Análisis de la Validez y consistencia interna de los instrumentos de medida.

Antes de iniciar el análisis factorial en todas sus etapas para cada modelo propuesto, cabe

hacer la pregunta acerca de la fiabilidad del instrumento de medición que hemos diseñado.

Más concretamente, podemos plantear un conjunto de preguntas: ¿Son adecuadas estos

41 ítems (reactivos) definidas? ¿Podemos confiar en el instrumento que contenga estos

41 ítems? ¿Debemos eliminar alguno de ellos?

Para contestar estas preguntas debemos testear la fiabilidad del instrumento (de la escala).

Testear la fiabilidad de la escala significa que queremos determinar si las diferencias que

observamos en las respuestas a los reactivos obedecen verdaderamente a diferencias de

opinión respecto a la importancia de una variable en la compra de una carrera, o

simplemente se trata de que tenemos un instrumento de medición defectuoso, que no logra

medir adecuadamente las similitudes y diferencias en la opinión de los estudiantes, o peor

aún, que los lleva a confusión en el proceso de reconstrucción de una elección racional.

Uno de los criterios más utilizados para contestar estas preguntas es el llamado coeficiente

de Alfa de Cronbach. Este coeficiente evalúa la consistencia interna de los ítems de la

escala y constituye una evidencia acerca de la unidimensionalidad de la misma. Por lo

cual el análisis se realizara con el paquete estadístico IBM SPSS 23. (Hernandez, 2014).

Prueba de Confiabilidad de los ítems: Coeficiente Alfa de Cronbach (MODELO 1)

Tabla 1: Estadístico de fiabilidad de escala (Modelo 1)

Alfa de Cronbach N de elementos

,990 41

Tabla 2: Estadístico de fiabilidad de escala (Modelo 2)

Alfa de Cronbach N de elementos

,805 44
Tabla 3: Estadístico de fiabilidad de escala (Modelo 3)

Alfa de Cronbach N de elementos

,984 28

De acuerdo a esta prueba la escala de los ítems correspondientes al modelo 1 (Estrategia

competitiva – ventaja competitiva – Rendimiento); Modelo 2 (Orientación al cliente,

orientación a la productividad, orientación a la calidad, autonomía de los empleados,

intensidad de la competencia y calidad de servicio); Modelo 3 (Autoeficacia, orientación

a la pequeña empresa, orientación al emprendimiento, innovación, satisfacción,, calidad

de servicio y rendimiento) arroja un coeficiente de 0,990, 0,805 y 0,984 respectivamente.

Esto significa que el instrumento es adecuado (fiable) para evaluar las opiniones de los

responsables (gerentes, propietarios de las agencias) y también a los turistas.

Adicionalmente, podemos mirar los ítems de manera atomizada, ya que existe una prueba

que nos permite determinar si la fiabilidad del instrumento aumenta o disminuye al

eliminar un ítem, todo lo cual se muestra en la siguiente tabla:

Tabla 4: Estadísticas de total de elemento de escala (Modelo 1)

Media de escala si el Varianza de escala si el Correlación total de Alfa de Cronbach si el

elemento se ha suprimido elemento se ha suprimido elementos corregida elemento se ha suprimido
EST1 138,13 1707,521 ,779 ,990
EST2 138,79 1707,091 ,826 ,989
EST3 138,39 1674,024 ,936 ,989
EST4 138,11 1697,121 ,802 ,989
EST5 138,35 1716,257 ,703 ,990
EST6 137,97 1700,066 ,907 ,989
EST7 138,59 1691,652 ,855 ,989
EST8 138,15 1707,092 ,793 ,989
VCC1 138,79 1707,091 ,826 ,989
VCC2 138,39 1674,024 ,936 ,989
VCC3 138,79 1707,091 ,826 ,989
VCC4 138,39 1674,024 ,936 ,989
VCC5 138,35 1716,257 ,703 ,990
VCL1 137,97 1700,066 ,907 ,989
VCL2 138,72 1702,243 ,856 ,989
VCL3 138,95 1700,031 ,708 ,990
VCL4 138,94 1708,862 ,801 ,989
VCF1 139,01 1713,342 ,742 ,990
VCF2 137,91 1704,689 ,830 ,989
VCF3 138,49 1686,936 ,848 ,989
VCF4 138,13 1707,521 ,779 ,990
VCH1 138,79 1707,091 ,826 ,989
VCH2 138,39 1674,024 ,936 ,989
VCH3 138,11 1697,121 ,802 ,989
VCH4 138,35 1716,257 ,703 ,990
VCH5 137,97 1700,066 ,907 ,989
VCR1 138,59 1691,652 ,855 ,989
VCR2 138,15 1707,092 ,793 ,989
VCR3 138,79 1707,091 ,826 ,989
VCR4 138,39 1674,024 ,936 ,989
VCT1 138,79 1707,091 ,826 ,989
VCT2 138,39 1674,024 ,936 ,989
VCT3 138,35 1716,257 ,703 ,990
VCT4 137,97 1700,066 ,907 ,989
VCT5 138,15 1707,092 ,793 ,989
VCT6 138,79 1707,091 ,826 ,989
RM1 138,39 1674,024 ,936 ,989
RM2 138,79 1707,091 ,826 ,989
RM3 138,39 1674,024 ,936 ,989
RM4 138,35 1716,257 ,703 ,990
RM5 137,97 1700,066 ,907 ,989

Tabla 5: Estadísticas de total de elemento de escala (Modelo 2)

Media de escala si el Varianza de escala si el Correlación total de Alfa de Cronbach si el

elemento se ha suprimido elemento se ha suprimido elementos corregida elemento se ha suprimido
C01 155,51 120,654 ,349 ,799
C02 155,05 122,225 ,175 ,805
C03 154,93 121,271 ,227 ,803
C04 155,45 121,659 ,267 ,801
C05 154,82 127,786 -,087 ,813
C06 155,39 126,816 -,033 ,810
C07 154,63 109,323 ,696 ,782
C08 155,26 133,214 -,528 ,818
C09 154,61 122,373 ,224 ,803
OP1 154,57 127,012 -,044 ,810
OP2 155,01 113,154 ,796 ,785
PO3 154,13 114,393 ,689 ,788
OP4 154,33 114,960 ,664 ,789
CO1.3 154,51 105,742 ,917 ,773
CO2.3 155,77 120,579 ,416 ,798
CO3.3 154,73 123,784 ,168 ,804
CO4.3 156,19 137,415 -,603 ,827
AUT1 155,65 123,250 ,215 ,803
AUT2 155,23 116,905 ,608 ,791
AUT3 155,31 128,995 -,167 ,813
IC1 154,18 114,994 ,727 ,788
IC2 154,60 129,248 -,258 ,811
IC3 154,63 122,383 ,464 ,799
IC4 153,97 115,160 ,753 ,788
IC5 154,81 120,358 ,327 ,799
IC6 155,43 134,274 -,619 ,820
CSQ1 155,51 120,654 ,349 ,799
CSQ2 155,05 122,225 ,175 ,805
CSQ3 154,93 121,271 ,227 ,803
CSQ4 155,45 121,659 ,267 ,801
CSQ5 154,82 127,786 -,087 ,813
CSQ6 155,39 126,816 -,033 ,810
CSQ7 154,63 109,323 ,696 ,782
CSQ8 155,26 133,214 -,528 ,818
CSQ9 154,61 122,373 ,224 ,803
CSQ10 154,57 127,012 -,044 ,810
CSQ11 155,01 113,154 ,796 ,785
CSQ12 154,13 114,393 ,689 ,788
CSQ13 154,33 114,960 ,664 ,789
CSQ14 154,51 105,742 ,917 ,773
OP1.1 155,77 120,579 ,416 ,798
OP2.2 154,73 123,784 ,168 ,804
OP3.3 156,19 137,415 -,603 ,827
OP4.4 155,65 123,250 ,215 ,803
Tabla 6: Estadísticas de total de elemento de escala (Modelo 3)

Media de escala si el Varianza de escala si el Correlación total de Alfa de Cronbach si el

elemento se ha suprimido elemento se ha suprimido elementos corregida elemento se ha suprimido
AEF1 93,21 765,011 ,793 ,983
AEF2 93,87 766,823 ,806 ,983
AEF3 93,47 744,452 ,924 ,983
AEF4 93,19 759,123 ,799 ,983
EMO1 93,43 771,952 ,698 ,984
EMO2 93,05 760,386 ,917 ,983
EMO3 93,67 756,060 ,844 ,983
EMO4 93,23 764,700 ,807 ,983
EMO5 93,87 766,823 ,806 ,983
RM1 93,47 744,452 ,924 ,983
RM2 93,87 766,823 ,806 ,983
RM3 93,47 744,452 ,924 ,983
RM4 93,43 771,952 ,698 ,984
RM5 93,05 760,386 ,917 ,983
CSQ1 93,80 762,550 ,853 ,983
CSQ2 94,03 761,361 ,699 ,984
CSQ3 94,02 767,107 ,796 ,983
CSQ4 94,09 769,602 ,744 ,984
CSQ5 92,99 763,275 ,842 ,983
CSQ6 93,57 752,771 ,839 ,983
CSQ7 93,21 765,011 ,793 ,983
CSQ8 93,87 766,823 ,806 ,983
CSQ9 93,47 744,452 ,924 ,983
CSQ10 93,19 759,123 ,799 ,983
CSQ11 93,43 771,952 ,698 ,984
CSQ12 93,05 760,386 ,917 ,983
CSQ13 93,67 756,060 ,844 ,983
CSQ14 93,23 764,700 ,807 ,983

En la tablas 4, 5 y 6 se muestran los resultados del cálculo del coeficiente de Cronbach

con la muestra de 150 casos entre gerentes y/o propietarios y clientes, pero en la fila

correspondiente a cada reactivo, se ha calculado su contribución individual al coeficiente

de Cronbach, lo que se hace calculando el coeficiente alfa de toda la escala excluyendo

ese reactivo del cálculo. La última columna de la tabla muestra que la fiabilidad del
instrumento tiende a disminuir, y no a aumentar, con la eliminación de cualquier reactivo,

lo que indicaría que matemáticamente hablando, no tenemos elementos (reactivos) que

causen confusión en la aplicación de la instrumento.

Por otra parte, si prestamos atención a lo que se muestra en la columna “Correlación

reactivo -total corregida”, se ve que la escala tiene la virtud de que la correlación entre

los reactivos es moderadamente positiva, oscilando entre el 0,2 y 0,9, en los tres modelos,

por lo que pueden considerarse adecuados debido a que cada uno tiene la misma polaridad

de puntuación y, más importante aún, en cuanto a indicar que cada uno de ellos es

consistente con el conjunto de la escala. A modo de conclusión, diremos que los

resultados de fiabilidad general muestran que tenemos un instrumento adecuado, que no

llama a confusión a los gerentes y/o propietarios de agencias de viaje y clientes de la

región en estudio, pero que tampoco es redundante. Esto quiere decir que los gerentes y/o

propietarios de agencias de viaje y clientes que puntuaron los reactivos de manera

diferente, es porque efectivamente opinaban de manera distinta. Además, no tenemos

razones, estadísticamente hablando, para reducir el número de reactivos, puesto que ello

no redundaría en una mayor fiabilidad del instrumento.

Análisis factorial (MODELO 1)

En primero lugar se realizara un análisis factorial del primer modelo la cual está

distribuido por 3 grupos (A = Ventaja competitiva, B = Estrategia de la agencia, C =

Rendimiento de mercado), y se analizaran los reactivos (ítems) de cada grupo.

La primera pregunta que debemos responder es ¿tenemos datos adecuados para realizar

un Análisis Factorial? Vamos a responder esa pregunta utilizando el método de

Componentes Principales. La principal diferencia con el Análisis Factorial común, es que

el Análisis Factorial Exploratorio por Componentes Principales busca explicar la mayor

variabilidad (varianza) posible con el menor número de componentes o factores, y por lo

tanto no se muestran factores específicos. Debemos decir, además, que este es el método

más comúnmente utilizado para realizar AFE.

Análisis Factorial: MODELO 1 (Grupo A - Ventaja competitiva)

A continuación, se muestran los principales resultados del AFE que nos llevaron a

postular un modelo de decisión de X factores. La tabla que se encuentra más abajo nos

muestra una medida de la adecuación de la muestra para poder realizar un análisis

factorial por medio de Componentes Principales.

Tabla 7: Prueba de KMO y Bartlett (Grupo A –Ventaja competitiva)

Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,923

Prueba de esfericidad de Bartlett Aprox. Chi-cuadrado 1923,668
gl 58
Sig. ,000

Se partió con una medida parecida a la de fiabilidad de Cronbach: se trata de la medida

de Kaiser-Meyer-Olkin. Al igual que la medida del alfa de Cronbach, toma las

correlaciones de los reactivos en la escala. Ésta debe ser cercana a 1, y en cualquier caso

superior a 0,6 para ser adecuada. Nuestros datos muestran 0,923, lo que implica que las

variables (ítems) originales sí son adecuadas para realizar un Análisis Factorial, los

valores pequeños (<0,6) indican que el análisis factorial puede no ser una buena idea, ya

que las correlaciones entre los pares de variables no pueden ser explicadas por otras

variables, o por factor latente en las mismas.

Además, de acuerdo al valor de chi-cuadrado de 1923,668, podemos rechazar con un nivel

de 95% de confianza la hipótesis nula de no correlación entre los ítems, lo que implica

que los ítems sí están correlacionados (para estos efectos, requerimos que las variables

estén correlacionadas a fin de, específicamente, poder formar factores). Como puede
 apreciarse, buena parte de esta información había sido entregada con el análisis de

fiabilidad mediante el coeficiente de Cronbach, y es que éste coeficiente puede ser visto

como un análisis factorial exploratorio de un factor, por lo que podemos deducir de los

datos que, hasta el momento, nuestra matriz de correlaciones es adecuada para nuestro

propósito de formar factores comunes a las variables.

Tabla 8: Matriz de varianza total explicada

Sumas de cargas al cuadrado de la Sumas de cargas al cuadrado de la

Autovalores iniciales extracción rotación
% de % de %
Componente Total % de varianza % acumulado Total varianza % acumulado Total varianza acumulado
1 19,920 71,144 71,144 19,920 71,144 71,144 10,026 35,808 35,808
2 3,522 12,579 83,724 3,522 12,579 83,724 7,247 25,882 61,690
3 1,682 6,008 89,732 1,682 6,008 89,732 4,720 16,859 78,549
4 1,027 3,669 93,401 1,027 3,669 93,401 4,159 14,852 93,401
5 ,756 2,700 96,102
6 ,428 1,529 97,631
7 ,299 1,068 98,699
8 ,164 ,585 99,284
9 ,088 ,314 99,598
10 ,067 ,240 99,838
11 ,017 ,060 99,898
12 ,014 ,052 99,950
13 ,009 ,033 99,983
14 ,005 ,017 100,000
15 4,519E-16 1,614E-15 100,000
16 9,177E-17 3,277E-16 100,000
17 5,768E-17 2,060E-16 100,000
18 3,975E-17 1,419E-16 100,000
19 2,234E-17 7,977E-17 100,000
20 1,146E-17 4,092E-17 100,000
21 5,420E-18 1,936E-17 100,000
22 -1,031E-18 -3,683E-18 100,000
23 -1,094E-17 -3,906E-17 100,000
24 -1,417E-17 -5,061E-17 100,000
25 -2,574E-17 -9,192E-17 100,000
26 -3,512E-17 -1,254E-16 100,000
27 -6,547E-17 -2,338E-16 100,000
28 -1,080E-16 -3,858E-16 100,000
Método de extracción: análisis de componentes principales.

En la tabla de las varianzas totales según factor o componente, podemos verificar que el

componente 1 que mayormente está asociado a la formación continua del personal, al

análisis y conocimiento del mercado, la profesionalidad, la calidad y eficacia del servicio

y la eficiencia de los recursos tiene una variabilidad de 35,808

Figura 1: Gráfico de sedimentación (Modelo 1 - Grupo A - Ventaja competitiva)

Esta figura sugiere que en el modelo confirmatorio sólo debieran ser usados cuatro (4)

factores latentes. En el eje Y se encuentra el autovalor (eigenvalue) que indica la cantidad

de información capturada por cada factor. Por lo tanto, el gráfico debe ser interpretado

utilizando la siguiente regla general para decidir el número de factores a utilizar: tome los

factores hasta que la pendiente de la recta que une sus puntos sea relativamente (≈)

paralela al Eje X. Mirando el eje X en nuestro gráfico, se ve que después de los cuatro (4)

factores, la contribución del 5to, 6to y 7mo puede ser considerada como marginal, o por
lo menos tiende a hacerse paralela al eje X, por lo que parece recomendable según los

criterios expuestos, seleccionar sólo cuatro (4) factores latentes para testear el modelo de

decisión de ventaja competitiva. Los resultados del modelo exploratorio se exponen en la

siguiente tabla que muestra los resultados rotados de la matriz de cargas factoriales.

Hemos seleccionado (sombreado) la mayor carga factorial de cada reactivo en cada Factor

Latente. Los reactivos se encuentran etiquetados de acuerdo a los criterios especificados

en el instrumento donde están las preguntas con su respetivo código asignado, por lo que

puede consultarse aquel anexo para obtener su significado:

Tabla 9: Matriz de componente rotadoa (Modelo 1 - Grupo A - Ventaja competitiva)

Componente
1 2 3 4
VCH1 ,934 ,211 ,229 ,131
VCT1 ,934 ,211 ,229 ,131
VCT6 ,934 ,211 ,229 ,131
VCC1 ,934 ,211 ,229 ,131
VCC3 ,934 ,211 ,229 ,131
VCR3 ,934 ,211 ,229 ,131
VCR1 ,827 ,245 ,326 ,209
VCF3 ,771 ,308 ,333 ,184
VCL3 ,725 ,348 ,149
VCF1 ,539 ,423 ,135 ,402
VCL4 ,533 ,378 ,295 ,437
VCF4 ,237 ,914 ,162 ,230
VCT5 ,242 ,913 ,171 ,249
VCR2 ,242 ,913 ,171 ,249
VCF2 ,222 ,846 ,327 ,288
VCT4 ,372 ,813 ,346 ,264
VCH5 ,372 ,813 ,346 ,264
VCL1 ,372 ,813 ,346 ,264
VCH3 ,233 ,425 ,743 ,274
VCC4 ,555 ,329 ,700 ,291
VCC2 ,555 ,329 ,700 ,291
VCH2 ,555 ,329 ,700 ,291
VCT2 ,555 ,329 ,700 ,291
VCR4 ,555 ,329 ,700 ,291
VCL2 ,333 ,377 ,581 ,540
 VCH4 ,157 ,325 ,241 ,887
VCT3 ,157 ,325 ,241 ,887
VCC5 ,157 ,325 ,241 ,887
Método de extracción: análisis de componentes principales.
Método de rotación: Varimax con normalización Kaiser.
a. La rotación ha convergido en 6 iteraciones.

Interpretación:

Análisis Factorial: MODELO 1 (Grupo B – Estrategia de la agencia)

Tabla 10: Prueba de KMO y Bartlett (Grupo B –Estrategia de la agencia)

Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,850

Prueba de esfericidad de Bartlett Aprox. Chi-cuadrado 1895,773
gl 28
Sig. ,000

Figura 2: Gráfico de sedimentación (Modelo 1 - Grupo B - Estrategia de la agencia)

Tabla 11: Matriz de componente rotadoa (Modelo 1 - Grupo B - Estrategia de la
agencia)

Componente
1 2
EST8 ,938 ,246
EST1 ,935 ,234
EST6 ,864 ,455
EST5 ,674 ,331
EST4 ,625 ,554
EST2 ,225 ,919
EST7 ,296 ,912
EST3 ,505 ,799
Método de extracción: análisis de
componentes principales.
Método de rotación: Varimax con
normalización Kaiser.
a. La rotación ha convergido en 3
iteraciones.

Interpretación:

Análisis Factorial: MODELO 1 (Grupo C – Rendimiento de mercado)

Tabla 12: Prueba de KMO y Bartlett (Grupo C – Rendimiento de mercado)

Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,850

Prueba de esfericidad de Bartlett Aprox. Chi-cuadrado 1895,773
gl 28
Sig. ,000
Figura 3: Gráfico de sedimentación (Modelo 1 - Grupo C - Rendimiento del mercado)

Tabla 13: Matriz de componente rotadoa (Modelo 1 - Grupo C - Rendimiento de

mercado)

Componente
1
RM1 ,965
RM3 ,965
RM5 ,880
RM2 ,827
RM4 ,730
Método de extracción: análisis de
componentes principales.
a. 1 componentes extraídos.