Modelos de ecuaciones estructurales (SEM) para la investigación en Contabilidad y Auditoría

Transcripción

1 Iª REUNIÓN INTERNACIONAL DE INVESTIGACIÓN EN CONTABILIDAD Y AUDITORÍA (RIICA) Modelos de ecuaciones estructurales (SEM) para la investigación en Contabilidad y Auditoría Dr. D. Jesús Collado Agudo Departamento de Administración de Empresas Universidad de Cantabria

2 ÍNDICE 1. Para qué sirven las ecuaciones estructurales? 2. Definición y conceptos básicos 3. Estimación del SEM 4. Aplicación a la investigación en Contabilidad y Auditoría

3 1. Para que sirven las ecuaciones estructurales? En dirección de empresas Diferentes técnicas de análisis Número de variables Escalas de medida Objetivos de análisis Análisis univariable Análisis bivariable Análisis multivariable Escalas métricas Escalas no métricas Análisis descriptivo Análisis inferencial IMPORTANCIA EXPLICAN FENÓMENOS

4 1. Para que sirven las ecuaciones estructurales? Técnicas inferenciales multivariable clásicas: ANOVA Regresión múltiple Modelos logísticos (logit, probit, ) Varias variables independientes Una variable dependiente única Permiten explicar FENÓMENOS/PROCESO SENCILLOS

5 1. Para que sirven las ecuaciones estructurales? Sin embargo muchos fenómenos son COMPLEJOS Norma subjetiva emprendimiento H2 Ventajas del emprendimiento Inconvenientes del emprendimiento H5 H6 H3 Actitud hacia el emprendimiento Control percibido en el emprendimiento H1 H4 Intención de emprendimiento Rueda, I.; Fernández, A.; Herrero (2014): Entrepreneurial intention: Perceived advantages and disadvantages. Academia Revista Lationamericana de Administración, Vol. 27, num. 2. pp

6 1. Para que sirven las ecuaciones estructurales? FENÓMENOS COMPLEJOS existe interrelación entre las variables Varias variables independientes Varias variables dependientes Variables con ambos roles ESTRUCTURALES

7 1. Para que sirven las ecuaciones estructurales? Objetivos del análisis SEM Entender los pasos para construir un modelo de investigación con interrelaciones de causalidad. Ser capaz de construir e interpretar diagramas causales SEM. Entender los principios básicos de cómo se contrastan e interpretan los SEM. Ser capaz de utilizar diferentes programas (EQS, PLS, AMOS, Etc.) para estimar SEM.

8 2. Definición y conceptos básicos Definición de SEM Es una metodología estadística de análisis que permite contrastar una teoría estructural sobre algún fenómeno usando un enfoque confirmatorio (contraste hipótesis). Estimación simultánea de relaciones de dependencia múltiples e interrelacionadas. Capacidad para representar conceptos no observables (actitudes, percepciones, intenciones) en las relaciones. Se denomina variable latente o factor, a los conceptos no observables que se aproximan a través de variables medibles.

9 2. Definición y conceptos básicos Técnica que examina una serie de relaciones de dependencia / causa de forma simultánea. Combina aspectos tanto de la Regresión Múltiple como del Análisis Factorial. Se basa en la representación gráfica de las relaciones de causalidad. MODELO ECUACIONES : Y Y Y 1 2 m = = = X X X m X X 12 X m X X 1n 2n X mn

10 2. Definición y conceptos básicos Norma subjetiva emprendimiento H2 Ventajas del emprendimiento Inconvenientes del emprendimiento H5 H6 H3 Actitud hacia el emprendimiento Control percibido en el emprendimiento H1 H4 Intención de emprendimiento INT = β 1 ACT + β 2 NS + β 3 CPE + E 1 ACT = β 4 NS + β 5 VEN + β 6 INC + E 2 β i = Coeficiente efecto Var explicativa s/ var explicada E i = efecto aleatorio

11 2. Definición y conceptos básicos Ventajas de SEM vs Regresión múltiple Mayor flexibilidad estadística (permite interpretación incluso en presencia de multicolinealidad). Uso del Análisis Factorial Confirmatorio para reducir el error de medida (múltiples indicadores por variable latente). Posibilidad de contrastar modelos conjuntamente. Interfaz de representación gráfica de SEM. Permite: Contrastar modelos con múltiples variables dependientes. Incorporar variables mediadoras. Modelizar y medir los errores. Comparar el modelo para sub-muestras diferentes (Multimuestra). Utilizar datos difíciles (distribución no normal, datos ausentes).

12 2. Definición y conceptos básicos Dos componentes: Modelo estructural: Derivado del diagrama que representa las relaciones causales. Modelo de medida o factorial: Relaciones entre indicadores (variables observadas) y constructos (conceptos no observables). Norma subjetiva emprendimiento H2 Actitud hacia el emprendimiento H1 Intención de emprendimiento Control percibido en el emprendimiento H4

13 2. Definición y conceptos básicos INTENCIÓN DE EMPRENDIMIENTO INT1 Estoy decidido a crear una empresa en el futuro INT2 He pensado seriamente en crear una empresa INT3 Tengo muy poca intención de crear una empresa algún día ACTITUD HACIA EL EMPRENDIMIENTO ACT1 Si tuviese la oportunidad y los recursos, me encantaría crear una empresa ACT2 Entre varias opciones, preferiría ser cualquier cosa antes que emprendedor ACT3 Ser empresario me supondría una gran satisfacción NORMA SUBJETIVA RESPECTO AL EMPRENDIMIENTO NS1 Mis amigos aprobarían mi decisión de crear una empresa NS2 Mi familia más directa aprobaría mi decisión de crear una empresa NS3 Mis compañeros aprobarían mi decisión de crear una empresa CONTROL PERCIBIDO RESPECTO AL EMPRENDIMIENTO CON1 Crear una empresa y mantenerla en funcionamiento sería fácil para mí CON2 Puedo mantener bajo control el proceso de creación de una empresa CON3 Si tratase de crear una empresa, tendría una alta probabilidad de lograrlo CON4 Conozco los detalles prácticos necesarios para crear una empresa

14 2. Definición y conceptos básicos: Modelo de Medida NS1 INT1 NS2 INT2 NS3 Norma subjetiva Intención INT3 Control percibido Actitud CON1 ACT1 CON2 ACT2 CON3 CON4 Correlaciones Fiabilidad Validez ACT3

15 2. Definición y conceptos básicos: NS1 Modelo Estructural NS2 NS3 Norma subjetiva ACT1 INT1 ACT2 Actitud Intención INT2 ACT3 INT3 CON1 CON2 Control percibido CON3 CON4

16 2. Definición y conceptos básicos: Representación gráfica: Elementos básicos BASE: Teoría, experiencia e investigaciones previas Recoge relaciones causales Diagrama de relaciones Constructo / factor / variable latente: Conceptos abstractos no observables (actitud) Variable observable: Medible a través de un ítem Relación causal directa Correlación entre constructos Relación recíproca

17 2. Definición y conceptos básicos Fundamentos estadísticos básicos Confirmar si un conjunto de varianzas y covarianzas (matriz covarianzas tiene una estructura específica (modelo). 1. Plantear a partir de la teoría la estructura de relaciones/interrelaciones entre las variables (diagrama). 2. Estimar (EQS, PLS, AMOS) a través de algorítmos estadísticos si los datos (varianzas y covarianzas) se ajustan a la estructura propuesta a partir de la teoría (modelo de medida y modelo estructural). 3. Resultados relevantes: Ajuste del modelo a los datos (coeficientes). Indicadores de validez convergente y discriminante. Coeficientes relación ítem-factor (λ) AFC (Modelo medida). Coeficientes causalidad factor-factor (β) Modelo estructural.

18 2. Definición y conceptos básicos Uso de los Modelos de Ec. Estruturales Validar escalas de medida (multi-item) Confirmar modelos teóricos Comparar modelos alternativos

19 3. Estimación del SEM Etapas en la estimación del SEM A. Plantear estructura de constructos-items a priori B. Construir un diagrama del modelo e medida C. Seleccionar la matriz de datos (input) D. Estimar el modelo E. Evaluar la bondad de ajuste del modelo F. Interpretar y modificar el modelo (si está justificado) RESULTADOS RELEVANTES TESIS / ARTÍCULO

20 3. Estimación del SEM A) Plantear estructura de constructos-items a priori ESTRUCTURA FACTORIAL Medición de variables latentes no observables directamente Desarrollo de items y relación ítem-factor basa en Teoría Sustento teórico Antecedentes previos Validez de contenido: Grado en el que una medida recoge el dominio del contenido estudiado.

21 3. Estimación del SEM B) Elaboración del diagrama del modelo: AFC δ7 φ13 NS1 (X7) λx73 δ8 NORMA SUBJETIVA (ξ3) NS2 (X8) λx83 δ9 NS3 (X9) δ11 λx11 4 φ14 CON3 (X12) CON4 (X13) δ2 INT3 (X3) δ3 ACT1 (X4) δ4 ACT2 (X5) δ5 ACT3 (X6) δ6 λx42 λx10 4 ACTITUD (ξ2) λx52 λx12 4 λx13 4 δ13 INT2 (X2) φ12 φ23 CONTROL (ξ4) δ12 δ1 λx21 λx31 CON1 (X10) CON2 (X11) INTENCIÓN (ξ1) λx93 φ34 δ10 INT1 (X1) λx11 φ24 λx62

22 3. Estimación del SEM B) Elaboración del diagrama del modelo: MES δ 7 NS1 (X 7 ) INT1 (X 1 ) δ 1 λ x 73 λ x 11 δ 8 NS2 (X 8 ) λ x 83 NORMA SUBJETIVA (ξ 3 ) β 2 INTENCIÓN (ξ 1 ) λ x 21 INT2 (X 2 ) δ 2 δ 9 NS3 (X 9 ) λ x 93 β 3 λ x 31 INT3 (X 3 ) δ 3 β 1 δ 10 CON1 (X 10 ) β 4 ACT1 (X 4 ) δ 4 δ 11 CON2 (X 11 ) λ x 11 4 λ x 10 4 CONTROL (ξ 4 ) ACTITUD (ξ 2 ) λ x 42 ACT2 (X 5 ) δ 5 CON3 (X 12 ) δ 12 λ x 12 4 λ x 52 δ 13 CON4 (X 13 ) λ x 13 4 λ x 62 ACT3 (X 6 ) δ 6

23 3. Estimación del SEM C) Seleccionar matriz de datos Alternativas: Matriz varianza-covarianza. Matriz de correlaciones: Interpretación más fácil. Asunciones respecto a los datos / observaciones: Observaciones independientes. Relaciones lineales. Normalidad multivariable. Tamaño muestral: Debe ser superior al nº total de covarianzas. Deseable: Aproximadamente 200 (10 por parametro).

24 3. Estimación del SEM D) Estimación del modelo Normalmente: Estimación máximo verosímil (ML) Eficiente y no sesgada cuando existe normalidad. ML Robusto si no existe normalidad de datos. Alternativas si no se cumple normalidad de datos Mínimos Cuadrados Ponderados (WLS). Mínimos Cuadrados Generalizados (GLS). Asintóticamente Libre de Distribución (AGL).

25 3. Estimación del SEM E) Bondad de ajuste del modelo INDICADORES RECOMENDADOS Medida Nivel de aceptación recomendada Medidas de ajuste absoluto Estadístico χ2 Comprobar la significación del test (favorable si p-valor > 0,05) GFI Valores superiores a 0,90. RMSEA Valores inferiores a 0,08. Medidas incrementales de ajuste AGFI Valores superiores a 0,90. CFI Valores próximos a 1. Medidas de ajuste de parsimonia Normed Chi-square (χ² / gl) 1 < Normed χ² < 3 ó 5

26 3. Estimación del SEM F) Interpretación del Modelo: AFC Asociación entre ítems y constructos Coeficientes estandarizados (λ): altos (> 0,5) Nivel de explicación de las variables observadas: R2 Indique el % de variación de cada variable observada explicado por las variables latentes o factores.

27 3. Estimación del SEM F) Interpretación del Modelo: AFC Validación de escalas de medida Análisis de la VALIDEZ Validez de contenido (No SEM) Validez de concepto (convergente y discriminante) Análisis de la FIABILILIDAD Coeficiente Alpha α de Cronbach (No SEM) Coeficiente Fiabilidad Compuesta Análisis de la Varianza Extraída (AVE)

28 3. Estimación del SEM F) Interpretación del Modelo: AFC Validez CONVERGENTE Grado en el que las medidas utilizadas para medir un concepto latente están relacionadas entre sí Consultar la significación de los coeficientes no estandarizados Comprobar que los coeficientes estandarizadas superan el valor de 0,5

29 3. Estimación del SEM F) Interpretación del Modelo: AFC Validez DISCRIMINANTE Grado en el que dos conceptos latentes especificados son diferentes aunque estén correlacionados entre sí Intervalo de confianza para la correlación entre cada par de factores latentes No incluya el valor 1 (correlación total) Intervalo confianza = Correlación ± 2 * Error Estimación CALCULAR: Elaboración a partir de datos extraídos del EQS

30 3. Estimación del SEM F) Interpretación del Modelo: AFC FIABILIDAD de escalas de medida Grado en que al escala se halla libre de errores aleatorios, y por tanto, proporciona resultados consistentes Se dice que una escala es fiable cuando permite obtener medidas similares en distintos momentos de tiempo TIPOS DEFINICIÓN INTERPRETACIÓN α de Cronbach Mide la consistencia interna de una escala Valores > 0,7 indican que la escala es fiable Coeficiente de fiabilidad compuesto Grado en el que un conjunto de indicadores de un concepto latente son consistentes en sus medidas Valores > 0,7 indican que la escala es fiable Análisis de la Varianza Extraída (AVE)- Cantidad global de varianza en los indicadores considerada por la variable latente Valores > 0,5 indican que la escala es fiable

31 Nivel de significación de las relaciones causales Coeficientes estandarizados (β): altos t-student >1,96 (α = 0,05) P-valor < 0,05 3. Estimación del SEM F) Interpretación del Modelo: MES Nivel de explicación de las variables dep: R 2 Indique el % de variación de cada variable dependientes explicado por las variables independientes propuestas.

32 3. Estimación del SEM F) Interpretación del Modelo Información a incluir en Tesis / Artículo Matriz de covarianzas entre todas las variables (constructos) incluidas en el modelo de investigación. Media y desviación típica de los factores / constructos. Índices de bondad de ajuste (absoluta, incremental y parsimonia). Parámetros estimados: λ (validez convergente). Intervalos confianza entre pares de factores (v. discriminante) Coeficientes de fiabilidad: α de Cronbach Coeficiente de fiabilidad compuesto Análisis de la Varianza Extraída -(AVE)-

33 4. Aplicación a la investigación en Contabilidad y Auditoría

34 4. Aplicación a la investigación en Contabilidad y Auditoría Definición del modelo teórico

35 4. Aplicación a la investigación en Contabilidad y Auditoría Ficha Técnica de la investigación

36 4. Aplicación a la investigación en Contabilidad y Auditoría Definición de las escalas de medida

37 AFC: Empresas con estados financieros no auditados

38 MES: Empresas con estados financieros no auditados

39 Iª REUNIÓN INTERNACIONAL DE INVESTIGACIÓN EN CONTABILIDAD Y AUDITORÍA (RIICA) Modelos de ecuaciones estructurales (SEM) para la investigación en Contabilidad y Auditoría Dr. D. Jesús Collado Agudo Departamento de Administración de Empresas Universidad de Cantabria