From Structural Equation Modelling to Double Machine Learning: Robustness Analysis for Survey-Based Research

Resumen Técnico: Del Modelado de Ecuaciones Estructurales al Aprendizaje Automático Doble

Planteamiento del Problema
El Modelado de Ecuaciones Estructurales (SEM, por sus siglas en inglés) es el marco estándar para la investigación basada en encuestas que involucra constructos latentes (por ejemplo, confianza, satisfacción, intención). Si bien el SEM evalúa eficazmente los modelos de medición y estima las relaciones estructurales basadas en la teoría, la significancia de sus trayectorias depende de una especificación de modelo particular. Un coeficiente de trayectoria significativo en SEM no demuestra inherentemente estabilidad bajo marcos de estimación alternativos, representaciones de puntuaciones o ajustes de control flexibles. En consecuencia, los investigadores carecen de un flujo de trabajo sistemático y transparente para determinar si las relaciones clave se mantienen robustas cuando se pasa del modelado de variables latentes a la regresión convencional o a ajustes basados en aprendizaje automático. La literatura reciente ha introducido el Aprendizaje Automático Doble (DML, por sus siglas en inglés) en los sistemas de información y lo ha aplicado en contextos de FinTech, pero el DML rara vez se utiliza como una herramienta de diagnóstico de robustez paso a paso, tras el SEM, para modelos de constructos latentes.

Metodología: El Marco Escalonado SEM–OLS–DML
El artículo propone un marco de robustez de dos capas y ocho etapas que integra SEM, Regresión de Mínimos Cuadrados Ordinarios (OLS) y Aprendizaje Automático Doble (DML). El flujo de trabajo está diseñado para separar la generación de evidencia de robustez de su interpretación, asegurando que el aprendizaje automático complemente en lugar de reemplazar al SEM.

1. Capa 1: Generación de Evidencia

   • Refinamiento de la Medición y SEM Base: El proceso comienza con el refinamiento del modelo de medición (validación de indicadores, fiabilidad y ajuste). Crucialmente, el modelo estructural completo especificado por la teoría se reestima como un "modelo SEM base de robustez" antes de eliminar cualquier trayectoria basada en la significancia.
   • Construcción de Puntuaciones: Se generan dos tipos de puntuaciones de constructo a nivel de encuestado: (a) puntuaciones de factores SEM (preservando la estructura latente y las cargas factoriales) y (b) puntuaciones compuestas de media (un punto de referencia simple y transparente).
   • Traducción de SEM a Regresión: Cada trayectoria estructural en el SEM base se traduce en una especificación a nivel de trayectoria para OLS y DML. Para una ecuación estructural $Y \sim D + X$, el predictor focal $D$ es la variable de interés, mientras que los otros predictores $X$ en la misma ecuación se tratan como controles copredictores.
   • Punto de Referencia OLS: Se ejecuta una regresión OLS sobre las puntuaciones de los constructos para proporcionar un punto de referencia lineal transparente. Esto verifica si el patrón de trayectoria implicado por el SEM permanece visible bajo los supuestos de la regresión convencional.
   • Residualización de Estilo DML: Se aplica DML para examinar la estabilidad bajo un ajuste de control flexible. La variable de resultado ($Y$) y el predictor focal ($D$) se regresan sobre el vector de control ($X$) utilizando aprendices de aprendizaje automático (Random Forest, Gradient Boosting y Support Vector Machine) para estimar las funciones de molestia. Los residuos se utilizan luego para estimar la relación focal. Se emplea el cross-fitting para evitar el sobreajuste.
   • Verificaciones de Sensibilidad: El marco incluye verificaciones de sensibilidad del aprendiz (comparando RF, GBM y SVM) y de sensibilidad de la puntuación (comparando puntuaciones factoriales frente a compuestas). También se realizan diagnósticos de dirección inversa seleccionados para probar la robustez direccional.

2. Capa 2: Interpretación Integrada

   • Los resultados de SEM, OLS y DML se comparan entre métodos, tipos de puntuación y aprendices.
   • Las trayectorias se clasifican según su convergencia o divergencia:
     • Fuertemente Robustas: Estables en dirección y significancia en todos los métodos.
     • Parcialmente Robustas / Sensibles al DML: La dirección es estable, pero la significancia se debilita bajo el ajuste de control flexible.
     • Sensibles a la Puntuación: Los resultados dependen fuertemente de si se utilizan puntuaciones factoriales o compuestas.
     • Direccionalmente Inestables: Los signos se invierten o los diagnósticos de dirección inversa muestran un apoyo más fuerte para la dirección opuesta.

Demostración Empírica
El marco se aplica a un modelo de encuesta de Intimidad Digital del Cliente (DCI) de FinTech que contiene 17 trayectorias y constructos, incluyendo Calidad Percibida, Experiencia de Usuario, Confianza y Conexión Emocional.

• Resultados: La mayoría de las trayectorias (p. ej., $PQ \to AT$, $AT \to BI$, $EC \to DCI$) se mantuvieron fuertemente robustas a través de SEM, OLS y aprendices de DML para ambos tipos de puntuación.
• Hallazgos Matizados:
  • $UB \to SA$ (Comportamiento de Uso a Satisfacción): Significativo y negativo en SEM y en DML con puntuaciones factoriales, pero débil/no significativo en las verificaciones de puntuaciones compuestas, lo que indica sensibilidad a la representación de la puntuación.
  • $TR \to EC$ (Confianza a Conexión Emocional): No significativo en SEM pero significativo en las verificaciones basadas en puntuaciones con sensibilidad de signo, lo que requiere una revisión teórica.
  • $CA \to AT$ (Conciencia del Cliente a Actitud): Débil en todos los métodos, lo que sugiere que puede ser un candidato para su eliminación si la teoría es débil.
  • Diagnósticos Inversos: La relación entre la Conexión Emocional y la DCI mostró estabilidad en ambas direcciones, lo que sugiere una asociación recíproca.

Contribuciones Clave

1. Flujo de Trabajo Práctico: El artículo proporciona un flujo de trabajo escalonado y reproducible para traducir las trayectorias implicadas por el SEM en verificaciones de robustez de estilo OLS y DML sin tratar el aprendizaje automático como un sustituto del modelado de variables latentes.
2. Claridad Diagnóstica: Clarifica cómo interpretar la sensibilidad a la representación de la puntuación (factorial frente a compuesta) y la sensibilidad del aprendiz (RF frente a GBM frente a SVM) dentro de la investigación basada en encuestas.
3. Disponibilidad de Recursos: Los autores proporcionan un cuaderno de Google Colab y archivos de resultados generados vía Zenodo, ofreciendo una plantilla reutilizable para que los investigadores adapten este flujo de trabajo de robustez a otros estudios de constructos latentes basados en encuestas.

Significancia y Reivindicaciones
El artículo posiciona este marco como un "proceso de soporte para la decisión del modelo" en lugar de un simple apéndice de robustez. Su principal significancia radica en cambiar la práctica de investigación de "recortar-luego-verificar" (eliminar trayectorias no significativas inmediatamente después del SEM) a un enfoque de "verificar-luego-decidir". Al retener el sistema completo de trayectorias teóricas para el análisis de robustez posterior, los investigadores pueden tomar decisiones estructurales finales basadas en una convergencia de evidencia de modelado latente, regresión transparente y ajustes de aprendizaje automático flexibles.

Los autores declaran explícitamente que este enfoque fortalece la evaluación de la robustez, pero no establece afirmaciones causales definitivas (intervencionales o contrafácticas) en datos de encuestas transversales. El marco está diseñado para identificar qué relaciones son estables y cuáles requieren una interpretación cautelosa, mayor discusión teórica o validación longitudinal. Aborda un vacío metodológico al posicionar el DML específicamente como una herramienta de diagnóstico post-SEM para modelos de constructos latentes, distinto de su uso como estimador primario en inferencia causal o como herramienta predictiva en estudios de integración SEM-ML.