ALIMENTARIA INTEGRAL ENERO 2019

44
TECNOLOGÍA
CÁRNICA
tanto, otros estudios relacionados están dirigidos a examinar
el valor para los consumidores de marcas corporativas,
de marcas propias o de tiendas (Bravo Gil, Fraj
Andrés, y Martínez Salinas, 2007; Chaniotakis,
Lymperopoulos, & Soureli, 2010; Beristain & Zorrilla, 2011)
analizando el aceite de oliva.
Entre los diferentes estimadores para SEM, optamos por el
estimador basado en la varianza PLS porque permite estimar
modelos que contienen constructos modelados
como factores comunes y compuestos (Henseler, Hubona
y Ray, 2016), que es el caso de nuestro estudio. Siguiendo
la tradición psicométrica, las actitudes y el valor percibido
de las marcas privadas se modelaron como factores
comunes, dado que expresan un concepto subyacente
que afecta las variables observables (Chin, 1998a). Las
construcciones restantes se modelaron como compuestos,
es decir, están compuestas por las variables observables
relacionadas (Henseler, 2017). Para obtener estimaciones
de parámetros consistentes para modelos que
contienen construcciones modeladas como factor
común, se emplearon mínimos cuadrados parciales
(PLSc) consistentes (Dijkstra y Henseler, 2015). Corrige el
sesgo de atenuación en caso de factores comunes. Dado
que el modelo también consiste en una construcción
moderadora, es decir, preferencias de sabor, se aplicó
PLSc para modelos estructurales no lineales (Dijkstra &
Schermelleh-Engel, 2014). Este enfoque estima constantemente
los momentos teóricos entre los constructos y, posteriormente,
estima los efectos lineales y moderadores
basados en los momentos estimados de los constructos. Al
hacerlo, este enfoque permite una estimación simultánea
y coherente de todos los coeficientes de trayectoria. Para
analizar los efectos moderadores de las variables categóricas,
es decir, el nivel de educación y la proximidad al
área de producción, se realizó un análisis multigrupo, es
decir, los coeficientes de la trayectoria se compararon
entre los grupos. La distribución de referencia de las diferencias
de parámetros se obtuvo por permutación (Chin
& Dibbern, 2010).
Para controlar la inflación de errores de tipo I en el caso de
más de dos comparaciones de grupo, se aplicó una
corrección de Bonferroni, es decir, el nivel de significación
se dividió por el número de comparaciones de grupo
(Sarstedt, Henseler y Ringle, 2011). El análisis completo se
realizó en el entorno de programación estadística R (R
Core Team, 2017) utilizando el paquete MoMpoly (Schuberth,
Schamberger, & Dijkstra, 2018).