ALIMENTARIA INTEGRAL ENERO 2019

More documents

Recommendations

Info

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).
TECNOLOGÍA CÁRNICA 45 Tabla 2. Resultados del modelo estructural para toda la muestra (modelo general) Hipótesis Coeficiente de trayectoriaa Porcentaje de arranque 0.5% Porcentaje de arranque 99.5% Resultados de Hipótesis f2,b AE ➔ ECO H1 0.475*** -0.036 0.384 0.568 Soportado 0.281 AE ➔ RCO H2 −0.264*** -0.035 −0.355 −0.177 Soportado 0.079 AR ➔ ECO H3 −0.318*** -0.028 −0.390 −0.246 Soportado 0.152 AR ➔ RCO H4 0.406*** -0.025 0.341 0.472 Soportado 0.227 AE x TP ➔ ECO H5 −0.067 n.s. -0.029 −0.147 0.008 No Soportado – AR x TP ➔ ECO H6 −0. 209*** -0.027 −0.281 −0.138 Soportado 0.071 AE x TP ➔ RCO H7 0.014 n.s. -0.027 −0.062 0.081 No Soportado – AR x TP ➔ RCO H8 0.240*** -0.024 0.177 0.306 Soportado 0.085 AC ➔ AE H9 −0.198*** -0.032 −0.283 −0.117 Soportado 0.041 AC ➔ AR H10 0.458*** -0.028 0.382 0.528 Soportado 0.274 HS ➔ AE H11 0.276*** -0.038 0.171 0.371 Soportado 0.08 HS ➔ AR H12 −0.073** -0.028 −0.149 −0.002 Soportado 0.006 PV ➔ AE H13 −0.018 n.s. -0.032 −0.082 0.039 No soportado – PV ➔ AR H14 0.170*** -0.032 0.112 0.237 Soportado 0.036 TP➔ ECO 0.201*** -0.03 −0.275 −0.121 0.048 TP ➔ RCO 0.222*** -0.028 0.153 0.297 0.059 Nota: Los Factores de Inflación de Variancia (VIF) de cada predictor de constructo están bajo 5 5 (Diamantop oulos & S i guaw, 2006). a *** p
Page 1 and 2: R E V I S T A M E N S U A L D I G I
Page 3 and 4: Distribución y venta de reactivos,
Page 5 and 6: La gelatina, el colágeno y los pé
Page 7 and 8: 7 INFORMACIÓN DE ACTUALIDAD Regist
Page 9 and 10: 9 INFORMACIÓN DE ACTUALIDAD raron
Page 12 and 13: www.ifema.es/intersicop_01 /INTERSI
Page 14: Cerca de 50 seminarios técnicos y
Page 18 and 19: 18 NÚMEROS DEL MERCADO INFORMACIÓ
Page 20 and 21: 20 TECNOLOGÍA ALIMENTARIA LOS EFEC
Page 22: 22 TECNOLOGÍA CÁRNICA LOS EFECTOS
Page 27: TECNOLOGÍA CÁRNICA 27 des organol
Page 31: TECNOLOGÍA CÁRNICA 31 2. MARCO TE
Page 34 and 35: 34 TECNOLOGÍA CÁRNICA procesos de
Page 36 and 37: 36 TECNOLOGÍA CÁRNICA Figura 1. M
Page 38 and 39: 38 TECNOLOGÍA CÁRNICA 2.2 Aplican
Page 40 and 41: 40 TECNOLOGÍA CÁRNICA Trichopoulo
Page 42 and 43: 42 TECNOLOGÍA CÁRNICA 3. MATERIAL
Page 46 and 47: 46 TECNOLOGÍA CÁRNICA Tabla 3. Pa
Page 48 and 49: 48 TECNOLOGÍA CÁRNICA 4. RESULTAD
Page 50 and 51: 50 TECNOLOGÍA CÁRNICA mo de ROO (
Page 52 and 53: 52 TECNOLOGÍA CÁRNICA 5. DISCUSI
Page 54 and 55: 54 TECNOLOGÍA CÁRNICA aquí, esto
Page 56 and 57: 56 TECNOLOGÍA CÁRNICA Sin embargo
Page 58 and 59: 58 TECNOLOGÍA CÁRNICA Engineering
Page 60 and 61: 60 TECNOLOGÍA CÁRNICA ing the sui

ALIMENTARIA INTEGRAL ENERO 2019

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?