Introducción

Debido a la naturaleza de los fenómenos en las ciencias administrativas, cuya cuantificación resulta compleja debido a que involucran conceptos abstractos que no pueden medirse directamente —como ocurre en otras disciplinas, como las ciencias exactas—, es necesario recurrir a la medición de variables latentes. Estas variables latentes son constructos teóricos que se evalúan a través de variables manifiestas, las cuales son observables y medibles.
Mediante las variables latentes, es posible asignar medidas a conceptos que surgen en el día a día dentro de una organización, tales como la satisfacción laboral, la cultura financiera, la permanencia laboral, la educación financiera, el compromiso organizacional y la intención emprendedora, entre otros ejemplos. Estos constructos permiten analizar aspectos clave del comportamiento humano en contextos organizacionales.
Los estudios cuantitativos facilitan la medición y modelado de fenómenos sociales mediante técnicas numéricas, lo que permite identificar factores que motivan ciertos comportamientos, como la satisfacción laboral, o determinar qué factores tienen mayor influencia en la predicción de conductas, como el emprendimiento. Para el análisis de datos en estos estudios, existen diversas técnicas estadísticas, como el análisis de regresión lineal, el análisis factorial exploratorio, el análisis de correlación o técnicas más recientes, como el modelado de ecuaciones estructurales mediante mínimos cuadrados parciales (PLS-SEM, por sus siglas en inglés).
PLS-SEM ha demostrado ser una técnica valiosa en las ciencias administrativas para el análisis de datos de investigaciones, debido a consideraciones relativamente flexibles que deben tomarse en cuenta para su aplicación. Sin embargo, ello no implica que PLS-SEM carezca de un modelo robusto y riguroso para el análisis de datos. Es posible validar las medidas de manera más estricta y con criterios más rigurosos que en un análisis factorial exploratorio. Asimismo, esta técnica permite evaluar el grado de explicación y predicción de múltiples variables dependientes, a diferencia de los modelos de regresión lineal, que solo evalúan una sola variable dependiente por modelo. Además, es factible evaluar el ajuste del modelo de medida y el modelo global, lo que asegura el rigor de la técnica.