Variables latentes (LV)
Los constructos que realmente le interesan: satisfacción del cliente, confianza, utilidad percibida. No pueden medirse directamente.
PLS-SEM explicado
¿Qué es PLS-SEM?
El modelado de ecuaciones estructurales por mínimos cuadrados parciales es un método basado en la varianza para estimar modelos con constructos latentes, cosas que no pueden medirse directamente, sino solo a través de indicadores observables. Esta página explica qué es PLS-SEM, cuándo utilizarlo y en qué se diferencia del SEM basado en la covarianza.
Qué hace realmente PLS-SEM, explicado de forma sencilla
Algunas cosas que interesan a los investigadores - la satisfacción del cliente, la confianza en una marca, la intención de usar una tecnología - no se pueden medir con un solo número. No existe un "medidor de satisfacción" que se pueda colocar sobre una persona. Por eso los investigadores hacen varias preguntas de encuesta que giran alrededor del concepto ("Estoy satisfecho con X", "Recomendaría X", "X cumplió mis expectativas") y usan esas respuestas como pistas de lo que ocurre por debajo.
PLS-SEM es la matemática que convierte esas pistas en un modelo que se puede poner a prueba. Se pregunta: ¿realmente la satisfacción provoca la lealtad, y con qué fuerza? Le entrega cifras que puede reportar - por ejemplo, "un aumento de 1-point en la satisfacción corresponde a un aumento de 0.6-point en la lealtad, y este efecto es estadísticamente fiable". Investigadores de marketing, de HR, de sistemas de información y de servicios de salud lo usan a diario.
Los cuatro bloques fundamentales
Indicadores (variables manifiestas)
Columnas observables del conjunto de datos que representan cada constructo latente: ítems de encuesta, calificaciones, lecturas de sensores.
Modelo de medida (modelo externo)
Cómo se relacionan los indicadores con su variable latente. Reflexivo (la LV causa los indicadores, p. ej. satisfacción → sat1..sat4) o formativo (los indicadores causan la LV, p. ej. ingresos + educación → NSE).
Modelo estructural (modelo interno)
Las relaciones hipotéticas entre variables latentes. Son las rutas causales que está contrastando.
Criterios de calidad que importan
Los revisores esperan que se informen los siguientes criterios para un análisis PLS-SEM defendible.
- R² por LV endógena
- Cuánta varianza explica el modelo. Niveles de Chin (1998): 0.19 débil, 0.33 moderada, 0.67 sustancial.
- Coeficientes de ruta con valores p
- Pruebas de significación por bootstrap sobre las rutas estructurales. El estándar de publicación es de 5000+ remuestreos.
- HTMT para validez discriminante
- Ratio Heterotrait-Monotrait (Henseler 2015). Umbral 0.85 conservador, 0.90 liberal. HTMT2 (Roemer 2021) lo refina.
- Fiabilidad: Cronbach's α, ρ_A, ρ_c
- Indicadores de validez convergente; ≥ 0.70 es el umbral estándar para investigación confirmatoria.
- Ajuste del modelo SRMR
- Raíz cuadrada media residual estandarizada. < 0.08 se considera un buen ajuste (Hu & Bentler 1999).
- Orientación sobre el tamaño de muestra
- La regla de 10 veces: el tamaño muestral debe ser al menos diez veces el mayor número de rutas que apuntan a una única variable latente.
PLS-SEM frente a CB-SEM
PLS-SEM no es un sustituto estricto del SEM basado en la covarianza (CB-SEM). Ambas son técnicas de modelado de ecuaciones estructurales, pero optimizan objetivos distintos.
| Aspecto | PLS-SEM | CB-SEM |
|---|---|---|
| Objetivo de estimación | Predicción, exploración | Confirmación de teoría establecida |
| Supuestos | Sin requisitos distribucionales | Normalidad multivariante |
| Tamaño de muestra | Funciona con muestras pequeñas (n < 100 posible) | Normalmente n ≥ 200 |
| Indicadores formativos | Soporte nativo | Incómodo, requiere soluciones alternativas |
| Complejidad del modelo | Maneja bien modelos complejos con muchas LV y rutas | Sufre con alta complejidad |
| Índices de ajuste | SRMR, dULS, dG | χ², CFI, TLI, RMSEA (integrales) |
| Herramientas populares | OpenPLS, SmartPLS, seminr, cSEM | lavaan, Mplus, AMOS, LISREL |
Cuándo utilizar PLS-SEM
- Su investigación está orientada a la predicción o exploración en lugar de a confirmar una teoría bien establecida.
- Tiene una muestra pequeña o datos no normales.
- Su modelo tiene constructos formativos (indicadores que causan la LV).
- Su modelo es estructuralmente complejo (muchas LV, muchas rutas hipotéticas).
- Necesita trabajar con variables compuestas en lugar de factores comunes.
Cuándo NO utilizar PLS-SEM
- Está confirmando una teoría de medida bien establecida y necesita índices de ajuste tradicionales (χ², CFI, RMSEA): use CB-SEM.
- Sus indicadores son puramente reflexivos y desea modelar el error de medida con rigor: use CB-SEM.
- Necesita puntuaciones de variables latentes que sean estrictamente factores comunes (no compuestos): use CB-SEM.
- Está realizando un análisis factorial exploratorio puro sin modelo estructural: use EFA/PCA clásicos en su lugar.
Un ejemplo mínimo
Un estudio de satisfacción del cliente se pregunta: ¿la calidad percibida impulsa la satisfacción y la satisfacción impulsa la lealtad? Tres variables latentes (Calidad, Satisfacción, Lealtad), cada una medida por 3-5 ítems de encuesta en una escala Likert de 7 puntos. Dos rutas hipotéticas (Calidad → Satisfacción, Satisfacción → Lealtad). PLS-SEM estima los coeficientes de ruta, verifica si los indicadores miden de forma fiable cada constructo (mediante cargas y HTMT), y calcula valores p por bootstrap para las dos rutas.
Ejecute un análisis PLS-SEM en su navegador
OpenPLS es una herramienta PLS-SEM de código abierto que se ejecuta completamente en el navegador. Editor visual de diagramas de rutas, panel completo de criterios de calidad, métodos avanzados (MGA, IPMA, PLSpredict, FIMIX). Validado frente a SmartPLS 4 en un documento de trabajo publicado.
Lecturas adicionales
La referencia canónica para profesionales es Hair, Hult, Ringle & Sarstedt (2021), A Primer on Partial Least Squares Structural Equation Modeling, 3.ª ed. (Sage). Para orientación metodológica sobre cuándo utilizar PLS-SEM frente a otras alternativas, consulte Hair et al. (2019), When to use and how to report the results of PLS-SEM (European Business Review, 31(1), 2–24).