LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 2658.
DOI: https://doi.org/
Percepción de la calidad de servicio técnico en
distribución eléctrica: un análisis multi-grupo entre
clientes residenciales urbanos y suburbanos
Perception of technical service quality in electrical distribution
systems: a multi-group analysis of urban and suburban residential
customers
Gustavo Schweickardt
gaocerin@gmail.com
https://orcid.org/0000-0002-0843-2946
CONICET – Universidad Tecnológica Nacional, Concepción del Uruguay
Concepción del Uruguay – Argentina
Artículo recibido: 09 de diciembre de 2024. Aceptado para publicación: día mes 2024.
Conflictos de Interés: Ninguno que declarar.
Resumen
El presente trabajo evalúa la percepción de la calidad del servicio técnico en sistemas de
distribución eléctrica, centrándose en clientes residenciales de zonas urbanas y suburbanas.
Utilizando un modelo de ecuaciones estructurales (CB-SEM) con análisis multi-grupo, se evalúa
la existencia de diferencias significativas en las percepciones de ambos grupos. Se estudian
dos constructos independientes: ‘Frecuencia y Tiempo de Fallas’ y "Atención a Reclamos ante
interrupciones no programadas del servicio", en relación con el constructo dependiente "Calidad
de Servicio Técnico". La investigación contrasta hipótesis de moderación que suponen mayor
sensibilidad en clientes urbanos, justificando prácticas empresariales que priorizan su atención.
Los resultados, sin embargo, rechazan ambas hipótesis, mostrando que no hay diferencias
estadísticamente significativas entre los dos grupos. Este hallazgo cuestiona ciertas prácticas
de algunas empresas distribuidoras, remarcando la necesidad de políticas regulatorias más
equitativas sobre la calidad del servicio técnico que deben recibir los clientes. El estudio se basa
en datos de una encuesta realizada en Bariloche, Argentina, durante 2023.
Palabras clave: sistema de distribución de energía eléctrica, calidad de servicio técnico,
ecuaciones estructurales CB-SEM, invarianza de medida, análisis multi-grupo
Abstract
This work evaluates the perception of technical service quality in electrical distribution systems,
focusing on residential customers in urban and suburban areas. Using a structural equation
modeling approach (CB-SEM) with multi-group analysis, it examines whether significant
differences exist in the perceptions of the two groups. Two independent constructs, Frequency
and Duration of Service Interruptions and Customer Support for Unplanned Service Disruptions,
are analyzed in relation to the dependent construct, Technical Service Quality. The research tests
moderation hypotheses suggesting greater sensitivity among urban customers, which have
traditionally justified business practices prioritizing their service restoration. However, the
findings reject both hypotheses, revealing no statistically significant differences between the
two groups. These results challenge certain practices of some distribution companies,
emphasizing the need for more equitable regulatory policies regarding the quality of technical
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 2659.
service delivered to customers. The study is based on survey data collected in Bariloche,
Argentina, during 2023.
Keywords: electrical distribution system, technical service quality, CB-SEM structural
equation modeling, measurement invariance, multi-group análisis
Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades,
publicado en este sitio está disponibles bajo Licencia Creative Commons.
Cómo citar:
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades 5 (5), 2658 – 2683.
https://doi.org/
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 2660.
INTRODUCCIÓN
Calidad de Servicio Técnico en los Sistemas de Distribución de Energía Eléctrica. Medición
Física
El presente manuscrito continúa la línea de investigación abordada por el autor, cuyos primeros
resultados y antecedentes sobre este punto se presentan en Schweickardt (2023a) y
Schweickardt (2023b).
Conforme se describe en Schweickardt (2023a), se observa, tanto en la literatura especializada
como en la práctica del control regulatorio de la confiabilidad de los sistemas de distribución
eléctrica, dos estadios. Ambos relativos a la Reestructuración o Reforma de la Cadena de
Abastecimiento Eléctrico, dividiéndola en tres segmentos cuyos mercados de energía y
capacidad (potencia puesta a disposición de los clientes) se regulan de forma independiente:
Pre-reestructuración: El enfoque era puramente técnico, centrado en mantener la operación
dentro de parámetros aceptables para preservar la integridad de los sistemas de redes. No
existían penalizaciones regulatorias por fallas, y la confiabilidad dependía de buenas prácticas,
experiencia de los planificadores y, a menudo, de inversiones excesivas que incrementan la base
de capital de las empresas (efecto Averch-Johnson).
Post-reestructuración: Con la introducción de esquemas regulatorios por incentivos, la
confiabilidad se torna en un problema técnico y económico. Las autoridades regulatorias
establecen penalizaciones por degradación de la confiabilidad, lo que impulsa a las empresas
distribuidoras a optimizar su gestión con dos objetivos en conflicto: maximizar la confiabilidad y
minimizar los costos de inversión y penalizaciones. Sin embargo:
● Si las penalizaciones son menores al valor que los usuarios asignan a la calidad, las
empresas podrían optar por pagar las mismas en lugar de invertir en mejoras;
● Si las penalizaciones no son significativas o el nivel de confiabilidad no es
adecuadamente controlado, las empresas pueden obtener beneficios monopólicos,
apropiándose del excedente de los consumidores/clientes.
En el contexto actual (Post-reestructuración), bajo los esquemas regulatorios por incentivos, la
medición física y posterior valoración de la confiabilidad, entendida según normativas
regulatorias internacionales como ‘Calidad de Servicio Técnico’, en sistemas de distribución
eléctrica, considera el estándar IEEE (2003) y sus indicadores clave. Fundamentalmente SAIFI
(System Average Interruption Frequency Index – Índice de Frecuencia Promedio de
Interrupciones) y SAIDI (System Average Interruption Duration Index – Índice de Duración
Promedio de Interrupciones). Estos dos indicadores corresponden a la clasificación Tipo (I)
(basados en usuarios) de tal estándar, y en conjunto con algunos del Tipo (II) (basados en
energía), como la EENS (Expected Energy Not Supplied - Energía Esperada No Suministrada), son
ampliamente utilizados en tales esquemas de control regulatorio (incluyendo el utilizado en la
regulación argentina). Aunque útiles para medir interrupciones, carecen de una monetización
directa que permita establecer penalizaciones regulatorias claras, lo que plantea desafíos en su
aplicación. Este último aspecto es tratado en Schweickardt (2024), siempre en línea con los
trabajos anteriores.
El marco teórico relativo a la medición de la confiabilidad física, considera cuatro enfoques
complementarios (Schweickardt (2023a), (De Mendonça et al., 2023), (Gomes, et al., 2023),
(Olajuyin et al., 2022): (Abreu y Martins, 2021), (Jain y Jain, 2021), Flores y Waddams Price (2018),
Sekhar et al., 2016) y (Rashid, 1985).
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 2661.
Índices generales de confiabilidad, aportados por múltiples estudios recientes.
Confiabilidad en la planificación óptima, optimizando la expansión de las redes.
Confiabilidad en la operación óptima, basada en estrategias en tiempo real.
Generación distribuida y redes inteligentes, integrando fuentes primarias de energías renovables
y la figura del prosumidor (consumidor que también produce energía),.
Cada enfoque contribuye al desafío de maximizar la confiabilidad al menor costo, enfrentando
vacíos en el control regulatorio a medida que la complejidad de los sistemas se incrementa.
Especialmente en los sistemas ‘emergentes’ de distribución eléctrica, que operan bajo la
coexistencia del paradigma clásico de abastecimiento, desde generación centralizada, y el nuevo
paradigma de generación distribuida en media y en baja tensión (prosumidores). Pese a estos
desafíos, existe un marco bien establecido para medir la confiabilidad física, como se evidencia
en los indicadores más utilizados, SAIFI y SAIDI.
En particular, sobre los puntos 1. y, fundamentalmente, 4., en Gomes, et al. (2023), se aborda un
enfoque innovador para agrupar consumidores en sistemas de distribución de energía,
considerando restricciones de capacidad de las fuentes y agregación de carga, aspectos
característicos de las redes ‘emergentes’ actuales. Este trabajo introduce un método basado en
confiabilidad para optimizar la agrupación de clientes, asegurando la estabilidad y eficiencia del
sistema de distribución bajo diversas condiciones operativas. Como método de agrupamiento
emplea un modelo que combina algoritmos de optimización con análisis de confiabilidad clásico,
determinando grupos de clientes que minimicen las interrupciones y optimicen la operación del
sistema. El enfoque propuesto es especialmente relevante en el contexto de la transición hacia
redes inteligentes (smart grids), donde la proliferación de generación distribuida y la necesidad
de una operación más dinámica y eficiente, exigen métodos avanzados para gestionar los
recursos. Aunque el modelo es robusto, su implementación en redes reales podría enfrentar
desafíos relacionados con la complejidad computacional y la calidad de los datos disponibles.
Además, de ampliarse para considerar dinámicas de mercado y la interacción con comunidades
de prosumidores, la complejidad resultaría mucho mayor.
Existen, no obstante, inconvenientes relevantes que persisten bajo los elementos de tal marco
teórico considerando los esquemas por incentivos, como se discute en Schweickardt (2023b).
El primer inconveniente, estriba en que la regulación actual de la calidad del servicio técnico sobre
empresas de distribución eléctrica, presenta tres características cuestionables:
Su enfoque está basado sólo en mediciones físicas, sin considerar la percepción de los clientes
afectados por una mala (o buena, caso excepcional) calidad del servicio técnico prestado -léase
interrupciones no programadas del suministro de energía eléctrica-,
Una representación multidimensional de la confiabilidad, de compleja interpretación para los
clientes, y
La reducción de los indicadores medidos a valores promedio (caso del SAIFI y SAIDI), lo que
puede ser muy poco representativo, considerando que la normativa regulatoria (particularmente
en Argentina), exige, en teoría, la medición y control de la calidad ‘a nivel usuario’.
El segundo inconveniente, estriba en que, para el diseño y la planificación de las redes de
distribución, son empleados los denominados ‘Tipos o Típicos Constructivos’. Los mismos son
definidos por equipos y elementos específicos, que se ajustan a las ‘economías de densidad’
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 2662.
(Schweickardt y Pistonesi Castelli, 2008). Estas reflejan cómo varían los costos del servicio
según la densidad poblacional, siendo más bajos, con inversiones altas, en áreas densamente
pobladas, y más altos, con inversiones más bajas, en zonas menos pobladas, relativamente. Este
concepto se distingue de las ‘economías de escala’, ya que considera un aspecto espacial de la
prestación del servicio.
Los Tipos Constructivos en Argentina varían según la densidad de urbanización: desde
infraestructuras subterráneas en áreas urbanas de alta densidad de usuarios [n° de
usuarios/km2], postación de hormigón con conductores preensamblados en áreas suburbanas
de media-baja densidad de usuarios, hasta postes de madera con conductores desnudos en
zonas rurales de baja-muy baja densidad.
Si bien estos estándares responden a una lógica empresarial fundamentada, el hecho es que la
confiabilidad del servicio disminuye progresivamente desde las zonas con mayor densidad, hacia
zonas menos densas, principalmente por una mayor exposición a factores climáticos, conforme
los Tipos Constructivos empleados, que producen fallas en el equipamiento expuesto con la
consecuente interrupción del servicio.
La Percepción de Calidad de Servicio Técnico en los Sistemas de Distribución de Energía Eléctrica
y su Medición
La literatura sobre el uso de Modelos de Ecuaciones Estructurales (SEM) para medir la
confiabilidad o calidad del servicio técnico en distribución eléctrica, es muy limitada
(Schweickardt, 2023b).
Santos Neto et al. (2022), exploran la percepción de calidad del servicio eléctrico en Brasil
empleando una adaptación del instrumento SERVQUAL (Parasuraman et al., 1985-1994), pero
omitiendo el marco teórico basado en indicadores físicos, como los propuestos por el IEEE
(2003). Un enfoque similar es adoptado por Nigro et al. (2014) en Argentina, centrado en la
gestión integral de la distribuidora y ajustando SERVQUAL según indicadores de la Comisión de
Integración Energética Regional.
El instrumento SERVQUAL, enfocado en la brecha entre percepción y expectativas, ha sido
criticado por Cronin y Taylor (1992, 1994), quienes desarrollaron SERVPERF, eliminando el
componente de expectativas. Sin embargo, incluso una adaptación de SERVPERF alejaría el
análisis de las mediciones físicas objetivas que necesitan incorporarse como referente empírico.
Si bien ambos enfoques (instrumentos) se apoyan en teorías generales para evaluar la calidad y
satisfacción, su aplicación no es adecuada para responder a las necesidades específicas en el
marco teórico presentado.
También existen antecedentes de la medición de calidad general de prestación del servicio
eléctrico mediante ecuaciones estructurales, como los aportes de Jou, et al. (2022)
Como se explica detalladamente en Schweickardt (2023a), la ausencia de un Modelo de
Percepción de la Calidad de Servicio Técnico, que tuviese un correlato con el referente empírico
proporcionado por la Medición Física, así como la imposibilidad de lograr esto último adaptando
los instrumentos SERVQUAL o SERVPERF, motivó la exploración de un Modelo Conceptual de
Percepción de la CST (para los usuarios o clientes en el segmento residencial), que se presenta
en tal referencia, con una estimación CB-SEM, y en Schweickardt (2023b), con una estimación
PLS-SEM.
Este Modelo, tiene cuatro constructos independientes, y uno dependiente de estos (el constructo
CST):
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 2663.
Frecuencia de los Cortes (o Interrupciones No Programadas) del Servicio (FC) ← SAIFI (la flecha
indica que capta el índice físico de manera ‘reflectiva’);
Duración de los Cortes del Servicio’ (DC) ← SAIDI
Cortes de Servicio en Baja Tensión (CBT): el cual intenta captar las interrupciones no
programadas, específicamente en el nivel de baja tensión al cual se conectan los usuarios
residenciales, las cuales, por lo general, son de carácter muy localizado y, por tanto, no
computadas en la medición física a través de SAIFI y SAIDI.
Reclamos (Atención o Respuesta desde la distribuidora) por Cortes del Servicio (RC):
constructo que no tiene un correlato directo con los dos índices físicos en cuestión, sino
indirecto, pero demostró ser muy importante en la formación del constructo dependiente CST.
Sobre este modelo, tal como se indica en la sección referida a la metodología, se propone un
Modelo Conceptual más reducido, que preserve las buenas propiedades contrastadas, pero más
generalizable a los efectos del objetivo que persigue la presente investigación.
Análisis Multi-Grupo e Invarianza de Medida del Instrumento de Medición
El Análisis Multi-Grupo (AMG) constituye una técnica estadística avanzada, que se emplea
principalmente en el contexto de modelos de ecuaciones estructurales, para evaluar si un modelo
teórico es equivalente a través de diferentes grupos o poblaciones. Este análisis resulta esencial
para comparar constructos latentes entre grupos, como géneros, culturas, niveles
socioeconómicos, o cualquier segmentación relevante, asegurando que las diferencias
observadas reflejan variaciones reales en los constructos y no artificios metodológicos (Cheung
y Rensvold, 2002; Byrne, 2012). Koufteros y Marcoulides (2006), establecen que, en la literatura
especializada referente a los aspectos metodológicos de SEM, las pruebas estadísticas
generales para abordar hipótesis sobre posibles diferencias entre grupos, se denominan
comúnmente ‘pruebas de invarianza’ del modelo. Otros términos como ‘modelado de interacción’
o ‘multi-muestreo’, también se utilizan a menudo para referirse a aquellos análisis de datos que
tienen como objetivo comparar similitudes de los modelos propuestos sobre diferentes muestras
o subgrupos de muestras. Todas estas técnicas de modelado sólo son, en realidad, parte de la
clase más general de enfoques que abarcan los SEM.
Milfont y Fischer (2010), mencionan que los investigadores suelen asumir la equivalencia de la
estructura de las medidas que comparan entre distintos grupos. La validez de este supuesto
constituye un requisito fundamental para arribar, con significatividad, a cualquier conclusión
sobre las diferencias existentes (o no), relacionadas con los grupos o subgrupos identificados
en una muestra general bajo estudio, sobre las que se aplica un SEM. Si tal supuesto no resultase
cierto (su cumplimiento no fuese estadísticamente significativo), no sería posible siquiera
afirmar que un constructo, por caso, resulte el mismo en los diferentes grupos considerados.
De manera que una comparación legítima de relaciones estructurales o de medias entre grupos
de una muestra, requiere la equivalencia de las estructuras de medición subyacentes a los
indicadores. De esta forma, estos dos autores concluyen en que las pruebas de Invarianza de
Medición, abordan cuatro preguntas fundamentales: a) ‘¿Son los parámetros de medición
(cargas factoriales, interceptos, errores de medición, etc.) los mismos entre los grupos en los
que se ha dividido la muestra general?’; b) ‘¿Existen marcados sesgos de respuesta en un grupo
particular?’; c) ‘¿Es posible interpretar inequívocamente las diferencias observadas en las medias
como diferencias en las medias latentes?’; y d) ‘¿Se mide el mismo constructo en todos los
grupos?’.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 2664.
Por otra parte, más recientemente, Meitinger et al. (2020) señalan que, en las últimas décadas,
se ha producido un aumento significativo de la producción de datos transnacionales y
longitudinales en la investigación de las ciencias sociales (lo mismo podría ser considerado para
datos de carácter transculturales, consultando los aportes de Davidov (2011) y He y van de Vijver
(2012)).
Previamente a la extracción de conclusiones sustanciales basadas en datos de encuestas, los
investigadores deben evaluar si los constructos se miden de la misma manera en todos los
países (transnacionales) y en distintos momentos (longitudinales). Si no es probada la
comparabilidad de los datos, se enfrenta el riesgo de confundir artificios metodológicos con
diferencias (que pueden resultar sustanciales) ‘reales’ entre países. Sin embargo, a los
investigadores, a menudo, les resulta particularmente difícil establecer el nivel más alto de
Invariancia de Medición, es decir, la denominada Invariancia Escalar Exacta. Cuando se rechaza
la invariancia de medición, resulta fundamental comprender por qué fue así. Su ausencia puede
abordarse mediante enfoques alternativos, como lo son la Optimización de Alineación (Luong y
Flake, 2023) o el Modelado de Ecuaciones Estructurales Bayesianas -BSEM- (Muthén y
Asparouhov, 2012), pues algunos autores cuestionan la interpretación convencional de que la no
invariancia (diferencias en cómo los grupos interpretan un constructo), automáticamente,
implica la no comparabilidad de los datos entre grupos (Zhirkov y Welzel, 2022).
Más allá del consenso actual generalizado sobre testear la Invarianza de Medida (o del
Instrumento de Medida, como la refiere Joaquín Aldás en su capítulo del libro de Sarabia Sánchez
(2013)) antes de realizar un Análisis Multi-Grupo con significancia estadística en sus
conclusiones, existen autores que minimizan o resisten la importancia de tal testeo (o
directamente del concepto Invarianza de Medida). Tal es el caso de Welzel et al. (2019, 2023),
pero son adecuadamente refutados por Meuleman et al. (2023).
Las pruebas Invarianza de Medida (IM) se sustentan, tradicionalmente, en el Análisis Factorial
Confirmatorio Multi-Grupo (AFCMG), introducido por Jöreskog (1971), de modo que (IM) y (AMG)
son dos conceptos relacionados jerárquicamente, mediando la aplicación de un (AFCMG). Esta
constituye la lógica general del procedimiento, y seguida en el presente manuscrito.
Al aplicar un (AFCMG) para estudiar la Invarianza de Medida, se pueden distinguir diferentes
niveles, que operan como modelos anidados exigiendo, cada vez, mayores restricciones de
igualdad con significación estadística sobre los parámetros estimados en cada grupo. Pueden
consultarse en tal sentido, los aportes de Meredith (1993), Steenkamp y Baumgartner (1998),
Vandenberg y Lance (2000), French y Finch (2006), Chen (2007), Millsap y Meredith (2007),
Schmitt y Kuljanin (2008), Widaman et al. (2010), Millsap (2011), Van de Schoot et al. (2012, Little,
(2013), Sarabia Sánchez (2013), Sass y Schmitt (2013), Davidov et al., (2014), Rutkowski y
Svetina (2014), Brown (2015), Putnick, y Bornstein (2016), Hox et al. (2017), Hair et al. (2019),
Protzko (2022), Kline (2023) y Lasker (2024).
Considerando esta revisión de la literatura y diferentes denominaciones que refieren el mismo
concepto, son aquí sintetizados cuatro niveles de Invarianza de Medida, desde el menos exigente
o restrictivo, hasta el de mayor exigencia. Al satisfacerse un nivel, se toma como referencia para
probar el siguiente (desde aquí el concepto de ‘modelos anidados’ al aplicar el AFMG para el
testeo):
Invarianza Configural (o de Forma): este es el nivel inicial, y evalúa si la estructura factorial básica
es la misma entre grupos, es decir, si los mismos ítems se agrupan en los mismos factores. Si
es satisfecha, puede asumirse que el constructo es medido por los mismos indicadores en todos
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 2665.
los grupos en los que se ha subdividido en la muestra general. No se imponen restricciones sobre
los valores de las cargas factoriales, interceptos, o errores de medición.
El cumplimiento de la Invarianza Configural significa, entonces, que el modelo tiene la misma
estructura conceptual en todos los grupos considerados. Este nivel establece un marco base
para las comparaciones y es esencial antes de avanzar hacia niveles superiores.
Invarianza Métrica: este nivel se verifica si las cargas factoriales son equivalentes entre grupos,
lo cual indica que, además de cumplirse la Invarianza Configural, los ítems tienen relaciones
proporcionales con el constructo en los diferentes grupos. La restricción impuesta sobre el
modelo (AFMG), que satisface la Invarianza Configural, estriba en que las cargas factoriales sean
las mismas en todos los grupos considerados. Otras denominaciones para este nivel,
observadas en las referencias que se listan más arriba, son ‘Equivalencia Métrica’ (Davidov et al.,
2014) e ‘Invarianza Débil - Weak Invariance –‘ (Meredith, 1993).
El cumplimiento de la Invarianza Métrica, significa que en el modelo se considera el primer nivel
de comparabilidad entre los grupos, como condición para hacer comparaciones de las variables
latentes en términos de sus relaciones estructurales con otras covariables.
Invarianza Escalar: en este nivel, además de la Invarianza Métrica (que, como se explicó,
presupone la Invarianza Configural), se debe satisfacer como restricción adicional la igualdad de
interceptos en los grupos.
Al alcanzar este nivel de invarianza, es posible comparar las medias latentes de los grupos,
además de analizar cómo las variables latentes se relacionan con otras covariables. Esto permite
evaluar diferencias en las medias de un constructo entre grupos y aplicar modelos estadísticos,
como regresiones, que examinan patrones de relación entre las variables en los distintos grupos
considerados. Una denominación alternativa, siguiendo a Meredith (1993), es ‘Invarianza Fuerte
– Strong Invariance –‘.
Invarianza Estricta: este último nivel, para la clasificación aquí sintetizada, incorpora, al modelo
escalar, la restricción de equivalencia sobre la variación de los errores residuales de los
indicadores entre los grupos. Conforme Millsap y Meredith (2007), constituye un nivel de
Invarianza de Medida ‘ideal’ difícilmente alcanzable en la aplicación práctica.
A los efectos del AMG que se propone en este trabajo, resultará, entonces, suficiente que el
Modelo Conceptual propuesto para medir la Calidad de Servicio satisfaga la Invarianza Métrica,
subdividiendo la muestra en dos grupos, pues se pretende, como se describe en la sección
referida a la metodología, indagar cómo son las relaciones estructurales sobre el constructo CST,
entre los Clientes Residenciales Urbanos (Grupo 1) y Suburbanos (Grupo 2).
Antecedentes de Análisis Multi-Grupo en la Medición de la Calidad
En la literatura científica especializada, existen trabajos que aplican AMG sobre la medición de
calidad para diferentes constructos. Por casos: Barrera et al. (2014), muestran que la calidad de
los servicios tradicionales puede ser percibida de forma distinta por los consumidores. Luego
analizan si la calidad percibida de los servicios electrónicos puede variar según las
características sociodemográficas y web-gráficas de los consumidores online (tales como
género, edad, nivel de educación y frecuencia de uso de Internet). Barrera-Barrera et al. (2015),
analizan cómo los perfiles de los consumidores en plataformas de agencias de viajes online,
influyen en el tipo de interacción y calidad de servicio percibida. Utilizando un enfoque basado en
calidad de servicio y gestión, su estudio aborda la relación entre comportamiento del consumidor
y la satisfacción con los servicios digitales. Los autores emplean Análisis Multi-Grupo para
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 2666.
evaluar cómo diferentes segmentos de consumidores responden a los modelos de calidad
funcional y hedónica en servicios online, lo cual es relevante para estrategias de personalización
y mejora en entornos digitales. Sobre la percepción de la calidad educativa, se tienen estudios
tales como el realizado por Martínez Ávila (2021). Liu et al. (2017) analizan la Invariancia de
Medida en función del género para la escala de respuesta de SERVQUAL.
Pero no se observan aportes relativos a la Calidad Eléctrica y menos, específicamente, sobre la
CST.
METODOLOGÍA
Este trabajo busca explorar, a través de un enfoque metodológico riguroso basado en modelos
de ecuaciones estructurales (CB-SEM), si existe o no evidencia estadística que respalde la
presunción, por parte de las empresas de distribución eléctrica, de que los usuarios residenciales
urbanos perciben la calidad del servicio técnico (CST) de manera ‘más sensible’ que los usuarios
suburbanos. Considerando: a) el marco teórico para la medición física u objetiva de la Calidad
del Servicio Técnico en Sistemas de Distribución Eléctrica, b) el presentado en Schweickardt
(2023b) para medir la misma a partir de la percepción de los clientes residenciales, mediante
ecuaciones estructurales CB- SEM, y c) el Marco teórico de la Invarianza de Medida y el Análisis
Multi-Grupo, se identifican tres etapas en la metodología empleada:
Etapa I: Definición de un Modelo SEM reducido, y su estimación con buen ajuste.
Etapa II: Análisis Multi-Grupo: Comprobación del Nivel de Invarianza de Medida.
Etapa III: Planteo y contraste de Hipótesis de Moderación sobre las relaciones estructurales en
la formación del constructo CST, para los dos grupos considerados en la presente investigación.
Se desarrollan seguidamente.
Etapa I: Modelo SEM Reducido
Como se mencionó brevemente en la sección anterior, subsección referida a la Percepción de
Calidad de Servicio Técnico, se adopta como referencia el Modelo SEM propuesto en
Schweickardt (2023a) y (2023b). Este Modelo se compone de cuatro constructos independientes
(FC, DC, CBT y RC) que forman al constructo CST. Sin embargo, más allá del muy buen ajuste
obtenido tanto para el modelo de medida como el estructural, se plantea la necesidad de
reducirlo debido a las siguientes razones:
En el cuestionario empleado para la captación de los datos, se debe excluir el conjunto de
preguntas que definen cada uno de los ítems en los que se refleja el constructo CBT. Estas
preguntas buscan captar la percepción que los clientes residenciales tienen sobre las fallas
específicas del nivel de baja tensión, la mayoría de las cuales tienen causas por eventos
localizados, y no califican en el SAIFI y el SAIDI. Resulta, actualmente, más apropiado integrar
tales fallas en un nuevo constructo cuyo referentes físicos de medida se establecen en la ‘Calidad
de Producto Técnico’, aspecto definido y controlado regulatoriamente, que escapa a los alcances
de la CST. De manera que el constructo CBT, es eliminado del modelo.
También deben eliminarse ciertas preguntas (ítems) sobre los constructos FC y DC, para que el
modelo resulte de aplicación más general. Los efectos de las ‘nevadas copiosas’ y ‘épocas de
alta afluencia turística’, se eliminan porque ‘no nieva en todas partes para el sistema de
distribución considerado’ (San Carlos de Bariloche, Argentina), mientras que ‘la afluencia turística
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 2667.
siempre es alta’. Se optó por integrar frecuencia y duración de las interrupciones en un único
constructo, ‘Falls del Sistema’, (FS) preservando los ítems específicos.
La Figura 1 presenta el Modelo Conceptual reducido. La Tabla 1 presenta los ítems de cada
Constructo, las preguntas asociadas, y las medidas pertinentes obtenidas en la fase exploratoria
del modelo. La muestra es de 420 observaciones y la escala utilizada es tipo Likert de 7 puntos,
invertida.
Figura 1
Modelo Conceptual-Híbrido con los Ítems para cada Constructo
Fuente: elaboración propia.
Tabla 1
Medida de los Ítems: Escala Tipo Likert de 7 Puntos Invertida. Estadísticos Descriptivos y
Resultados del Análisis Factorial Exploratorio (AFE): Medida de Adecuación (KMO) y α de
Crombach
Descriptivos - AFE Cuestionario
Ítem Media Std. Dev. Min Max KMO α Pregunta - Puntaje
FS1 3.745 1.987 1 7 0.884 0.888 Los Cortes del Servicio
son: [Muy Poco
Frecuentes→1; Muy
Frecuentes→7]
FS2 4.329 1.990 1 7 0.907 0.888 Los Cortes en días Muy
Ventosos son: [Muy
Poco Frecuentes→1;
Muy Frecuentes→7]
FS3 4.924 1.785 2 7 0.899 0.887 La Duración (horas) de
los Cortes es: [Muy
Baja→1; Muy Alta→7]
FS4 4.626 1.935 1 7 0.860 0.887 La Duración (horas) de
los Cortes en días Muy
Ventosos es: [Muy
Baja→1; Muy Alta→7]
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 2668.
RF1 4.838 1.974 1 7 0.928 0.882 ¿Se considera bien
atendido cuando
Reclama ante un
Corte? [Muy Bien→1;
Muy Mal→7]
RF2 4.879 1.946 1 7 0.928 0.882 Para reclamar ante un
Corte debe esperar:
[Muy Poco→1;
Demasiado→7]
RF3 4.855 1.995 1 7 0.920 0.881 Si vuelve reclamar ante
un Corte el trato que
recibe es: [Muy
Bueno→1; Muy
Malo→7]
RF4 5.348 2.019 1 7 0.930 0.882 Al reclama, ¿le explican
los motivos del Corte?
[Siempre→1;
Nunca→7]
RF5 3.674 2.105 1 7 0.919 0.883 ¿Ha firmado el Libro
Rubricado de Quejas
para llegar al Ente
Regulador? [Nunca→1;
Siempre→7]
CST1 4.431 0.894 3 7 0.902 0.887 El Servicio que presta
la Empresa
Distribuidora es: [Muy
Bueno→1; Muy
Malo→7]
CST2 4.881 1.013 2 7 0.887 0.886 La relación Costo de la
Energía - Calidad es:
[Satisfactoria→1; Muy
Poco Satisfactoria→7]
CST3 4.410 1.105 1 7 0.923 0.886 ¿Se plantea Auto-
Abastecerse?
[Nunca→1;
Siempre→7]
Overall 0.907 0.894
Fuente: elaboración propia.
Para el Análisis Factorial Exploratorio (AFE) sobre los ítems que integran el cuestionario
redefinido, respecto del presentado en Schweickardt (2023a), y aplicado a efectos de obtener los
datos componentes de la muestra, fue utilizado el software STATA, siguiendo a Peña (2002). En
la Tabla 1, se observan la medida de adecuación muestral de Kaiser-Meyer-Olkin (KMO) (Kaiser,
1974), y el α de Cronbach (Cronbach, 1951), por ítem y global. También los valores descriptivos
habitualmente reportados. El Modelo Reducido a estimar tiene 12 ítems: el constructo FS → FS1
a FS4, el constructo RF → RF1 a RF5, y el constructo CST → CST1 a CST3, como se observa en la
Figura 1, donde SDEE refiere al subsistema de distribución de energía eléctrica considerado, más
abarcativo que en Schweickardt (2013a) para obtener suficiente diversidad en los tipos
constructivos de sus redes, asociadas con sectores residenciales urbanos y suburbanos,
conforme lo requieren los tamaños muestrales (mínimos) de ambos grupos para que la
estimación SEM en el AMG resulte significativa (Bentler y Chou, 1987), (Anderson y Gerbing,
1988), (Hair et al., 1998 y 2019), (Wolf et al., 2013) (Kyriazos, 2018).
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 2669.
Para la estimación del Modelo, se empleó el software R, siguiendo a Aldás y Uriel (2017) -enfoque
de ‘dos pasos’-, estimando el modelo de medida y luego el modelo estructural. En la sección
siguiente se presentan los resultados (Tablas 2 a 7), logrando un muy buen ajuste y un Modelo
Reducido de mayor parsimonia (Kline, 2023) respecto al adoptado como referencia (propuesto
en Schweickardt (2023a)).
Etapa II: Análisis Multi-Grupo. Comprobación del Nivel de Invarianza de Medida
Como se dijo, la variable empleada para identificar clientes residenciales urbanos (Grupo 1) y
clientes residenciales suburbanos (Grupo 2), es la Densidad de Usuarios (DUsu), expresada en
[n° de usuarios/km2]. En el año 2023, cuando se relevaron los datos, se aplicaban los valores
promedio en el área de concesión de la distribuidora (que incluía la ciudad de San Carlos de
Bariloche y el municipio de Dina Huapi), conforme a la siguiente clasificación de clientes
residenciales: zonas de Alta Densidad, DUsu ≥ 100 (Urbanos → Grupo 1), y zonas de Media-Baja
Densidad, DUsu 60 ≤ DUsu < 100 (Suburbanos → Grupo 2). De este modo, la muestra con 420
observaciones, resultó dividida según: el Grupo 1, con 216 observaciones, y el Grupo 2, con 204
observaciones.
Conforme lo establecido en la sección anterior, para comparar los coeficientes (β) en las
relaciones estructurales entre los dos grupos, debió comprobarse la Invarianza Métrica. El
procedimiento seguido, es el propuesto por Joaquín Aldás en su capítulo del libro de Sarabia
Sánchez (2013) con dos pasos: a) para probar la Invarianza Configural, se estimó un Análisis
Factorial Confirmatorio (AFC) de manera independiente para los dos grupos, verificando el buen
ajuste del modelo en cada grupo por separado (‘validación cruzada relajada’). Luego estimó un
AFCMG a efectos de evaluar si el modelo tiene un buen ajuste adecuado simultáneo en los dos
grupos considerados; b) para probar la Invarianza Métrica, al AFCMG se le agregó la restricción
de que las cargas factoriales sean iguales en ambos grupos, obteniendo un muy buen ajuste. Se
han tomado en consideración para la evaluación del buen ajuste de los ‘modelos anidados’, los
aportes de Marsh et al. (2004), Browne y Cudeck (1993), Meade et al. (2008), y Clifton (2020).
También, al igual que para la Etapa III, se utilizó el software R. Los resultados se presentan, con
el orden indicado, en la siguiente sección (Tabla 8).
Etapa III: Planteo y contraste de Hipótesis de Moderación
En esta etapa, son planteadas y sometidas a contraste las dos Hipótesis de Moderación sobre
las relaciones estructurales (FS → CST) y (RF → CST) (Figura 2). Fue empleado el Test de
Lagrange (o prueba de multiplicadores de Lagrange) (Cheung y Rensvold, 2002), (Byrne, 2012).
Se trata de una técnica muy utilizada en modelos de ecuaciones estructurales, incluido el Análisis
Multi-Grupo, para evaluar si ciertas restricciones en un modelo estadístico pueden ser relajadas
con el fin de mejorar el ajuste. En el contexto de Hipótesis de Moderación sobre relaciones
estructurales, este test ayuda a determinar si los coeficientes -relaciones- estructurales (β)
difieren significativamente entre grupos. Las dos Hipótesis de Moderación planteadas se
rechazan en el contraste, lo cual indica que, al relajar las restricciones, no mejora
significativamente el ajuste y, por lo tanto, ambas relaciones estructurales no difieren entre los
dos grupos. Los resultados se presentan en la siguiente sección (Tabla 9).
RESULTADOS Y DISCUSIÓN
Para la Etapa I: Las Tablas 2 y 3 reportan los resultados de la estimación del Modelo CB-SEM de
Medida según la Figura 1. La Tabla 4 reporta los resultados de la estimación CB-SEM del Modelo
Estructural.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 2670.
Para la Etapa II: en primer lugar, las tablas 5-6 y 7, reportan los resultados de la estimación de los
Modelos CB-SEM de Medida y Estructural, respectivamente, para cada Grupo: Grupo 1: Clientes
Residenciales en Zonas Urbanas (color marrón) y Grupo 2: Clientes Residenciales en Zonas
Suburbanas (color verde). Luego, la Tabla 8 presenta la Comprobación del Nivel de Invarianza
Métrica.
Tabla 2
Propiedades Psicométricas del Modelo de Medida. Cargas Factoriales, Fiabilidad y Validez
Convergente
Cargas Factoriales, Fiabilidad y Validez
Factores, Ítems y Cargas Factoriales Fiabilidad y Validez Convergente
Factor Ítem λ (z-valor) α- Crombach RC AVE
Fallas del
Subsistema
(FS)
FS1 0.984 (48.819***) 0.992 0.993 0.971
FS2 0.984 (43.588***)
FS3 0.981 (45.192***)
FS4 0.991 (44.506***)
Reclamos por
Cortes del
Servicio (RF)
RF1 0.924 (34.345***) 0.967 0.968 0.857
RF2 0.925 (35.190***)
RF3 0.939 (36.524***)
RF4 0.916 (35.559***)
RF5 0.924 (40.232***)
Calidad de
Servicio
Técnico
(CST)
CST1 0.873 (22.472***) 0.879 0.881 0.712
CST2 0.877 (22.437***)
CST3 0.795 (18.694***)
Indicadores de Bondad de Ajuste (S-B o Robustos)
S-Bχ² (51 df) S-B CFI S-B TLI S-Bχ²/df SRMR S-B RMSEA (90% CI)
104.002
(p-Chi2 =
0.000)
0.993 0.991 2.039 0.009 0.050(0.036|0.064)
Notas: λ = Cargas Factoriales estandarizadas; α = Alfa de Crombach (Crombach, 1951) -Fiabilidad
Simple-; RC = Fiabilidad Compuesta (Bagozzi y YI, 1998); (Fornell y Larker, 1981); (Sarabia
Sánchez, 2013); AVE = Average Variance Extracted (Fornell y Larker, 1981); S-Bχ² = χ² Satorra-
Bentler (Satorra y Bentler, 1994); df = Grados de Libertad; S-B CFI = Comparative Fit Index
(Bentler, 1990); S-B TLI = Tucker-Lewis lndex (Tucker y Lewis, 1973) Robusto; (Bentler y Bonett,
1980); S-Bχ²/df = S-Bχ² ratio de (Wheaton et al., 1977) Robusto; SRMR = Standarized Root Mean
Residual (Jöreskog y Sörbom, 1981), (Pavlov et al., 2021); S-B RMSEA = Root Mean Square of
Approximation (Steiger, 1990); (Steiger y Lind, 1980); (Kenny y McCoach, 2003) Robusto; CI =
Confidence Interval; *** → p < 0.001.
Fuente: elaboración propia.
Tabla 3
Propiedades Psicométricas del Modelo de Medida. Validez Discriminante. Ratio HT/MT
Validez Discriminante: Ratio HT/MT (Henseler et al., 2015)
FS RF CST
FS 1.000
RF 0.060 1.000
CST 0.533 0.563 1.000
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 2671.
Nota: La ratio HT/MT resulta < 1 entre cada par de Factores diferentes: < 0.900.
Fuente: elaboración propia.
Tabla 4
Hipótesis del Modelo Estructural
Relaciones Estructurales y Resultados
Hipótesis (Relaciones Estructurales) β estandarizado z-valor Contraste
H1: Las Fallas del Subsistema (Cortes no
Programados en Duración y Frecuencia) son
Formativas de la Calidad de Servicio
Técnico: FS → CST
0.501 12.877*** Aceptada
H2: La Atención ante Reclamos por Cortes
no Programados es Formativa de Calidad de
Servicio Técnico: RF → CST
0.529 12,261*** Aceptada
Indicadores de Bondad de Ajuste (S-B → Robustos)
S-Bχ² (51 df)
S-B CFI S-B TLI
S-
Bχ²/df
SRMR S-B RMSEA (90% CI)
104.002
(p-Chi2 =
0.000)
0.993 0.991 2.039 0.009 0.050 (0.036|0.064)
Nota: CI = Confidence Interval; *** → p < 0.001; * → p < 0.05.
Fuente: elaboración propia.
Tabla 5
Propiedades Psicométricas de los Modelos de Medida por Grupo. Cargas Factoriales, Fiabilidad y
Validez Convergente
Cargas Factoriales, Fiabilidad y Validez
Grupo 1 (n° Obs. = 216) - Grupo 2 (n° Obs. = 204)
Factores, Ítems y Cargas Factoriales Fiabilidad y Validez
Convergente
Factor Ítem λ (z-valor) α-
Crombach
RC AVE
Fallas del Subsistema
(FS)
FS1 0.986 (35.424***) –
0.982 (33.663***)
0.992 0.992 0.971
FS2 0.982 (31.109***) –
0.987 (30.615***)
0.992 0.993 0.972
FS3 0.979 (32.774***) –
0.984 (31.192***)
FS4 0.993 (33.464***) –
0.990 (29.625***)
Reclamos por Cortes
del Servicio (RC)
RF1 0.919 (23.497***) –
0.932 (25.270***)
0.964 0.964 0.844
RF2 0.907 (23.035***) –
0.944 (27.220***)
0.971 0.971 0.871
RF3 0.926 (25.225***) –
0.952 (26.982***)
RF4 0.910 (23.031***) –
0.922 (27.603***)
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 2672.
RF5 0.930 (28.082***) –
0.919 (28.868***)
Calidad de Servicio
Técnico (CBT)
CST1 0.778 (13.102***) –
0.983 (21.602***)
0.847 0.851 0.657
CST2 0.865 (15.247***) –
0.891 (17.072***)
0.913 0.911 0.773
CST3 0.788 (12.957***) –
0.794 (13.623***)
Indicadores de Bondad de Ajuste (S-B → Robustos)
S-Bχ² (51 df) S-B
CFI
S-B TLI S-Bχ²/df SRMR S-B RMSEA (90%
CI)
91.382
(p-Chi2 = 0.000)
0.989 0.986 1.792 0.017 0.061
(0.040|0.080)
72.920
(p-Chi2 = 0.000)
0.995 0.993 1.430 0.017 0.046
(0.017|0.068)
Fuente: elaboración propia.
Por último, para la Etapa III: Las Tabla 9, reporta los resultados del contraste para las dos
Hipótesis de Moderación introducidas sobre sendas relaciones estructurales (Figura 2), HM1 y
HM2.
Tabla 6
Propiedades Psicométricas de los Modelos de Medida por Grupo. Validez Discriminante. Ratio
HT/MT
Validez Discriminante: Ratio HT/MT
Grupo 1 (n° Obs. = 216) - Grupo 2 (n° Obs. = 204)
FS RF CST
FS 1.000
RF 0.023 - 0.128 1.000
CST 0.535 - 0.531 0.497 - 0.627 1.000
Fuente: elaboración propia.
Tabla 7
Hipótesis de los Modelos Estructurales por Grupo
Relaciones Estructurales y Resultados – Grupo 1 (n° Obs. = 216)
Hipótesis (Relaciones Estructurales) β estandarizado z-valor Contraste
H1: Las Fallas del Subsistema (Cortes no
Programados en Duración y Frecuencia) son
Formativas de la Calidad de Servicio Técnico:
FS → CST
0.540 8.547*** Aceptada
H2: La Atención ante Reclamos por Cortes no
Programados es Formativa de Calidad de
Servicio Técnico: RF → CST
0.500 7.153*** Aceptada
Indicadores de Bondad de Ajuste (S-B → Robustos)
S-Bχ² (51 df)
S-B CFI S-B TLI
S-
Bχ²/df
SRMR S-B RMSEA (90% CI)
91.382 0.989 0.986 1.792 0.017 0.061 (0.040|0.080)
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 2673.
(p-Chi2 = 0.000)
Relaciones Estructurales y Resultados – Grupo 2 (n° Obs. = 204)
Hipótesis (Relaciones Estructurales) β estandarizado z-valor Contraste
H1: Las Fallas del Subsistema (Cortes no
Programados en Duración y Frecuencia) son
Formativas de la Calidad de Servicio Técnico:
FS → CST
0.471 10.718*** Aceptada
H2: La Atención ante Reclamos por Cortes no
Programados es Formativa de Calidad de
Servicio Técnico: RF → CST
0.562 11.985*** Aceptada
Indicadores de Bondad de Ajuste (S-B → Robustos)
S-Bχ² (51 df)
S-B CFI S-B TLI
S-
Bχ²/df
SRMR S-B RMSEA (90% CI)
72.920
(p-Chi2 =
0.000)
0.995 0.993 1.430 0.017 0.046 (0.017|0.068)
Fuente: elaboración propia.
Tabla 8
Invarianza Configural y Métrica del Instrumento de Medida (Aldás en Sarabia Sánchez, 2013)
Invarianza Configuracional (Igual Forma) y Métrica (Iguales Cargas Factoriales)
Invarianza S-Bχ² df ΔS-Bχ2 Δdf p CFI TLI SRMR
RMSEA (90%)
CI
Igual
Forma
164.413 102 - - - 0.992 0.990 0.016
0.054
(0.038|0.069)
Iguales
Cargas
Factoriales
182.396 114 17.983 12 0.109 0.991 0.990 0.042
0.053
(0.038|0.067)
Nota: ΔS-Bχ2 = Diferencia entre las S-Bχ2, requieren la corrección S-B para el test. ΔCFI = 0.001.
Fuente: elaboración propia.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 2674.
Figura 2
Hipótesis de Moderación
Fuente: elaboración propia.
Tabla 9
Efecto de Moderación de la variable Densidad de Usuarios (DUsu)
Hipótesis de Moderación de la variable DUsu sobre Relaciones Estructurales (HM1 y HM2)
HM1: La Localización (DUsu) de los Clientes Residenciales del SDEE Modera el Efecto de la Percepción
de las Interrupciones no Programadas del Suministro sobre la Calidad del Servicio Técnico
HM2: La Localización (DUsu) de los Clientes Residenciales del SDEE Modera el Efecto de la Percepción
de la Atención ante los Reclamos por Interrupciones no Programadas del Suministro sobre la Calidad
del Servicio Técnico
Hipótesi
s
Modelo General
Modelo Multigrupo
Test de Lagrange
Alta DUsu Baja DUsu
β t-valor β t-valor β t-valor Dif. χ2 df
p-
valor
Contraste
HM1
0.50
1
12.877*
**
0.54
0
8.547*
**
0.47
1
10.718*
**
0.109 1 0.741
Rechaza
HM1
HM2
0.52
9
12.261*
**
0.50
0
7.153*
**
0.56
2
11.985*
**
1.391 1 0.238
Rechaza
HM2
Fuente: elaboración propia.
Respecto de la comprobación de la Invarianza Configural Métrica que se presenta en la Tabla 8,
al utilizar valores de χ2 robustos para calcular Δχ2, es crucial aplicar la corrección Satorra-Bentler
(Satorra y Bentler (2001 y 2010) para ajustar los grados de libertad y las diferencias en los
modelos, dado que los valores de χ2 estándar no son directamente comparables, debido a las
propiedades de las distribuciones subyacentes bajo condiciones no normales. Esta corrección la
realiza de forma directa el software R, llamando a una función de biblioteca. Por tal motivo en
dicha tabla se indica como ΔS-Bχ2.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 2675.
Por otra parte, Cheung y Rensvold (2002) sugieren que es preferible aplicar el criterio ΔCFI robusto ≤ 0.01,
pues, como los CFI utilizados y reportados lo son y no se requiere ningún ajuste, constituye un criterio
más simple. El Δ, tanto en S-Bχ2 como en CFI, se refiere a la diferencia entre los valores obtenidos para
nivel de Invarianza Configural y el Nivel de Invarianza Métrica.
En la Tabla 8 se reportan ambos criterios para probar la Invarianza Métrica. Todos los indicadores
confirman un muy buen ajuste.
Al utilizar el criterio ΔS-Bχ2, el p-valor = 0.109 > 0.05. Esto sugiere que el modelo restringido de
Invarianza Métrica (con igualdad de cargas factoriales entre grupos), no difiere
significativamente del modelo menos restringido, correspondiente a la Invarianza Configural (sin
igualdad de cargas factoriales entre grupos). Por otra parte, tras imponer la restricción de
igualdad en las cargas factoriales sobre el modelo Configural, el valor de CFI = 0.992 (ΔCFI =
0.001), lo cual también sugiere que estas restricciones no deterioran significativamente el muy
buen ajuste del modelo Métrico. Por tanto, las cargas factoriales pueden considerarse
equivalentes entre los grupos, confirmando que la estructura factorial es equivalente.
En la Tabla 9, se reportan los contrastes de las dos Hipótesis de Moderación introducidas para
las dos relaciones estructurales del Modelo SEM reducido. Siguiendo a Aldás en Sarabia Sánchez
(2013) y a Brown (2015), una Hipótesis de Moderación propone que una variable (llamada
moderadora) afecta la relación entre dos constructos. En CB-SEM, esto significa que los
parámetros estructurales entre constructos podrían variar según los niveles de la variable. La
Densidad de Usuarios (DUsu), representada en la parte superior de la Figura 2, es aquí la variable
moderadora: zonas de Alta Densidad, DUsu ≥ 100 (Urbanos → Grupo 1), y zonas de Media-Baja
Densidad, DUsu 60 ≤ DUsu < 100 (Suburbanos → Grupo 2), como se estableció en la
metodología. Para evitar los Sesgos en la Moderación es mandatorio comprobar la Invarianza
Métrica: sin invarianza, los resultados de una hipótesis de moderación pueden estar sesgados,
ya que las diferencias entre grupos podrían atribuirse incorrectamente a la variable moderadora
en lugar de a variaciones sobre cómo los grupos interpretan las variables latentes. Al aplicar el
Test de Lagrange, también presentado, para el contraste de ambas hipótesis (HM1 y HM2), los
resultados sugieren que la localización de los clientes residenciales (zona urbana vs. suburbana)
no modera significativamente el impacto de:
● Las Fallas del Sistema sobre la Calidad del Servicio Técnico (HM1).
● La Atención a los Reclamos sobre la Calidad del Servicio Técnico (HM2).
Adicionalmente, se realizó la comparación sobre los modelos estructurales con y sin efecto
moderador, sobre la varianza explicada para el constructo dependiente CST. Se obtuvieron
coeficientes R2 = 0.574, con efecto moderador, y R2 = 0.564, sin efecto moderador, resultando
en un incremento en la varianza explicada para el constructo CST, al incluir el efectos moderador
de ΔR2 = 0.010. De manera que el tamaño del efecto calculado, f2 = 0.023 sugiere que la
contribución de la moderación es de magnitud pequeña según Cohen (1988) y Hair et al. (2019,.
Lo cual coincide con el rechazo de ambas hipótesis de moderación (p > 0.05).
Estos resultados sugieren que las diferencias grupales en la sensibilidad hacia la percepción de
la Calidad del Servicio Técnico (CST) no tienen un impacto significativo en términos prácticos.
CONCLUSIONES
Son sintetizados los siguientes puntos como conclusiones finales del trabajo de investigación
aquí presentado:
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 2676.
El diseño de un Modelo Conceptual con solo tres constructos, dos independientes (FS y RF) y
uno dependiente (CST), con 12 ítems en total, destaca la capacidad de sintetizar la complejidad
teórica en una representación más compacta y eficiente. Este modelo, además de mejorar la
parsimonia al minimizar el número de parámetros necesarios, logró un ajuste superior en el
análisis SEM general respecto al utilizado como referencia. La reducción del modelo no solo
facilita la interpretación de las relaciones estructurales, sino que también refuerza la validez del
enfoque al equilibrar adecuadamente la simplicidad y la capacidad explicativa. Estos resultados
enfatizan la importancia de la parsimonia como principio fundamental en la modelización
estadística, proporcionando una base sólida para futuros estudios en contextos similares.
Actualmente está siendo considerado para su aplicación en empresas distribuidoras de
diferentes provincias argentinas.
El enfoque metodológico, basado en un análisis CB-SEM Multi-Grupo, combinado con la
evaluación de Invarianza de Medida y el contraste de Hipótesis Moderadoras, ha demostrado ser
robusto y adecuado para examinar diferencias estructurales entre grupos. Además, la
incorporación del tamaño del efecto refuerza la relevancia práctica de los hallazgos y
proporciona un marco replicable para futuras investigaciones en contextos similares. Los
resultados obtenidos rechazan las hipótesis de moderación planteadas, indicando que no existe
una diferencia estadísticamente significativa en la percepción de la calidad del servicio técnico
(CST) entre usuarios residenciales urbanos y suburbanos. Este hallazgo desafía la presunción
inicial de ciertas empresas de distribución, aportando evidencia empírica en favor de una
percepción homogénea de la CST entre ambos grupos.
Se sugiere, por tanto, que las estrategias de mejora del servicio técnico no deberían priorizar una
diferenciación por zonas residenciales, ya que la sensibilidad percibida hacia la CST no resulta
significativamente distinta (o es comparable) entre clientes residenciales urbanos y suburbanos.
Esto tiene implicaciones importantes para la planificación y optimización de los recursos
empresariales, fomentando un enfoque equitativo y eficiente en la gestión de la calidad del
servicio técnico de los sistemas de distribución de energía eléctrica.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 2677.
REFERENCIAS
Abreu, P., Martins, A.G. (2021). Evaluation of service quality of distribution systems with critically
located generators. International Transactions on Electrical Energy Systems. 31, e12852.
https://doi.org/10.1002/2050-7038.12852
Aldás, J., Uriel, E. (2017). Análisis Multivariante Aplicado con R. 2da Edición. Paraninfo.
Anderson, J. C., Gerbing, D. W. (1988). Structural equation modeling in practice: A review and
recommended two-step approach. Psychological Bulletin, 103(3), pp. 411–423.
https://doi.org/10.1037/0033-2909.103.3.411
Bagozzi, R.P., YI, Y. (1998). On the Evaluation of Structural Equation Models. JAMS 16, pp. 74–
94.
Barrera, R. B., García, A. N., & Moreno, M. R. (2014). Evaluation of the e-service quality in service
encounters with incidents: Differences according to the socio-demographic profile of the online
consumer. Revista Europea de Dirección y Economía de la Empresa, 23(4), pp. 184-193.
https://doi.org/10.1016/j.redee.2014.09.001
Barrera-Barrera, R., Navarro-García, A., & Peris-Ortiz, M. (2015). Evaluation of quality in different
electronic services: A multigroup analysis. The International Journal of Management Science and
Information Technology (IJMSIT), (15), pp. 5-27.
Bentler, P. M. (1990). Comparative fit indexes in structural models. Psychological Bulletin, 107,
pp. 238–246. https://doi.org/10.1037/0033-2909.107.2.238
Bentler, P.M., Bonett, D. G. (1980). Significance tests and goodness of fit in the analysis of
covariance structures. Psychological Bulletin, 88, pp. 588–606. https://doi.org/10.1037/0033-
2909.88.3.588
Bentler, P. M., & Chou, C.-P. (1987). Practical Issues in Structural Modeling. Sociological Methods
& Research, 16(1), pp. 78-117. https://doi.org/10.1177/0049124187016001004
Brown, T. A. (2015). Confirmatory factor analysis for applied research. Guilford publications.
Browne, M. W., Cudeck, R. (1993). Alternative ways of assessing model fit. In K. A. Bollen and J.
S. Long (Eds.), Testing structural equation models (pp. 136-162). Newbury Park, CA: Sage.
Byrne, B. M. (2012). Structural Equation Modeling with Mplus: Basic Concepts, Applications, and
Programming. New York, NY: Routledge.
Chen, F. F. (2007). Sensitivity of goodness of fit indexes to lack of measurement invariance.
Structural Equation Modeling, 14(3), 464-504. https://doi.org/10.1080/10705510701301834
Cheung, G. W., & Rensvold, R. B. (2002). Evaluating goodness-of-fit indexes for testing
measurement invariance. Structural Equation Modeling, 9(2), pp. 233–255.
https://doi.org/10.1207/S15328007SEM0902_5
Clifton, J. D. W. (2020). Managing Validity versus Reliability Trade-offs in Scale Building
Decisions. Psychological Methods, 25(2), pp. 259–270. https://doi.org/10.1037/met0000226
Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Hillsdale, NJ:
Lawrence Erlbaum Associates.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 2678.
Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika. 16
(3): pp. 297-334.
Cronin Jr, J. J., Taylor, S. A. (1992). Measuring Service Quality: A Reexamination and Extension.
Journal of Marketing, 56 (3), pp. 55-68.
Cronin Jr, J. J., Taylor, S. A. (1994). SERVPERF versus SERVQUAL: reconciling performance-based
and perceptions-minus-expectations measurement of service quality. Journal of marketing, 58
(1), pp. 125-131.
Davidov, E., Meuleman, B., Cieciuch, J., Schmidt, P., & Billiet, J. (2014). Measurement equivalence
in cross-national research. Annual review of sociology, 40(1), pp. 55-75.
https://doi.org/10.1146/annurev-soc-071913-043137
Davidov, E., Schmidt, P., & Billiet, J. (Eds.). (2011). Cross-Cultural Analysis: Methods and
Applications. Routledge.
De Mendonça, M. J. C., Pereira, A. O., Bellido, M. M. H., Medrano, L. A., & Pessanha, J. F. M. (2023).
Service quality performance indicators for electricity distribution in Brazil. Utilities Policy, 80,
101481. https://doi.org/10.1016/j.jup.2022.101481
Flores, M., Waddams Price, C. (2018). The Role of Attitudes and Marketing in Consumer
Behaviours in the British Retail Electricity Market. The Energy Journal, 39 (4), pp. 153-179.
Gomes, T. E. de O., Borniatti, A. R., Garcia, V. J., Santos, L. L. C. dos, Knak Neto, N., & Garcia, R. A.
F. (2023). Clustering Electrical Customers with Source Power and Aggregation Constraints: A
Reliability-Based Approach in Power Distribution Systems. Energies, 16(5), 2485.
http://dx.doi.org/10.3390/en16052485
Fornell, C., Larcker, D. F. (1981). Evaluating Structural Equation Models with Unobservable
Variables and Measurement Error. Journal of Marketing Research, 18(1), 39.
https://doi.org/10/cwp
French, B. F., & Finch, H. W. (2006). Confirmatory factor analytic procedures for the determination
of measurement invariance. Structural Equation Modeling, 13(3), pp. 378-402.
https://doi.org/10.1207/s15328007sem1303_3
Hair, J., Anderson, R., Tatham, R. and Black, W. (1998). Multivariate data analysis. 5th Edition,
Prentice Hall, New Jersey.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.).
Cengage.
He, J., & van de Vijver, F. J. R. (2012). Bias and equivalence in cross-cultural research. Online
Readings in Psychology and Culture, 2(2), 8. https://doi.org/10.9707/2307-0919.1111
Henseler, J., Ringle, C.M. and Sarstedt, M. (2015). A new criterion for assessing discriminant
validity in variance-based structural equation modeling. Journal of the Academy of Marketing
Science, Vol. 43 No. 1, pp. 115-135. https://doi.org/10.1007/s11747-014-0403-8
Hox, J. J., Moerbeek, M., & Van de Schoot, R. (2017). Multilevel Analysis: Techniques and
Applications (3rd ed.). Routledge.
IEEE (2003). IEEE Guide for Electric Power Distrbution Realiability Indices. STD 1366TM.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 2679.
Jain, T.K., Jain, N. (2021). Service Quality in the Energy Sector and Its Impact on Sustainability. In:
Leal Filho, W., Marisa Azul, A., Brandli, L., Lange Salvia, A., Wall, T. (eds) Affordable and Clean
Energy. Encyclopedia of the UN Sustainable Development Goals. Springer, Cham.
https://doi.org/10.1007/978-3-319-95864-4_65
Jöreskog, K. G. (1971). Simultaneous factor analysis in several populations. Psychometrika,
36(4), pp. 409-426. https://doi.org/10.1007/BF02291366
Jöreskog, K. G., y Sörbom, D. (1981). LISREL V: Analysis of linear structural relationships by maximum
likelihood and least squares methods (Research Report 81−8). Uppsala, Sweden: University of Uppsala,
Department of Statistics.
Jou, Y.-T., Saflor, C. S., Mariñas, K. A., Young, M. N., Prasetyo, Y. T., & Persada, S. F. (2022).
Assessing Service Quality and Customer Satisfaction of Electric Utility Provider’s Online Payment
System during the COVID-19 Pandemic: A Structural Modeling Approach. Electronics, 11(22),
3646. http://dx.doi.org/10.3390/electronics11223646
Kaiser H. (1974). An index of factorial simplicity. Psychometrika, Vol. 39, pp 31–36.
Kenny, D. A., McCoach, D. B. (2003). Effect of the number of variables on measures of fit in
structural equation modeling. Structural Equation Modeling, 10(3), pp. 333–351.
https://doi.org/10.1207/S15328007SEM1003_1
Kline, R. B. (2023). Principles and Practice of Structural Equation Modeling (5th ed.). Guilford
Press
Koufteros, X., & Marcoulides, G. A. (2006). Product development practices and performance: A
structural equation modeling-based multi-group analysis. International Journal of Production
Economics, 103(1), 286-307. https://doi.org/10.1016/j.ijpe.2005.08.004
Kyriazos, T. A. (2018). Applied Psychometrics: Sample Size and Sample Power Considerations in
Factor Analysis (EFA, CFA) and SEM in General. Psychology, 9, 2207-2230.
https://doi.org/10.4236/psych.2018.98126
Marsh, H. W., Hau, K. T., & Wen, Z. (2004). In search of golden rules: Comment on hypothesis-
testing approaches to setting cutoff values for fit indexes and dangers in overgeneralizing Hu and
Bentler’s (1999) findings. Structural Equation Modeling: A Multidisciplinary Journal, 11(3), pp.
320-341. https://doi.org/10.1207/s15328007sem1103_2
Martínez Ávila, M. (2021). Análise fatorial confirmatória: um modelo de gestão do conhecimento
na universidade pública. RIDE. Revista Iberoamericana para la Investigación y el Desarrollo
Educativo, 12(23). https://doi.org/10.23913/ride.v12i23.1103
Meade, A. W., Johnson, E. C., & Braddy, P. W. (2008). Power and sensitivity of alternative fit indices
in tests of measurement invariance. Journal of Applied Psychology, 93(3), pp. 568-592.
https://doi.org/10.1037/0021-9010.93.3.568
Meitinger, K., Davidov, E., Schmidt, P., & Braun, M. (2020). Measurement invariance: Testing for it
and explaining why it is absent. In Survey Research Methods. European Survey Research
Association. Vol. 14, No. 4, pp. 345-349. https://doi.org/10.5167/uzh-192239
Meredith, W. (1993). Measurement invariance, factor analysis and factorial invariance.
Psychometrika, 58(4), pp. 525–543. https://doi.org/10.1007/BF02294825
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 2680.
Meuleman, B., Żółtak, T., Pokropek, A., Davidov, E., Muthén, B., Oberski, D. L., ... & Schmidt, P.
(2023). Why measurement invariance is important in comparative research. A response to Welzel
et al. (2021). Sociological Methods & Research, 52(3), pp. 1401-1419.
Millsap, R. E. (2011). Statistical Approaches to Measurement Invariance. Routledge.
Millsap, R. E., & Meredith, W. (2007). Factorial invariance: Historical perspectives and new
problems. In Factor analysis at 100 (pp. 145-166). Routledge.
Milfont, T. L., & Fischer, R. (2010). Testing measurement invariance across groups: Applications
in cross-cultural research. International Journal of psychological research, 3(1), pp. 111-130. DOI:
10.21500/20112084.857
Muthén, B., & Asparouhov, T. (2012). Bayesian Structural Equation Modeling: A more flexible
representation of substantive theory. Psychological Methods, 17(3), pp. 313–335.
https://doi.org/10.1037/a0026802
Nigro H., González Císaro, S., Tripodi, G. (2014). Investigación Operativa, Año XXIIII, No. 36, pp.
81-99.
Lasker, J. (2024). Measurement Invariance Testing Works. Applied Psychological Measurement,
48(6), pp. 257-275. https://doi.org/10.1177/01466216241261708
Little, T. D. (2013). Longitudinal Structural Equation Modeling. Guilford Press.
Liu, F. M., Huang, Y. C., Ching, S. L., & Hu, Y. J. (2017). Discussion of the Measurement Invariance
Across Gender in the Version of the Part of Responsiveness in Servqual Scale. In 2017
International Conference on Organizational Innovation (ICOI 2017) (pp. 56-58). Atlantis Press.
https://doi.org/10.2991/icoi-17.2017.10
Luong, R., & Flake, J. K. (2023). Measurement invariance testing using confirmatory factor
analysis and alignment optimization: A tutorial for transparent analysis planning and reporting.
Psychological Methods, 28(4), pp. 905–924. https://doi.org/10.1037/met0000441
Olajuyin. E. A., Olulope, P. K., Fasina, E. T. (2022). An overview on reliability assessment in power
systems using CI approaches. Archives of Electrical Engineering, Vol. 71(No 2), pp. 425-443.
DOI:10.24425/aee.2022.140720
Parasuraman, A., Zeithaml, V., Berry, L. (1985). A Conceptual Model of Service Quality and Its
Implications for Future Research. Journal of Marketing, Vol. 49, No. 4, pp. 41-50.
Parasuraman, A., Zeithaml, V., Berry, L. (1988). SERVQUAL: A multi-item scale for measuring
consumer perceptions of the service quality. Journal of Retailing. Vol. 64, No. 1, pp. 12-40.
Parasuraman, A., Zeithaml, V., Berry, L. (1991). Refinement and Reassessment of the SERVQUAL
Scale. Journal of Retailing, Vol. 67, No. 4, pp. 420-450.
Parasuraman, A., Zeithaml, V., Berry, L. (1994). Reassessment of Expectations as a Comparison
Standard in Measuring Service Quality: Implications for Further Research. The Journal of
Marketing, Vol. 58, issue 1, pp. 111-124.
Pavlov, G., Maydeu-Olivares, A., Shi, D. (2021). Using the Standardized Root Mean Squared
Residual (SRMR) to Assess Exact Fit in Structural Equation Models. Educational and
Psychological Measurement, 81(1), pp. 110–130. https://doi.org/10.1177/0013164420926231
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 2681.
Peña, D. (2002). Análisis de Datos Multivariantes. Mcgraw Hill Interamericana de España SL.
Protzko, J. (2022). Invariance: What Does Measurement Invariance Allow Us to Claim?
Educational and Psychological Measurement, (0)0.
https://doi.org/10.1177/00131644241282982
Putnick, D. L., & Bornstein, M. H. (2016). Measurement invariance conventions and reporting: The
state of the art and future directions for psychological research. Developmental Review, 41, 71-
90. https://doi.org/10.1016/j.dr.2016.06.004
Rashid, S. (1985). Quality in Contestable Markets: ¿A Historical Problem? The Quarterly Journal
of Economics, Vol. 103, No. 1, pp. 245-249.
Rutkowski, L., & Svetina, D. (2014). Assessing the hypothesis of measurement invariance in the
context of large-scale international surveys. Educational and Psychological Measurement, 74(1),
pp. 31-57. https://doi.org/10.1177/0013164413498257
Santos Neto, A. S., Reis, M. R., Coimbra, A. P., Soares, J. C., Calixto, W. P. (2022). Measure of
customer satisfaction in the residential electricity distribution service using structural equation
modeling. Energies, 15(3), 746. https://doi.org/10.3390/en15030746
Sarabia Sánchez, F. J. (2013). Métodos de Investigación Social y de la Empresa. Ediciones
Pirámide.
Sass, D. A., & Schmitt, T. A. (2013). Testing measurement invariance using multigroup
confirmatory factor analysis within a bifactor framework: A primer with Mplus and R. Frontiers in
Psychology, 4, pp. 1-16. https://doi.org/10.3389/fpsyg.2013.00328
Satorra, A., Bentler, P. M. (1994). Corrections to test statistics and standard errors in covariance
structure analysis. In A. von Eye & C. C. Clogg (Eds.), Latent variables analysis: Applications for
developmental research (pp. 399–419). Thousand Oaks, CA: Sage.
Satorra, A., & Bentler, P. M. (2001). A scaled difference chi-square test statistic for moment
structure analysis. Psychometrika, 66(4), pp. 507-514. https://doi.org/10.1007/BF02296192
Satorra, A., & Bentler, P. M. (2010). Ensuring positiveness of the scaled difference chi-square test
statistic. Psychometrika, 75(2), pp. 243–248. https://doi.org/10.1007/s11336-009-9135-y
Schmitt, N., & Kuljanin, G. (2008). Measurement invariance: Review of practice and implications.
Human Resource Management Review, 18(4), pp. 210-222.
https://doi.org/10.1016/j.hrmr.2008.03.003
Schweickardt, G. (2023a). Percepción de la Calidad del Servicio Técnico en usuarios
Residenciales de Sistemas de Distribución Eléctrica. LATAM Revista Latinoamericana De
Ciencias Sociales Y Humanidades, 4(2), pp. 3885–3909.
https://doi.org/10.56712/latam.v4i2.877
Schweickardt, G. (2023b). Percepción de la Calidad del Servicio Técnico en usuarios
Residenciales de Sistemas de Distribución Eléctrica. LATAM Revista Latinoamericana De
Ciencias Sociales Y Humanidades, 4(3), pp. 594–620. https://doi.org/10.56712/latam.v4i3.1100
Schweickardt, G. (2024). Costo de la calidad del servicio técnico desde la percepción de usuarios
residenciales en sistemas de distribución eléctrica. LATAM Revista Latinoamericana De Ciencias
Sociales Y Humanidades, 5(1), pp. 224 – 249. https://doi.org/10.56712/latam.v5i1.1584
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 2682.
Schweickardt, G., Pistonesi Castelli, H. (2008). Disputabilidad en los sistemas de redes de
distribución eléctrica. un análisis desde los modelos de telecomunicaciones en el marco del
paradigma económico neoclásico. Revista Energética, Nro. 39, pp. 11-23. Universidad Nacional
de Colombia.
Sekhar, P. C., Deshpande, R. A., Sankar V. (2016). Evaluation and improvement of reliability indices
of electrical power distribution system. 2016 National Power Systems Conference (NPSC),
Bhubaneswar, India, 2016, pp. 1-6. DOI: 10.1109/NPSC.2016.7858838
Steenkamp, J.-B. E. M., & Baumgartner, H. (1998). Assessing measurement invariance in cross-
national consumer research. Journal of Consumer Research, 25(1), pp. 78-90.
https://doi.org/10.1086/209528
Steiger, J. H. (1990). Structural model evaluation and modification: An interval estimation
approach. Multivariate Behavioral Research, 25, pp. 173–180.
Steiger, J. H., Lind, J. C. (1980). Statistically based tests for the number of common factors. Paper
presented at the Annual Meeting of the Psychometric Society, Iowa City, IA.
Tucker, L. R., Lewis, C. (1973). A reliability coefficient for maximum likelihood factor analysis.
Psychometrika, 38, pp. 1–10.
Van de Schoot, R., Lugtig, P., & Hox, J. (2012). A checklist for testing measurement invariance.
European Journal of Developmental Psychology, 9(4), pp. 486-492.
https://doi.org/10.1080/17405629.2012.686740
Vandenberg, R. J., & Lance, C. E. (2000). A review and synthesis of the measurement invariance
literature: Suggestions, practices, and recommendations for organizational research.
Organizational Research Methods, 3(1), pp. 4-70. https://doi.org/10.1177/109442810031002
Welzel, C., Brunkert, L., Inglehart, R. F., & Kruse, S. (2019). Measurement equivalence? A tale of
false obsessions and a cure. World Values Research, 11(3), pp. 54-84.
Welzel, C., Brunkert, L., Kruse, S., & Inglehart, R. F. (2021). Non-invariance? An overstated problem
with misconceived causes. Sociological Methods & Research, 52(3), pp. 1368-1400.
https://doi.org/10.1177/004912412199
Wheaton, B., Muthen, B., Alwin, D. F., Summers, G. (1977). Assessing Reliability and Stability in
Panel Models. Sociological Methodology, 8 (1), pp. 84-136.
Widaman, K. F., Ferrer, E., & Conger, R. D. (2010). Factorial invariance within longitudinal structural
equation models: Measuring the same construct across time. Child Development Perspectives,
4(1), pp. 10-18. https://doi.org/10.1111/j.1750-8606.2009.00110.x
Wolf, E. J., Harrington, K. M., Clark, S. L., & Miller, M. W. (2013). Sample size requirements for
structural equation models: An evaluation of power, bias, and solution propriety. Educational and
Psychological Measurement, 73(6), pp. 913-934. doi: 10.1177/0013164413495237
Zhirkov, K & C. Welzel, C. (2022). Rethinking Measurement Equivalence: Why Non-Invariance
Doesn’t Always Mean Non-Comparability. World Values Research, 14 (1), pp. 1-27.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 2683.
Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, publicados
en este sitio está disponibles bajo Licencia Creative Commons .