Factor- and Composite-Based Structural Equation Modeling -- A New Approach to Incorporate Composites in the Traditional SEM Framework

Resumen Técnico: Modelado de Ecuaciones Estructurales Basado en Factores y Compuestos (FC-SEM)

1. Planteamiento del Problema

El Modelado de Ecuaciones Estructurales (SEM) tradicional se ha centrado históricamente en modelar constructos como factores comunes (variables latentes reflejas), donde los indicadores son causados por el constructo subyacente. Sin embargo, en muchas disciplinas, existen constructos que deben modelarse como compuestos (variables formativas), definidos como combinaciones lineales de sus indicadores (ej. nivel socioeconómico, satisfacción del cliente).

El problema central identificado en el artículo es la falta de un marco unificado dentro del SEM tradicional para manejar simultáneamente factores comunes y compuestos. Las soluciones existentes presentan limitaciones significativas:

• Enfoques fuera del SEM tradicional (ej. PLS-PM, PLSc, GSCA): Aunque permiten compuestos, carecen de flexibilidad en la especificación de modelos, no permiten restricciones de parámetros, dependen de métodos de inferencia computacionalmente costosos (bootstrap) para los errores estándar y no ofrecen métricas de ajuste global robustas ni manejo nativo de datos faltantes.
• Especificaciones dentro del SEM tradicional (ej. enfoque de un paso, pseudo-indicadores, especificación H-O): Intentan integrar compuestos en el SEM clásico, pero sufren de problemas de identificación, aumentan la complejidad de la especificación del modelo, requieren trucos de software (fijar varianzas de error a cero), o impiden que los compuestos ocupen posiciones dependientes en el modelo estructural.

2. Metodología Propuesta: FC-SEM

Los autores proponen una nueva especificación de modelo llamada FC-SEM (Factor- and Composite-Based SEM). Esta metodología integra formalmente ambos tipos de constructos dentro del marco del SEM tradicional, permitiendo el uso de estimadores clásicos.

Componentes Clave de la Especificación:

1. Ecuaciones de Medición:
   • Factores Comunes ($\eta_f$): Se modelan como $\mathbf{y}_f = \mathbf{\Lambda}_f \eta_f + \varepsilon_f$, donde la varianza de los indicadores se explica por el factor y el error de medición.
   • Compuestos ($\eta_c$): Se modelan como $\eta_c = \mathbf{W}' \mathbf{y}_c$, donde $\mathbf{W}$ son los pesos del compuesto. A diferencia de los factores, las varianzas y covarianzas de los indicadores que forman un compuesto son parámetros libres (capturados en la matriz $\mathbf{T}$).
2. Matriz de Varianza-Covarianza Implícita:
   • Los autores derivan una expresión de forma cerrada para la matriz de varianza-covarianza implícita del modelo ($\Sigma(\theta)$).
   • Para los compuestos, introducen el concepto de "cargas del compuesto" ($\mathbf{\Lambda}_c$), obtenidas mediante regresión de mínimos cuadrados ordinarios de los compuestos sobre sus indicadores.
   • La matriz final combina las restricciones de los factores, los compuestos y el modelo estructural, resultando en una estructura matemática que es compatible con los algoritmos de estimación tradicionales.
3. Identificación y Escalamiento:
   • Se establecen reglas claras para la identificación, asegurando que los sub-modelos (factores, compuestos y estructural) estén identificados.
   • Se permiten múltiples métodos de escalamiento para los compuestos (fijar un peso, fijar la varianza, o restringir la suma de pesos), ofreciendo mayor flexibilidad que métodos anteriores.
4. Estimación:
   • Al derivar la matriz $\Sigma(\theta)$, el modelo puede estimarse utilizando Máxima Verosimilitud (ML), Mínimos Cuadrados Generalizados (GLS) o Mínimos Cuadrados Ponderados (WLS), los cuales son los estándares en el SEM tradicional.
   • Esto permite obtener errores estándar analíticos y pruebas de hipótesis sin depender exclusivamente del bootstrap.

3. Contribuciones Clave

• Unificación Teórica: Proporciona la primera especificación formal que permite estimar modelos mixtos (factores y compuestos) utilizando la teoría de varianza-covarianza del SEM tradicional.
• Implementación en Software: La metodología ha sido implementada en el paquete de código abierto lavaan (R), utilizando el operador <~ para especificar compuestos, lo que hace la técnica accesible a una amplia audiencia de investigadores.
• Flexibilidad Analítica: Permite que los compuestos ocupen posiciones tanto independientes como dependientes en el modelo estructural, facilitando análisis de mediación y efectos indirectos que antes eran problemáticos.
• Inferencia Analítica: Elimina la necesidad de depender exclusivamente de métodos de remuestreo (bootstrap) para la inferencia estadística, permitiendo el uso de errores estándar analíticos y pruebas de ajuste global ($\chi^2$, RMSEA, SRMR).

4. Resultados

Los autores validaron el enfoque a través de tres vías:

1. Análisis de Escenario (Recuperación de Parámetros): En una simulación donde la muestra representaba perfectamente a la población, el estimador de Máxima Verosimilitud (ML) en FC-SEM recuperó con precisión todos los parámetros poblacionales, demostrando la consistencia del estimador.
2. Estudio de Simulación (Muestreo Finito): Una simulación de Monte Carlo con 1,000 repeticiones y tamaño de muestra de 500 mostró que las estimaciones de los parámetros son, en promedio, cercanas a los valores poblacionales y que los errores estándar analíticos coinciden bien con los errores empíricos.
3. Ejemplo Empírico (Índice de Satisfacción del Cliente Americano): Se aplicó FC-SEM a un dataset real comparándolo con PLSc, IGSCA y la especificación H-O. Los resultados mostraron que las estimaciones estandarizadas de FC-SEM son muy similares a las de otros métodos, pero con la ventaja de una especificación más intuitiva y la capacidad de usar herramientas de ajuste de modelo tradicionales.

5. Significado e Impacto

El desarrollo de FC-SEM representa un avance significativo en la metodología de investigación cuantitativa:

• Accesibilidad: Democratiza el uso de modelos mixtos al permitir su implementación en el software más popular del campo (lavaan), sin requerir algoritmos especializados o complejos.
• Rigor Metodológico: Permite a los investigadores aplicar todo el arsenal de evaluación de modelos del SEM tradicional (pruebas de ajuste, manejo de datos faltantes, análisis multigrupo) a modelos que incluyen constructos formativos, algo que antes era limitado o imposible.
• Validación de Constructos: Facilita la elección correcta del tipo de constructo (reflejo vs. formativo) sin sacrificar las capacidades de inferencia estadística, reduciendo el riesgo de conclusiones erróneas derivadas de una mala especificación del modelo.

En conclusión, FC-SEM supera las limitaciones de las aproximaciones anteriores al ofrecer un marco flexible, identificable y computacionalmente eficiente para el análisis de estructuras complejas que contienen tanto factores comunes como compuestos.