Índice Mexicano de Satisfacción del Usuario (IMSU) Reporte final ...

El 2.6% de los entrevistados manifestó que se le ha pedido dinero para inscribirse en el programa. El
0.3% dijo que le pidieron apoyo a un partido político. En general, reportaron que se les pidió comprar
bebidas o una cooperación. Del porcentaje que manifestó que se le ha pedido dinero, el 31.0% indicó
que fue el gestor o facilitador voluntario y 20.7% tanto personal del programa como otras personas. Del
porcentaje que manifestó que se le pidió apoyo a un partido político, se trató de un delegado y de
personas desconocidas.
5. Generalidades del método estadístico del PLS
En este apartado se presentan los principales aspectos del método estadístico del PLS en forma general.
Para aquellos interesados en este método se puede consultar el Documento metodológico en el Anexo
8.
Los modelos de ecuaciones estructurales
Los modelos de ecuaciones estructurales (SEM, por su nombre en inglés, Structural Equation Models)
permiten la estimación de cadenas de relaciones causales, definidas teóricamente, entre variables no
observables o latentes a partir de métodos estadísticos. Las variables latentes a su vez son formadas o
reflejadas por variables observables o manifiestas provenientes de encuestas. De las variables
manifiestas se extrae información para la estimación de las variables latentes, la puntuación obtenida en
las variables latentes es utilizada en la estimación de las relaciones causales propuestas. De esta manera
es posible cuantificar variables no observables y estimar tanto la dirección como la magnitud del
impacto con otras variables no observables. PLS es uno de los enfoques para la estimación de SEM. Su
objetivo es la predicción en el análisis causal, sobre todo cuando los modelos son complejos y la teoría
no es sólida. Es posible que pueda ser utilizado en análisis confirmatorio, aunque todos los indicadores
son considerados útiles para la explicación. Como todos los métodos, PLS tiene ventajas y desventajas.
Algunas ventajas son: no requiere supuestos distribucionales, es robusto ante muestras pequeñas y un
mayor número de variables, así como con modelos complejos y valores perdidos. Sobre las desventajas
se menciona la no existencia, formalmente, de pruebas de significancia sobre los parámetros estimados,
por lo que se recurre a métodos de re-muestreo no paramétricos. Sus estimadores son sesgados. El
sesgo disminuye con el incremento del tamaño de la muestra y del número de indicadores.
40