Tamaños de clase
El tamaño relativo estimado de cada segmento (su proporción de mezcla).
MÉTODO PLS-SEM
FIMIX-PLS: encontrar segmentos ocultos en tus datos
FIMIX-PLS descubre la heterogeneidad no observada: subgrupos de tu muestra para los que las relaciones estructurales difieren, aunque no hayas definido los grupos de antemano. Esta página explica qué hace, cómo leer los criterios de ajuste y las soluciones por segmentos, un ejemplo resuelto y los errores comunes.
Qué hace FIMIX-PLS
Un único modelo PLS-SEM asume que un mismo conjunto de coeficientes de ruta vale para todos. Ese supuesto puede ocultar heterogeneidad no observada: segmentos distintos para los que las relaciones difieren. A diferencia del análisis multigrupo, donde tú aportas la variable de agrupación, FIMIX-PLS (Hahn et al. 2002) descubre los segmentos a partir de los propios datos.
Es un método de mezcla finita: asume que la muestra es una mezcla de un número fijo de clases latentes, cada una con sus propios coeficientes de ruta, y estima a la vez las pertenencias a las clases y el modelo por clase mediante un algoritmo EM.
Un ejemplo resuelto
Ejecutas FIMIX-PLS para dos clases. El modelo agregado estimó un único coeficiente de 0,34 para una ruta clave, pero la solución de dos clases divide la muestra en el Segmento 1 (62 % de los casos, coeficiente 0,55) y el Segmento 2 (38 %, coeficiente 0,09). Ese único número agregado ocultaba dos grupos muy distintos.
El siguiente paso es encontrar una variable observable que explique la división, para poder describir y usar los segmentos.
Cómo elegir el número de segmentos
FIMIX-PLS no te dice el número de segmentos directamente. Lo ejecutas para varios recuentos de clases y comparas criterios de ajuste y de separación.
- AIC, BIC, CAIC, MDL5
- Criterios de información entre las soluciones candidatas. Cuanto más bajo, mejor. Cuando no coinciden, suele usarse AIC3 y CAIC juntos, o un consenso entre criterios, para elegir el número de clases.
- Entropía (EN) > 0,50
- La entropía normalizada mide con qué nitidez se asignan los casos a las clases. Por encima de 0,50 indica que los segmentos están bien separados; más alto es mejor.
- Tamaño del segmento
- Cada segmento debe ser lo bastante grande para estimar su propio modelo. Los segmentos diminutos muy por debajo del 10 % de la muestra no suelen ser utilizables.
Una buena solución tiene criterios de información bajos, entropía alta y segmentos lo bastante grandes e interpretables. La estadística por sí sola no lo zanja; los segmentos deben tener sentido teórico.
Qué informa una ejecución de FIMIX
Rutas por clase
Los coeficientes de ruta estructurales estimados por separado dentro de cada segmento.
Criterios de ajuste
AIC, AIC3, AIC4, BIC, CAIC, MDL5 y la entropía normalizada de la solución, para comparar distintos números de clases.
Pertenencia a segmento
La clase más probable de cada caso, que luego puedes relacionar con variables observables.
Ejecutar FIMIX-PLS paso a paso
- Estima primero el modelo PLS-SEM agregado como línea base.
- Ejecuta FIMIX-PLS para un rango de recuentos de clases, por ejemplo de dos a cuatro.
- Compara los criterios de ajuste y la entropía entre soluciones para elegir el número de segmentos.
- Examina los coeficientes de ruta por segmento para ver cómo difieren las relaciones.
- Encuentra variables observables que caractericen los segmentos y luego confirma esa agrupación con un análisis multigrupo.
Errores habituales
- Elegir el número de segmentos a partir de un solo criterio. Los criterios a menudo no coinciden; sopesa varios junto con la interpretabilidad.
- Mantener segmentos demasiado pequeños para estimar un modelo estable.
- Tratar las clases latentes como definitivas sin encontrar una variable observable que las explique. Con segmentos sin explicar es difícil actuar.
- Ejecutar FIMIX en una muestra demasiado pequeña; la estimación de mezcla finita necesita un número razonable de casos por clase.
FIMIX-PLS en OpenPLS
OpenPLS incluye un panel de FIMIX-PLS. Eliges el número de clases y muestra los tamaños de los segmentos, los coeficientes de ruta por segmento, el conjunto completo de criterios de ajuste (AIC, AIC3, AIC4, BIC, CAIC, MDL5 y entropía) y la clase más probable de cada caso. Gratis y en el navegador.
Busca segmentos ocultos en tus propios datos
Construye tu modelo en el editor visual y ejecuta FIMIX-PLS para varios recuentos de clases en unos pocos clics. Gratis, sin instalación.
Preguntas frecuentes
- ¿Cuál es la diferencia entre FIMIX-PLS y el análisis multigrupo?
- El análisis multigrupo compara grupos que defines de antemano, como país o género. FIMIX-PLS descubre segmentos a partir de los datos cuando no conoces la agrupación, por eso aborda la heterogeneidad no observada.
- ¿Cuántos segmentos debo extraer?
- Ejecuta varios recuentos de clases y compara los criterios de información (AIC, BIC, CAIC, MDL5) y la entropía normalizada, junto con el tamaño del segmento y la interpretabilidad. Ningún criterio por sí solo lo decide.
- ¿Qué hago después de que FIMIX encuentra segmentos?
- Encuentra una variable observable que explique la división de segmentos, describe los segmentos y, de ser posible, confirma las diferencias con un análisis multigrupo sobre esa variable.
Lecturas adicionales
El método se introdujo en Hahn, C., Johnson, M. D., Herrmann, A., & Huber, F. (2002). Capturing customer heterogeneity using a finite mixture PLS approach. Schmalenbach Business Review, 54(3), 243-269. Orientación para aplicarlo en Sarstedt, M., Becker, J.-M., Ringle, C. M., & Schwaiger, M. (2011). Uncovering and treating unobserved heterogeneity with FIMIX-PLS. Schmalenbach Business Review, 63(1), 34-62, y en Hair, J. F., Sarstedt, M., Ringle, C. M., & Gudergan, S. P. (2018). Advanced Issues in Partial Least Squares Structural Equation Modeling. Sage.