximo método más útil dado lo que ya tienes. El paso de mayor palanca - la mayoría de manuscritos se ganan o pierden aquí.
El asistente escanea tu dataset por columnas categóricas con 2–5 niveles (género, mercado, tratamiento) y propone candidatos MGA. Impone la secuencia MICOM-antes-de-MGA, advierte cuando un grupo cae debajo de n = 30, y sugiere qué caminos comparar entre grupos.
market tiene 4 niveles (DE, US, UK, JP). Grupo JP tiene n = 27 - debajo del piso de 30 para bootstrap estable. Fusiona JP con otro mercado asiático o exclúyelo del MGA.¿Cuál de los 15+ métodos encaja realmente con tu modelo? El asistente lee tus R², tamaño de muestra, forma del modelo y métricas de fiabilidad, y propone una tubería ordenada. La pregunta "qué debería ejecutar ahora" obtiene una respuesta concreta y defendible con citas.
Sección de Método, Sección de Resultados, Discusión de limitaciones - redactados desde tu output en vivo como párrafos LaTeX o Word. Incluye la defensa de revisor: qué preguntaría un revisor escéptico y con qué cita respondes.
El Compañero se niega a inventar números. Cuando cita un umbral, la cita está incorporada en su system prompt y refleja la literatura canónica PLS-SEM contra la que OpenPLS también valida.
| Criterio | Umbral | Fuente |
|---|---|---|
| Niveles R² | 0.19 / 0.33 / 0.67 | Chin (1998) |
| Niveles f² de Cohen | 0.02 / 0.15 / 0.35 | Cohen (1988) |
| Validez discriminante HTMT | < 0.85 (conservador), < 0.90 (liberal) | Henseler et al. (2015) |
| Refinamiento HTMT2 | corrección de media geométrica | Roemer et al. (2021) |
| Ajuste del modelo SRMR | < 0.08 | Hu & Bentler (1999) |
| α de Cronbach, fiabilidad compuesta | ≥ 0.70 | Nunnally & Bernstein (1994) |
| Regla 10x para tamaño de muestra | n ≥ 10 × max caminos entrantes en LV | Barclay et al. (1995) |
| Iteraciones bootstrap (publicación) | ≥ 5000 | Hair et al. (2022) |
| IPMA importancia × rendimiento | efectos totales × puntuaciones latentes medias | Ringle & Sarstedt (2016) |
| Panel k-fold PLSpredict | RMSE, MAE vs. benchmark lineal | Shmueli et al. (2019) |
Cuando se le pregunta al asistente por un umbral que no conoce con certeza, lo dice en lugar de adivinar. Esta regla está fija en el system prompt: "Si no conoces un umbral con certeza, dilo y no inventes un número."
Composiciones ilustrativas de sesiones de usuarios OpenPLS y contextos PLS-SEM comunes. Ninguna representa personas reales.
Compañero señala Loyalty con solo 2 indicadores y cita Hair et al. 2019 sobre número mínimo de items. Añade un tercer item validado de Watanabe et al. 2018.
R² = 0.62 para Loyalty. HTMT Trust ↔ Satisfaction = 0.88 marcado. Sugiere refinamiento HTMT2 - pasa limpiamente en 0.83. Defensa de revisor asegurada.
Sugiere IPMA en Loyalty. Trust ocupa el primer lugar de prioridad (importancia 0.42, rendimiento 61). Contribución lista para la sección Managerial Implications.
Compañero detecta R² sospechosamente bajo. Nota que valores −99 no están registrados como faltantes. Recomienda añadir −99 a la lista de missing-codes.
R² para Care-Quality → Satisfaction salta de 0.09 a 0.44 tras manejo correcto de missings. El resultado se vuelve publicable.
Hospital ID tiene 4 niveles. Compañero impone MICOM primero - invariancia parcial se mantiene. MGA revela diferencias Trust → Loyalty significativas entre dos sitios.
Compañero sugiere HOC formative-reflective para Service-Quality. Cita Sarstedt et al. 2019 disjoint two-stage. Seis items se reducen a un constructo bidimensional más limpio.
PLSpredict k = 10. El modelo supera el benchmark lineal en RMSE. Explica al cliente la diferencia entre R² in-sample y validez out-of-sample.
Exporta tablas LaTeX y prioridades IPMA directamente. Borrador del informe listo dos días antes de la fecha límite.
Cada paper PLS-SEM es tu nombre, tu defensa. El Compañero está deliberadamente construido para fortalecer tu criterio, no reemplazarlo.
Forma del modelo, resúmenes de columnas, R², p-values, matrices HTMT, fiabilidad - eso es todo. Nunca filas del dataset, nunca identidad del uploader, nunca nombres de archivo. La invariante a nivel de sistema está impuesta en código, no en un prompt.
Cada respuesta muestra cuál de las cuatro herramientas de solo lectura llamó el modelo. Si afirma un número, puedes verificar qué herramienta lo produjo. Sin interpretación de caja negra.
El Compañero puede sugerir "ejecuta IPMA en Loyalty" - no puede ejecutar el compute por sí mismo. Tú te quedas al mando de cada paso irreversible.
Regla dura en el system prompt: si duda sobre un umbral o la aplicabilidad de un método, el asistente lo dice en lugar de alucinar. Negarse es una característica.
El Compañero está tras un opt-in explícito con superficie de consentimiento clara. Una vez activo, un clic también lo apaga - sin dependencias ocultas, sin re-onboarding.
100 turnos de chat y 100 llamadas de hint por usuario al mes durante Beta. Siempre sabes cuántas quedan. Sin auto-facturación, sin costo sorpresa.
Las 7 fases están en vivo. Cada paso de un manuscrito PLS-SEM, desde la pregunta de investigación hasta la defensa de revisor, ahora tiene un compañero IA construido a medida.
Responde preguntas abiertas sobre tu modelo usando cuatro herramientas de solo lectura. Live desde 2026-07-27.
1–3 sugerencias proactivas en la parte superior de cada tab de proyecto. Live desde 2026-07-27.
Convierte tu pregunta de investigación y una lista aproximada de constructos en un modelo inicial. El asistente propone LVs, modos y caminos, y cita 2–3 modelos publicados con estructura similar como blueprints. Live desde 2026-07-27.
Para cada LV en tu modelo, obtén 4–6 sugerencias de items validados con cita de origen (Trust, Satisfaction, Loyalty, Perceived Usefulness, y docenas de constructos comunes). Live desde 2026-07-27.
Lee el proyecto completo (modelo + datos + resultados) y redacta una tubería ordenada de métodos avanzados - IPMA antes de MGA, MICOM antes de MGA, PLSpredict donde importe el out-of-sample. Cada sugerencia cita el umbral que acaba de cruzar. Live desde 2026-08-03.
Párrafos de Método, Resultados y Discusión generados desde tu compute en vivo como LaTeX o Word. Incluye simulación de revisor: qué objetará un revisor escéptico, y la cita que responde. Live desde 2026-08-03.
Cada afirmación se fundamenta en una biblioteca vectorial de 50+ clásicos PLS-SEM (Chin, Henseler, Hair, Sarstedt, Ringle, Shmueli). Los chips de cita abren el párrafo fuente en un drawer. Live desde 2026-08-03.
Gratis durante Beta. Apagado por defecto. Sin tarjeta. Un clic en Configuración de cuenta - o directamente al abrir el robot en la esquina inferior derecha de la app.