Post on 14-Feb-2017
UNIVERSIDAD TÉCNICA FEDERICO SANTA MARIA
DEPARTAMENTO DE INDUSTRIAS
CASA CENTRAL – VALPARAÍSO
PROPUESTA DE MODELO DE MEDICIÓN DE IMAGEN DE MARCA.
CASO APLICADO A UTFSM.
JUAN PABLO EDUARDO RUIZ BERGER
MEMORIA PARA OPTAR AL TÍTULO DE INGENIERO CIVIL INDUSTRIAL
PROFESOR GUIA: LUIS YAÑEZ S.
PROFESOR CORREFERENTE: CRISTÓBAL FERNÁNDEZ R.
2012
2
RESUMEN EJECUTIVO
El siguiente trabajo de título trata como tema central el generar un modelo para la medición de
marca a la Universidad Técnica Federico Santa María. Esta necesidad se hace frente a la
visualización de la problemática en la falta de este tipo de instrumentos de monitoreo, sobre todo
en el sector de educación superior.
La investigación se desarrolló en dos fases, la primera de ellas corresponde a la fase exploratoria,
en donde se hizo la revisión de literatura y reuniones con las unidades de la universidad
pertinentes: Dirección de Admisión, Dirección General de Planificación y Desarrollo y la
Asociación de Ex - Alumnos de la USM (AEXA).
Junto a ellos, se definieron las partes interesadas a abarcar en el estudio, además de definir un
conjunto de dimensiones a evaluar en base al tema.
Producto de esto se definieron 33 variables a evaluar, que fueron agrupadas en base al modelo
conceptual Brand Total, en base a atributos, beneficios y personalidad.
La etapa concluyente, consistió en la aplicación de una encuesta vía correo electrónico, enviadas
a 3 bases de datos de las partes interesadas: Estudiantes secundarios (proporcionada por
Dirección de Admisión), Estudiantes actuales de la universidad (proporcionada por los Centros
de alumnos) y los Ex – Alumnos (proporcionada por AEXA), de los cuales se obtuvo un total de
2912 respuestas.
Con esto se hizo en primera instancia un análisis univariado de algunas variables de interés
particular las cuales se adecuaron en gran manera a la hipótesis planteadas: La universidad tiene
una imagen consolidada como especialista y líder en las áreas de Ingeniería, Ciencia y
Tecnología; se evalúa como universidad con buen nivel de académicos y alumnos; pero no se
percibe como una universidad con buen nivel de formación integral.
Posteriormente, el análisis multivariante se erealizó en base a la modelización de ecuaciones
estructurales (SEM), particularmente con un Análisis factorial de segundo orden, en que se
buscaba comprobar que la estructura de la imagen de marca se agrupa en función de los tres
3
factores detallados anteriormente: atributos, beneficios y personalidad.
Después de analizar las distintas condiciones de ajuste, se llegó finalmente a un modelo con 18
variables, en que el factor que más impacto tiene en la imagen de marca es el de personalidad,
seguido por atributos y beneficios.
Esto concordó con los análisis previos, en que la condición de expertiz en las áreas de ingeniería,
ciencia y tecnología, hacen de una marca con un posicionamiento claro frente a los
competidores.
Finalmente en los análisis respecto a las distintas partes interesadas, de manera general se pudo
apreciar que la muestra de futuros alumnos es la que valora en mayor grado todas las variables y
dimensiones. En contraste, la muestra de actuales alumnos es la que en términos generales evalúa
de menor manera a la universidad.
Finalmente se entregan las conclusiones a estos análisis, y algunas recomendaciones, en que se
basan en su mayoría en mejorar las brechas entre ciertos indicadores, como líder y especialista,
sumado además a trabajar en la mejora de percepción por parte de los actuales alumnos, ya que
son un foco importante de comunicación frente a actores externos.
4
INDICE DE CONTENIDOS
RESUMEN EJECUTIVO ............................................................................................................................. 2
1. PROBLEMÁTICA ............................................................................................................................... 6
1.1 Contexto que motiva la realización. ................................................................................................... 6
1.2 Definición del problema ...................................................................................................................... 7
2. TEMA ................................................................................................................................................... 9
3. OBJETIVOS ......................................................................................................................................... 9
3.1 Objetivo general .................................................................................................................................. 9
3.2 Objetivos específicos........................................................................................................................... 9
4. ANTECEDENTES ............................................................................................................................. 10
4.1 Educación superior en Chile .............................................................................................................. 10
4.2 Universidad Técnica Federico Santa María. ...................................................................................... 12
5. MARCO TEÓRICO ............................................................................................................................ 17
5.1 Definiciones y conceptos asociados a imagen de marca .................................................................. 17
5.2 Imagen de marca universitaria. ........................................................................................................ 20
5.3. Imagen de la UTFSM. ....................................................................................................................... 24
5.4. Técnicas Multivariantes utilizadas. .................................................................................................. 24
5.4.1. Definición de Análisis Multivariante. ....................................................................................... 24
5.4.2. Análisis factorial. ...................................................................................................................... 25
5.4.3. Análisis factorial confirmatorio (AFC). .................................................................................... 29
5.4.4. Modelos de Ecuaciones Estructurales. ...................................................................................... 33
5.4.5. Análisis factorial confirmatorio de segundo orden. .................................................................. 56
6. METODOLOGÍA ................................................................................................................................... 58
7. ANÁLISIS Y RESULTADOS ............................................................................................................... 64
7.1. Tamaño muestral. ............................................................................................................................ 64
7.2. Análisis univariado. .......................................................................................................................... 64
7.3. Análisis multivariado. ....................................................................................................................... 75
7.3.1. Tamaño muestral análisis univariado. ....................................................................................... 75
7.3.2. Prueba de normalidad................................................................................................................ 76
7.3.3. Conceptualización del modelo SEM. ........................................................................................ 77
7.3.3. Construcción del diagrama de ruta. ........................................................................................... 80
5
7.3.4. Especificación del modelo. ....................................................................................................... 82
7.3.5. Identificación del modelo. ......................................................................................................... 83
7.3.6. Estimación de parámetros. ........................................................................................................ 83
7.3.7. Análisis de ajuste. ..................................................................................................................... 84
7.3.8. Modificación del modelo. ......................................................................................................... 87
7.3.9. Interpretación del modelo. ........................................................................................................ 91
8. CONCLUSIONES ................................................................................................................................ 101
9. BIBLIOGRAFÍA .................................................................................................................................. 107
10. ANEXOS ............................................................................................................................................ 110
6
1. PROBLEMÁTICA
1.1 Contexto que motiva la realización.
Hoy en día, producto de la globalización y el entorno competitivo en que están las empresas, la
elección y satisfacción de los consumidores no se origina solo por los atributos funcionales del
producto o servicio, sino que se logra en mayor medida por los aspectos simbólicos y
psicológicos que proyectan éstos, en donde la máxima expresión se traduce bajo el concepto de
“marca”.
El hecho de que un consumidor recuerde, elija o se identifique con una marca, es consecuencia
de diversos factores, por lo que todas las actividades enfocadas a la gestión de ésta, se pueden
traducir en ventajas competitivas para una empresa.
Chile no queda ajeno a esto, lo que ha hecho necesario para muchas empresas comenzar a
trabajar en este aspecto, buscando una diferenciación que les permita obtener buenos resultados.
Uno de los factores claves en este tema, es el de la “imagen de marca”, que contempla las
percepciones y asociaciones que se crean en los consumidores al momento de evaluar una marca.
Esto toma mayor importancia, ya que considerando el escenario descrito anteriormente, se suma
además la serie hechos que han ocurrido en el último tiempo en nuestro país, donde en diversos
sectores se han producido episodios polémicos que han puesto a prueba la credibilidad de las
empresas frente a los consumidores, como lo son el retail (Caso La Polar en 2011), salud
(colusión de precios de Farmacias en 2008; polémicas utilidades de Isapres en 2011) y educación
(movilizaciones estudiantiles en el 2011).
Diversos estudios públicos referentes a la imagen, como el ranking de marcas de BAV Chile
2011, Ranking de Reputación Corporativa de Collect GFK 2011, o el ranking de YouGov 2011,
7
demuestran explícitamente como golpearon estos eventos particulares a las empresas y sus
marcas en general.
Este impacto en la imagen de diferentes empresas, aumenta el interés en estudiar este fenómeno
en las organizaciones de educación, ya que el gran número de actores ha producido un escenario
de gran competencia y rivalidad. Considerando además, que durante el último año el tema de la
educación ha cobrado mayor importancia, especialmente en lo referente sobre la calidad de sus
instituciones, por lo que la manera en como son percibidas las casas de estudio por diferentes
actores presenta un contexto adecuado para abordar en una investigación.
1.2 Definición del problema
Situados en este contexto, las instituciones de educación superior enfrentan un gran reto en su
gestión respecto a tiempos pasados. Por esto, Carmelo y Calvo (2010) plantean 5 áreas
estratégicas claves a definir en estas organizaciones:
a) Estrategia Académica: que corresponde a la determinación de la cartera productos y
servicios (oferta académica), considerando también los servicios complementarios al
aspecto académico.
b) Estrategia de Segmentación: contempla la segmentación misma del mercado,
considerando la imposibilidad de atender todas las necesidades. La identificación de un
segmento permite proyectar su actividad (cartera de productos y servicios, imagen,
estrategia de comunicación entre otras).
c) Estrategia Competitiva: comprende las acciones para mantener o incrementar la
participación en el mercado objetivo.
d) Estrategia de Oportunidad: basadas en orientar la ampliación institucional, identificando
oportunidades.
e) Estrategia de Posicionamiento: Una vez definido el mercado, plantear como se quiere ser
reconocido por el público objetivo, y cuál es la ubicación que se ocupa dentro del
conjunto de competidores en la mete de los clientes.
8
En base a esto, los autores afirman que en esencia la estrategia de posicionamiento representa la
imagen institucional que se alcanza, transformándose en el tópico fundamental a elaborar. En
base a esto, los autores definen cuatro elementos claves para el desarrollo de imagen en una
organización:
1° Debe derivarse del proyecto institucional (valoración de lo que es o quiere ser).
2° Debe reiterarse continuamente en su comportamiento.
3° Debe ser promovida.
4° Debe ser monitoreada constantemente.
Éste último punto es donde se encuentra el problema a tratar, ya que no existe un instrumento
que genere consenso para esta tarea, lo que ha provocado gran fragmentación en la literatura.
Además, tampoco existe una profundización en el tema específico de la educación superior.
La problemática del tema tratado radica en la necesidad de contar con instrumentos confiables
para medir y controlar la gestión de marca, al igual como ocurre en cualquier otra organización o
empresa.
La Universidad Técnica Federico Santa María no queda ajena al contexto competitivo y
controversial que se ha producido en torno a la educación superior en Chile, debiendo poner a
prueba el desempeño de gestión de identidad de marca frente a la imagen creada por las diversas
partes interesadas.
9
2. TEMA
El tema a desarrollar consiste en entregar una propuesta de un modelo de medición de imagen de
marca de la Universidad Técnica Federico Santa María, considerando los modelos de imagen
existentes y evaluando la aplicación de ellos o la nueva definición de uno, teniendo en cuenta la
gran fragmentación respecto a este tema.
Esto representa una dificultad en términos de que no se ha podido definir un instrumento que sea
aplicable de manera universal para distintos sectores, lo que ha producido que cada modelo
propuesto tiene las componentes a considerar propias de su sector, industria o simplemente
aplicable solo a su organización.
El fin que se busca es entregar una herramienta que permita ser aplicable a otras instituciones
similares, además de poder ser aplicado en distintos instantes de tiempo otorgando la posibilidad
de ir monitoreando las estrategias aplicadas en la institución.
3. OBJETIVOS
3.1 Objetivo general
El objetivo general de este trabajo consiste en medir la imagen de marca de la Universidad
Técnica Federico Santa María, estableciendo los actores y componentes que la definen,
permitiendo entregar una herramienta de evaluación de gestión de marca.
3.2 Objetivos específicos
Identificar las partes interesadas (stakeholders), basándose en las investigaciones y
modelos previos, para poder definir la muestra a consultar.
Identificar las dimensiones que componen la imagen consultando a las partes interesadas,
para especificar el modelo y medir las percepciones que tienen cada una de ellas.
10
Definir un modelo de imagen de marca, agrupando las dimensiones identificadas, para
poder medir cuantitativamente la gestión de marca de la institución.
Proponer en modelo de escala flexible, utilizando dimensiones de orden superior, que
pueda ser aplicado en diversos mercados e industrias.
4. ANTECEDENTES
4.1 Educación superior en Chile
En Chile, la oferta de la educación superior está compuesta principalmente por tres actores:
universidades, institutos profesionales y centros de formación técnica. Además de éstos, la ley
reconoce oficialmente como instituciones de educación superior a los establecimientos de las
Fuerzas Armadas, de la Dirección General de Aeronáutica Civil, de Carabineros y de la Policía
de Investigaciones.
Respecto a las universidades, existe un total de 59 a lo largo del país (sin considerar las que están
en proceso de cierre), que congregan a 661.000 alumnos. De éstas, 25 pertenecen al Consejo de
Rectores y otras 34 son universidades privadas. Las primeras representan el 41,5% de la
matrícula de 1er
año 2011, y las privadas representan el 58,5% de la matrícula de 1er
año 2011.
(Consejo Nacional de Educación, 2011).
El Consejo de Rectores de las Universidades Chilenas (CRUCH), es una persona jurídica de
derecho público, de administración autónoma, creado el 14 de agosto de 1954, (Ley Nº 11.575)
como un organismo de coordinación de la labor universitaria de la nación. Está integrado por los
Rectores de las veinticinco universidades públicas y tradicionales del país. El acceso a estas
universidades es mediante un sistema común de selección y admisión, denominada Prueba de
Selección Universitaria (PSU), aplicada desde el año 1967 a la fecha. Cabe destacar que también,
aunque en un porcentaje mínimo, estas Universidades tienen sistemas anexos de admisiones
especiales que lo define cada una de ellas.
11
Las otras 34 universidades, llamadas privadas, corresponden a las fundadas posteriores al año
1980, en el que la nueva ley permitió un nuevo sistema de creación de universidades sin acceso a
financiamiento público directo y que al no pertenecer al Consejo de Rectores, tampoco formaban
parte del proceso de selección descrito anteriormente.
Esto cambió en el proceso de admisión 2012, en que 8 de éstas universidades se adscribieron al
sistema PSU.
Los institutos profesionales (IP), son 45 en total, y congregan a 268.000 alumnos.
Los centros de formación técnica (CFT), en total son 64 (sin considerar los que están en proceso
de cierre), y congregan a 139.000 alumnos. De ellos, 13 están acreditados, los que representan el
68% de la matrícula de CFT.
Por último, las escuelas y academias pertenecientes a las Fuerzas Armadas, Orden y Seguridad,
en total agrupan a unos 2000 alumnos aproximadamente.
En este sistema, la ley establece que las universidades se encuentran facultadas para otorgar toda
clase de títulos y grados académicos, los institutos profesionales sólo pueden otorgar títulos
profesionales (con excepción de aquellos reservados únicamente para las universidades) y títulos
técnicos de nivel superior, mientras que los centros de formación técnica sólo se encuentran
habilitados para entregar títulos técnicos de nivel superior. Los grados académicos, que son
otorgados exclusivamente por las universidades, son los de licenciado, magíster y doctor.
Las instituciones pertenecientes a las Fuerzas Armadas, de Orden y Seguridad, están facultadas
para entregar títulos y grados académicos propios del ámbito de su competencia, según
corresponda.
El número de alumnos que rinden la PSU, ha aumentado desde el año 2006 en más de un 45%,
alcanzando en el año 2011 un total de 231 mil alumnos aproximadamente según datos del
DEMRE.
12
Estos aspectos del sistema educación en Chile, lo sitúan como uno de los de mayor grado de
privatización en el mundo. Brunner (2006), señala que este nivel se forma por dos aspectos: nivel
de privatización de matrícula y nivel de privatización de recursos. La privatización de matrícula
está generada por el incremento en actores privados descritos anteriormente, sumada a la
decreciente participación del Estado en las instituciones públicas durante los últimos años.
La privatización de los recursos, queda definida principalmente por la reducción de los aportes
fiscales directos por parte del gobierno a sus instituciones, dando paso a diferentes mecanismos
que intensifican la competencia como aportes fiscales indirectos que son guiados por la
demanda, además de los sistemas de becas y créditos con base comercial (Brunner, 2006), donde
la mayor parte de los recursos que ingresan al sistema provienen de parte de los alumnos y las
familias.
En base a los punto anteriores, la educación superior presenta un escenario atractivo para evaluar
en temas de imagen, ya que además de lo mediático del último año, los cambios producidos en el
sistema, han convertido a este sector en uno de los con mayor competencia en nuestro país.
4.2 Universidad Técnica Federico Santa María.
La Universidad Técnica Federico Santa María (UTFSM o USM), es una fundación de Derecho
Privado, con carácter de universidad particular, y forma parte de los 25 planteles tradicionales
miembros del Consejo de Rectores de las Universidades Chilenas.
Fue fundada el 27 abril de 1926, en Valparaíso, mediante el Decreto Supremo N° 996 del
Ministerio de Justicia, por el que se concedió la personalidad jurídica a la “Fundación Federico
Santa María” de acuerdo a los estatutos presentados en escritura pública, siguiendo la voluntad
testamentaria de don Federico Santa María Carrera, que entregó la donación para dotar a
Valparaíso de un centro de estudio compuesto de una Escuela de Artes y Oficios y un Colegio de
Ingenieros.
13
A lo largo de los años, la Universidad ha construido presencia nacional e internacional
estructurada a través de Campus y Sedes:
Casa Central, inaugurada en Valparaíso en 1931, con más de 55.000 metros cuadrados,
edificada en un entorno de parques y jardines en una superficie de 7 hectáreas.
A fines de la década del 60, de acuerdo a los planes de desarrollo de la Universidad, se crean
dos nuevas sedes para la formación de Técnicos Universitarios: Sede Viña del Mar con 15
hectáreas de terreno y con más de 12.000 metros cuadrados edificados, y la Sede
Concepción con 7,5 hectáreas de terreno y sobre los 10.000 metros cuadrados construidos.
En 1995, inicia sus actividades el Campus Santiago impartiendo carreras de pregrado de
Ingeniería; y el año siguiente se crea el Campus Guayaquil, en Ecuador, el cual funciona
bajo la supervisión académica de la Universidad, ofreciendo carreras de pre y postgrado en
el área de Ingeniería.
Desde el 2000 cuenta con una propiedad de 31.400 metros cuadrados en la comuna de
Vitacura, la que actualmente tiene más de 9.000 metros cuadrados construidos, habiendo
incorporado las carreras de Ingeniería Comercial, Ingeniería Civil Industrial, , e Ingeniería
Civil Informática, donde además comienzan las actividades en la Academia de Ciencias
Aeronáuticas, en convenio con LAN.
4.2.1. Misión y Visión de la UTFSM.
Esta institución, en base a su modelo estratégico, define su misión y visión de la siguiente
manera:
Misión UTFSM
"Constituye misión de la Universidad el contribuir mediante la Docencia, la Investigación y la
Extensión, a la creación de nuevos conocimientos, a su difusión y entrega universal, a la
formación humana, científica y profesional de sus alumnos en un marco de excelencia y de
respeto para que éstos, utilizando el conocimiento de las distintas áreas y los altos valores
cultivados, sean capaces de contribuir al desarrollo y mejoramiento de la humanidad.
14
La Institución tiene una extensión nacional e internacional y de acuerdo con la voluntad
testamentaria de su fundador, don Federico Santa María Carrera, busca la excelencia académica
y pone especial énfasis en facilitar la admisión y la permanencia de aquellos que, reuniendo las
aptitudes y actitudes exigidas por el trabajo académico, no poseen suficientes medios
materiales."
Visión UTFSM
"Ser una Universidad líder en Ingeniería, Ciencia y Tecnología para Chile y reconocida
internacionalmente".
4.2.2. Posición competitiva de la UTFSM.
Para entender de alguna manera la posición de la UTFSM con alguno de sus competidores, es
importante entregar algunas cifras importantes de este sector.
a) Nivel de alumnos: una manera de ver el nivel de excelencia académica de los estudiantes que
ingresan a las instituciones de educación superior, es mediante el indicador de AFI (Aporte
Fiscal Indirecto), que es el monto asignado anualmente por el Estado a todas las éstas
instituciones reconocidas por el MINEDUC, que obtengan a los 27.500 mejores puntajes de la
PSU en cada año.
Según cifras entregadas por DIVESUP, en base a los montos entregados el año 2012, la UTFSM
ocupa el tercer lugar con el 7,36% del monto total, bajo la Universidad de Chile con un 20,55% y
la Pontificia Universidad Católica de Chile 17,87%. En la tabla 1 se pueden ver las instituciones
que ocupan los siete primeros lugares a nivel nacional.
15
Tabla 1. Montos AFI 2012 por institución.
Nombre de la Institución 2012
(M$) %
UNIVERSIDAD DE CHILE 4.622.892.110 20,546
PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE 4.020.008.842 17,867
UNIVERSIDAD TECNICA FEDERICO SANTA MARIA 1.655.436.650 7,357
UNIVERSIDAD DE CONCEPCION 1.450.933.818 6,449
UNIVERSIDAD DE SANTIAGO DE CHILE 1.430.863.945 6,359
UNIVERSIDAD ADOLFO IBAÑEZ 1.085.216.118 4,823
PONTIFICIA UNIVERSIDAD CATOLICA DE VALPARAISO 809.353.735 3,597
Fuente: www.divesup.cl.
b) Investigación: En este punto se pueden describir distintos indicadores, como lo son el número
de publicaciones indexadas en las principales bases de datos (ISI, Scopus, entre otras), patentes,
cantidad de proyectos y montos asignados de parte de distintas entidades (Fondef, Fondecyt,
Corfo).
Tabla 2. Publicaciones ISI y SCIELO.
Fuente: Elaboración propia en base a datos de www.divesup.cl
c) Oferta Académica: Otro tema importante es el de analizar la oferta académica de distintas
instituciones. En la tabla 3, podemos ver a las instituciones que ocupan los primeros lugares en el
“Ranking de Universidades 2011” elaborado por la Revista Qué Pasa y TNS, con la descripción
de su número de programas tanto de pregrado y postgrado. A su vez, también se pueden ver las
áreas de conocimiento que abarcan cada una de ellas.
INST IT UCION T OT AL ISI %T OT AL
SCIELO% suma
U.de Chile 1.351 26,0% 91 24,2% 1.442
P.U.Católica de Chile 1.077 20,7% 93 24,7% 1.170
U. de Concepción 634 12,2% 23 6,1% 657
U. Austral 310 6,0% 15 4,0% 325
U. de Santiago 295 5,7% 13 3,5% 308
U. Católica del Norte 190 3,7% 12 3,2% 202
U. Católica de Valparaíso 165 3,2% 27 7,2% 192
U. Téc. Federico Sta.Maria 180 3,5% 1 0,3% 181
PUBLICACIONES
SCIELO
PUBLICACIONES
ISI
16
Tabla 3. Oferta carreras y áreas de conocimiento.
Fuente: elaboración propia a partir de Ranking de Universidades 2011, Revista Qué Pasa.
PUC U de Chile UTFSM UAI USACH PUCV UDP UNAB UV
N° Carreras Pregrado 89 67 39 10 60 63 30 67 41
N° Doctorados 31 37 7 1 15 10 1 7 2
N° Magister 79 120 22 34 39 28 21 70 29
N° Especialidades Medicas-Odo 58 72 21 6 16 18
Áreas de conocimiento PUC U de Chile UTFSM UAI USACH PUCV UDP UNAB UV
Administración y Comercio x x x x x x x x x
Arte y Arquitectura x x x x x x x x
Ciencias x x x x x x x x
Ciencias Sociales x x x x x x x x
Derecho x x x x x x x
Educación x x x x x x x
Humanidades x x x x x x x
Recursos Naturales x x x x x x x
Salud x x x x x x x
Tecnología x x x x x x x x x
17
5. MARCO TEÓRICO
5.1 Definiciones y conceptos asociados a imagen de marca
Como se mencionó anteriormente, las empresas hoy deben ir más allá de entregar satisfacción
mediante los atributos físicos, funcionales y objetivos de productos o servicios, sino que deben
entregar una experiencia completa, relacionándose con el consumidor tanto en ámbitos
simbólicos y psicológicos, convirtiendo a la marca en el atributo diferenciador.
Por esto mismo, el valor de la marca constituye uno de los principales activos intangibles de toda
organización, convirtiéndose en una condición necesaria para obtener resultados sostenibles en el
tiempo, siendo la principal fuente de los flujos en exceso, impidiendo caer en guerras de precio
que el mercado produce, disminuyendo los márgenes de los competidores (Espósito, 2001).
El valor de marca ha sido abordado principalmente en dos aspectos: sus fuentes de valor y sus
consecuencias o resultados, en donde este último ha sido el que ha acaparado la mayor cantidad
de estudios (Olavarrieta, 2002). Aquí se concentran gran cantidad de modelos de valoración de
marca, donde el foco principal es poder medir que parte de los flujos de la empresa está definido
por la elección de una marca en particular por parte de los consumidores.
Entre los trabajos enfocados en medir las fuentes de su valor, autores como Keller y Aaker
(citados en Olavarrieta, 2002), generaron modelos que trabajan con elementos que derivan de
aspectos como las interacciones, relaciones y percepciones de los consumidores frente a éstas. El
modelo propuesto por Olavarrieta (2002), define 3 fuentes de valor de este activo: el
conocimiento de la marca, la experiencia con ella y la imagen de marca. Esta última componente
es la cual engloba las asociaciones y significados que se producen en el consumidor, siendo la
que definirá finalmente las actitudes positivas o negativas frente a éstas.
Revisando la literatura referente a imagen de marca, lo primero a lo que se hace referencia, es en
la gran ambigüedad que todavía persiste frente a su definición, ya que la línea de diferenciación
18
es muy delgada frente a una gran cantidad de otros conceptos que se utilizan de manera
intercambiable, como es el caso de imagen corporativa, reputación corporativa, reputación de
marca, personalidad de marca, imagen de producto e identidad de marca.
Para comenzar a aclarar estos conceptos, y a como se utilizarán en este estudio, un buen punto de
partida lo entrega Dowling (citado en Martinez, E.; Montaner, T. y Piña, J.M., 2004) definiendo
imagen como “conjunto de significados por los que un objeto es conocido y a través de los
cuales la gente lo describe, recuerda y relaciona”.
En la misma línea, para Prahalad y Hamel la imagen es la “suma de creencias, actitudes, ideas,
comportamientos o impresiones relevantes que se tiene sobre un objeto, una persona o una
organización.” (citados en Luque & Del Barrio, 2008).
Otro concepto importante de aclarar es el de marca. Para Aaker las marcas corresponden a “todo
signo y/o símbolo cualquiera que sea su clase y forma, que sirva para identificar los productos o
servicios de un fabricante o grupo de ellos, con objeto de que el público los conozca y distinga,
sin que pueda confundirlos con otros idénticos o similares de la misma especie que ofrezca la
competencia.” (Gutierrez, 2002).
Según la Asociación Americana de Marketing (AMA), una marca es “un nombre, término, signo,
diseño o una combinación de ellos, pensado para identificar al producto o servicio y para
diferenciarlos de la competencia”. Por lo tanto una marca puede identificar un ítem, una familia
de ellos, o todos los ítems de un vendedor.
Uniendo estos conceptos, Keller define imagen de marca como: “percepciones sobre la marca
que se reflejan como asociaciones existentes en la memoria del consumidor”. (citado en
Hernandez & Zamora, 2010).
Ayuda también en este contexto la aclaración por parte de algunos autores definiendo imagen de
marca como “asociaciones que finalmente se perciben” frente a identidad de marca, que
corresponde a las “asociaciones que la empresa intenta comunicar” (Martínez et al. 2004).
19
Como fue mencionado anteriormente, frente a la ambigüedad que se puede producir con estas
definiciones, algunos autores han hecho los intentos de diferenciar algunos conceptos de imagen
marca, imagen corporativa y de productos situando a la imagen corporativa en un nivel con
mayor influencia en las restantes.
En un enfoque más moderno, otros autores consideran injustificable esta separación (Martínez et
al. 2004), ya que el trabajo de medición de imagen implica un trabajo similar. De la misma
manera, Cian (2011) se suma al enfoque del uso indiferente de estos términos cuando la
aplicación lo justifica, aportando que la imagen de marca es “un concepto amplio, que puede ser
aplicado a las organizaciones, productos o servicios”.
En la misma línea, Sanna (2010), utiliza el concepto de “Imagen de marca corporativa” para los
mismos fines, además de exponer como sinónimos reputación e imagen.
Otro término muy utilizado en este campo, y muchas veces considerado como sinónimo, es el de
personalidad de marca. En el modelo Brand Total de Olavarrieta (2002), la personalidad de
marca es parte de las asociaciones que generan la imagen, junto a los atributos y beneficios. Este
concepto se refiere a la atribución de características humanas como sexo, edad o nivel social. Por
esto es que encontramos a personas definiendo marcas como “simpáticas”, “entretenidas” o
“serias”.
Para Brown, esto nace de la necesidad del ser humano de antropomorfizar a elementos no
humanos para interactuar con ellos (Sanna, 2010) y que se transforma en uno de los elementos
centrales al momento de generar preferencias. (Olavarrieta, 2001).
Los atributos son el otro elemento de la imagen de marca, que corresponde a las características
tangibles e intangibles que tiene el producto o servicio. Aquí encontramos aspectos como precio,
forma e ingredientes.
20
Los beneficios son todas las asociaciones de aumento de bienestar que el consumidor espera y
busca ser satisfecho con las marcas.
La figura 1 se expone el modelo Brand Total, en que se refleja los elementos descritos
anteriormente.
Figura 1
Fuente: Olavarrieta (2002).
.
5.2 Imagen de marca universitaria.
Las universidades, al igual que todas las empresas u organizaciones, deben definir estrategias
para lograr ventajas competitivas si desean perdurar en el tiempo (Valle, 2005). Por esto, si se
considera el escenario antes descrito, trabajar en conseguir estas ventajas se hace necesario para
poder crear un elemento diferenciador en la mente de los distintos actores al momento de crear
sus asociaciones.
21
Estudios previos concuerdan que al igual que en cualquier otro mercado, el aumento en la
competitividad de la educación “supone un clima propicio para realizar políticas y estrategias
de comunicación más eficaces y rentables para posicionar cada Universidad”. (Hernandez y
Zamora, 2010).
Considerando esta situación, surge un problema particular en este tipo de organizaciones, en las
que muchas por su condición sin fin de lucro se resisten a entrar en una competencia de mercado
por captar a mejores estudiantes o académicos. Carmelo y Calvo (2010) expresan que estas
instituciones tienen el gran reto de terminar con la negativa a considerar a los estudiantes como
clientes, “resistiéndose a la aplicación de técnicas de gestión de imagen que van más allá de
estrategias y tácticas de marketing de producto o servicio concreto”. Además, los autores
avanzan en este tema definiendo clientes potenciales a futuros estudiantes y a actuales
estudiantes de otras universidades.
Esta propuesta es interesante, ya que el modelar a los estudiantes como clientes, supone un tema
conflictivo contingente en nuestro país, producto de los debates en torno al rol del sistema de
educación vivido durante las movilizaciones producidas en el año 2011. Estas posiciones han
impedido el desarrollo más formal de investigación en este campo.
Luque y Del Barrio (2008) reconocen la falta de profundización en trabajos de este tópico para
organizaciones sin fines de lucro, pero a su vez afirman que las universidades, están entre las
instituciones que dependen en mayor medida de su imagen o reputación para prosperar en estos
escenarios de alta competencia, donde además se exige que estas instituciones mejoren su
capacidad de gestión institucional.
De igual manera, Pizarro y Cazanga (Garuti & Escudey 2005), consideran que las actuales
estrategias y parámetros de control no son los indicados en gran parte de estas instituciones,
señalando como criterios de control principal: las Carreras, Infraestructura e Imagen.
Siendo conscientes de la importancia que radica trabajar en este ámbito, el punto clave es
reconocer que la imagen se forma en todos los grupos de interés de estas organizaciones, que no
22
sólo lo componen los futuros postulantes, sino que también están los estudiantes en general, los
profesores, funcionarios, y agentes de la sociedad en general. Más aún, es importante tener
presente que las políticas para promoverse de manera propicia, tienen incidencia tanto en actores
nacionales como extranjeros (Barra, 2005).
Brunner (2006), señala que en sistemas educativos de avanzada privatización, e intensa
mercadización, los elementos claves por los que compiten las Universidades son los alumnos, los
recursos (humanos y de financiamiento) y la reputación.
Frente a esto, entendiendo que no existe una imagen única, sino que ésta se forma por el
conjunto de imágenes individuales, lo que perciban estos actores influye de distinta manera,
como por ejemplo, el que futuros estudiantes elijan por una institución u otra, puede depender de
cómo perciben la calidad de los profesores que trabajan; o de manera inversa, que el atraer a
buenos profesores, dependa si éstos sienten que los alumnos son de un buen nivel académico;
también puede ocurrir que la capacidad de atraer a diferentes inversionistas privados, esté
condicionado a si éstos consideran que los alumnos y académicos son de cierto nivel.
Por esto, estudios previos se han concentrado en hacer mediciones de imagen de los diferentes
stakeholders descritos anteriormente, como por ejemplo Luque y Del Barrio (2008) desarrollan
una metodología para medir la imagen que tienen los profesores de su propia universidad,
obteniendo que las dimensiones relevantes para ellos son los servicios que la institución presta a
la sociedad, actividades docentes que desarrolla, la gestión administrativa y el nivel de
infraestructura.
Otros en cambio, se han enfocado en analizar la imagen de los estudiantes ya egresados. En el
caso de Sanna (2010), estudia como la imagen de marca de los egresados, predice de gran
manera la lealtad de compra y satisfacción, evidenciando además lo difícil que es medir la lealtad
en este contexto, ya que para un servicio como la educación, la opción de recompra carece
muchas veces de sentido, pero se hace válida para los casos de oferta de postgrado donde la
satisfacción del cliente por su primeros estudios, puede mantener o no una imagen de la
institución al momento de evaluar sus estudios posteriores.
23
Sung y Yang (2008), investigan las dimensiones que conforman la imagen de marca para los
estudiantes de primer año, donde la personalidad de marca, reputación y prestigio externo, son
los factores que influyen de mayor manera en cómo se forma un actitud positiva de los
estudiantes con su propia universidad, pudiendo analizar efectos motivacionales y de desempeño.
En Chile han sido pocos los acercamientos a las fuentes de valor de la marca para el caso de
entidades universitarias, donde lo que se encuentra principalmente son aplicaciones de la escala
de personalidad de marca presentada por Aaker en 1997, utilizada muchas veces de manera
indiferente para medir imagen, considerando como sinónimos los dos conceptos (Cian, 2011).
El trabajo presentado por Denegri, Cabezas, Herrera, Paez y Vargas (2009), mide la personalidad
de marca asociada a la carrera Ingeniería Comercial, exhibiendo las diferencias percibidas entre
estudiantes de una Universidad Pública frente a los de una Privada.
Bajo la misma línea, Denegri, Etchebarne, Geldres, Cabezas y Herrera (2009), identifican la
personalidad de marca de la carrera de Psicología para dos Universidades estatales, encontrando
con mayor relevancia el factor Competencia, siendo clave para comprender que los mismos
usuarios también con conscientes de la gran explosión de profesionales que existen,
convirtiéndose en contrincantes al momento de buscar puestos de trabajos.
Ambos casos presentados anteriormente, se basan en la aplicación de la escala de personalidad
de marca presentada por Aaker en 1997, que como fue descrito anteriormente, muchas veces se
utiliza para medir esta componente de la asociación utilizando de manera indiferente aquel
término con el de imagen (Cian, 2011).
Esto nace bajo el actual estado fragmentado en que se encuentra el consenso para medir imagen
de marca, donde algunos autores han hecho los esfuerzos por entregar escalas universales y
aplicables a distintos sectores, como Martinez, E.; Montaner, T. y Piña, J.M. (2004), que
proponen una escala de medición compuesta por tres dimensiones: imagen funcional, imagen
afectiva y reputación.
Es clave tener presente que la medición en el caso del sector educación, puede tener dimensiones
importantes que no sean fácilmente representadas por las escalas propuestas.
24
5.3. Imagen de la UTFSM.
Respecto a la medición de imagen en la Universidad Técnica Federico Santa María, encontramos
el trabajo hecho por Zapata (2000), en que establece de manera comparativa a distintas
Universidades en un mapa de posicionamiento al estudiar la percepción en estudiantes de Cuarto
año medio provenientes de colegios de la Región Metroplitana y Valparaíso.
Si bien este estudio aporta como antecedente, no hace una definición de imagen formal como se
ha tratado en los puntos anteriores.
5.4. Técnicas Multivariantes utilizadas.
Si bien en los puntos anteriores se han desarrollado conceptos y definiciones, es importante
también presentar las herramientas y técnicas con que se trabajan y analizan los datos.
En la mayoría de los estudios de los que se hace referencia se han utilizado principalmente
técnicas de análisis multivariante, de las cuales en este trabajo se presentarán dos de ellas, el
Análisis Factorial y Modelo de Ecuaciones Estructurales, que a su vez son las utilizadas en el
trabajo presentado.
5.4.1. Definición de Análisis Multivariante.
Según Hair, Anderson, Tathan y Black (2004), el Análisis Multivariante es el conjunto de los
métodos estadísticos que analizan simultáneamente medidas de múltiples de cada individuo u
objeto sometido a estudio. Además, consideran que para que un análisis pueda ser calificado
realmente de multivariante, todas las variables deben ser aleatorias y estar interrelacionadas de
tal forma que sus diferentes efectos puedan ser interpretados separadamente con algún sentido.
Entre las principales técnicas, encontramos la Regresión Múltiple, Análisis Discriminante,
Análisis Conjunto, Análisis Cluster, Análisis Factorial y Modelo de Ecuaciones Estructurales.
25
5.4.2. Análisis factorial.
El Análisis Factorial es una técnica multivariada que tiene como objetivo el resumen y la
reducción de datos (variables), analizando la estructura de correlaciones entre las variables
definiendo una serie de dimensiones subyacentes comunes conocidas como factores. (Hair et al,
2004).
Además, el análisis factorial permite descubrir estructuras latentes o dimensiones no observables
a partir de un conjunto de variables observables. El modelo del análisis factorial supone que
existen factores, independientes entre sí, que al combinarse representan los datos explicitados en
los atributos.
El modelo de análisis factorial común expresa cada variable de estudio ( ,..., ) como una
combinación lineal de los factores comunes (F1,..., Fp) de la siguiente forma:
:
Donde:
.
Dependiendo de lo que está siendo agrupado, existen dos tipos de análisis factorial; el Análisis
Factorial tipo Q, que agrupa casos (individuos del estudio), y el Análisis Factorial tipo R, que
agrupa variables.
26
5.4.2.1. Adecuación del uso del análisis factorial
Existen diversas pruebas estadísticas que permiten analizar la pertinencia de la aplicación del
análisis factorial a un conjunto de variables determinadas, entre las cuales se presentan las
siguientes:
a. Coeficientes y nivel de significación
La matriz de correlaciones muestra los coeficientes de correlación entre las variables con sus
respectivos niveles de significancia.
b. Determinante Matriz de Correlaciones
Los determinantes próximos a cero indican que las variables utilizadas están linealmente
relacionadas, siendo factible realizar este análisis para las variables en estudio.
c. Contraste de esfericidad de Barlett
La hipótesis nula a contrastar es que la matriz de correlaciones es una matriz identidad, con lo
que no existirían correlaciones significativas entre las variables y el análisis de factores no
tendría sentido. Un valor alto de este estadístico (significancia tendiendo a 0), favorece el
rechazo de la hipótesis nula.
d. Medida de adecuación muestral KMO (Kaiser-Mayer-Olkin)
Por hipótesis, los coeficientes de correlación parcial teóricos calculados entre cada par de
factores únicos son nulos, ya que estos coeficientes se pueden interpretar como la correlación
entre las variables descontando los efectos de los factores comunes.
El estadístico KMO varía entre 0 y 1. Un valor bajo de este estadístico, indica que estas
correlaciones no podrán ser explicadas por medio los factores comunes. Valores superiores a 0,5
indican que el análisis de factores puede llevarse a cabo.
27
5.4.2.2. Extracción de Factores
Posterior al análisis de de la adecuación del modelo factorial, corresponde determinar el método
de extracción de los factores. Entre los distintos métodos, se pueden nombrar los siguientes:
a. Componentes Principales
Es el método de extracción más popular y el que todos los paquetes traen por defecto. Los
factores son los autovectores de la matriz de correlaciones re-escalados.
b. Mínimos cuadrados no ponderados
En este método, el criterio que se aplica es la minimización de la suma de diferencias al cuadrado
entre los elementos de las matrices de correlación observada y reproducida, aunque sin tener en
cuenta los elementos de la diagonal principal. Con esto, se intenta que las correlaciones
muestrales directas entre las variables sean lo más parecidas posibles a las correlaciones
reproducidas obtenidas por los factores.
c. Mínimos cuadrados generalizados
Este método aplica el mismo criterio que el método anterior pero pondera las correlaciones por el
inverso de su especificidad, de manera que las variables cuya especificidad es alta reciben un
peso menor que aquellas cuyo valor es bajo. Este método genera un estadístico de bondad de
ajuste chi-cuadrado que permite contrastar la hipótesis nula que la matriz residual es una matriz
nula.
d. Máxima verosimilitud
Aquí se toma como estimación de los parámetros los valores que con mayor probabilidad han
producido la matriz de correlaciones observada, asumiendo que la muestra procede de una
distribución normal multivariante. Las correlaciones se ponderan por el inverso de la unicidad de
las variables y se emplea un algoritmo iterativo. Este método genera un estadístico de bondad de
ajuste chi-cuadrado que permite contrastar la bondad del modelo para explicar la matriz de
correlaciones.
28
Para el cálculo del número de factores, existen una serie de criterios, entre los cuales se destacan:
1. Criterio de raíz latente: Considera los factores que tiene raíces latentes o autovalores mayores
que la unidad.
2. Criterio de porcentaje de la varianza: Se basa en obtener un porcentaje acumulado
especificado de la varianza total extraída, con el propósito de asegurar una significación práctica
de los factores derivados.
3. Contraste de caída: Consiste en identificar el número óptimo de factores que pueden sr
extraídos antes de que la cantidad de la varianza única empiece a dominar la estructura de la
varianza común.
4. Criterio a priori. El investigador puede simplemente fijar el número de factores para
comprobar cierta hipótesis. Los paquetes estadísticos como el SPSS ofrecen esta opción.
5.4.2.3. Rotación de los factores
La rotación de factores se aplica para favorecer la interpretación de éstos, maximizando las
cargas, redistribuyendo la varianza logrando un patrón más simple y teóricamente más
significativo.
El caso más simple es la rotación ortogonal, en la que los ejes se mantienen formando un ángulo
de 90 grados. Entre los principales métodos de rotación ortogonal encontramos:
a. Varimax
Minimiza el número de variables que tienen saturaciones altas en cada factor, maximizando la
suma de las varianzas de las cargas factoriales al cuadrado dentro de cada factor. Simplifica la
interpretación de los factores optimizando la solución por columna.
b. Quartimax
Minimiza el número de factores necesarios para explicar cada variable. Simplifica la
interpretación de las variables observadas optimizando la interpretación por filas.
29
c. Equimax
Método de rotación que es combinación del método Varimax, que simplifica los factores, y el
método Quartimax, que simplifica las variables. Se minimiza tanto el número de variables con
alta saturación en un factor, como el número de factores necesarios para explicar cada variable.
También se encuentran los métodos de rotación oblicua, en que se permite la existencia de de
factores correlacionados, a diferencia de los ortogonales en que existe independencia entre ellos.
d. Oblimin directo
Esta rotación oblicua (no ortogonal) depende del valor delta, que permite controlar el grado de
oblicuidad que puede llegar a alcanzar los factores de la solución. Cuando delta es igual a cero
(el valor por defecto y más adecuado para las mayoría de los análisis), las soluciones son las más
oblicuas. Para anular el valor por defecto de delta, puede introducirse un número menor o igual
que 0,8.
e. Promax
Rotación oblicua que permite que los factores estén correlacionados. Puede calcularse más
rápidamente que una rotación Oblimin Directa, por lo cual su utilización es más conveniente
cuando se tiene una cantidad mayor de datos. Kappa es el parámetro que controla el cálculo de la
rotación Promax. El valor por defecto es 4, siendo generalmente adecuado en los análisis.
En los software estadísticos también podemos encontrar métodos como: ORTOBLIQUE y
DQUART.
5.4.3. Análisis factorial confirmatorio (AFC).
En el apartado anterior, la utilización del análisis factorial se suponía sin tener una hipótesis a
priori de la estructura adecuada de las variables con los factores. Este es conocido como el
análisis factorial exploratorio (AFE). En esta sección, se presenta el análisis factorial
confirmatorio (AFC), que tiene como objetivo contrastar un modelo teórico u obtenido por un
AFE, con datos de una muestra característica.
30
En el AFC, el investigador pone a prueba la hipótesis de que un determinado constructo está
compuesto por un conjunto de dimensiones o factores latentes, reflejados a su vez por un número
de variables observables o indicadores con un error de medida asociado. En resumen, el AFC
busca confirmar si el modelo especificado representa el fenómeno en la realidad. (Lévy &
Varela, 2006).
De manera gráfica, la diferencia entre el AFE y el AFC queda representada en la figura 2.
Figura 2
Fuente: Elaboración propia a partir de Lévy & Varela 2006.
Aquí se puede ver como en el AFE, los indicadores o variables observables X1, …, X6 cargan en
ambos factores, representados por los coeficientes λ, en que la estimación de éstos me indicará
como se agrupan finalmente. En la figura que representa el AFC, el investigador a priori definió
que las primeras tres variables X1, X2 y X3 cargan solo en el primer factor, ocurriendo lo mismo
con las otras variables en el segundo factor.
El AFC constituye un caso particular del análisis mediante ecuaciones estructurales o también
llamado Modelos de estructuras de covarianza, que se verá más adelante.
Lévy y Varela (2006) describen una serie de pasos para la ejecución del AFC, representados en
la figura 3. No se profundizará en estos pasos producto de que son equivalentes a los de
31
ecuaciones estructurales que se verá en la siguiente sección, pero si cabe destacar que el inicio de
este gráfico comienza con un modelo propuesta basado en una hipótesis teórica o de un AFE.
Figura 3
Fuente: elaboración propia a partir de Lévy y Varela (2006).
Las principales diferencias entre AFC Y AFE:
Tabla 4. Diferencias entre AFE y AFC.
AFE AFC
Todos los factores están correlacionados (solución
oblicua) o no existe ninguna correlación ente ellos
(solución ortogonal).
El investigador determina que factores comunes
estarán relacionados.
Todas las variables observables saturan en todos
los factores comunes.
El investigador determina que factores comunes
afectan a qué variables observables.
Los términos de error no están correlacionados
entre sí.
Habitualmente no existe relación entre los términos
de error.
Todas las variables observables están afectadas por
un término de error.
Las variables observables tienen asociado un error
de medida. Este error puede ser fijado a un valor
nulo.
Todos los factores están incorrelacionados con los
términos de error.
Habitualmente no existe relación entre los términos
de error y los factores comunes.
Fuente: Lévy y Varela (2006).
32
Las relaciones entre las variables observables y latentes de la estructura del AFC que se presenta
en la figura 3, pueden expresarse mediante las siguientes ecuaciones:
; ;
; ;
Donde:
: corresponde a las variables observables exógenas.
: corresponde a las cargas factoriales de la variable xi sobre el factor j.
: corresponde a las variables latentes exógenas.
: corresponde a los errores de medidas de xi o factores específicos.
De manera compacta se puede expresar de la siguiente manera:
Donde X es un vector qx1 que contiene q variables observables, ξ es un vector s x 1 que contiene
los s factores comunes, Λx es una matriz q x s que contiene las cargas factoriales de las variables
latentes y δ es un vector q x 1 de los factores específicos o errores.
Se asume también:
E(X) = 0; E(ξ) = 0 ; E(δ) = 0 ;
Además de la independencia entre factores específicos y comunes:
COV (ξ,δ’) = 0.
Se definen también las matrices:
Φ = E[ξ ξ’] ; Θ = E[δ δ’]
33
Con estos elementos, se puede describir que el AFC se reduce a obtener estimaciones de Λx, Φ y
Θ, que hagan que la matriz de varianzas y covarianzas poblacional estimada a partir de ellas, sea
lo más parecida posible a la matriz de varianzas y covarianzas muestral que se obtiene a partir de
los valores muestrales de las variables observables.
5.4.4. Modelos de Ecuaciones Estructurales.
El modelamiento mediante ecuaciones estructurales (SEM, Structure equation modeling), es una
técnica estadística multivariante que tiene la ventaja de poder examinar más de una relación al
mismo tiempo, a diferencia de otras como la Regresión múltiple, en que una variable es
explicada por una serie de otras independientes. Esta técnica permite representan de mejor
manera algunos fenómenos de la realidad, que generalmente tiene múltiples dimensiones
interrelacionadas.
Los modelos de ecuaciones estructurales son redes de ecuaciones interrelacionadas, donde la
variable independiente en una ecuación de regresión puede ser una variable dependiente en otra.
Otro elemento importante en SEM, es la capacidad de representar en un mismo modelo,
variables latentes junto a variables manifiestas. Las variables latentes, corresponden a conceptos
supuestos (constructos) y no observados, que sólo se pueden aproximar mediante variables
medibles u observables, como la Imagen o satisfacción (Hair et al, 2004).
Las variables manifiestas (u observables), son las variables que obtenemos a través de métodos
de recolección de datos como estudios de mercado, experimentos u otros. En este modelo,
incorporamos a las variables manifiestas a través de indicadores para poder medir los
constructos, incluyendo su respectivo error de medida.
El sistema de ecuaciones se interconecta por medio de causalidades que provienen del análisis de
ruta, las cuales incorporan las variables latentes, el error de medida y estructural generados
mediante el análisis factorial confirmatorio. Los errores estructurales corresponden a las
variables que se omitieron en la formulación de la variable latente endógena, junto con los
errores de medida en las variables endógenas. Una relación causal enlaza las causas con los
efectos de forma comprensible, como si fuera un teorema lógico. SEM, además de permitir
34
formular hipótesis sobre relaciones causales, posibilita cuantificar estadísticamente estas
relaciones.
Las relaciones entre las variables, queda descrita en las matrices de covarianza o correlaciones de
las variables, pero cabe aclarar que los valores de ésta relación estadística no implica la
existencia de una relación causal entre las variables. La base de la modelación mediante
ecuaciones estructurales está en el conocimiento teórico que se posea en la investigación, por lo
cual cada componente del modelo, relación entre variables, o la falta de ésta, debe estar
fundamentada teóricamente, para luego ser evaluada mediante los test de bondad de ajuste.
El modelo de ecuaciones estructurales está compuesto por dos submodelos:
a) Modelo de medida: en que se especifican los indicadores tanto endógenos y exógenos de los
constructos. En otras palabras, específica la correspondencia entre las variables latentes y
manifiestas.
b) Modelo estructural: representa las relaciones entre los constructos endógenos y exógenos.
Queda descrito por una serie de ecuaciones de regresión múltiple distintas pero interrelacionadas.
5.4.4.1. Modelo de Medida
El modelo de medida corresponde a las relaciones entre las variables latentes (variables no
observadas) con sus respectivas variables observables (manifiestas, de medida o indicadores).
Este modelo busca corroborar la idoneidad de los indicadores seleccionados en la medición de
los constructos de interés, evaluando que tan bien las variables observables combinan (covarían o
correlacionan) para identificar el constructo hipotetizado.
Para generar esto, pasamos del análisis factorial exploratorio, en que no se tiene control sobre
que variables describen cada factor, a un modo confirmatorio, en que cada investigador
35
especifica que variables definen cada constructo (factor). Por esto, se deben especificar dos
modelos de medida, uno para las variables endógenas y otro para las exógenas.
Ecuación para variables endógenas:
Donde:
y : vector px1 de variables endógenas observadas de η
Λ y : matriz pxm de coeficientes de regresión que relacionan y con η
η : vector mx1 de variables latentes endógenas
ε : vector mx1 de errores de medida con respecto a y.
Para las variables exógenas, el modelo se representa con la ecuación:
Donde:
x : vector qx1 de variables exógenas observadas de ξ
Λ x : matriz qxk de coeficientes de regresión que relacionan x con ξ
ξ : vector qx1 de variables latentes exógenas
δ : vector qx1 de errores de medida con respecto a x.
Gonzalez (2008), especifica que el modelo de medida asume las siguientes restricciones con
respecto a los errores de medida y variables endógenas:
• E(η) = E(ξ) = E(ε) = E(δ)=0
• cov(ε,η) = cov(ε,ξ) = cov(ε,δ) = cov(δ,η) = cov(δ,ξ) = 0
Como punto de partida, el modelo de medida se construye sobre una matriz de relaciones entre
variables, la que puede ser una Matriz de correlaciones o una Matriz de covarianzas:
36
• Matriz de correlaciones: favorece la comparación de los coeficientes estructurales, lo que
contribuye a una mejor interpretación de los resultados.
• Matriz de covarianzas: se utiliza cuando el objetivo es comparar poblaciones distintas entre
sí, más que cuando se quiere evaluar un determinado modelo.
5.4.4.2. Modelo Estructural
El modelo estructural es aquel que describe las relaciones causales entre variables latentes
(exógenas y endógenas) y/o variables observadas, cuando estas últimas no actúan como
indicadores de las variables latentes.
Este modelo toma su estructura del análisis de ruta, a partir de una serie de ecuaciones de
regresión múltiple que interrelaciona variables latentes. Su forma general es:
Donde:
η : vector mx1 de variables latentes endógenas
B : matriz mxm de coeficientes que relaciona las variables latentes entre sí
Γ : matriz mxk de coeficientes que relaciona variables latentes endógenas con
variables latentes exógenas
ξ : vector kx1 de variables latentes exógenas
ζ : vector mx1 de errores latentes
El modelo estructural asume las siguientes restricciones:
• E(η) = E(ξ) = E(ζ) = 0
• cov(ξ,ζ)=0
• (I-B) es no singular, con I matriz identidad
37
Explicado la base y composición general de SEM por medio del modelo de medida y estructural
en su forma de ecuación matemática, se procederá a explicar los pasos para el modelamiento de
ecuaciones estructurales.
5.4.4.3. Pasos en el modelamiento de ecuaciones estructurales.
Según Diamantopoulo & Siguaw (Gonzalez, 2008), el modelamiento de ecuaciones estructurales
puede llevarse a cabo en 7 pasos, como lo describe la Figura 4.
Figura 4. Pasos para el modelamiento de ecuaciones estructurales.
Fuente: Gonzalez, 2008.
5.4.4.3.1. Conceptualización del modelo.
El modelamiento de ecuaciones estructurales se basa en el estudio de relaciones causales,
analizando el efecto de una variable explicativa sobre una explicada, y en qué medida se produce
esta variación.
Para desarrollar con éxito un modelo SEM es primordial poseer sólidos fundamentos teóricos
que avalen estas relaciones hipotéticas; relaciones entre las variables latentes medibles por medio
de las variables observadas.
38
La validez y fuerza de estas relaciones no estará dada por los métodos analíticos escogidos por el
investigador, sino que será la justificación teórica de las relaciones de causalidad entre las
variables la que otorgue consistencia al modelo. Es por esto que antes de comenzar con el
análisis de las relaciones, se deberá contar con fundamentos teóricos que respalden el modelo
propuesto en la investigación. El error más crítico en la modelación con fundamentos teóricos es
la omisión de variables endógenas y/o exógenas importantes en el modelo, falta conocida como
“error de especificación”, con lo cual al omitir una variable significativa implica que el modelo
no es fehacientemente representativo de la población y de las variables en estudio. La necesidad
de incluir todas las variables posibles tiene que ser contrastado con la significancia teórica del
estudio y con las limitantes de procesamiento de los paquetes estadísticos computacionales. Una
regla a seguir en la modelación, es buscar modelos teóricamente concisos y parsimoniosos. En
general esta etapa de conceptualización del modelo se basa en los conocimientos teóricos del
tema, y no en la teoría estadística, por lo cual la experiencia y estudios anteriores serán
fundamentales para un buen modelamiento con ecuaciones estructurales. La siguiente etapa
consiste en plasmar estas relaciones en un esquema gráfico de relaciones.
5.4.4.3.2. Construcción del diagrama de ruta.
El diagrama de ruta o de relaciones es la representación gráfica del modelo de ecuaciones
estructurales. Por medio de este se pueden visualizar las relaciones directas e indirectas de los
elementos del modelo, tanto en las relaciones predictivas (variables dependientes e
independientes), como en la relaciones asociativas (correlaciones) entre las distintas variables de
latentes e indicadores.
Esta representación permite comprender más fácilmente las hipótesis que encarna el modelo, en
comparación con ecuaciones matemáticas o incluso desde una forma verbal.
Al mismo tiempo, el diagrama de ruta ayuda a disminuir los errores de especificación del modelo
por la inclusión o exclusión de variables y/o relaciones y los errores computacionales cometidos
en la programación del modelo. Además facilita la interpretación de los resultados y las posibles
modificaciones al modelo.
39
El diagrama de ruta presentado en la Figura 5 es un ejemplo básico de un modelo de ecuaciones
estructurales. Los elementos que lo componen son:
• Rectángulos, que representan las variables observables. Pueden ser los indicadores que generan
las variables latentes del modelo de medida. En el modelo estructural pueden ser variables
independientes (exógenas) como dependientes (endógenas).
• Elipses, que representan las variables latentes, tanto exógenas como endógenas del modelo
estructural, además de los términos de error de medida y estructural del modelo.
Figura 5. Diagrama de ruta en SEM.
Fuente: Gonzalez, 2008.
• Flechas rectas unidireccionales, que simbolizan las relaciones causales entre las variables
conectadas.
• Flechas curvas bidireccionales, que indican correlaciones entre los constructos.
Existen software como LISREL y AMOS que permiten construir los diagramas de ruta de forma
sencilla e interactiva, lo que facilita enormemente la modelación.
40
Además entregan directamente los resultados en los diagramas, otorgando una interpretación más
fácil y directa de las relaciones.
5.4.4.3.3. Especificación del modelo.
Una vez que se tiene desarrollada la conceptualización del modelo teórico y representado en un
diagrama de ruta, es necesario especificar el modelo en términos matemáticos más formales,
plasmando lo anterior en sistemas de ecuaciones lineales.
Es posible incluir modelos no lineales en algunos de los parámetros, pero la complejidad
aumentaría considerablemente. La especificación consiste en formular las ecuaciones que
definen al:
Modelo estructural, por medio de las ecuaciones que vinculan a las variables latentes
(constructor) entre sí. De la Figura 3 se desprenden las siguientes ecuaciones:
Modelo de medida, con las ecuaciones que especifica que variables (indicadores) miden a cada
variable latente (constructo). De la Figura 3 se tiene que las ecuaciones son: Modelo de medida
para variables exógenas:
41
Modelo de medida para variables endógenas:
Las correlaciones entre las variables o constructos por medio de una serie de matrices.
En la Figura 5, la correlación entre ξ 1 y ξ 2 se denota con la sigla ᶲ12. Se debe tener presente
que las variables latentes al no ser observables no tienen una métrica asociada, por lo que es
necesario seleccionar la mejor variable observable (indicador) que la compone y fijar con carga
unitaria este indicador sobre la variable latente. Esta variable observable recibe el nombre de
variable de referencia.
Al estimar la varianza de los errores se obtiene la cantidad de varianza en las variables
endógenas que no es cuantificada por otras influencias en el modelo. La elección de la variable
de referencia afecta la varianza de la variable latente, y por ende los pesos (cargas) en la
estimación del modelo. Esto no afecta a los resultados estandarizados. Cabe destacar que en el
modelo de medida, el investigador tiene plena autoridad en definir las variables (indicadores) que
definen a cada constructo, de ahí el nombre de análisis factorial confirmatorio que recibe, a
diferencia del análisis factorial exploratorio, en el cual el investigador no tiene control de las
ponderaciones que influyen en los constructos.
Determinación del número de indicadores.
El número de indicadores que debe poseer un constructo es relativo según lo estime el
investigador, de acuerdo a los fundamentos teóricos en la materia. El número mínimo de
indicadores en un constructo es uno, pero es necesario realizar estimaciones de fiabilidad.
42
También podría ser dos la cantidad de indicadores para una variable latente, pero se ha
encontrado que tres es el número mínimo preferido de indicadores, ya que con sólo dos
aumentan las probabilidades de encontrar una solución no factible. No existe límite superior del
número de indicadores que puede contener un constructo, pero si se deben tener fundamentos
teóricos de las variables seleccionadas como indicadores.
Justificar la fiabilidad del constructo.
Una vez que se ha especificado el modelo de medida, se debe establecer la fiabilidad de los
indicadores. Existen dos métodos principales para probar la fiabilidad: Estimación empírica y
especificación por el investigador.
• Estimación empírica.
Este método sólo es posible si el constructo posee dos o más indicadores, en caso contrario se
debe proceder con el otro método mencionado. En este caso, la estimación empírica consiste en
analizar la fiabilidad de las estimaciones de los coeficientes de los indicadores y del constructo
cuando los modelos de medida y estructural son estimados.
• Especificación por el investigador.
Para fijar (especificar) la fiabilidad de un indicador en una matriz de correlación, se debe
especificar el valor de ponderación como la raíz cuadrada de la fiabilidad deseada o estimada, o
fijar el término de error de esa variable como 1,0 menos el valor de fiabilidad deseado. Si se
utiliza la matriz de covarianza, entonces el término de error o valor de ponderación se multiplica
por el valor de la varianza de la variable. En la etapa 6 se analizará con más detalle técnico el
procedimiento de estimación de la fiabilidad del constructo.
5.4.4.3.4. Identificación del modelo
La etapa de identificación consiste en asegurar que se puedan estimar los parámetros del modelo.
Por lo tanto, el modelo está identificado si todos los parámetros lo están, es decir, si existe la
43
información necesaria para obtener una solución única para cada uno de los parámetros
estimados.
Una de las reglas más usadas para identificar un modelo es la regla de los grados de libertad, los
cuales se obtienen de la diferencia entre el número de varianzas y covarianzas (ecuaciones) y el
número de parámetros a estimar. Los software computacionales entregan directamente esta cifra,
la que a su vez se puede calcular como:
Donde:
p = número de indicadores endógenos
q = número de indicadores exógenos
t = número de coeficientes estimados en el modelo propuesto
Existen tres situaciones de identificación en las cuales un modelo se puede encontrar:
• Modelo sub-identificado: cuando los grados de libertad del modelo son menores a 0, por lo cual
no se puede obtener al menos un valor para los parámetros libres, impidiendo la estimación del
modelo.
• Modelo exactamente identificado: ocurre cuando se posee una única solución ajustada al
modelo, teniendo cero grados de libertad. Esto implica que el modelo no tiene una solución
generalizada, por lo cual es de poca relevancia.
• Modelo sobre-identificado: es el objetivo de todos los modelos de ecuaciones estructurales. En
esta configuración se tiene más información en la matriz de datos que el número de parámetros a
estimar, lo que significa que se tiene un número positivo de grados de libertad. Se busca el
mayor número de grados de libertad para asegurar que el modelo sea lo suficientemente
generalizable. Ante esto último, es necesario proceder con la identificación del modelo para
asegurar la estimación de los parámetros.
44
Sin embargo, no existe una regla general que permita asegurar la identificación, pero si hay una
gama de condiciones necesarias que encaminan el proceso:
Regla de Normalización: en la cual se fijan los elementos de la diagonal de la matriz principal
de ß en cero, con lo cual se evita que una variable endógena tenga efectos directos sobre sí
misma.
Condición de orden: para que el modelo este identificado es necesario que el número de grados
de libertad sea mayor o igual a cero.
Métrica de ζ: los errores del modelo estructural, que al no ser observables no poseen métrica,
están cada uno presentes en sólo una ecuación con un coeficiente de 1,0 asociado a la variable
latente, con lo cual estas perturbaciones tendrán la misma métrica que su respectiva variable
endógena latente.
5.4.4.3.5. Estimación de parámetros.
Luego de las etapas de especificación e identificación se deberá seleccionar la matriz de datos de
entrada, comprobar los supuestos de SEM, verificar los datos ausentes y outliers, seleccionar el
método de estimación con sus técnicas y procesos de estimación posibles.
Introducción de datos SEM a diferencia de otras técnicas multivariantes sólo utiliza como datos
de entrada la matriz de varianza-covarianza o matriz de correlaciones de los datos. Los datos que
corresponden a las observaciones individuales de los objetos con sus respectivos atributos o
variables, son introducidos a los programas computacionales, los cuales extraen las matrices
anteriormente señaladas para la estimación del modelo. El interés de SEM no está en las
observaciones individuales de los datos, sino en el patrón de relaciones entre los encuestados.
La utilización de las matrices de correlaciones en SEM es adecuada cuando los indicadores se
miden en diferentes escalas y se pretende hacer una comparación de los coeficientes estimados.
En cambio es recomendable usar las matrices de covarianzas cuando se pretende comparar
muestras diferentes de individuos.
45
Supuestos
Un aspecto importante para obtener buenos resultados de estimación en el modelo, es comprobar
que los datos cumplen con los supuestos de SEM: normalidad multivariante, muestreo aleatorio y
tamaño de muestra suficientemente grande..
La ausencia de normalidad multivariante es particularmente problemática porque abulta
sustancialmente el estadístico de la Chi-cuadrado y crea un sesgo alcista en valores críticos para
determinar la significación de los coeficientes. A pesar de esto, algunos programas informáticos
son menos sensibles a los datos no normales, por lo cual no afecta significativamente en el
resultado el incumplimiento de este supuesto.
Datos ausentes y outliers Los datos ausentes y valores fuera de rango (outlier) pueden afectar
considerablemente el cálculo de la matriz de entrada de datos, y con esto alterar la capacidad
predictiva de los resultados del modelo. Por lo tanto, los registros de las bases de datos deben ser
revisados previamente a su utilización en la modelación, y si es necesario corregir alguna
alteración de los datos, utilizar una técnica acorde a las características de estos.
Los outliers o valores fuera de rango son valores que escapan al común de los datos, afectando
los resultados reales. Es por esto que se debe decidir entre mantenerlos o eliminarlos de los
registros. Existen diferentes doctrinas sobre cómo tratar estos valores, pero se debe tener cuidado
en mantener el registro a no ser que exista una comprobable distorsión de la representatividad de
las observaciones de la población.
Métodos de estimación
Una vez que se ha especificado, identificado, seleccionado la matriz de entrada y corroborado los
supuestos del modelo, se debe establecer cuál será el método de estimación, para lo cual hay
varios tipos posibles, pero todos con el mismo fin de minimizar la diferencia entre cada elemento
de la matriz de varianzas-covarianzas observada (S) y el correspondiente en la matriz predicha
(∑). La matriz de varianza-covarianza observada de la muestra es representativa de la población.
46
Técnicas de estimación
La técnica más usada para la estimación de los parámetros es la de Máxima Verosimilitud
(MLE), dado que es eficiente y no sesgada cuando se cumplen los supuestos de normalidad
multivariante. La limitante de sensibilidad a la no normalidad de los datos origino la necesidad
de crear otras técnicas alternativas de estimación, no tan sensibles a la normalidad multivariante
como son los Mínimos Cuadrados Ponderados (WLS), Mínimos Cuadrados Generalizados
(GLS) y Asintóticamente Libre de Distribución (AGL o ADF). Últimamente AGL ha recibido
mayor aceptación por su insensibilidad a la no normalidad de los datos, con la exigencia de un
aumento del tamaño muestral.
Sin embargo, gracias a los avances en el procesamiento computacional es posible resolver con
mayor facilidad y factibilidad cualquier problema de estimación con ecuaciones estructurales.
Procesos de estimación
Además de elegir la técnica de estimación se puede escoger el tipo de proceso de estimación, los
cuales van desde estimación directa, similar al común de las técnicas multivariante, hasta
métodos iterativos que generan miles de estimaciones del modelo. Las principales técnicas de
estimación son:
Estimación directa: se estima el modelo en base a una única estrategia de estimación
elegida. Primero se calculan los parámetros; a continuación el intervalo de confianza. El
error estándar de cada parámetro se basa en el error muestral. Todo el proceso se realiza
considerando una sola base muestral. Es el proceso de estimación más usado.
Bootstrapping: es una técnica alternativa de estimación, en la cual se realizan múltiples
estimaciones para determinar finalmente los parámetros y sus intervalos de confianza. La
estimación se desarrolla en 4 pasos a través de los cuales se seleccionan submuestras
aleatorias de la muestra general, estimando finalmente el modelo como la media de los
parámetros de cada una de ellas.
47
Simulación: similar al Bootstrapping, también descansa en muestras múltiples y modelos
estimados. La diferencia radica en la posibilidad de intervenir en el proceso de selección de
muestras en función de un objetivo de investigación.
Jackknife: esta técnica calcula nuevas muestras tamaño N-1 donde N es el tamaño de la
muestra original. Cada vez que se crea una muestra nueva se omite una observación
diferente. La ventaja de este proceso es la facilidad para identificar observaciones
influyentes mediante el análisis de los cambios en los parámetros estimados.
5.4.4.3.6. Evaluación de criterios de calidad del ajuste.
En esta etapa se determina la bondad del ajuste del modelo, evaluando la exactitud de los
supuestos del modelo especificado, para así establecer sí el modelo es correcto y es válido como
predictor del fenómeno estudiado, precisando su grado de efectividad. En este sentido, se evalúa
si el modelo se ajusta a los datos empleados, para lo cual como se mencionó anteriormente se
busca estrechar la diferencia entre la matriz observada de los datos con la matriz predicha por el
modelo.
Estimaciones Infractoras
El primer paso para el análisis de la calidad del modelo es revisar que las estimaciones de los
parámetros sean razonables y acordes a lo esperado según la teoría del modelo. Para esto se
puede revisar el valor de la estimación, en conjunto con un análisis de significancia. También
debe constatarse que las varianzas sean positivas, que los coeficientes estandarizados sean
inferiores a 1 según sea el caso. Si no se cumpliera alguna de estas condiciones, debería
redefinirse el modelo.
48
Ajuste Global del Modelo
El análisis del nivel de ajuste del modelo propiamente tal consiste en comparar lo observado con
lo predicho por el modelo, a través de una serie de indicadores para distintos tipos de casos. Para
esto existen tres tipos de medidas de ajuste a evaluar:
1. Medidas de Ajuste Absoluto
Establecen el grado de ajuste global del modelo, comparando la matriz de varianzas y
covarianzas observada con la matriz predicha por el modelo. Entre las principales índices se
encuentra:
• Estadístico χ2.
Es la medida fundamental de bondad de ajuste en SEM. La hipótesis nula a contrastar es que el
modelo predice la matriz de covarianzas observada, por lo cual el objetivo es no rechazarla.
Cuanto mayor sea el valor obtenido del estadístico χ2 en comparación con los grados de libertad,
peor será el ajuste, por lo cual el modelo no es representativo de la población.
Entre las limitaciones de este estadístico se encuentra que depende del supuesto de normalidad
multivariante de los datos, además es muy sensible al tamaño muestral, ya que a mayor N, el
índice será cada vez mayor, lo cual puede generar el error de rechazar el modelo cuando
efectivamente cumple con los requisitos de SEM. Se recomienda un espacio muestral de 100
casos como mínimo y de 500 como máximo para que el modelo tenga un índice aceptable.
• Parámetro de No Centralidad (NCP).
Es una modificación al Chi cuadrado por los grados de libertad para que se vea menos afectada
por el tamaño muestral. Consiste en restar los grados de libertad al índice χ2.
49
Para que el índice NCP no sea afectado por la medida del tamaño muestral, se puede estandarizar
el índice dividiendo por el tamaño de muestra, obteniendo un parámetro de no centralidad a
escala (SNCP).
La interpretación de estos índices es similar al estadístico Chi-cuadrado, por ende el objetivo es
minimizar el valor del parámetro.
• Índice de Bondad de Ajuste (GFI).
Medida de ajuste absoluto cuando se realizan estimaciones mediante el método de máxima
verosimilitud y ADF (asintóticamente libre de distribución). Representa la cantidad relativa de
varianza y covarianza observada que es explicada por la matriz del modelo propuesto. Su
interpretación es similar a una correlación cuadrada múltiple, donde el índice puede tomar
valores entre 0 y 1. Mientras más cercano a 1, mayor es el ajuste del modelo.
• Medida del Error de Aproximación Cuadrático Medio (RMSEA).
Este índice se basa en el anteriormente mencionado NCP. Consiste en evaluar la discrepancia por
grado de libertad en términos de la población. El valor es representativo de la bondad del ajuste
esperado si el modelo fuera estimado con la población, en vez de la muestra extraída de esta.
Valores recomendables de este índice se encuentran entre 0,05 y 0,08. Mientras menor sea el
valor de RMSEA, mejor es el ajuste del modelo.
2. Ajuste incremental
Mide el ajuste del modelo propuesto comparándolo con un modelo base especificado a priori por
el investigador, comúnmente son los modelos: saturado (mejor modelo) y de independencia
(peor modelo). Se utilizan los siguientes índices:
50
• Índice de Tucker Lewis (TLI) o Índice de Ajuste No Normado (NNFI).
Compara la falta de ajuste del modelo formulado contra un modelo base (saturado o
independencia usualmente). Los valores de este índice van desde 0 a 1, siendo aceptables valores
iguales o superiores a 0,90 para tener un buen modelo. No es recomendable usar este test para
muestras inferiores a 150 casos.
• Índice de Ajuste Normado de Bentler-Bonett (NFI).
Al igual que el TLI, este índice es una comparación de la proporción de mejora entre el modelo
propuesto y el modelo nulo, con valores entre 0 (ningún ajuste) a 1 (ajuste perfecto), por lo cual
un nivel de ajuste aceptable se tiene con valores superiores a 0,90.
Al igual que estas medidas de ajuste incremental se tienen otras que tienen la misma
sustentabilidad como el Índice de Ajuste Relativo (RFI), Índice de Ajuste Incremental de Bollen
(IFI) e Índice de Ajuste Comparativo (CFI) que comparan el modelo estimado con el modelo
nulo o independiente, siendo valores admisibles superiores a 0,90 para reconocer un modelo
ajustado.
3. Ajuste de parsimonia
Las medidas de ajuste de parsimonia relacionan la calidad de ajuste del modelo con el número de
coeficientes estimados. Tiene como objetivo establecer si el ajuste del modelo se ha conseguido
debido a un sobreajuste de los datos por tener demasiados coeficientes, con lo cual se hace
referencia a la simplicidad del modelo utilizando el menor número de parámetros posibles. Los
índices de ajuste de parsimonia son:
Índice de Ajuste Normado de Parsimonia (PNFI).
Este índice es una modificación del NFI, el cual considera el número de grados de libertad
utilizados para conseguir un nivel de ajuste. Se obtiene ponderando el NFI por el cuociente entre
los grados de libertad del modelo propuesto y un modelo nulo. La parsimonia se define como la
51
consecución de mayores niveles de ajuste por grado de libertad utilizado (un grado de libertad
por parámetro estimado), por ende se busca tener la mayor parsimonia posible. Se recomienda
que este índice sea mayor que 0,5.
El PNFI permite comparar modelos con distintos grados de libertad. Se recomienda diferencias
mínimas de 0,06 a 0,09 para indicar cambios importantes en los modelos.
• Criterio de Información de Akaike (AIC)
Al igual que el PNFI es una medida que compara modelos con diferentes números de
constructos. Se calcula como:
Se busca tener el menor valor posible, lo cual significa un mejor ajuste y mayor parsimonia. Es
válido sólo cuando se utiliza el método de estimación de máxima verosimilitud y para muestras
superiores a 200 casos.
• Chi-Cuadrado Normalizado (NCS).
Esta medida es el ratio de la Chi-cuadrado dividida por los grados de libertad y tiene dos formas
de aplicación para evaluar modelos: (1) cuando NCS presenta valores menores que 1,0 el modelo
puede estar sobreajustado, por tanto su baja significación se debe a la causalidad; y (2) cuando
NCS es superior a 2,0 o 3,0 el modelo no es representativo de los datos observados, por lo cual
se hace necesaria una mejora; o con un valor superior a 5,0 cuando con un criterio más relajado
se trabaja con muestras grandes.
52
Ajuste del Modelo de Medida
Siguiendo con el análisis de ajuste del modelo corresponde evaluar la calidad de los submodelos
que lo componen. En primer lugar, se analiza la calidad del ajuste del modelo de medida a través
de la validez y confiabilidad de las medidas utilizadas para componer los constructos de
variables latentes. Para esto se revisa la magnitud y significancia de las ponderaciones estimadas
de cada indicador (variable observable) con el constructo (variable latente) que lo define.
1. Validez
La validez de un constructo tiene relación con que los indicadores utilizados midan
correctamente lo que se supone que están midiendo de los conceptos teóricos de interés.
Para verificar la validez de cada constructo se debe revisar los parámetros estandarizados y su
significancia. Se tendrá que mientras mayor sea la estimación del coeficiente estandarizado,
mayor será su validez para representar la variable latente.
2. Medidas de Fiabilidad
La fiabilidad de los indicadores hace alusión a la capacidad de obtener resultados consistentes en
mediciones sucesivas del mismo fenómeno en estudio. En este sentido, la fiabilidad mide todos
los factores que influyen en la medición, incluyendo los términos de error. Para esto se dispone
de dos índices comúnmente usados:
• Fidelidad Compuesta
La fidelidad es una medida de la consistencia interna de los indicadores del constructo, que
representa el grado en que éstos indican el constructo latente, y su fórmula es:
53
Las ponderaciones estandarizadas se obtienen directamente del resultado que entrega el
programa computacional con la estimación del modelo, y el Ԑi es el error de medida de cada
indicador. El error de medida se obtiene de la sustracción de 1 menos la fidelidad del indicador,
que es el cuadrado de las ponderaciones estandarizadas del indicador.
Se aceptan valores de fidelidad mayores a 0,5, pero si se desea asegurar con mayor exactitud la
medición del constructo se recomienda valores superiores a 0,7.
• Varianza Extraída
La medida de varianza extraída representa la cantidad total de la varianza de los indicadores
contenida por el constructo latente, se calcula como:
Cuando los indicadores son efectivamente representativos del constructo latente, se obtiene la
mayor varianza extraída. Es una medida similar a la fidelidad compuesta, salvo por término que
tiene las ponderaciones estandarizadas elevadas al cuadrado antes de sumarlas.
Esta medida toma valores entre 0 y 1, siendo el umbral mínimo aceptable de 0,5 para un
constructo.
Ajuste del Modelo Estructural
El ajuste del modelo estructural consiste en examinar si las relaciones entre las variables latentes
planteadas en el modelo se encuentran efectivamente en los datos. Para esto se debe analizar si
los signos y magnitudes de los parámetros concuerdan con la teoría del modelo, para
posteriormente corroborar la significancia de estos coeficientes estimados.
54
Como medida de ajuste de la ecuación estructural, se tiene el coeficiente de determinación o de
correlación múltiple cuadrada (R2), semejante al de una regresión lineal múltiple. Esta medida
relativa de ajuste para cada ecuación estructural se calcula de la siguiente forma, aunque los
paquetes estadísticos computacionales como AMOS los entregan directamente en sus resultados.
Var(δi) : varianza estimada del error de medida de la ecuación implicada.
La interpretación de R2 para una ecuación estructural es similar al caso de una regresión lineal,
ya que cuando este valor es cercano a 1, la relación estructural es más fuerte. En caso contrario
cuando R2 tiende a 0, significa que no existe relación entre las variables del modelo estructural.
De igual forma, el beneficio de usar este indicador también se puede extrapolar al ajuste del
modelo de medida, ya que cuando R2 toma valores cercanos a la unidad, implica que el
constructo posee buenos indicadores.
5.4.4.3.7. Interpretación y modificación del modelo.
Luego de haber realizado en las etapas anteriores los ajustes necesarios al modelo y habiendo
llegado considerar el modelo propuesto aceptable a los requerimientos y consideraciones
teóricas, se procede a la interpretación de los resultados y al análisis de posibles re-
especificaciones del modelo.
Interpretación
La interpretación de los resultados puede realizarse a través de dos análisis posibles; analizando
las soluciones estandarizadas o las no estandarizadas; las cuales tendrán diferencias en el proceso
interpretación y uso de los resultados.
55
Los coeficientes estandarizados permiten la comparación entre distintos coeficientes para una
misma muestra, dado que las ponderaciones no se ven afectadas por la escala de medición de los
indicadores, por lo cual son de gran utilidad en la determinación de la importancia relativa que
tiene cada indicador sobre los demás en el modelo. Los coeficientes cercanos a cero tienen poco
impacto en la relación, en cambio mientras mayor sea el coeficiente estandarizado estimado,
mayor será la importancia de la relación causal. Los coeficientes sin estandarizar corresponden a
las ponderaciones de una regresión múltiple, las cuales se expresan en términos de la escala del
constructo, por lo cual es posible comparar mismos coeficientes para distintas tomas de muestra,
ya que se retienen los efectos de la escala de medición. Sin embargo, se torna más difícil la
comparación entre coeficientes.
Re-especificación del modelo
Existen métodos que pueden mejorar aún más el ajuste del modelo y/o adecuarlo a la teoría
subyacente del problema. Este es el caso de la re-especificación del modelo, en la cual se pueden
añadir o eliminar parámetros al modelo. Sin embargo, estas modificaciones deben estar
teóricamente fundamentadas, y no deben hacerse con el sólo fin de mejorar las estimaciones
empíricamente. Si se hacen las modificaciones, se debe realizar una validación cruzada, es decir,
realizar las estimaciones con distintos conjuntos de datos, para que así el modelo modificado sea
finalmente aceptado valido.
Para la modificación del modelo en búsqueda de mejores resultados se analizan los siguientes
dos indicadores:
• Residuos Normalizados
Los residuos normalizados (o también llamados residuos estandarizados) provienen de la
diferencia entre las matrices de covarianza o correlación observada y la matriz de covarianza o
correlación estimada del modelo. Para que un residuo sea significativo al nivel de 0,05, y por
ende se considere para una posible modificación en
el modelo, este debe ser mayor que ± 2,58. Un residuo significativo significa que existe un error
de predicción para un par de indicadores, pero no específica como se puede mejorar, para lo cual
56
se debe resolver mediante la modificación del modelo con la incorporación o eliminación de
relaciones.
• Índices de Modificación
Los índices de modificación es otra evaluación de re-especificación del modelo y se calcula para
cada relación (parámetro) no estimada del modelo propuesto. El valor del índice representa
aproximadamente cuánto disminuiría el estadístico Chi-cuadrado si el coeficiente fuera estimado.
Se sugiere un valor superior a 3,84 del índice de modificación para que la reducción de la Chi-
cuadrado sea estadísticamente significativa producto de la estimación del parámetro. Cabe
destacar que la utilización de este índice no es efectiva, si no está respaldada teóricamente y
complementada con otras técnicas de ajuste.
5.4.5. Análisis factorial confirmatorio de segundo orden.
El análisis factorial de segundo orden, es una extensión del AFC de primer orden, convirtiéndose
también en un caso particular de los modelos de ecuaciones estructurales.
En este análisis se ingresa un nuevo constructo latente que actúa como variable exógena frente a
factores de primer orden. La diferencia entre los modelos reside en que las correlaciones entre
los factores se sustituyen en este análisis por saturaciones de esos factores en la nueva variable
latente exógena. Como muestra la figura 6, las variables latentes del primer nivel se convierten
en variables latentes endógenas del constructo de orden superior ξ1.
En términos prácticos, la modelización de AFC de segundo orden contempla los mismos pasos
metodológicos de los AFC de primer orden y de SEM en general, pero se recomienda en este
caso corroborar si existe correlación por lo menos entre 2 factores de primer orden (Lévy &
Varela, 2006).
57
Figura 6. Ejemplo AFC de segundo orden.
Fuente: Elaboración propia.
Respecto a la especificación del modelo, es importante destacar algunos aspectos de las
ecuaciones del modelo estructural y de medida.
Sobre el modelo estructural, los parámetros B tienen un valor de cero puesto que no existen más
variables latentes exógenas con las que se relacionen. Esto provoca que las ecuaciones queden
descritas por la siguiente forma:
Donde Γ contiene los valores de las saturaciones γ.
En cuanto al modelo de medida, es importante destacar que está compuesto solo por variables
observables endógenas (Y), al no existir en modelos de AFC superior variables observables
exógenas (X).
η + ε
58
6. METODOLOGÍA
En el presente estudio, la medición de imagen de marca se hará en base al modelo Brand Total
(Olavarrieta, 2002), aplicando el método de Ecuaciones Estructurales y utilizando los datos
obtenidos de una investigación de mercado.
El proceso de investigación de mercados se hace en base a los pasos propuestos por Kinnear y
Taylor (1998):
Figura 7. Pasos del proceso de Investigación.
Fuente: Kinnear, T., Taylor, J. (1998).
6.1. Establecer la necesidad de información.
La información necesaria para este trabajo, se divide en primera instancia en lo relacionado a
entender el mercado actual y sus actores, seguido por todo lo referente al marco teórico respecto
del branding que sustenta la investigación, para posteriormente definir con esto las partes
59
interesadas relevantes y las variables que definen la imagen en cada una de ellas. Las
necesidades se resumen de la siguiente manera:
Situación actual del mercado de la Educación Superior, sus actores relevantes tanto en
oferta y demanda, estadísticas, y todo lo necesario para definir el contexto actual.
Cifras y datos de la situación actual de la Universidad Técnica Federico Santa María,
para determinar su posición competitiva.
Conceptos y definiciones asociados a Marca, Imagen, Reputación y otros relacionados
que han sido presentados en las secciones anteriores.
Dimensiones importantes que determinan la imagen de marca, tanto productos o
servicios, como también específicamente para el caso de Educación Superior.
6.2. Especificar los objetivos y necesidades de la información.
Los objetivos de la investigación son los presentados en la sección 3, que persiguen básicamente
definir las dimensiones importantes que configuran la imagen de marca de una universidad, y
específicamente de la UTFSM. Junto a esto, es poder determinar las partes interesadas relevantes
que asociadas, para poder configurar el modelo que permita su medición.
6.3. Determinar el diseño de la investigación y las fuentes de datos.
El diseño de la investigación, se caracteriza por dos etapas relevantes, la fase exploratoria y fase
concluyente.
En la fase exploratoria, se hizo el levantamiento de información guiado en primera instancia por
la revisión de material bibliográfico de distintos estudios y papers relacionados con el tema.
Destaca principalmente lo realizado por Sanna (2010); Luque y Del Barrio (2008), que entregan
resultados específicos del tema de imagen para instituciones de Educación Superior. Además de
60
entregar variables y modelos para medir imagen, definen y trabajan con distintas partes
interesadas, siendo importante también lo de Carmelo y Calvo (2010), que definen como
“clientes” de este mercado a los Estudiantes (Secundarios y Universitarios), Empresas y las
Familias.
Posterior a esto, se realizaron reuniones con las personas a cargo de las áreas involucradas con
las partes interesadas de la Universidad:
Marcos López, Director de Admisión de la UTFSM.
Héctor Hidalgo, Coordinador general RED de Ex Alumnos USM.
María Alicia García, Coordinadora Ejecutiva Dirección General de Planificación y
Desarrollo UTFSM.
Estas reuniones tuvieron como objetivo invitar a participar a las personas nombradas en la
investigación, y también recoger opiniones expertas respecto a las distintas dimensiones y
variables que conforman la imagen para los distintos actores. De aquí también surgen varias
hipótesis que complementan el trabajo, y que surgen de ciertas variables a introducir en el
modelo que son de particular interés de las unidades descritas:
H1. La USM tiene una fuerte imagen percibida definida por su carácter de especialista y líder en
ingeniería, ciencia y tecnología.
H2. La USM es percibida como universidad de excelencia: alumnos y profesores de buena
calidad.
H3. La USM no se percibe como una universidad que entregue una educación integral (falta de
desarrollo de competencias blandas).
H4. Los alumnos y ex alumnos de la USM no perciben que entregue una alta red de contactos.
H5. Los alumnos de la universidad, y de educación superior no perciben un alto número de becas
y beneficios.
H6. Los alumnos de educación secundaria no perciben a la universidad como una institución
privada (en muchos casos está la creencia de universidad estatal).
61
Con esto, se acordó en conjunto que por temas de alcance, los stakeholders a tratar en el estudio
son: Futuros postulantes (estudiantes de 4to año medio), actuales estudiantes de la USM
(abarcando Casa Central y Campus Santiago) y ex - alumnos de la Universidad.
Para complementar esto, se realizaron también 3 Focus Group con estudiantes de cuarto año
medio, ya que se considera a este grupo como el de mayor impacto en temas de percepción
universitaria, producto de que los estudiantes secundarios siguen siendo el mayor público
objetivo por el que compite en el actual sistema. Estos Focus Group se realizaron en 2
instituciones:
Colegio de los Sagrados Corazones de Viña del Mar/Valparaíso. Fecha: Lunes 13 de
Agosto del 2012.
Liceo René Descartes de Viña del Mar. Fecha: Viernes 17 de Agosto del 2012.
En el segundo establecimiento se hicieron dos de estas actividades, sumando con ello las tres
descritas.
A partir de esta fase, se obtuvieron las partes interesadas a trabajar y las dimensiones relevantes a
poner a prueba en la fase concluyente, que agrupadas según el modelo Brand Total son:
Tabla 5. Dimensiones del estudio.
ATRIBUTOS
Acreditación Precio (Arancel)
Disponibilidad de talleres Contacto con Universidades extranjeras
Nivel de profesores (Calidad docente) Oferta de magister y doctorados
infraestructura Amplitud de áreas de conocimiento
Altos puntajes (difícil entrar) Importancia del deporte, arte, cultura
Formación integral Ambiente universitario
Nivel de alumnos (excelencia académica) Nivel de Investigación
Servicios de apoyo a estudiantes
BENEFICIOS
Desempeño laboral de Egresados Red de Exalumnos
Empleabilidad Becas y beneficios estudiantiles
Contactos profesionales
PERSONALIDAD
Líder en área determinada Universidad con experiencia/ trayectoria
Especialista en área determinada Innovadora /Moderna
Diversidad social, cultural, política, religión Estatal
Tendencia (social, política, religiosa) Universidad Movilizada (Paro)
Lucro como objetivo de la Universidad Administración sería
Presente y vinculada con el medio Universidad con recursos (económicos-financieros)
Exigente
Fuente: Elaboración Propia.
62
La fase concluyente de la investigación consiste en la aplicación de una encuesta online dirigida
a las 3 partes interesadas descritas anteriormente. Para esto, se utilizaron tres bases de datos con
que cuenta la Universidad:
Estudiantes de educación superior de todo el país, con interés en seguir una carrera de
educación superior, facilitada por la Dirección de Admisión de la USM.
Ex - alumnos de la universidad desde el año 1980 y 2012, entregada por la Red de Ex
alumnos de la universidad.
Actuales estudiantes de la USM, facilitada por los centros de alumnos de alumnos de la
universidad.
6.4. Desarrollar el procedimiento de recolección de datos.
La recolección de datos se realizó mediante el envío de un correo electrónico a los sujetos que
componen las bases de datos descritas, en los cuales estaba el link al que debían acceder para
contestar la encuesta.
6.5. Diseñar la muestra.
El universo de las partes interesadas descritas anteriormente está compuesto por los siguientes
números:
Los postulantes a la educación superior en el 2011 que rindieron la PSU fueron 231.172 y según
datos entregados por la USM en su página web el total de alumnos es de 13.658. El universo de
ex alumnos del que se tiene registro es de 50.000 aproximadamente.
Tabla 6. Universo y Bases de datos.
Universo Base de
datos
Postulantes 231.000 38.000
Estudiante actual USM 13.658 6.000
Ex estudiante USM 50.000 20.000
Total 293.658 64.000
Fuente: Elaboración Propia
63
El muestreo a utilizar es no probabilístico, seleccionado por conveniencia, por lo cual no es
posible calcular el error.
El número final a utilizar es de 2650 datos (que se detallarán en la siguiente sección). La muestra
final utilizada en el análisis multivariante, se seleccionó base a los distintos criterios de muestra
expuestos en la literatura referente a SEM, buscando un número alto de datos para enfrentar el
incumplimiento de normalidad multivariante. Esto debido principalmente a los problemas que
ocurren en la estimación de parámetros por el método de Máxima Verosimilitud, siendo sugerido
superar las 2.500 observaciones en estos casos (Uriel y Aldas, 2005). Este mismo número de
muestra se recomienda si es que se opta por otro método de estimación como el ADF, en que no
se adopta el supuesto de normalidad.
6.6. Recolectar los datos
La recolección de datos se realizó entre las fechas 30 de octubre al 18 de noviembre del 2012.
6.7. Procesar los datos.
El procesamiento de datos se hace mediante el software IBM® SPSS® AMOS 20.0.0.
Los pasos 8 y 9, que corresponden a “Analizar los datos” y “Presentar los resultados” se detallan
en la sección siguiente, presentando en primera instancia el análisis univariado y posteriormente
el multivariado en base al método de ecuaciones estructurales, siguiendo los pasos a seguir
descritos por Diamantopoulo & Siguaw, y detallados en la sección 5.4.4.3.
64
7. ANÁLISIS Y RESULTADOS
7.1. Tamaño muestral.
El tamaño muestral a utilizar será diferenciado para los análisis univariado y multivariado. Para
el caso univariado, se hará con el total de las respuestas obtenidas, siendo que se obtuvieron gran
cantidad de datos (2.912). Para el caso de análisis multivariado, la muestra se tomará en base a
los diversos criterios que se expondrán posteriormente.
7.2. Análisis univariado.
Como ya se mencionó anteriormente, el total de datos recolectados es de 2.912 observaciones,
los que están distribuidos de la siguiente manera:
Tabla 7. Distribución muestra.
Número Porcentaje
Postulantes 2138 73,42%
Estudiante actual USM 379 13,02%
Ex estudiante USM 395 13,56%
Total 2912 100%
Fuente: Elaboración propia.
El análisis del comportamiento de variables individuales, se hace en base a las hipótesis
planteadas con anterioridad. Estas dimensiones fueron consultadas con la valoración de la USM
en una escala Likert de 5 puntos (donde 1 era Totalmente en Desacuerdo y la opción era 5
Totalmente de Acuerdo).
65
Las primeras 3 hipótesis consideran todas las partes interesadas, por lo que el detalle de las
respuestas se entrega por cada una de ellas por separado. Éstas son:
H1: La USM tiene una fuerte imagen percibida definida por su carácter de especialista y líder en
ingeniería, ciencia y tecnología.
H2: La USM es percibida como universidad de excelencia: alumnos y profesores de buena
calidad.
H3: La USM no se percibe como una universidad que entregue una educación integral (falta de
desarrollo de competencias blandas).
Para H1, las preguntas correspondían a las siguientes afirmaciones:
Preg. 23: “Es líder en áreas de Ingeniería, Ciencia y Tecnología.”
Preg. 24: “Es especialista en las áreas de Ingeniería, Ciencia y Tecnología.”
Para estas afirmaciones, la distribución de respuestas se puede ver en la tabla 8, en que más del
50% asigna con nota 5 en ambas dimensiones. También en las columnas N-P, se puede ver la
distribución de respuestas negativas (notas 1 y 2) y positivas (4 y 5), en las que en ambas
también se consigue más de un 80% de evaluaciones a favor de las afirmaciones.
Tabla 8. Evaluación imagen de Líder y Especialista Muestra Admisión.
Líder % N-P Especialista % N-P
1 66 3,09% 7,39%
51 2,39% 5,05%
2 92 4,30% 57 2,67%
3 181 8,47% 8,47% 166 7,76% 7,76%
4 536 25,07% 84,14%
421 19,69% 87,18%
5 1263 59,07% 1443 67,49%
total 2138 100,00% 100,00% 2138 100,00% 100,00%
En el gráfico 1, se puede apreciar la fuerte tendencia de las respuestas de mayor puntuación.
66
Gráfico 1. Distribución respuestas Líder y Especialista. Muestra Admisión USM.
Fuente: Elaboración propia.
Para el caso de actuales alumnos USM, las evaluaciones son también con notas positivas en su
mayoría, pero sufriendo una baja en el caso de Líder, en el que las notas de evaluación negativa
obtienen casi un 20% del total de la muestra.
Gráfico 2. Distribución respuestas Líder y Especialista. Muestra Actuales alumnos USM.
Fuente: Elaboración Propia.
66 92 181
536
1263
51 57 166
421
1443
0
200
400
600
800
1000
1200
1400
1600
1 2 3 4 5
Líder/Especialista (Admisión USM)
Líder
Especialista
29 41
25
173
111
9 19 13
148
190
0
20
40
60
80
100
120
140
160
180
200
1 2 3 4 5
Líder/Especialista (Actuales alumnos USM)
Líder
Especialista
67
La tendencia en la muestra de los ex - alumnos es aún más marcada, ya que aproximadamente el
90% las evaluaciones son del rango positivo.
Gráfico 3. Distribución respuestas Líder y Especialista Ex Alumnos.
Fuente: Elaboración Propia.
En el caso de H2, las afirmaciones a evaluar son:
Preg 3. “La Universidad tiene un alto nivel de profesores (calidad docente)”
Preg 6. “La Universidad cuenta con un alto nivel de alumnos (excelencia académica)”.
Para el caso de la muestra de admisión, al igual que en la variable anterior se ve una clara
asociación positiva, en que tanto para el nivel de alumnos y profesores ronda el 80%.
7 29
19
165 175
3 11 10
122
249
0
50
100
150
200
250
300
1 2 3 4 5
Líder/Especialista (Ex Alumnos)
Líder
Especialista
68
Gráfico 4. Nivel de alumnos y profesores para muestra admisión USM.
Fuente: Elaboración Propia.
Comparativamente, la percepción de los actuales alumnos de la USM si bien también es positiva
en su mayoría, baja con respecto a la muestra anterior, principalmente por la mayor cantidad de
evaluaciones con número de 2 (Medianamente en Desacuerdo) en términos absolutos y relativos
al total de la muestra.
Gráfico 5. Nivel de alumnos y profesores para muestra actuales alumnos USM.
Fuente: Elaboración Propia.
40 73
303
729
993
42 27
380
522
1167
0
200
400
600
800
1000
1200
1400
1 2 3 4 5
Nivel Alumnos/Profesores (Admisión USM)
Alumnos
Profesores
6
62 52
184
75
15
78
16
205
65
0
50
100
150
200
250
1 2 3 4 5
Nivel Alumnos/Profesores (Actuales alumnos USM)
Alumnos
Profesores
69
De los ex - alumnos, 318 concuerdan positivamente con el nivel de los alumnos, lo que
representa el 80% del total. En el caso de los profesores, se alcanza más de un 84% las notas 4 y
5.
Gráfico 6. Nivel de alumnos y profesores para muestra ex alumnos.
Fuente: Elaboración Propia.
La tercera hipótesis (H3), fue referida a la afirmación de la pregunta 19: “La formación que
entrega es la más integral para un profesional (conocimientos y desarrollo personal)”.
En el gráfico 7, se ve una clara tendencia positiva para los estudiantes secundarios sobre la
formación en la universidad. Comprendiendo un 67% las valoraciones positivas, pero teniendo
en cuenta la alta indiferencia que logra un 26%.
Gráfico 7. Evaluación Formación Integral muestra admisión USM
Fuente: Elaboración propia.
4
37 36
183
135
9
31 20
173 162
0
50
100
150
200
1 2 3 4 5
Nivel Alumnos y profesores (Ex Alumnos)
Alumnos
Profesores
49 103
553 660
773
0
200
400
600
800
1000
1 2 3 4 5
Formación Integral (Admisión USM)
70
Referente a los actuales alumnos, no se evidencia una evaluación positiva ya que es bastante
equiparado con las evaluaciones 1 y 2, siendo porcentajes muy cercanos, obteniendo 40,63%
para las notas negativas y 47,49% para las positivas.
Gráfico 8. Evaluación Formación Integral muestra actuales alumnos USM.
Fuente: Elaboración Propia.
La evaluación de los ex alumnos tampoco es mayormente evidente, a pesar de que 165 sujetos lo
evaluaron con nota 4 (41,77%), los valores negativos suman 64 observaciones, las que sumadas a
los indiferentes, llegan a un 45,57%.
Gráfico 9. Evaluación Formación Integral muestra ex alumnos.
Fuente: Elaboración propia.
46
108
45
149
31
0
20
40
60
80
100
120
140
160
1 2 3 4 5
Formación Integral (actuales alumnos USM)
32
96
52
165
50
0
50
100
150
200
1 2 3 4 5
Formación Integral (Ex alumnos)
71
La siguiente dimensión a analizar corresponde al contraste de H4: “Los alumnos y ex alumnos de
la USM no perciben que entregue una alta red de contactos”.
Este punto se preguntó directamente por la afirmación de la pregunta 18: La USM…. “Cuenta
con una gran red de contactos profesionales”, y también se analizó las respuestas de la pregunta
22: “Sus red de ex alumnos se contacta y desarrolla actividades que conectan con el mundo
laboral”, que evalúa si el medio por el que se genera esta conexión con el medio laboral es por la
coordinación entre los ex alumnos.
Gráfico 10. Evaluación Red de Contactos muestra alumnos actuales USM.
Fuente: Elaboración propia.
Gráfico 11. Evaluación Red de Contactos por muestra de ex alumnos.
Fuente: Elaboración propia.
8
57
107
140
67
0
20
40
60
80
100
120
140
160
1 2 3 4 5
Red de contactos (Actuales USM)
28
89 81
145
52
0
50
100
150
200
1 2 3 4 5
Red de contactos (Ex alumnos)
72
De los gráficos 10 y 11, se ve que aunque la mayor opinión en de las dos muestras es la opción 4,
con alrededor de 140 respuestas en ambas, existe una alto número en las respuestas negativas.
Esto refleja que no existe una opinión muy dominante en este tema. En la primera muestra las
opciones 1,2 y 3 alcanzan en conjunto un 45,38%, mientras que en la segunda obtienen un
50,13%.
Sobre la pregunta 22, la muestra de actuales alumnos USM refleja una clara mayoría a la
indiferencia con respecto a este tema, pero si se compara en términos de respuestas positivas y
negativas, las primeras alcanzan un 48,41% frente a un 13,34% de las últimas.
Gráfico 12. Evaluación Nexo Red de Ex Alumnos por muestra de actuales alumnos USM.
Fuente: Elaboración propia.
La muestra de ex – alumnos refleja una mayor tendencia a las respuestas de percepción positiva,
alcanzando un 55,95%, frente a un 20,51% de indiferentes y 23,54% de respuestas de las
opciones 1 y 2.
16 35
143 125
60
0
50
100
150
200
1 2 3 4 5
Nexo Red Ex Alumnos (Actuales alumnos USM)
73
Gráfico 13. . Evaluación Nexo Red de Ex Alumnos por muestra de ex alumnos USM.
Fuente: Elaboración propia.
La quinta hipótesis (H5), postula: “Los alumnos de la universidad, y de educación secundaria no
perciben un alto número de becas y beneficios”.
De los gráficos 14 y 15, se puede ver que efectivamente no hay una opinión favorable respecto a
este tema. En el caso de los alumnos secundarios, casi el 50% de la muestra no sabe de este tema.
Gráfico 14. Evaluación Becas y Beneficios por muestra Admisión USM.
Fuente: Elaboración propia.
27
66 81
155
66
0
50
100
150
200
1 2 3 4 5
Nexo Red Ex Alumnos (Ex-alumnos)
105
314
1034
486
199
0
200
400
600
800
1000
1200
1 2 3 4 5
Becas y Beneficios (admisión USM)
74
Para los actuales alumnos de la universidad, también la mayor nota es 3 con casi un 42%, y
seguido después por las notas 1 y 2 que obtienen en conjunto un 42,48%.
Gráfico 15. Evaluación Becas y Beneficios por actuales alumnos USM.
Fuente: Elaboración propia.
La última hipótesis (H6) postula lo siguiente:” Los alumnos de educación secundaria no tienen
una clara percepción de que la universidad es una institución privada (creencia de universidad
estatal)”.
Del gráfico 16, se ve claramente que la respuesta mayoritaria es la opción 3, que obtiene un
51,92%, y las demás opciones se reparten en forma balanceada, lo que indica una
desinformación respecto al estado real de la institución.
Gráfico 16. Evaluación Propiedad del estado por admisión USM
Fuente: Elaboración propia.
69 92
159
45
14
0
50
100
150
200
1 2 3 4 5
Becas y Beneficios (actuales alumnos USM)
253 236
1110
330 209
0
200
400
600
800
1000
1200
1 2 3 4 5
Propiedad del Estado (admisión USM)
75
7.3. Análisis multivariado.
De manera previa a los pasos estipulados para la modelización de ecuaciones estructurales
expuestos en la sección 5.4.4.3, se hará una evaluación previa de los datos, tanto en definir un
tamaño indicado, como también para evaluar las condiciones de supuestos de normalidad de las
variables estudiadas. Se levantaron 33 de estas variables, en que la descripción de éstas, y la
nomenclatura a utilizar se detallan en el anexo C.
7.3.1. Tamaño muestral análisis univariado.
Para definir la muestra a utilizar del total de datos se siguieron distintos criterios expuestos por
Lévy y Varela (2006):
- Tamaño muestral que ronde las 200 observaciones mínimo, aumentándolo ante la
existencia de posibles errores de especificación y/o violación de supuestos.
- Considerar un ratio adecuado de al menos 10 observaciones por variable.
- Contar con un mínimo de 5 observaciones por parámetro a estimar, siendo lo más
adecuado 10 sujetos por parámetro.
- Si existe incumplimiento de normalidad, aumentar la tasa a 15 encuestados por
parámetro. (Hair et al., 2004).
El tamaño muestral también depende del método de estimación a utilizar, siendo recomendable
rondar los 200 casos para el de Máxima Verosimilitud, y aumentado considerablemente para
otros como el ADF en que se sugiere superar las 1000 observaciones.
Considerando estas recomendaciones, se trabajó en primera instancia considerando el ratio de 10
observaciones por cada variable. Con esto se alcanza un total de 330 datos para cada parte
interesada (33 variables x 10 obs = 330), con lo que se verificará la normalidad de los datos, y en
caso de no cumplir este supuesto se aumentará el tamaño considerando la tasa de 15 por cada
parámetro a estimar.
76
7.3.2. Prueba de normalidad.
Se seleccionó una muestra aleatoria de 330 casos de cada una de las partes de interés. Para las
pruebas de normalidad, se realizaron los test del software AMOS 20.0.0, en que entregan los
índices de simetría y curtosis para cada variable. En la tabla 9 vemos un extracto de la tabla de
resultados de la muestra de 330 estudiantes secundarios (admisión USM), en el que se debe
verificar que los ratios críticos (c.r.) de cada una de las variables no sobrepase el rango entre los
valores -1,96 y 1,96 simultáneamente, siendo el caso para distribuciones simétricas y
mesocúrticas. De la tabla, se puede ver que solo cumple la variable de Tendencia (Tend). AMOS
también entrega una prueba para el análisis de normalidad multivariante en el final de la tabla.
En esencia el ratio crítico corresponde al índice de Mardia (Byrne, 2010), en que se recomienda
que no supere el valor 5,99. En este caso se puede ver que tampoco cumple con la condición, por
lo que tampoco el supuesto de normalidad para esta muestra.
Tabla 9. Extracto prueba de normalidad para muestra de Admisión.
Variable skew c.r. kurtosis c.r. Cumple supuesto
normalidad
Postgrd -0,342 -2,535 -0,38 -1,409 No
Talleres -0,798 -5,916 0,238 0,882 No
Prof -1,118 -8,292 0,778 2,885 No
Recursos 0,317 2,348 0,26 0,965 No
Tend 0,073 0,542 0,453 1,68 Si
Multivariate
129,731 24,517
Fuente: Elaboración propia.
El detalle de los resultados se puede encontrar en el anexo D. A modo de resumen, en la tabla 10
se muestra el resultado del incumplimiento de los supuestos de simetría y mesocurtosis para cada
una de las muestras aleatorias. En las últimas 2 columnas vemos el resultados de los ratios
críticos de curtosis multivariante y el estado de cumplimiento de normalidad multivariante.
77
Tabla 10. Resumen pruebas de normalidad univariante y multivariante de muestras aleatorias.
Variables
Asimétricas
Variables No
Mesocúrticas
CR
Multivariante
Normalidad
Admisión 25 14 24,517 > 5,99 No cumple
Estudiantes USM 23 23 18,386 > 5,99 No cumple
Ex Alumnos USM 27 22 32,645 > 5,99 No cumple
Fuente: Elaboración propia.
Quedando de manifiesto que no se cumplen los requisitos de normalidad, se procede a aumentar
el tamaño de la muestra siguiendo el criterio del ratio de 15 casos por cada parámetro a estimar
(Hair, 2004). Los parámetros a estimar en esto modelo en primera instancia son 69 (los cuales se
detallarán en las siguientes secciones), dando esto un total de 1035 de sujetos necesarios para
conformar la muestra (69 x 15 = 1035).
Tabla 11. Composición muestra final.
Número Porcentaje
Postulantes 760 73,42%
Estudiante actual USM 135 13,02%
Ex estudiantes USM 140 13,56%
Total 1035 100%
Fuente: Elaboración propia.
7.3.3. Conceptualización del modelo SEM.
Para modelar el constructo de imagen de marca, en las secciones anteriores si hizo referencia al
modelo conceptual Brand Total (Olavarrieta, 2002), en que ésta tiene tres componentes:
Atributos, Beneficios y Personalidad. La hipótesis que se plantea en este trabajo, sobre la
estructura de éstos componentes, es que la variable Imagen de marca es un constructo de
segundo orden que se refleja en la evaluación de imagen de las personas, pero a través de la
78
agrupación de constructos de primer orden, que corresponden a los componentes señalados. La
idea de la estructura es como la que se plantea en la figura 8.
Figura 8. Modelo de imagen de marca.
Fuente: Elaboración propia.
Las 33 variables que se levantaron en la etapa exploratoria, buscan representar estas tres
dimensiones de primer orden. Como hipótesis previa, la agrupación de estas variables
corresponde a las presentadas en la tabla 5.
De manera previa y para apoyar la teoría, se realizó un análisis factorial exploratorio (AFE)
como lo recomiendan Lévy y Varela (2006), en que permitió ver como cargan las variables
observables en cada uno de las variables latentes. Junto a esto además, se realizó una prueba de
fiabilidad de escala mediante el alfa de Cronbach, para poder medir la consistencia de cada
factor.
Se utilizó el método de extracción por Máxima Verosimilitud, fijando el número de factores a
tres, y utilizando rotación Varimax. Se obtuvo un índice KMO de 0,953, con un Chi-cuadrado
mayor al nivel crítico. La tabla 10 muestra las cargas factoriales rotadas, en donde se puede ver
como 18 de las 33 variables cargan en mayor medida sobre los factores propuestos.
79
Tabla 12. Matriz de factores rotados.
Variable F1 F2 F3 Variable F1 F2 F3
Acredit ,403 ,126 ,258 Líder ,233 ,054 ,793
Talleres ,570 ,152 ,375 Especialista ,120 ,062 ,858
Prof ,434 ,179 ,551 Diversidad ,418 ,152 ,255
Infraestr ,369 ,069 ,544 Tendencia ,486 ,051 -,006
PSU ,205 ,153 ,375 Lucro ,408 ,111 ,297
Integral ,608 ,235 ,385 Presencia ,574 ,158 ,302
Alumnos ,321 ,263 ,464 Exigente ,169 ,324 ,608
Servicios ,501 ,097 ,288 Experiencia ,144 ,256 ,625
Arancel ,298 -,023 ,017 Moderna ,533 ,105 ,503
U_extran ,441 ,189 ,324 Estatal ,279 ,037 ,002
Postgrd ,478 ,186 ,316 Paro_posit -,167 ,134 ,245
Area_conoc ,573 ,029 ,012 Admintr ,532 ,082 ,387
Deporte_arte ,658 ,049 ,272 Recursos ,486 ,107 ,180
Ambiente ,458 ,181 ,391
Investig ,523 ,117 ,380
Desempeño ,209 ,621 ,537
Empleab ,157 ,698 ,585
Contacto_pro
,517 ,403 ,376
Red_aexa ,450 ,196 ,254
Becas ,556 ,032 ,133
Fuente: Elaboración propia a partir del SPSS.
Asumiendo que F1 representa al factor Atributos, F2 a Beneficios y F3 Personalidad, de este
primer análisis, las variables Becas, Tendencia (Tend), Estatal y Recursos, asoman como
posibles variables a eliminar del modelo, puesto que cargan muy poco sobre los factores
respectivos.
Variables como Prof, Infraestr, PSU, Alumnos, Contact_prof, y Red_aexa, pese a no cargar en
mayor medida junto con las variables que se proponen en un mismo factor, tienen valores altos
en los otros factores lo que sirve para el análisis de confirmación.
Complementando esto, se hace un análisis de fiabilidad, primero considerando a todas las
variables (constructo de imagen único), y después por cada uno de los factores propuestos.
80
Para los tres constructos, se obtuvieron valores sobre 0,70, que es lo recomendado por algunos
autores (Hair et al, 2004), con 0,88; 0,79 y 0,814. También se analizó para el constructo global
de Imagen, el cual obtuvo un valor de 0,935. Las tablas de estos resultados se encuentran en el
anexo D.
En cada una de las tablas, se entrega la información de la variabilidad de estos índices si se
eliminan ciertas variables. En base a esta información, sumado a lo expuesto por el AFE y la
evaluación de relevancia de cada una de las variables por parte del investigador, se eliminaron
las siguientes variables: Becas; Tendencia; Estatal; Recursos y Area_Conoc.
Por último, según lo recomendado por Lévy y Varela (2006), se realizó un AFC de primer orden
haciendo covariar los tres factores para comprobar la correlación entre ellos, y así verificar el
grado de validez convergente. Los resultados fueron positivos entregando valores sobre 0,7, por
lo que la propuesta de modelo tiene sustento. Los valores de éstos se pueden encontrar en el
anexo D.
7.3.3. Construcción del diagrama de ruta.
Ya con las variables definidas del modelo propuesto, se procedió a construir el diagrama de ruta.
Esto se hace mediante el programa IBM® SPSS® AMOS 20.0.0. Si bien, el modelo irá variando
en base a las ajustes, en la figura 9 se muestra el modelo inicial a comprobar.
En ella se ven las 28 variables totales: 14 para el factor Atributos, 4 para el factor Beneficios, y
10 para Personalidad.
81
Figura 9. Modelo Inicial Imagen de Marca.
Fuente: Elaboración propia mediante IBM® SPSS® AMOS 20.0.0.
82
7.3.4. Especificación del modelo.
Aquí se representan en forma de sistemas de ecuaciones lineales, las distintas relaciones
propuestas en el diagrama de ruta.
Modelo estructural: Ecuaciones que vinculan a las variables latentes (constructos) entre sí. En
este caso, corresponden a las correspondientes de los factores de primer orden influenciados por
el constructo de segundo orden (Imagen).
Modelo de medida. Especifica relación entre las variables (indicadores) y los tres factores
propuestos:
83
7.3.5. Identificación del modelo.
En cuanto a la identificación del modelo, el software entrega los valores de grados de libertad,
cumpliendo en este caso con la sobreidentifcación con un valor de 347.
Tabla 13. Grados de libertad del modelo entregado por Amos.
Número de momentos distintos 406
Número de parámetros distintos a estimar 59
Grados de libertad (406 - 59): 347
Fuente: Elaboración propia mediante datos entregados por AMOS v 20.
También se platean algunas condiciones a los modelos factoriales confirmatorios (Levy &
Varela, 2006) que también se cumplen en este caso:
Mínimo de 3 indicadores por factor.
No existen correlaciones entre los errores de medida.
Cada variable latente solo carga en un factor.
Además se cumple con fijar uno de los coeficientes de regresión en cada variable latente.
7.3.6. Estimación de parámetros.
La estimación de parámetros se realizó mediante los métodos de máxima verosimilitud (MV) y
el de libre distribución asintótica (ADF). Si bien ya se analizó que no se cumplen los supuestos
de normalidad multivariante para el método MV, se utilizó el criterio de aumento de muestra de
15 observaciones por parámetro, logrando un total de 1035 individuos. Se utilizó este número
considerando los parámetros a estimar inicialmente, en el caso que se hubiesen ingresado las 33
variables originales.
84
La estimación por medio de ADF, entregó resultados muy pobres en la calidad ajuste, los que se
pueden ver en el anexo D. Por esta razón, en los resultados entregados en esta sección y en las
siguientes harán en base solo al método MV.
La primera estimación por MV, entregó como resultado una estimación de varianza negativa
(e37 = -0,002); estas situaciones son conocidas como casos Heywood. Lévy y Varela (2006),
sugieren que las soluciones para tratar estos casos pueden ser:
Aumentar el tamaño de la muestra
Modificar el modelo
Fijar a un valor positivo próximo a cero el parámetro problemático.
Si bien la solución más habitual es la tercera opción, se hará primero un análisis de cuál puede
ser la variable que esté causando este problema, dado que si se trata de alguna de las variables
analizadas previamente que no representa un carácter relevante, la mejor opción es prescindir de
ella.
Analizando la matriz de residuos estandarizados del anexo D, se puede apreciar que la variable
“Diversidad” contiene gran parte de los valores fuera del rango -2,58 y 2,58 con 8 casos.
Sumado además a los análisis previos en que no cargaba de mayor manera en el factor
correspondiente y que por lo demostrado en la investigación no es una variable relevante se
procede a eliminarla.
Al proceder a la nueva estimación, efectivamente se soluciona el caso Heywood, con lo que los
valores de los indicadores se muestran a continuación.
7.3.7. Análisis de ajuste.
A través de la nueva estimación por máxima verosimilitud, los indicadores entregaron resultados
por debajo de los valores recomendados de un buen ajuste, los cuales se analizarán a
continuación.
85
7.3.7.1. Medidas de ajuste absoluto.
Comenzando por el estadístico de Chi cuadrado (CMIN), éste tiene un valor de 2694,96 que es
un valor muy alto para lo que quiere, aunque hay que tener presente que esta medida no presenta
buenos criterios para muestras muy elevadas. Tener en cuenta también que la significación es
menor al 0,05.
Tabla 14. Índices de 2do modelo de 27 variables.
Model NPAR CMIN DF P CMIN/DF
Modelo actual 57 2694,960 321 ,000 8,396
Modelo saturado 378 ,000 0
Modelo independiente 27 13672,149 351 ,000 38,952
Fuente: Elaboración propia mediante datos de AMOS v 20.0.
Los otros índices de ajuste expuestos en la tabla 13, no cumplen con los valores recomendados,
siendo el caso del RMR, RMSEA y GFI con un 0,07, 0,085 y 0,794 respectivamente.
Tabla 15. Índices de ajuste absoluto para modelo de 27 variables.
Índice Valores Recomendados
GFI > 0,9
0,794 No cumple
RMR < 0,05
0,07 No cumple
RMSEA < 0,08
0,085 No cumple
Fuente: Elaboración propia mediante datos de AMOS v 20.0
86
7.3.7.2. Medidas de ajuste incremental.
En este caso, no se presentan los valores de los modelos base, ya que tampoco se cumplen con
los valores recomendados.
Tabla 16. Índices de ajuste incremental para modelo de 27 variables.
Índice Valores Recomendados
CFI > 0,9
0,822 No cumple
TLI > 0,9
0,805 No cumple
NFI > 0,9
0,803 No cumple
AGFI > 0,9
0,757 No cumple
Fuente: Elaboración propia mediante datos de AMOS v 20.0
7.3.7.3. Medidas de ajuste de parsimonia.
En cuanto a parsimonia, tampoco se logran los valores esperados, encontrándose una gran
desviación en el caso del índice PGFI.
Tabla 17. Índices de ajuste de parsimonia para modelo de 27 variables.
Índice Valores Recomendados
PNFI > 0,9
0,734 No cumple
PGFI > 0,9
0,674 No cumple
AIC cercano a cero
2808,96 menor
Fuente: Elaboración propia mediante datos de AMOS v 20.0
87
7.3.8. Modificación del modelo.
Producto de estos resultados, se procedió a la modificación del modelo. Esto se hizo en base en
una serie de criterios indicados en Lévy y Varela (2006):
Test de significación de parámetros: en donde la razón crítica de los parámetros
estimados no se encuentre entre los valores -1,96 y 1,96.
Matriz de residuos normalizados: se revisarán las variables que entreguen valores fuera
del rango -2,58 y 2,58,
Índices de modificación: valores mayores a 3,84 se consideran significativos para una
disminución del valor de Chi cuadrado, pero en este caso no aplicarán las modificaciones
propuestas, si no que se analizarán las variables que demuestren una carga fuerte con otro
factor, lo que implicaría eliminarla del modelo.
Toda cambio se evalúa con estos criterios, pero siempre sustentada en base al propósito del
modelo y la investigación, y se deben realizan de uno a la vez. Por esto, tras las sucesivas
modificaciones se mantuvieron 18 variables de las originales; 11 de Atributos, 3 de Beneficios y
4 de Personalidad las cuales están en la tabla 18, y se pueden ver gráficamente en la figura 10.
Tabla 18. Variables del modelo final de 18 variables.
Variable Factor
Variable Factor
Alumnos Atrib
Investig Atrib
Servicios Atrib
Ambiente Atrib
Acredit Atrib
Empleab Benef
Infraestr Atrib
Desempeño Benef
Postgrd Atrib
Red_aexa Benef
Prof Atrib
Especialista Pers
Integral Atrib
Experiencia Pers
PSU Atrib
Líder Pers
Talleres Atrib
Exigente Pers Fuente: Elaboración propia.
88
Figura 10. Modelo Final (18 variables)
Fuente: elaboración propia mediante Amos v 20.0.
7.3.8.1. Evaluación de ajuste del modelo modificado (18 variables).
1. Ajuste global modelo modificado.
Los índices de ajuste de este modelo demuestran una mejora efectiva con respecto al inicial, tal
como se puede ver en la tabla 19. Los valores de RMSEA, CFI e IFI, que anteriormente
traspasaban los límites recomendados, ahora obtienen valores de 0,078; 0,905 y 0,905
respectivamente. En el caso de RMR, GFI y TLI, pese a no cumplir con el umbral, mejoran
notablemente y quedan muy cerca de los valores recomendados.
89
En el caso de los valores estrictamente comparativos, como el NCP, ECVI y AIC, reflejan
también una importante mejora con respecto al inicial.
Tabla 19. Comparación de índices de ajuste.
Índice Modelo con 27
variables Modelo Final (18
variables)
Ajuste absoluto
Chi cuadrado 2694,96 965,965
DF 321 132
p 0 0
GFI 0,794 0,898
RMR 0,07 0,054
RMSEA 0,085 0,078
NCP 2373,96 833,965
ECVI 2,717 1,01
Ajuste Incremental
CFI 0,822 0,905
TLI 0,805 0,89
IFI 0,822 0,905
AGFI 0,757 0,868
Ajuste de Parsimonia
PNFI 0,734 0,769
AIC 2808,96 1043,965
Fuente: elaboración propia mediante de Amos v 20.0.
2. Ajuste modelo de medida.
a. Validez
En el anexo D, se encuentran las tablas que entrega el software con los valores de la estimación
de los coeficientes. En ellas, se puede ver que todos ellos son significativos (C.R = t > |1,96| y
que sólo tres de ellas saturan con un valor menor a 0,5 por lo que informa positivamente la
validez de los indicadores.
90
b. Fiabilidad
Como se describió en las secciones anteriores, para medir esta condición, se calculó la fiabilidad
compuesta de cada constructo y la varianza extraída. Estos resultados se pueden ver en la tabla
20.
Tabla 20. Fiabilidad compuesta y varianza extraída.
Constructo Fiabilidad
compuesta Varianza extraída
Atrib 0,873 0,390
Benef 0,793 0,581
Pers 0,850 0,587
Fuente: elaboración propia.
Para cada constructo se obtienen valores que superan el valor recomendado de 0,7, y en el caso
de la varianza extraída, Benef y Pers obtienen valores satisfactorios sobre 0,50. En el caso de
Atributos, el valor se debe principalmente a las bajas estimaciones para las variables Red_aexa,
PSU y Acredit, que también se reflejan en que sus coeficientes de determinación son menores a
0,3. Para mejorar esto, se podrían eliminar estas variables, pero producto de la importancia
teórica que conllevan para este estudio, se optó por mantenerlas.
3. Ajuste modelo estructural
Los valores de R2 de cada constructo dan por sobre los recomendados, lo que indica un ajuste
muy bueno en cada uno.
Tabla 21. Coeficientes de determinación de variables latentes
Constructos R2
Pers 0,857
Benef 0,742
Atrib 0,756
Fuente: Elaboración propia.
91
A su vez, los valores t de sus coeficientes son significativos (C.R > |1,96|), y con valores
estimados de regresión estandarizados por sobre 0,85.
Como dato adicional, el valor de fiabilidad compuesta y varianza extraída del constructo Imagen
también está comprendido en los valores permitidos, con 0,916 y 0,78 respectivamente.
Con esta información, se puede evaluar un buen ajuste del modelo en términos generales,
pudiendo aceptar las relaciones propuestas en ella. Por ello, se da paso a la interpretación de
estos resultados.
7.3.9. Interpretación del modelo.
Para ilustrar la interpretación del modelo, nos centramos primero en el constructo de importancia
de la investigación, que es Imagen de marca. Para ello, evaluamos el impacto que cada factor de
primer orden tiene en él, analizando los coeficientes estandarizados, que se utilizan justamente
para medir el efecto relativo, ya que son específicos de una muestra.
De la tabla 22, vemos que el factor de Personalidad (Pers), es el que genera un mayor impacto en
Imagen de marca, gracias a su coeficiente estandarizado de 0,93. Esto es positivo considerando
que la evaluación promedio de sus variables es la mayor de los tres factores y con una menor
desviación.
Tabla 22. Impacto y evaluación de dimensiones de Imagen.
Impacto
Evaluación promedio
Desviación Estándar
Atrib 0,87 3,82 1,07
Benef 0,86 4,00 1,00
Pers 0,93 4,34 0,94
Fuente: Elaboración propia.
92
De las variables que miden Personalidad, se puede ver que los coeficientes tienen altos valores,
siendo Especialista la mayor con un 0,83 y una evaluación promedio de 4,45. Esto es consiste
con lo expuesto previamente en los análisis univariados.
Tabla 23. Impacto y evaluación de variables del Factor Personalidad.
Impacto
Evaluación promedio
Desviación promedio
Especialista 0,83 4,45 0,81
Líder 0,81 4,20 1,10
Exigente 0,71 4,30 0,85
Experiencia 0,70 4,41 0,74 Fuente: Elaboración propia.
De la tabla 23, se puede ver que le sigue en impacto la variable Líder con un 0,81, pero en este
caso es la que obtiene una evaluación promedio menor de las 4, y con mayor desviación. En el
gráfico 10, se pueden ver las 4 variables graficadas por su evaluación e impacto en el factor.
Gráfico 17. Mapa variables constructo Personalidad.
Fuente: Elaboración propia.
En cuanto a los otros 2 factores, vemos que tienen un impacto muy similar, con coeficientes de
0,87 para Atributos y 0,86 para Beneficios.
Especialista
Líder
Exigente
Experiencia
4,15
4,20
4,25
4,30
4,35
4,40
4,45
4,50
0,60 0,70 0,80 0,90
Eval
uac
ión
Impacto
Constructo Personalidad
93
Respecto al factor de Atributos, vemos que la variable de percepción del nivel de profesores
tiene el impacto mayor con un valor de 0,75, respaldada además con una alta evaluación
promedio de 4,14. Del gráfico 18, se puede ver una tendencia de mayor impacto a las variables
que conforman el nivel de oferta de servicio educativo, como Infraestructura, Talleres, formación
integral del alumno (variable Integral), nivel de investigación (Investig) y nivel de los alumnos
(Alumnos).
Gráfico 18. Mapa variables constructo Atributos.
Fuente: Elaboración propia.
Con muy bajo impacto, las variables sobre percepción de puntaje de ingreso (PSU), y nivel de
acreditación (Acredit), confirman algunos de los diagnósticos previos en la construcción del
modelo, en que varios criterios recomendaban sacarlas (bajos R2), pero se decidieron mantener
por la importancia conceptual de la teoría del modelo.
Alumnos
Servicios Acredit
Infraestr
Postgrd
Prof
Integral
PSU Talleres
Investig
Ambiente
3,40
3,50
3,60
3,70
3,80
3,90
4,00
4,10
4,20
4,30
4,40
0,45 0,50 0,55 0,60 0,65 0,70 0,75 0,80
Eval
uac
ión
Impacto
Constructo Atributos
94
Tabla 24. Impacto y evaluación de variables del Factor Atributos.
Impacto
Evaluación promedio
Desviación estándar
Prof 0,75 4,14 1,01
Integral 0,72 3,67 1,14
Talleres 0,68 3,84 1,05
Infraestr 0,68 4,28 1,01
Alumnos 0,65 4,07 0,98
Investig 0,63 3,52 1,06
Ambiente 0,63 3,93 1,07
Postgrd 0,58 3,68 0,96
Servicios 0,54 3,51 0,97
Acredit 0,47 3,46 1,09
PSU 0,47 3,90 1,07 Fuente: Elaboración propia.
En el caso del constructo Beneficios, las variables Empleab y Desempeño tienen un muy alto
impacto con evaluaciones promedio cercanas a al valor máximo 5. El caso de la variable que
representa la red de contactos y vínculos de los ex - alumnos, tiene una muy baja ponderación,
siendo consecuente con los diagnósticos previos en que recomendaban eliminarla del modelo,
pero al igual que en el caso anterior de las variables PSU y Acredit, se acordó mantenerlas por el
interés en monitorear el comportamiento de ésta variable.
Tabla 25. Impacto y evaluación de variables del Factor Beneficios.
Impacto
Evaluación promedio
Desviación estándar
Empleab 0,90 4,26 0,93
Desempeño 0,87 4,23 0,93
Red_aexa 0,42 3,50 0,94
Fuente: Elaboración propia.
95
Gráfico 19. Mapa de variables constructo Beneficios.
Fuente: Elaboración propia.
Si ahora focalizamos el análisis respecto a las diferentes partes interesadas, podemos ver que la
mayor percepción a nivel general es la de los estudiantes secundarios, siendo los con mejor
evaluación promedio en Atributos y Beneficios, y los segundos en Personalidad. En el otro
extremo, los actuales alumnos de la universidad, son los que entregaron menor calificación
promedio en dos de los tres factores, evidenciando una falta de valoración en el momento que
reciben el servicio como tal.
Tabla 26. Evaluación promedio de factores según partes interesadas.
Atributos Beneficios Personalidad
Admisión 3,94 4,00 4,34
Actuales 3,32 3,99 4,23
AEXA 3,70 3,96 4,45
Fuente: Elaboración propia.
Empleab
Desempeño
Red_aexa
2,5
3,0
3,5
4,0
4,5
5,0
0,30 0,40 0,50 0,60 0,70 0,80 0,90 1,00
Eval
uac
ión
Impacto
Constructo Beneficios
96
De manera gráfica, esto se evidencia de mejor manera. El gráfico 20 representa el mapa de
posicionamiento según las tres partes interesadas. De la misma manera que Martinez et al.
(2004), se grafican los tres constructos obtenidos en un solo mapa, en el que Beneficios se sitúa
en el eje vertical, Atributos en el horizontal, y Personalidad como el área de cada círculo.
Gráfico 20. Mapa de posicionamiento según partes interesadas.
Fuente: Elaboración propia.
En base al mapa, es posible ver como los estudiantes secundarios (Admisión) y los ex – alumnos
de la universidad (AEXA) están alejados de manera positiva respecto a la percepción de
atributos. En el caso de Beneficios, si bien las evaluaciones son muy cercanas (diferencias del
segundo decimal), del gráfico es posible ver como los ex – alumnos quedan con los valores más
bajos respecto a este tema. Las diferencias en personalidad son claramente mayores,
evidenciando una área mayor para los ex – alumnos, quedando actuales alumnos muy por debajo
los primeros.
Admisión
Actuales
AEXA 3,95
3,97
3,98
4,00
4,01
4,03
3,25 3,35 3,45 3,55 3,65 3,75 3,85 3,95
Be
nef
icio
s
Atributos
Posicionamiento según partes interesadas
97
Otra forma de presentar los resultados es bajo un Imamograma, utilizado por Sanz en 1994
(citado en Martinez et al, 2004), el cual permite ver gráficamente la imagen actual y la deseada
por alguna organización. En el gráfico 21, se puede ver el lugar de la percepción de cada parte
interesada, y cuán lejos se está de la nota 5
Gráfico 21. Imamograma de la marca USM.
Fuente: Elaboración propia.
También es posible revisar el desglose en cada factor, para poder analizar cuán lejos se está en
cada variable analizada.
98
Del gráfico 22, se puede ver claramente lo expuesto anteriormente, en que la muestra de
Admisión tiene mayores puntuaciones en prácticamente todos los atributos. En segundo lugar, se
encuentran los ex - alumnos de la Universidad, solo obteniendo mayor evaluación en la variable
que mide ambiente universitario (Ambiente).
Gráfico 22. Imamograma del factor Atributos.
Fuente: Elaboración propia.
Tabla 27. Evaluación promedio de cada variable por partes interesadas.
Alum. Serv. Acredit Infraestr Postgrd Prof Integral PSU Talleres Investig Amb.
Admisión 4,16 3,54 3,63 4,38 3,83 4,27 3,91 4,02 4,04 3,64 3,94
Actuales 3,61 3,34 2,66 3,85 3,26 3,49 2,93 3,43 3,26 3,11 3,61
AEXA 4,03 3,49 3,43 4,21 3,35 4,16 3,28 3,77 3,45 3,36 4,18 Fuente: Elaboración propia.
99
Para el caso del factor Beneficios, aquí se puede como la imagen de las tres muestras no se
diferencia en mayor medida con respecto al objetivo buscado. También destaca la baja
evaluación de la variable Red_aexa, en todas las muestras.
Gráfico 23. Imamograma del factor Beneficios.
Fuente: Elaboración propia.
Tabla 28. Evaluación promedio de cada variable por partes interesadas.
Empleab Desempeño Red_aexa
Admisión 4,26 4,22 3,53
Actuales 4,36 4,18 3,43
AEXA 4,15 4,29 3,45 Fuente: Elaboración propia.
100
El gráfico 24, vuelve a representar la alta puntuación obtenida en las variables del factor
Personalidad, que se reflejaban anteriormente en el alto impacto de ellas y del constructo. Aquí
se ve de manera gráfica como el concepto de universidad “Líder en su área”, baja un poco con
respecto a la tendencia general de las otras variables.
Gráfico 24. Imamograma del factor Personalidad.
Fuente: Elaboración propia.
Tabla 29. Evaluación promedio de cada variable por partes interesadas.
Líder Especial Exigente Experiencia
Admisión 4,30 4,46 4,27 4,33
Actuales 3,75 4,30 4,34 4,53
AEXA 4,19 4,50 4,42 4,67
Fuente: Elaboración propia.
101
8. CONCLUSIONES
Una vez realizados los análisis correspondientes, es de utilidad contrastarlos con las hipótesis
planteadas en un inicio.
En primera instancia, las respuestas positivas obtenidas sobre las afirmaciones postuladas en H1
y H2 (líder, especialista, nivel de profesores y alumnos) obteniendo sobre 80% y 70%
respectivamente, permiten comprobar la existencia de una buena percepción de la universidad en
estos aspectos, siendo esenciales para la credibilidad a la hora de querer proyectar esto, y
considerando que contemplan parte de los ejes fundamentales expuestos en el marco teórico a la
hora de obtener ventajas competitivas.
En cuanto a H3 (formación integral), en función de lo disímiles de las respuestas entregadas no
fue posible corroborar ésta, ya que la percepción positiva de los futuros estudiantes y de los ex –
alumnos se opone a lo postulado por los actuales alumnos. En los primeros se alcanzó un 70%
aproximadamente de respuestas positivas, bajando a casi un 47% en el caso de los alumnos. Esto
se interpreta en cierta manera por lo levantado en la fase exploratoria, en que la exigencia de los
planes de estudio de los actuales alumnos muchas veces produce un cuestionamiento por parte de
ellos en la valoración de cómo se van formando. Esto a su vez, es valorado solo una vez que han
terminado su etapa de estudiantes y salen al mercado laboral, y de la misma manera por los que
aspiran a ingresar a una casa de estudios.
Las respuestas respecto a la dimensión evaluada por H4 sobre red de contactos profesionales,
permiten aceptar con cautela la hipótesis en función de que no hay tendencia clara positiva sobre
este tema, pero considerando a su vez que tampoco existe una percepción negativa.
Lo mismo ocurre para H5 (becas), en que se comprueba la hipótesis producto de que se obtuvo
sobre un 40% de respuestas indiferentes (opción 3), pero dejando claro que tampoco existe una
evaluación negativa como tal, existiendo una oportunidad para mejorar en este aspecto en
particular.
102
En el caso de H6 (pertenencia del estado), las respuestas de indiferencia alcanzaron un 52%,
comprobando que este es un aspecto difuso para los estudiantes de educación secundaria y
evidenciando que la percepción de excelencia de esta institución no pasa por ese tema en
particular.
Las hipótesis que no muestran una tendencia clara están en sintonía con lo presentado en el
modelo de imagen de marca propuesto en este trabajo, entregando una interpretación más clara a
esos resultados puesto que las variables de las hipótesis H1 y H2, son parte del constructos de
primer orden que tienen un mayor impacto en la imagen de marca, Personalidad y Atributos, con
0,93 y 0,87 respectivamente.
Siendo consecuentes con este análisis, anteriormente también se analizó que el mayor impacto
del factor Personalidad lo tienen justamente Especialista y Líder, ambas con ponderaciones
estandarizadas sobre 0,8.
Con esta información se puede dar sentido a que la actual posición competitiva de la universidad
se sigue manteniendo en base a un posicionamiento claro en base a una imagen de marca
fuertemente diferenciada en estos aspectos, siendo respaldados ahora por estos altos coeficientes
de impacto entregados, y además por las altas evaluaciones entregadas cercanas a la nota
máxima, con un 4,45 para Especialista y un 4,2 para Líder.
El desarrollo del modelo en este trabajo, permitió entregar una serie de variables en el final que
se ajustan a los aspectos conceptuales al momento de evaluar hoy en día este mercado en
particular, avalados además por la serie de indicadores de nivel de ajuste que en su mayoría
cumplieron con los niveles recomendados.
En base a esto, queda expuesto que resultaría clave trabajar para aumentar la evaluación de
percepción de “Líder” en las áreas de estudio que ofrece la universidad, de manera que por lo
menos iguale a la variable Especialista, evitando que se genere esa dualidad.
103
De igual manera, las variables que consideran la percepción de una universidad con años de
experiencia y trayectoria, y además del carácter exigente, ayudan a contribuir en la imagen de
institución seria y profesional.
Si las variables finales del primer factor, efectivamente representan uno de los aspectos más
simbólicos que marcan la diferencia en la mente del consumidor, lo que ocurrió en el segundo
también se corresponde con el modelo Brand Total utilizado como base del estudio. En este
segundo factor con mayor impacto, las variables representan los aspectos de oferta propia del
servicio educativo y que en cierta medida son evaluados comparativamente por el público
objetivo, y son en general controlables por la propia institución.
Las variables de nivel de infraestructura, profesores, alumnos, educación integral, oferta de
talleres, ambiente, programas de postgrado y nivel investigación tienen un alto impacto en el
constructo (sobre 0,5), de las cuales las tres últimas tienen tendencia de evaluación más baja que
el resto, siendo posible trabajar en ello y lograr resultados favorables.
Como se dijo anteriormente, las variables PSU, acreditación y servicios tienen poco impacto, lo
que sumado a indicadores como su bajo R2 recomendaban eliminarlas del modelo, pero se
decidió mantenerlas producto del interés en monitorearlas. La explicación de esta situación, se
justifica en que la imagen positiva hacia la universidad se produce por aspectos simbólicos y de
reputación histórica, más que por parámetros actuales como la PSU y acreditación, dado que
muchos son conscientes de que existen universidades que exigen mayor puntaje, e igualmente
tienen una alta percepción positiva hacia la USM.
En el caso de la acreditación, los indicadores demuestran que para los clientes no es algo
relevante, lo que puede ser explicado en base que muchas personas que no saben realmente cómo
funciona el sistema, o los que si lo tienen en cuenta, no lo consideran un sistema confiable.
Nuevamente esto respalda que la percepción de universidad de calidad se crea en base a
asociaciones y percepciones que se mantienen por largo tiempo, indicando que no necesitan un
sistema de acreditación para señalar que universidades como la PUC, U de Chile, y la USM son
104
“buenas”, y de la misma manera cuestionan que otras consideradas con percepción negativa
estén en condición de acreditadas.
El último factor en impacto, agrupa a las variables que se consideran como el beneficio o el valor
retribuido de la inversión al terminar los estudios, otorgando una alta probabilidad de conseguir
empleo, poder desempeñarse de buena forma en él y estar insertos en una red que potencia estos
aspectos y que sirve de ayuda a lograr los otros dos.
Las primeras dos variables contienen un muy alto impacto (0,9 y 0,87), provocando que cada
punto que se logre aumentar en la evaluación de percepción producirá un efecto real en la
percepción global. En contraste, el poco impacto de la variable red de ex – alumnos, se explica
por la poca valoración que tienen este tipo de asociaciones, otorgando relevancia como factor de
éxito a los aspectos adquiridos de manera individual, como obtener un título de una institución
considerada “buena”.
En base al análisis diferenciado por partes interesadas, se refleja una menor evaluación de los
actuales alumnos en los factores Atributos y Personalidad. De manera contraria, la muestra de
estudiantes secundarios, refleja una alta evaluación en los tres constructos. Esto se interpreta con
algunos de los puntos expuestos anteriormente, en que al estar insertos en la realidad misma
universitaria, se pueden provocar ciertos sentimientos de desmotivación y cuestionamientos a la
propia universidad producto de vivencias momentáneas, en cambio los futuros postulantes tienen
en su mente diversas expectativas positivas que son mucho más perdurables y constantes, al no
tener la opción de comparar.
En el caso de los ex – alumnos, éstos otorgan una mejor percepción en Personalidad que las otras
dos muestras, evidenciando un mayor posicionamiento de la marca. Esto remarca la influencia de
de los valores que se mantienen desde años atrás en que la cantidad de competidores era menor y
no tenían la influencia de hoy.
Al ver el despliegue de cada una de las variables que componen estos factores, se ve primero que
en el caso de Atributos es positiva la mayor evaluación que se obtiene por parte de la muestra de
105
admisión (promedios sobre nota 4). Lo que si merece atención es la baja en la percepción de los
actuales alumnos, ya que no ayuda a las estrategias de posicionamiento que los propios
estudiantes no compartan esta percepción, siendo que son foco importante de comunicación e
integración con el medio. Esto refleja otro importante aspecto a mejorar, sobre todo en variables
particulares como el nivel investigación y la formación integral, que como vimos anteriormente
tienen un impacto sobre 0,5.
En el factor de beneficios, se pudo ver que a nivel general las diferencias entre las partes
interesadas eran muy pequeñas, estando muy alineadas para las tres variables. En el caso de los
actuales alumnos esto si entrega un aspecto particular interesante, ya que anteriormente al
momento de evaluar las variables del factor atributo indicaron notas más bajas, pero ahora en
Beneficios de todos modos expresan una percepción positiva sobre que el mercado si valora a la
formación profesional de esta universidad, y a su vez que se cuenta con buenas herramientas para
desempeñarse bien en el mundo laboral.
Para las variables del factor Personalidad, también se tienen buenas evaluaciones en general,
salvo la menor percepción de los actuales alumnos con respecto a los demás en la variable
“Líder”. Esto nuevamente se interpreta con la menor valoración de los aspectos en general una
vez que ya se está inserto en la institución.
La evaluación de esta variable se enmarca en uno de los aspectos más importantes considerando
los ejes principales del plan estratégico de la universidad. Si bien se obtiene en su mayoría un
buena evaluación, es bueno comparar que la misma muestra asigna mejores notas a la variable
“Especialista”, lo que refleja que a pesar de que si consideran a la universidad con un enfoque
marcado, también reconocen en su evaluación que perciben de mejor manera a otras, siendo
claro que estos lugares lo ocupan en gran medida la PUC y Universidad de Chile.
Finalmente, es importante destacar que la elaboración de este modelo abre oportunidades no solo
para monitorear esta institución o sus competidores, sino que colabora a la extensión de su
aplicación en otros mercados de productos o servicios. Esto ya que el marco conceptual del
modelo Brand Total, permite orientar de buena manera los aspectos de cualquier marca y que son
106
perfectamente posibles de cuantificar mediante la herramienta de ecuaciones estructurales. Por
eso este trabajo va en la línea de muchas otras publicaciones que buscan una herramienta y
escala común para medir imagen de marca, pero reconociendo que cada situación particular
tienen sus variables de importancia única.
Por esto, al igual que el trabajo de Martinez et al (2004), se propuso realizarlo a través de
indicadores específicos a cada organización, mercado o industria, pero agrupados en los 3
factores de primer orden del modelo de Olavarrieta (2002): Atributos, Beneficios y Personalidad.
Esto también abre posibilidades para temas a tratar en el futuro, como construir modelos que
permitan la medición de las otras fuentes de valor de las marcas, abarcando las dimensiones de
recordación, reconocimiento, niveles de satisfacción y catación, e integrándolos con los
resultados derivados de éstas, como lealtad y calidad percibida.
Con esto, se puede avanzar aún más en desarrollo de teorías de branding, junto a sus aplicaciones
prácticas de medición, que ayuden a contribuir a la gestión de las organizaciones contemplando
todos los aspectos que rodean este activo.
107
9. BIBLIOGRAFÍA
Brunner, J.J. (2006). Sistema privatizado y mercados universitarios: competencia reputacional y
sus efectos. Proyecto FONDECYT N° 1050138. Revista UDP- Pensamiento y Cultura, 3,47-56.
Byrne, B. M. (2010). Structural equation modeling with Amos: Basic concepts, applications, and
programming. New York: Routledge, Taylor and Francis Group.
Calvo F., S y Carmelo G., M. (2009). Branding Universitario. Marcando la diferencia. España:
Delta Publicaciones Universitarias, S.L.
Carrasco, V, Fritis, N. (2011). Ranking BAV 2011. De vuelta al almacén, Ranking Top 100 BAV
2011. Revista Qué pasa. Disponible en:
http://papeldigital.info/qp/index.html?2011112501
Consejo Nacional de Educación. Índices: estadísticas y bases de datos, (2011). Recuperado de
http://www.cned.cl/public/Secciones/SeccionIndicesEstadisticas/indices_estadisticas_institucion
es.aspx?opcBusquedaCSE=9_3_3
Cian, L. (2011). How to measure brand image: a reasoned review. The Marketing Review, 11(2),
165–187.
Décimo Ranking de reputación corporativa (s.f). En Estudios y Papers públicos de Collect.cl.
Recuperado de
http://www.collect.cl/wp-
content/themes/equator/pdfs/estudios_disponibles/estudios_publicos/RankingRepCorp2011.pdf
Denegri, M; Etchebarne, S; Geldres, V; Cabezas, D y Herrera, V. (2009). Personalidad de marca
de las carreras de ciencias empresariales: un análisis comparativo entre universidad pública y
privada. Trabajo presentado en la XLIV Asamblea Anual del Consejo Latinoamericano de
Escuelas de Administración (CLADEA), Noviembre, Guayaquil.
108
Denegri, M., Cabezas, D. y Herrera, V., Páez, A., Vargas, M. (2009). Personalidad de marca de
carreras de psicología de Universidades estatales en Chile: Un estudio descriptivo. Revista de
Investigación en Psicología, 12(2), 13-23.
Espósito, I. (2001). Brand Equity: modelos de valuación. (Tesis de Maestría en Dirección de
Empresas, Universidad del CEMA). Recuperado de http://www.ucema.edu.ar/posgrado-
download/tesinas2001/Esposito-MADE.pdf.
Gonzalez H., F. (2008). Estudio de la calidad de servicio y patrones de comportamiento
transaccional de los clientes de una institución financiera mediante modelos de ecuaciones
estructurales. Memoria para optar al título de Ingeniero Civil Industrial. Universidad de Chile.
Santiago.
Hair, J.F., Anderson, R.E., Statham, R.L., Black, W.C (2004). Análisis Multivariante. Editorial
Prentice Hall.
Hernandez, F., Zamora, R. (2010). Diagnóstico de la imagen de marca de las instituciones
universitarias en España. Actas. II Congreso Internacional Latina de Comunicación Social,
Universidad La Laguna. Diciembre, Tenerife. Recuperado de:
http://ucam.academia.edu/ROCIOZAMORA/Papers/435522/Diagnostico_De_La_Imagen_De_
Marca_De_Las_Instituciones_Universitarias_En_Espana
Kinnear, T; Taylor J. (1998). Investigación de Mercados. Editorial McGraw-Hill. Quinta
Edición.
Luque, T., Del Barrio, S. (2008). Modelización de la imagen de la universidad desde la
perspectiva del profesorado. International Congress Marketing Trends. Enero, Venecia.
Recuperado de: http://www.escp-
eap.eu/conferences/marketing/2008_cp/Materiali/Paper/Fr/LuqueMartinez_DelbarrioGarcia.pdf
Martinez, E., Montaner, T. y Piña, J.M. (2004): Propuesta de una metodología. Medición de la
imagen de marca. Un estudio exploratorio. ESIC-MARKET, 117, 200-213.
109
Mercado, V. (2004) Ranking general de marcas chilenas. Tesis de Ingeniería Comercial,
Universidad de Chile. Santiago.
Olavarrieta, S. (2002). ¿Por qué tiene valor su marca para los consumidores?, Imágenes del
ranking de marcas 2002. Revista Economía y administración. Facultad de Ciencias Económicas
& Administrativas de la Universidad de Chile. 164. 19- 29.
Pizarro, C, Cazanga M. (2004). Análisis de las universidades privadas chilenas a través de ANP:
Principales criterios para captar los mejores estudiantes que ingresan a las universidades
privadas. En Garuti C., Escudey M. (Comps), Toma de decisiones en escenarios complejos.
(363-373). Santiago: Editorial Universidad de Santiago de Chile.
Sanna, D. (2010). Relaciones entre imagen de marca corporativa, satisfacción y lealtad: Estudio
en una escuela de negocios de la Argentina. Serie Documentos de Trabajo. 419. Recuperado de:
http://mba.americaeconomia.com/sites/mba.americaeconomia.com/files/419.pdf
Sung, M., Yang, S. (2008). Toward the Model of University Image: The Influence of Brand
Personality, External Prestige, and Reputation. Journal of Public Relations Research. 20(4). 357-
376. doi: 10.1080/10627260802153207.
Valle B., M. (2005). Modelo de gestión universitaria basado en indicadores por dimensiones
relevantes. Revista Iberoamericana de Educación, 35(8). Recuperado de
http://www.rieoei.org/deloslectores/948valle.PDF
Viñales I., Jaime. (1994) Estudio de percepción de la Carrera Ingeniería Civil Industrial.
Memoria para optar al Título de Ingeniería Civil Industrial. U.T.F.SM. Valparaíso.
Uriel J., E.; Aldas M., J. (2005). Análisis multivariante aplicado: aplicaciones al marketing,
investigación de mercados, economía, dirección de empresas y turismo. Thomson: Mardrid.
Zapata V., C. (2000). Estudio de percepción de imagen y posicionamiento de la Universidad
Técnica Federico Santa María. Tesis de Ingeniería Civil Industrial. U.T.F.S.M. Valparaíso.
110
10. ANEXOS
ANEXO A.
Distribución por región muestra Admisión USM (fututos estudiantes)
1,26% 2,39%
2,99% 1,87%
3,23%
33,86%
5,85% 6,31%
5,99%
2,43%
1,54%
4,21%
1,03% 1,78%
25,26%
ARICA Y PARINACOTA
TARAPACÁ
ANTOFAGASTA
ATACAMA
COQUIMBO
VALPARAÍSO
DEL LIB. GRAL. BERNARDO O'HIGGINS
DEL MAULE
DEL BIOBÍO
DE LA ARAUCANÍA
DE LOS RÍOS
DE LOS LAGOS
AYSÉN GRAL. C. IBAÑEZ DEL CAMPO
MAGALLANES Y DE LA ANTÁRTICA CHILENA
REGIÓN METROPOLITANA
111
Región % Cantidad
ARICA Y PARINACOTA 1,26% 27
TARAPACÁ 2,39% 51
ANTOFAGASTA 2,99% 64
ATACAMA 1,87% 40
COQUIMBO 3,23% 69
VALPARAÍSO 33,86% 724
DEL LIB. GRAL. BERNARDO O'HIGGINS 5,85% 125
DEL MAULE 6,31% 135
DEL BIOBÍO 5,99% 128
DE LA ARAUCANÍA 2,43% 52
DE LOS RÍOS 1,54% 33
DE LOS LAGOS 4,21% 90
AYSÉN GRAL. C. IBAÑEZ DEL CAMPO 1,03% 22
MAGALLANES Y DE LA ANTÁRTICA CHILENA 1,78% 38
REGIÓN METROPOLITANA 25,26% 540
TOTAL 2138
Distribución por Campus muestra actuales alumnos USM
Campus % Cantidad
Campus Santiago 14,5% 55
Casa Central 85,5% 324
Total 379
14,5%
85,5%
Campus Santiago
Casa Central
112
Distribución por carrera muestra actuales alumnos USM
0,67% 0,34%
2,36% 2,02%
2,69%
9,09%
15,82%
14,81%
12,12%
6,40%
5,05%
4,38%
10,77%
0,34%
1,35%
0,67%
4,04%
0,34%
1,35%
5,39%
Arquitectura
Construcción Civil
Ingeniería Civil
Ingeniería Civil Ambiental
Ingeniería Civil Eléctrica
Ingeniería Civil Electrónica
Ingeniería Civil Industrial
Ingeniería Civil Informática
Ingeniería Civil Mecánica
Ingeniería Civil Metalúrgica
Ingeniería Civil Química
Ingeniería Civil Telemática
Ingeniería Comercial
Ingeniería de Ejecución Electrónica
Ingeniería de Ejecución Informática
Ingeniería Eléctrica
Ingeniería en Diseño de Productos
Ingeniería Informática
Ingeniería Mecánica Industrial
Plan Común para Ingenierías Civiles y Licenciaturas en Ciencias
113
Carrera %
Arquitectura 0,67%
Construcción Civil 0,34%
Ingeniería Civil 2,36%
Ingeniería Civil Ambiental 2,02%
Ingeniería Civil Eléctrica 2,69%
Ingeniería Civil Electrónica 9,09%
Ingeniería Civil Industrial 15,82%
Ingeniería Civil Informática 14,81%
Ingeniería Civil Mecánica 12,12%
Ingeniería Civil Metalúrgica 6,40%
Ingeniería Civil Química 5,05%
Ingeniería Civil Telemática 4,38%
Ingeniería Comercial 10,77%
Ingeniería de Ejecución Electrónica 0,34%
Ingeniería de Ejecución Informática 1,35%
Ingeniería Eléctrica 0,67%
Ingeniería en Diseño de Productos 4,04%
Ingeniería Informática 0,34%
Ingeniería Mecánica Industrial 1,35%
Plan Común para Ingenierías Civiles y Licenciaturas en Ciencias 5,39%
TOTAL 379
Distribución por Campus muestra ex alumnos USM
Campus % Cantidad
Campus Santiago 26,33% 104
Casa Central 73,67% 291
TOTAL
395
26,33%
73,67%
Campus Santiago Casa Central
114
ANEXO B.
Tablas del análisis univariado.
Muestra Admisión.
Líder % Especialista %
1 66 3,09% 7,39%
51 2,39% 5,05%
2 92 4,30% 57 2,67%
3 181 8,47% 8,47% 166 7,76% 7,76%
4 536 25,07% 84,14%
421 19,69% 87,18%
5 1263 59,07% 1443 67,49%
total 2138 100,00% 100,00% 2138 100,00% 100,00%
Alumnos % Profesores %
1 40 1,87% 5,29%
42 1,96% 3,23%
2 73 3,41% 27 1,26%
3 303 14,17% 14,17% 380 17,77% 17,77%
4 729 34,10% 80,54%
522 24,42% 79,00%
5 993 46,45% 1167 54,58%
total 2138 100,00% 100,00% 2138 100,00% 100,00%
Integral % Becas %
1 49 2,29% 7,11%
105 4,91% 19,60%
2 103 4,82% 314 14,69%
3 553 25,87% 25,87% 1034 48,36% 48,36%
4 660 30,87% 67,03%
486 22,73% 32,04%
5 773 36,16% 199 9,31%
total 2138 100,00% 100,00% 2138 100,00% 100,00%
Contacto_prof % Red_aexa
1 30 1,40% 3,27% 36 1,68% 3,74%
2 40 1,87% 44 2,06%
3 662 30,96% 30,96% 1230 57,53% 57,53%
4 611 28,58% 65,76% 417 19,50% 38,73%
5 795 37,18% 411 19,22%
total 2138 100,00% 100,00% 2138 100,00% 100,00%
115
Lucro % Estatal %
1 114 5,33% 17,87%
253 11,83% 22,87%
2 268 12,54% 236 11,04%
3 714 33,40% 33,40% 1110 51,92% 51,92%
4 544 25,44% 48,74%
330 15,43% 25,21%
5 498 23,29% 209 9,78%
total 2138 100,00% 100,00% 2138 100,00% 100,00%
Muestra actuales alumnos USM.
Líder % Especialista %
1 29 7,65% 18,47%
9 2,37% 7,39%
2 41 10,82% 19 5,01%
3 25 6,60% 6,60% 13 3,43% 3,43%
4 173 45,65% 74,93%
148 39,05% 89,18%
5 111 29,29% 190 50,13%
total 379 100,00% 100,00% 379 100,00% 100,00%
Alumnos % Profesores %
1 6 1,58% 17,94%
15 3,96% 24,54%
2 62 16,36% 78 20,58%
3 52 13,72% 13,72% 16 4,22% 4,22%
4 184 48,55% 68,34%
205 54,09% 71,24%
5 75 19,79% 65 17,15%
total 379 100,00% 100,00% 379 100,00% 100,00%
Integral % Becas %
1 46 12,14% 40,63%
69 18,21% 42,48%
2 108 28,50% 92 24,27%
3 45 11,87% 11,87% 159 41,95% 41,95%
4 149 39,31% 47,49%
45 11,87% 15,57%
5 31 8,18% 14 3,69%
total 379 100,00% 100,00% 379 100,00% 100,00%
Contacto_prof % Red_aexa
1 8 2,11% 17,15%
16 4,22% 13,46%
2 57 15,04% 35 9,23%
3 107 28,23% 28,23% 143 37,73% 37,73%
4 140 36,94% 54,62%
125 32,98% 48,81%
5 67 17,68% 60 15,83%
total 379 100,00% 100,00% 379 100,00% 100,00%
116
Lucro % Estatal %
1 77 20,32% 50,92%
121 31,93% 62,53%
2 116 30,61% 116 30,61%
3 46 12,14% 12,14% 86 22,69% 22,69%
4 97 25,59% 36,94%
52 13,72% 14,78%
5 43 11,35% 4 1,06%
total 379 100,00% 100,00% 379 100,00% 100,00%
Ex alumnos
Líder % Especialista %
1 7 1,77% 9,11%
3 0,76% 3,54%
2 29 7,34% 11 2,78%
3 19 4,81% 4,81% 10 2,53% 2,53%
4 165 41,77% 86,08%
122 30,89% 93,92%
5 175 44,30% 249 63,04%
total 395 100,00% 100,00% 395 100,00% 100,00%
Alumnos % Profesores %
1 4 1,01% 10,38%
9 2,28% 10,13%
2 37 9,37% 31 7,85%
3 36 9,11% 9,11% 20 5,06% 5,06%
4 183 46,33% 80,51%
173 43,80% 84,81%
5 135 34,18% 162 41,01%
total 395 100,00% 100,00% 395 100,00% 100,00%
Integral % Becas %
1 32 8,10% 32,41%
24 6,08% 22,53%
2 96 24,30% 65 16,46%
3 52 13,16% 13,16% 203 51,39% 51,39%
4 165 41,77% 54,43%
79 20,00% 26,08%
5 50 12,66% 24 6,08%
total 395 100,00% 100,00% 395 100,00% 100,00%
Contacto_prof % Red_aexa
1 28 7,09% 29,62%
27 6,84% 23,54%
2 89 22,53% 66 16,71%
3 81 20,51% 20,51% 81 20,51% 20,51%
4 145 36,71% 49,87%
155 39,24% 55,95%
5 52 13,16% 66 16,71%
total 395 100,00% 100,00% 395 100,00% 100,00%
117
ANEXO C.
Descripción Variable Nomenclatura Tipo Variable
IMAGEN DE MARCA Imagen Latente (2do orden)
ATRIBUTOS Atrib Latente
Acreditación Acredit Observable
Disponibilidad de talleres Talleres Observable
Nivel de profesores (Calidad docente) Prof Observable
infraestructura Infraestr Observable
Altos puntajes (difícil entrar) PSU Observable
Formación integral Integral Observable
Nivel de alumnos (excelencia académica) AlumnoS Observable
Servicios de apoyo a estudiantes Servicios Observable
Precio (Arancel) Arancel Observable
Contacto con Universidades extranjeras U_extran Observable
Oferta de magister y doctorados Postgrd Observable
Amplitud de áreas Area_conoc Observable
Importancia del deporte, arte, cultura Deporte_arte Observable
Ambiente universitario AmbIente Observable
Investigación Investig Observable
BENEFICIOS Benef Latente
Desempeño laboral de Egresados Desempeño Observable
Empleabilidad Empleab Observable
Contactos profesionales Contacto_prof Observable
Red de ex Alumnos Red_aexa Observable
Becas y beneficios estudiantiles Becas Observable
PERSONALIDAD Pers Latente
Líder en área determinada Líder Observable
Especialista en área determinada Especialista Observable
Diversidad social, cultural, política, religión Diversidad Observable
Tendencia (social, política, religiosa) Tendencia Observable
Lucro como objetivo de la Universidad Lucro Observable
Presencia y vinculación con el medio Presencia Observable
Exigente Exigente Observable
Universidad con experiencia/ trayectoria Experiencia Observable
Innovadora /Moderna Moderna Observable
Estatal Estatal Observable
Tiempo en Movilizaciones (Paro) Paro_posit Observable
Nivel de la administración (buena, seria,etc) Admintr Observable
Universidad con recursos (econom-financieros) Recursos Observable
118
ANEXO D.
Tablas análisis multivariado.
Pruebas de Normalidad.
Muestra Admisión USM (muestra aleatoria de 330 individuos).
Variable skew c.r. kurtosis c.r.
Postgrd -0,342 -2,535 -0,38 -1,409
Talleres -0,798 -5,916 0,238 0,882
Prof -1,118 -8,292 0,778 2,885
Recursos 0,317 2,348 0,26 0,965
Tend 0,073 0,542 0,453 1,68
Moderna -0,752 -5,575 0,337 1,25
Experiencia -1,278 -9,475 1,14 4,227
Paro_posit -0,806 -5,977 -0,036 -0,135
Red_aexa 0,342 2,534 -0,102 -0,379
Infraestr -1,675 -12,42 2,31 8,564
Investig -0,386 -2,863 -0,411 -1,524
Especialista -2,159 -16,012 4,263 15,807
Deporte_art -0,514 -3,813 -0,221 -0,818
Diversidad -0,445 -3,302 -0,341 -1,264
Líder -1,759 -13,042 2,444 9,063
Exigente -1,395 -10,348 1,762 6,533
Estatal -0,105 -0,776 -0,484 -1,795
Presencia -0,3 -2,228 -0,143 -0,53
Lucro -0,315 -2,335 -0,732 -2,716
Desempeño -1,243 -9,218 1,471 5,453
Empleab -1,434 -10,635 1,853 6,872
Contacto_pro -0,471 -3,491 -0,335 -1,242
Amb -0,59 -4,378 -0,419 -1,552
Acredit -0,312 -2,311 0,437 1,622
Area_conoc 0,195 1,446 -1,097 -4,069
U_extran -0,07 -0,519 -0,582 -2,159
Arancel 0,235 1,742 -0,218 -0,807
Admin -0,198 -1,465 -0,655 -2,428
Alumn -1,276 -9,465 1,312 4,865
Servicios 0,15 1,116 -0,399 -1,478
Becas 0,037 0,275 -0,192 -0,714
Integral -0,499 -3,698 -0,333 -1,236
PSU -1,198 -8,887 0,65 2,408
Multivariate 129,731 24,517
119
Muestra alumnos actuales USM (muestra aleatoria de 330 individuos).
Variable skew c.r. kurtosis c.r.
Postgrd -0,189 -1,404 -0,46 -1,704
Talleres -0,249 -1,843 -1,213 -4,499
Prof -0,823 -6,101 -0,333 -1,234
Recursos 0,033 0,245 -0,177 -0,655
Tend 0,419 3,105 -0,719 -2,666
Moderna -0,526 -3,898 -0,818 -3,032
Experiencia -2,019 -14,974 5,328 19,757
Paro_posit -1,716 -12,73 3,746 13,892
Red_aexa -0,368 -2,727 -0,09 -0,335
Infraestr -0,884 -6,556 -0,382 -1,415
Invest -0,269 -1,992 -1,033 -3,829
Especial -1,706 -12,651 3,219 11,936
Deporte_art -0,087 -0,643 -1,326 -4,916
Diversidad -0,657 -4,872 -0,716 -2,655
Líder -1,07 -7,938 0,298 1,105
Exigente -1,753 -13,003 2,948 10,932
Estatal 0,425 3,155 -0,913 -3,386
Presencia 0,063 0,47 -0,783 -2,904
Lucro 0,12 0,886 -1,292 -4,793
Desempeño -0,59 -4,373 -0,531 -1,97
Empleab -1,253 -9,292 1,38 5,119
Contacto_prof -0,291 -2,159 -0,597 -2,213
Amb -0,731 -5,419 -0,542 -2,009
Acredit 0,042 0,312 -1,395 -5,174
Area_conoc 1,623 12,033 2,203 8,169
U_extran -0,452 -3,354 -0,106 -0,393
Arancel 1,073 7,959 0,005 0,019
Admin 0,142 1,05 -1,121 -4,155
Alumn -0,679 -5,038 -0,314 -1,165
Servicios -0,436 -3,236 -0,738 -2,738
Becas 0,127 0,94 -0,419 -1,554
Integral -0,219 -1,624 -1,202 -4,458
PSU -0,578 -4,289 -0,735 -2,724
Multivariate 97,289 18,386
120
Muestra Ex Alumnos USM (muestra aleatoria de 330 individuos).
Variable skew c.r. kurtosis c.r.
Postgrd -0,337 -2,499 -0,802 -2,974
Talleres -0,35 -2,597 -0,689 -2,554
Prof -1,273 -9,442 1,202 4,458
Recursos -0,313 -2,324 -0,099 -0,368
Tend 0,13 0,963 -0,691 -2,561
Moderna -0,836 -6,203 0,08 0,295
Exper -3,432 -25,454 15,555 57,678
Paro_posit -1,246 -9,239 1,061 3,934
Red_aexa -0,532 -3,945 -0,563 -2,087
Infraestr -1,539 -11,413 2,111 7,828
Invest -0,343 -2,541 -0,794 -2,944
Especial -2,11 -15,65 5,396 20,008
Deporte_arte -0,042 -0,313 -0,99 -3,672
Diversidad -0,878 -6,515 -0,14 -0,518
Líder -1,388 -10,291 1,497 5,551
Exigente -1,928 -14,301 3,863 14,325
Estatal 0,318 2,355 -0,96 -3,561
Presencia -0,037 -0,273 -1,044 -3,871
Lucro -0,801 -5,944 -0,433 -1,605
Desempeño -1,231 -9,128 1,679 6,225
Empleab -1,199 -8,892 1,355 5,023
Contacto_prof -0,333 -2,472 -0,848 -3,144
Amb -1,353 -10,036 1,447 5,366
Acredit -0,383 -2,839 -0,483 -1,79
Area_conoc 0,937 6,951 -0,018 -0,065
U_extran -0,433 -3,208 -0,519 -1,923
Arancel -0,015 -0,112 -0,675 -2,502
Admin -0,693 -5,143 -0,182 -0,673
Alumn -1,016 -7,537 0,616 2,283
Servicios -0,229 -1,695 -0,345 -1,281
Becas -0,027 -0,2 0,277 1,027
Integral -0,422 -3,128 -0,949 -3,518
PSU -0,82 -6,084 0,082 0,304
Multivariate 172,742 32,645
121
Resultados AFE.
KMO y prueba de Bartlett
Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,953
Prueba de esfericidad de
Bartlett
Chi-cuadrado aproximado 15827,262
gl 528
Sig. ,000
Matriz de factores rotadosa
Factor
1 2 3
Deporte_arte ,658 ,272 ,049
Integral ,608 ,385 ,235
Presencia ,574 ,302 ,158
Area_conoc ,573 ,012 ,029
Talleres ,570 ,375 ,152
Becas ,556 ,133 ,032
Moderna ,533 ,503 ,105
Admintr ,532 ,387 ,082
Investig ,523 ,380 ,117
Contacto_prof ,517 ,376 ,403
Servicios ,501 ,288 ,097
Recursos ,486 ,180 ,107
Tendencia ,486 -,006 ,051
Postgrd ,478 ,316 ,186
Ambiente ,458 ,391 ,181
Red_aexa ,450 ,254 ,196
U_extran ,441 ,324 ,189
Diversidad ,418 ,255 ,152
Lucro ,408 ,297 ,111
Acredit ,403 ,258 ,126
Arancel ,298 ,017 -,023
Estatal ,279 ,002 ,037
Especialista ,120 ,858 ,062
Líder ,233 ,793 ,054
Experiencia ,144 ,625 ,256
Exigente ,169 ,608 ,324
Prof ,434 ,551 ,179
Infraestr ,369 ,544 ,069
Alumnos ,321 ,464 ,263
122
PSU ,205 ,375 ,153
Paro_posit -,167 ,245 ,134
Empleab ,157 ,585 ,698
Desempeño ,209 ,537 ,621
Método de extracción: Máxima verosimilitud.
Método de rotación: Normalización Varimax con
Kaiser.
a. La rotación ha convergido en 7 iteraciones.
Análisis previo Fiabilidad Constructo Atributos (15 variables)
Estadísticos de fiabilidad
Alfa de
Cronbach
N de elementos
,880 15
Estadísticos total-elemento
Media de la
escala si se
elimina el
elemento
Varianza de la
escala si se
elimina el
elemento
Correlación
elemento-total
corregida
Alfa de
Cronbach si se
elimina el
elemento
Acredit 50,990338 84,669 ,470 ,875
Talleres 50,606763 81,680 ,662 ,867
Prof 50,306280 82,230 ,661 ,867
Infraestr 50,168116 83,566 ,584 ,870
PSU 50,553623 86,300 ,395 ,879
Integral 50,775845 79,855 ,698 ,864
Alumnos 50,383575 84,254 ,563 ,871
Servicios 50,941063 85,030 ,520 ,873
Arancel 51,772947 90,199 ,185 ,888
U_extran 50,766184 84,736 ,543 ,872
Postgrd 50,772947 84,158 ,579 ,871
Area_conoc 51,857971 83,257 ,439 ,878
Deporte_arte 50,948792 81,213 ,625 ,868
Ambiente 50,517874 82,968 ,575 ,871
Investig 50,927536 82,280 ,618 ,869
123
Análisis previo Fiabilidad Constructo Beneficios (5 variables).
Estadísticos de fiabilidad
Alfa de
Cronbach
N de elementos
,779 5
Estadísticos total-elemento
Media de la
escala si se
elimina el
elemento
Varianza de la
escala si se
elimina el
elemento
Correlación
elemento-total
corregida
Alfa de
Cronbach si se
elimina el
elemento
Desempeño 14,609662 7,778 ,658 ,703
Empleab 14,572947 7,765 ,662 ,702
Contacto_prof 15,032850 7,421 ,655 ,702
Becas 15,790338 9,311 ,326 ,809
Red_aexa 15,333333 8,515 ,489 ,759
Análisis previo Fiabilidad Constructo Personalidad (13 variables).
Estadísticos de fiabilidad
Alfa de
Cronbach
N de elementos
,814 13
Estadísticos total-elemento
Media de la
escala si se
elimina el
elemento
Varianza de la
escala si se
elimina el
elemento
Correlación
elemento-total
corregida
Alfa de
Cronbach si se
elimina el
elemento
Líder 43,962319 46,559 ,640 ,786
Especialista 43,720773 48,244 ,618 ,790
Diversidad 44,465700 48,417 ,448 ,802
Tendencia 45,332367 51,746 ,268 ,816
Lucro 44,723671 46,993 ,510 ,797
Presencia 44,792271 46,931 ,580 ,791
Exigente 43,863768 48,621 ,570 ,794
Experiencia 43,757488 49,333 ,558 ,795
Moderna 44,272464 46,593 ,668 ,785
124
Estatal 45,337198 53,113 ,151 ,827
Paro_posit 44,187440 54,953 ,038 ,835
Admintr 44,559420 46,430 ,576 ,791
Recursos 45,030918 50,976 ,393 ,806
Análisis Fiabilidad Constructo único
Estadísticos de fiabilidad
Alfa de
Cronbach
N de elementos
,935 33
Estadísticos total-elemento
Media de la
escala si se
elimina el
elemento
Varianza de la
escala si se
elimina el
elemento
Correlación
elemento-total
corregida
Alfa de
Cronbach si se
elimina el
elemento
Acredit 117,992271 359,756 ,482 ,933
Talleres 117,608696 353,757 ,661 ,931
Prof 117,308213 353,859 ,688 ,931
Infraestr 117,170048 356,888 ,606 ,932
PSU 117,555556 362,597 ,421 ,934
Alumnos 117,385507 357,970 ,595 ,932
Admintr 117,843478 352,159 ,636 ,932
Arancel 118,774879 370,587 ,214 ,936
U_extran 117,768116 359,652 ,556 ,932
Postgrd 117,774879 358,890 ,579 ,932
Recursos 118,314976 363,783 ,480 ,933
Area_conoc 118,859903 359,558 ,401 ,935
Investig 117,929469 354,598 ,630 ,932
Ambiente 117,519807 355,132 ,612 ,932
Desempeño 117,226087 357,535 ,639 ,932
Empleab 117,189372 357,260 ,648 ,932
Contacto_prof 117,649275 353,410 ,694 ,931
Integral 117,777778 349,297 ,715 ,931
Becas 118,406763 362,572 ,487 ,933
Servicios 117,942995 359,640 ,551 ,933
Red_aexa 117,949758 361,471 ,521 ,933
Líder 117,246377 354,335 ,648 ,931
125
Especialista 117,004831 359,359 ,608 ,932
Deporte_arte 117,950725 352,743 ,630 ,932
Diversidad 117,749758 358,526 ,491 ,933
Tendencia 118,616425 366,359 ,343 ,935
Lucro 118,007729 356,474 ,510 ,933
Presencia 118,076329 354,067 ,625 ,932
Exigente 117,147826 359,588 ,587 ,932
Experiencia 117,041546 361,955 ,559 ,933
Moderna 117,556522 353,189 ,706 ,931
Estatal 118,621256 371,344 ,195 ,936
Paro_posit 117,471498 377,493 ,052 ,938
Correlaciones entre factores primer orden. Modelo inicial.
Estimate
Atrib <--> Benef ,793
Atrib <--> Pers ,929
Pers <--> Benef ,846
Indicadores de ajuste para estimación por ADF de modelo inicial (28 variables).
Model NPAR CMIN DF P CMIN/DF
Default model 59 1738,338 347 0 5,01
Saturated model 406 0 0
Independence model 28 2837,889 378 0 7,508
Model RMR GFI AGFI PGFI Default model 0,178 0,811 0,779 0,693
Model NFI RFI IFI TLI CFI
Default model 0,387 0,333 0,441 0,384 0,434
Model PRATIO PNFI PCFI Default model 0,918 0,356 0,399
Model RMSEA LO 90 HI 90 PCLOSE Default model 0,062 0,059 0,065 0 Independence model 0,079 0,077 0,082 0
126
Indicadores de ajuste para estimación por MV de modelo inicial (28 variables).
CMIN
Model NPAR CMIN DF P CMIN/DF
Default model 59 2898,198 347 ,000 8,352
Saturated model 406 ,000 0
Independence model 28 14131,080 378 ,000 37,384
RMR, GFI
Model RMR GFI AGFI PGFI
Default model ,071 ,786 ,749 ,672
Saturated model ,000 1,000
Independence model ,379 ,210 ,151 ,195
Baseline Comparisons
Model NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2 CFI
Default model ,795 ,777 ,815 ,798 ,814
Saturated model 1,000
1,000
1,000
Independence model ,000 ,000 ,000 ,000 ,000
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Default model ,918 ,730 ,748
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
127
NCP
Model NCP LO 90 HI 90
Default model 2551,198 2383,114 2726,666
Saturated model ,000 ,000 ,000
Independence model 13753,080 13367,817 14144,677
FMIN
Model FMIN F0 LO 90 HI 90
Default model 2,803 2,467 2,305 2,637
Saturated model ,000 ,000 ,000 ,000
Independence model 13,666 13,301 12,928 13,680
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,084 ,081 ,087 ,000
Independence model ,188 ,185 ,190 ,000
AIC
Model AIC BCC BIC CAIC
Default model 3016,198 3019,603 3307,785 3366,785
Saturated model 812,000 835,431 2818,516 3224,516
Independence model 14187,080 14188,696 14325,460 14353,460
128
ECVI
Model ECVI LO 90 HI 90 MECVI
Default model 2,917 2,754 3,087 2,920
Saturated model ,785 ,785 ,785 ,808
Independence model 13,721 13,348 14,099 13,722
HOELTER
Model HOELTER
.05
HOELTER
.01
Default model 140 147
Independence model 32 33
Tabla de residuos normalizados modelo inicial de 28 variables.
Diversidad Desempeño Empleab Contacto_prof Red_aexa Admintr Paro_posit Moderna Experiencia Exigente Presencia Lucro Especialista
Diversidad 0,00
Desempeño -0,09 0,00
Empleab -1,35 1,33 0,00
Contacto_prof 0,99 -1,50 -0,89 0,00
Red_aexa 4,36 -1,76 -2,13 4,10 0,00
Admintr 0,22 -2,11 -3,12 2,12 1,72 0,00
Paro_posit -1,52 2,03 2,92 0,11 -1,62 -1,44 0,00
Moderna -0,09 -2,38 -2,49 1,72 2,99 1,18 -0,69 0,00
Experiencia -0,12 1,62 2,34 -0,29 1,28 -2,55 2,04 -1,78 0,00
Exigente -1,52 1,75 3,22 0,83 1,24 -2,36 2,87 -1,88 4,23 0,00
Presencia 1,73 -2,23 -1,80 3,57 4,73 0,91 -3,95 2,05 -2,97 -2,23 0,00
Lucro 4,72 -0,93 -1,89 -0,67 2,08 4,05 -0,68 1,20 -0,52 -1,87 2,15 0,00
Especialista -1,63 0,32 0,99 -0,41 0,10 -2,64 2,31 -1,30 3,10 1,56 -2,53 -2,25 0,00
Líder -3,00 -0,38 0,03 0,16 0,52 -0,78 0,29 -0,44 0,25 0,74 -1,80 -2,00 6,44
Investig 1,89 -1,52 -1,55 3,22 2,98 0,24 -2,96 1,88 -1,79 -0,17 1,02 0,01 -0,79
Ambiente 5,03 -0,43 -0,31 1,98 3,46 2,44 1,09 0,41 -0,12 -0,93 0,52 2,34 -1,28
Deporte_arte 3,40 -3,46 -4,20 3,22 4,76 1,69 -2,70 2,02 -3,41 -3,78 3,58 0,96 -3,13
Postgrd -1,13 -0,70 -0,90 3,81 3,21 0,14 -1,39 1,75 -1,53 -1,39 2,26 -0,56 -2,16
U_extran 0,23 0,21 -0,82 5,45 4,44 -1,05 0,32 0,04 -0,55 -1,99 2,61 -1,42 -1,06
Arancel 5,20 -0,39 -2,72 -1,29 1,02 5,17 -5,32 0,41 -0,82 -3,00 1,82 8,12 -1,72
Servicios 2,72 -1,64 -2,25 2,48 6,81 1,17 -2,33 0,34 0,37 -0,79 2,12 1,32 -1,72
Alumnos -1,05 1,63 2,01 1,57 1,43 1,95 0,54 -0,44 0,92 3,48 -0,42 0,58 -0,72
Integral 1,34 -0,12 -0,74 5,96 2,18 2,52 -2,00 1,88 -3,37 -2,28 2,40 0,08 -2,29
PSU -3,47 -0,22 1,80 1,59 0,64 0,50 0,50 0,53 0,05 3,93 -0,21 -2,19 0,75
Infraestr -1,07 -1,50 -1,16 0,47 0,33 1,27 0,53 1,79 1,04 0,67 -0,69 -0,64 1,02
Prof -0,70 0,23 -0,27 3,15 1,22 3,03 0,19 0,88 0,17 -0,24 -0,16 0,30 0,24
Talleres 1,21 -2,01 -2,07 3,30 3,52 0,84 -1,56 1,12 -1,66 -2,06 2,44 -1,13 -2,47
Acredit -1,48 -0,82 -0,96 2,73 1,90 2,40 -2,90 0,37 -0,42 -0,15 1,40 1,19 -2,06
130
Tabla de Residuos normalizados modelo de 28 variables (Continuación).
Líder Investig Ambiente Deporte_arte Postgrd U_extran Arancel Servicios Alumnos Integral PSU Infraes
tr Prof Talleres Acredit
Diversidad
Desempeño
Empleab
Contacto_prof
Red_aexa
Admintr
Paro_posit
Moderna
Experiencia
Exigente
Presencia
Lucro
Especialista
Líder 0
Investig 0,331 0
Ambiente -1,301 0,583 0
Deporte_arte -2,442 -0,369 0,683 0
Postgrd -1,649 0,504 -1,609 -0,307 0
U_extran -0,697 0,713 -0,328 0,66 5,57 0
Arancel -1,308 0,523 1,551 1,625 -0,069 0,176 0
Servicios -2,574 0,726 0,903 2,226 -0,352 0,234 0,131 0
Alumnos 0,494 0,233 -1,873 -2,18 -0,827 -1,968 -1,447 -1,558 0
Integral -0,897 1,234 1,324 2,033 -0,299 -0,443 0,639 -0,847 -0,75 0
PSU 1,667 0,392 -3,62 -1,969 0,564 -1,738 -3,114 -2,151 7,292 -1,364 0
Infraestr 0,499 -1,693 0,384 -0,379 -0,144 -0,982 -3,327 1,068 0,695 -1,856 1,719 0
Prof 0,401 -1,3 -0,514 -1,037 -0,12 -1,72 0,08 -0,455 1,02 -0,031 -0,123 0,984 0
Talleres -2,537 -0,369 -0,131 3,53 0,62 1,682 -1,201 1,21 -1,604 0,087 -2,275 0,906 -0,056 0
Acredit 0,244 -0,234 -0,168 -0,229 -0,089 0,382 3,193 -1,314 0,778 0,862 1,62 -1,941 -0,086 0,141 0
Indicadores de ajuste para estimación por MV de segundo modelo (27 variables).
CMIN
Model NPAR CMIN DF P CMIN/DF
Default model 57 2694,960 321 ,000 8,396
Saturated model 378 ,000 0
Independence model 27 13672,149 351 ,000 38,952
RMR, GFI
Model RMR GFI AGFI PGFI
Default model ,070 ,794 ,757 ,674
Saturated model ,000 1,000
Independence model ,380 ,212 ,152 ,197
Baseline Comparisons
Model NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2 CFI
Default model ,803 ,784 ,822 ,805 ,822
Saturated model 1,000
1,000
1,000
Independence model ,000 ,000 ,000 ,000 ,000
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Default model ,915 ,734 ,752
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
132
NCP
Model NCP LO 90 HI 90
Default model 2373,960 2211,991 2543,327
Saturated model ,000 ,000 ,000
Independence model 13321,149 12942,140 13706,489
FMIN
Model FMIN F0 LO 90 HI 90
Default model 2,606 2,296 2,139 2,460
Saturated model ,000 ,000 ,000 ,000
Independence model 13,223 12,883 12,517 13,256
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,085 ,082 ,088 ,000
Independence model ,192 ,189 ,194 ,000
AIC
Model AIC BCC BIC CAIC
Default model 2808,960 2812,133 3090,663 3147,663
Saturated model 756,000 777,042 2624,135 3002,135
Independence model 13726,149 13727,652 13859,587 13886,587
133
ECVI
Model ECVI LO 90 HI 90 MECVI
Default model 2,717 2,560 2,880 2,720
Saturated model ,731 ,731 ,731 ,751
Independence model 13,275 12,908 13,647 13,276
HOELTER
Model HOELTER
.05
HOELTER
.01
Default model 140 147
Independence model 30 32
Indicadores de ajuste para estimación por MV de modelo final (18 variables).
CMIN
Model NPAR CMIN DF P CMIN/DF
Default model 39 965,965 132 ,000 7,318
Saturated model 171 ,000 0
Independence model 18 8933,004 153 ,000 58,386
RMR, GFI
Model RMR GFI AGFI PGFI
Default model ,054 ,898 ,868 ,693
Saturated model ,000 1,000
Independence model ,384 ,259 ,172 ,232
134
Baseline Comparisons
Model NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2 CFI
Default model ,892 ,875 ,905 ,890 ,905
Saturated model 1,000
1,000
1,000
Independence model ,000 ,000 ,000 ,000 ,000
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Default model ,863 ,769 ,781
Saturated model ,000 ,000 ,000
Independence model 1,000 ,000 ,000
NCP
Model NCP LO 90 HI 90
Default model 833,965 738,971 936,425
Saturated model ,000 ,000 ,000
Independence model 8780,004 8473,578 9092,742
FMIN
Model FMIN F0 LO 90 HI 90
Default model ,934 ,807 ,715 ,906
Saturated model ,000 ,000 ,000 ,000
Independence model 8,639 8,491 8,195 8,794
135
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,078 ,074 ,083 ,000
Independence model ,236 ,231 ,240 ,000
AIC
Model AIC BCC BIC CAIC
Default model 1043,965 1045,425 1236,709 1275,709
Saturated model 342,000 348,402 1187,109 1358,109
Independence model 8969,004 8969,677 9057,962 9075,962
ECVI
Model ECVI LO 90 HI 90 MECVI
Default model 1,010 ,918 1,109 1,011
Saturated model ,331 ,331 ,331 ,337
Independence model 8,674 8,378 8,977 8,675
HOELTER
Model HOELTER
.05
HOELTER
.01
Default model 172 185
Independence model 22 23
136
Coeficientes de correlación múltiple de modelo final (18 variables).
Variable R2
Pers 0,857
Benef 0,742
Atrib 0,756
Exigente 0,504
Ambiente 0,392
Red_aexa 0,179
Investig 0,397
Talleres 0,466
Prof 0,568
Postgrd 0,341
Experiencia 0,49
Infraestr 0,456
Especialista 0,695
Líder 0,659
Desempeño 0,752
Empleab 0,813
Acredit 0,225
Servicios 0,294
Alumnos 0,418
Integral 0,519
PSU 0,219
Coeficientes de Regresión de modelo final (18 variables).
Estimate S.E. C.R. P Label
Atrib <--- Imagen ,573 ,042 13,792 ***
Benef <--- Imagen ,887 ,040 22,409 ***
Pers <--- Imagen 1,000
Alumnos <--- Atrib 1,221 ,088 13,819 ***
Servicios <--- Atrib 1,020 ,081 12,586 ***
Acredit <--- Atrib 1,000
Empleab <--- Benef 1,039 ,030 34,504 ***
137
Estimate S.E. C.R. P Label
Desempeño <--- Benef 1,000
Especialista <--- Pers ,886 ,030 29,506 ***
Infraestr <--- Atrib 1,311 ,093 14,109 ***
Postgrd <--- Atrib 1,086 ,083 13,112 ***
Prof <--- Atrib 1,465 ,099 14,804 ***
Integral <--- Atrib 1,578 ,109 14,524 ***
PSU <--- Atrib ,969 ,084 11,494 ***
Talleres <--- Atrib 1,382 ,097 14,183 ***
Investig <--- Atrib 1,292 ,095 13,643 ***
Líder <--- Pers 1,000
Red_aexa <--- Benef ,490 ,036 13,644 ***
Ambiente <--- Atrib 1,293 ,095 13,601 ***
Exigente <--- Pers ,770 ,032 24,144 ***
Experiencia <--- Pers ,708 ,030 23,731 ***
138
Coeficientes de regresión estandarizados de modelo final (18 variables)
Estimate
Atrib <--- Imagen 0,869
Benef <--- Imagen 0,861
Pers <--- Imagen 0,926
Alumnos <--- Atrib 0,646
Servicios <--- Atrib 0,542
Acredit <--- Atrib 0,474
Empleab <--- Benef 0,902 Desempeño <--- Benef 0,867
Especialista <--- Pers 0,834
Infraestr <--- Atrib 0,675
Postgrd <--- Atrib 0,584
Prof <--- Atrib 0,754
Integral <--- Atrib 0,72 PSU <--- Atrib 0,468 Talleres <--- Atrib 0,683
Experiencia <--- Pers 0,7
Investig <--- Atrib 0,63
Líder <--- Pers 0,812
Red_aexa <--- Benef 0,423
Ambiente <--- Atrib 0,626
Exigente <--- Pers 0,71