DOI: https://doi.org/10.56712/latam.v6i6.5073
Desarrollo de un indicador compuesto =
de
propensión perceptual a la adopción de biomasa forestal en
pellets en el segmento residencial
Development o=
f a
composite indicator of perceptual propensity to adopt forest biomass pellet=
s in
the residential sector
Gustavo Schweickardt
https://orcid.org<=
/span>/0000-0002-0843-2946
CONICET-Universidad Tecnológica Nacional, Concepción =
del
Uruguay
Concepción del Uruguay – Argentina
Artículo recibido: 22 de agosto de 2025. Aceptado para
publicación: 24 de diciembre de 2025.
Conflictos de Interés: Ninguno que declarar.
Resumen
El presente trabajo presenta el desarro=
llo
y aplicación de un indicador compuesto, que refleja la propensi&oacu=
te;n
a la adopción de biomasa forestal pelletizada
(BFP), como energético sustituto del emp=
leado
habitualmente para calefacción en hogares residenciales. Este indica=
dor
es de origen perceptual, pues su construcción parte de la
percepción que una muestra de usuarios residenciales, manifiestan so=
bre
un conjunto de variables relacionadas con tres dimensiones centrales de la =
BFP: calidad energética, comercializació=
;n y
logística, y dificultades operativas de uso. El procedimiento de
construcción sigue un enfoque metodológico mixto, en etapas
secuenciales, que emplea: técnicas del análisis
estadístico multivariado (análisis factorial exploratorio -AF=
E-,
análisis factorial confirmatorio -AFC- <=
span
class=3DSpellE>Multi-grupo), optimización soportada en
análisis envolvente de datos -DEA-IC-, y simulación para
configuraciones estables de mínima dispersión del indicador
compuesto adoptado como operativo (método de Montecarlo). El indicad=
or
compuesto operativo queda, entonces, validado conforme las métricas
exigidas para cada etapa, tanto por la literatura como por las buenas
prácticas sugeridas por expertos. El estudio se realizó a par=
tir
de una encuesta a individuos jefes de hogar, pertenecientes al segmento
residencial suburbano (considerado de alto potencial de penetración =
para
la BFP), en una región de las provincias=
de
Córdoba y Santa Fe, Argentina, cuyos perfiles de consumo energ&eacut=
e;tico
tienen similares características.&n=
bsp;
Los resultados resultaron de gran utilidad para la definición=
de
políticas de incentivos que favorezcan la penetración de la <=
span
class=3DSpellE>BFP en forma segmentada por región.
Abstract
This paper pres=
ents
the development and application of a composite indicator that reflects the
propensity to adopt Biomass from Forest Residue Pelletizing (BFRP) as a substitute energy source for heating in
residential homes. This indicator is perceptual in origin, as its construct=
ion
is based on the perceptions expressed by a sample of residential users
regarding a set of variables related to three core dimensions of BFRP: energy quality, marketing and logistics, and
operational difficulties of use. The construction procedure follows a
mixed-methods approach, in sequential stages, employing multivariate
statistical analysis techniques (exploratory factor analysis -EFA-, confirmatory factor analysis -CFA- Multi-group),
optimization supported by data envelopment analysis -DEA-IC-, and simulation
for stable parameters of minimum dispersion of the composite indicator adop=
ted
as operational (Montecarlo method). The operati=
onal
composite indicator is then validated according to the metrics required for
each stage, both by the literature and by best practices suggested by exper=
ts.
The study was based on a survey of heads of households in the suburban resi=
dential
segment (considered to have high potential for BFRP
penetration) in a region encompassing the provinces of Córdoba and S=
anta
Fe, Argentina, whose energy consumption profiles share similar characterist=
ics.
The results proved highly useful for defining incentive policies that promo=
te BFRP penetration in a segmented manner by region.
Keywords: biomass from forest residue pelletizing,
composite indicator, multivariate statistical analysis, DEA-CI optimization=
, Montecarlo simulation
T=
odo
el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y
Humanidades, publicado en este sitio está disponibles bajo
Licencia Creative Commons.=
![](3D"1613_Schweickardt_archivos/image004.jpg")
<=
o:p>
C=
ómo
citar: S=
chweickardt,
G. (2025). Desarrollo de un indicador compuesto de propensión percep=
tual
a la adopción de biomasa forestal en pellets en el segmento residencial.LATAM Revista Latinoamericana de
Ciencias Sociales y Humanidades 6 (6), 2485 – 2509. https://doi.org/1=
0.56712/latam.v6i6.5073
INTRODUCCIÓN
La Biomasa Forestal Pelle=
tizada
(BFP). Generalidades
Dentro de los denominados recursos
energéticos renovables, la biomasa constituye uno de los más
antiguos empleados por la humanidad. A lo largo de la historia, logró
constituirse en un pilar emergente sobre el cual se sustentan las actuales
estrategias de la referida como ‘transición
energética’, término que indica un proceso de
sustitución de fuentes: desde las energías predominantemente
fósiles, con elevados y acumulativos efectos que impactan ambientalm=
ente
(emisiones de CO2 y efecto invernadero, fundame=
ntalmente),
hacia fuentes renovables y limpias, más sostenibles. En térmi=
nos
generales, la biomasa puede definirse como el ‘conjunto de materiales
orgánicos de origen biológico (vegetal o animal) susceptibles=
de
ser aprovechados como fuente primaria de energía, o bien como ‘=
;un
insumo para ciertos procesos productivos que tiene lugar en el marco de la
bioeconomía’, entendida, tomando el todo por la parte, como la
disciplina que aborda el estudio de la producción/prestación =
de
bienes/servicios, utilizando recursos biológicos de carácter
renovable (McKendry, 2002; Bridgwater,
2006; Bonechi et al., 2017). Actualmente, la bi=
omasa
representa una fracción significativa del total de energía
renovable utilizada a nivel mundial (matriz energética renovable), y
desempeña un rol central como energético sustituto de las fue=
ntes
primarias fósiles. En mayor grado en países más
industrializados respecto de las economías en desarrollo;
particularmente en lo que respecta a usos finales en ámbitos
residenciales, tales como la calefacción y cocción de aliment=
os
(Hall et al., 1993; Field et al., 2008; Antar et al., 2021).
Considerando un enfoque de mayor alcance y
amplitud, la relevancia de la biomasa, en general, no se vincula
únicamente con su carácter renovable, sino también con=
su
abundancia respecto a otras fuentes limpias o no carbónicas. Diferen=
tes
estudios en la literatura especializada, focalizados en el análisis =
de
la distribución de la biomasa a escala planetaria, muestran que la
biomasa de origen vegetal constituye una de las principales reservas en la
Tierra, lo cual subraya su potencial como fuente energética si es
gestionada de manera sostenible (Bar-On et al.,
2018). En este sentido, ocupa un lugar destacado en los debates
contemporáneos sobre descarbonización, seguridad y
sustentabilidad energética, y desarrollo territorial sostenible,
razón por la cual se integra, con mayor énfasis, en la
concepción de estrategias para la transición energétic=
a,
así como en los enfoques de la bioeconomía, ambos dependiente=
s de
cada región o país (Rosillo-Calle & Woods, 2012; Antar et
al., 2021).
La importancia del recurso energético <=
span
class=3DSpellE>biomásico, no sólo estriba en su
renovabilidad sino, además, en su abundancia en términos
relativos con otras fuentes no carbónicas y cuya disponibilidad no tiene regímenes
intermitentes (como el recurso solar o el eólico). La biomasa de ori=
gen
vegetal constituye una de las principales reservas (Bar-On
et al., 2018), (Rosillo-Calle & Woods, 2012; Antar et al., 2021).
Específicamente, la biomasa forestal ha sido, históricamente,=
de
particular importancia, en especial bajo la forma de combustible sólido, =
pues
su composición química la torna especialmente adecuada para u=
sos
térmicos directos, y, muy importante en el contexto de esta
investigación, para someterla a procesos que aumenten su eficiencia
energética (Thek & Obernberger,
2012).
Los denominados ‘pellets’ de bioma=
sa
forestal, emergen como una forma de biomasa forestal (=
BFP),
que le permite superar las limitaciones referidas. Para este caso, son bioc=
ombustibles
sólidos obtenidos a partir de la compactación de biomasa
previamente procesada (generalmente residuos forestales o subproductos de la
industria maderera) en pequeñas unidades cilíndricas, de alta
densidad energética y características relativamente homog&eac=
ute;neas
(Thek & Obernberger,
2012; Garcia-Maraver &
Pérez-Jiménez, 2015). De esta manera, la biomasa forestal
El proceso de 'pelletizad=
o',
puede ser definido como de forma simple como ‘un conjunto de operacio=
nes
que se inician con la reducción del volumen de la materia prima en
‘bruto’ (por caso, residuos de forestación, astillas,
sobrantes de descarte provenientes de un aserradero), que se continúa
con un secado de la misma hasta obtener un grado de humedad aceptable, y
finaliza con su compactación, aplicando presión
mecánica’. El resultado son unos cilindros combustibles
denominados ‘pellets’. En ese proceso, subyacen mecanismos
físico-químicos fundamentales para asegurar la calidad del fi=
nal
de los ‘pellets’ obtenidos (Anukam =
et
al., 2021). Conforme la literatura especializada, se ha demostrado que las
propiedades esenciales de los pellets, (densidad, resistencia mecáni=
ca y
poder calorífico), dependen tanto de las características de la
materia prima utilizada como de las condiciones del pe=
lletizado
(Miranda et al., 2015; Anukam et al., 2021).
Por último, desde una perspectiva no
tecnológica, el aspecto relevante a destacar para el presente trabaj=
o,
estriba en que el pelletizado permite transform=
ar un
recurso primario originalmente disperso, de complicada logística, y
heterogéneo, en un combustible estandarizado, fácilmente
comercializable y compatible con sistemas modernos de calefacción. La
formulación de estándares para la BFP
resulta un objeto actual de estudio y propuestas normativas, orientadas a
garantizar una elevada eficiencia energética en diferentes usos fina=
les,
tanto domésticos como industriales. La definición de
estándares, contribuiría, sin duda, a un aumento en la
confiabilidad de la BFP como combustible sustit=
uto, y
a la reducción de la inevitable incertidumbre asociada a su empleo,
condiciones esenciales para su penetración en mercados
energéticos, fundamentalmente minoristas-residenciales (Thek & Obernberger, 2=
012; Garcia-Maraver & Pérez-Jiménez, 201=
5). En
este sentido, la BFP se diferencia de otras for=
mas
tradicionales de biomasa -por caso, la leña en ‘bruto’-,=
no
solo por sus características físicas, sino también por
exhibir una mayor integración en cadenas de valor reguladas. Este
contexto de trabajo, resulta particularmente relevante para un estudio cuyo
objetivo sea medir y explicar la propensión de los hogares a adoptar
sistemas de calefacción basados en BFP, =
ya que
permite situar en un marco más amplio de transición
energética por sustitución de fuentes, reconociendo su
complejidad en múltiples dimensiones más allá de los
aspectos tecnológicos de su producción.
Adopción de tecnologías de BFP para uso residencial. Antecedentes
La adopción de tecnologías de
Desde una perspectiva que considera el
interés por la BFP, en particular, Triani et al. (2025) estudiaron la implementaci&oacut=
e;n
exitosa de proyectos de energía de la biomasa, identificando, y luego
midiendo, los factores que motivan a las personas para la participaci&oacut=
e;n
en los mismos. Analizan cuáles son aquellos que incrementan, desde un
enfoque perceptivo, la intención que los individuos efectivamente ti=
enen
para involucrarse. Los autores proponen un modelo teórico integrando=
el
Modelo de Aceptación de Tecnología (Davis, 1989) y la
Teoría del Comportamiento Planificado (Ajzen,
1991). Toman en cuenta otras variables pertinentes, como la escolaridad, la
preocupación ambiental, la experiencia, la información y los
valores de autotrascendencia.
Existen numerosos aspectos para definir difere=
ntes
enfoques con los cuales la literatura especializada ha abordado perceptualm=
ente
los procesos sustitutivos de diferentes energéticos, empleados para =
los
mismos usos finales (cocción y calefacción), por la biomasa (=
en
particular, la BFP). Se observan enfoques desde=
la
caracterización de perfiles y factores determinantes de la
adopción residencial de BFP
(García-Maroto et al., 2020; 2021); enfoques sociodemográficos
que consideran barreras y dinámicas facilitadoras de los procesos
sustitutivos (Seguin et al., 2018), (Boso et al., 2019) y (Álvarez et
al., 2024); y enfoques centra=
dos en
la evaluación técnica y la viabilidad sostenible de la BFP frente a otras fuentes convencionales para los mi=
smos
usos (Dickinson et al., 2019),
(Pardo et al., 2020), (Mawusi et al., 2023), (G=
arcía
et al., 2024), y (Gómez-Gil et al., 2024), entre los de mayor
relevancia. No obstante, y en términos generales, tales enfoques tie=
nden
a ser de carácter post-adoptivo, conside=
rando
hogares que ya han incorporado la BFP, o bien,
existiendo un cierto grado de penetración de este energético,=
se
encuentran próximos a hacerlo.
Si bien la literatura existente ha realizado
aportes valiosos en la identificación de factores relevantes para la
adopción BFP y sus tecnologías
aprovechamiento, los estudios revisados comparten una limitación
común: los factores identificados suelen analizarse de manera post-adoptiva, mediante modelos explicativos parciale=
s o
análisis descriptivos y que abarcan regiones muy amplias en sus caso=
s.
A diferencia de estos enfoques, el marco de
trabajo subyacente en la presente investigación, considera que, en
estadios de pre-adopción de la BFP, la segmentación regional integrando hogar=
es con
similares patrones de consumo energético (para calefacción, s=
in
pérdida de generalidad), proporciona un contexto de mayor validez de
contenido que el análisis sobre regiones amplias y heterogéne=
as.
En tal contexto, el presente manuscrito busca operacionalizar, mediante una
rigurosa metodología, un indicador perceptual que mida la
propensión pre-adoptiva de los individuo=
s,
cuestión de fundamental importancia que no se observa tratada en el
estado del arte.
METODOLOGÍA
Etapa I:=
Adecuaci&oacut=
e;n
Muestral, Fiabilidad del Instrumento y Análisis Factorial Explorator=
io
sobre la muestra obtenida de hogares potencialmente adoptantes de la BFP. Identificación de la Estructura Factorial
Latente y número de Factores retenidos.
Etapa II: Análisis Factorial Confirmatorio
Multi-Grupo: Comprobación del Nivel de Invarianza de Medida. Compara=
ción
de medias latentes inter-grupo.
Etapa III:
Construcción de los Indicadores Simples asociados a cada Factor.
Etapa IV: Construcción del Indicador
Compuesto (IC): Método DEA-IC con restricciones de proporción=
y
modificación en dos niveles de optimización para el IC de
Mínima Dispersión. Definición operativa de los valores
finales para el empleo del IC como el Indicador Perceptual de propensi&oacu=
te;n
a la adopción de BFP.
Las mismas se desarrollan a continuació=
n.
Para seguir la ‘marcha de cálculo’ de la metodolog&iacut=
e;a
propuesta, se optó por presentar también los resultados
pertinentes de cada etapa, dado que son secuenciales e insumo de la siguien=
te.
Etapa I: Adecuació=
;n
Muestral, Fiabilidad del Instrumento y Análisis Factorial Explorator=
io
En la Tabla 1, se presentan las preguntas que
componen el cuestionario administrado a los jefes de hogares residenciales
suburbanos, potencialmente adoptantes de BFP co=
mo
energético sustituto del utilizado de forma habitual (gas de red, ga=
s en
garrafa o leña), así como los estadísticos descriptivos
para cada uno de los ítems asociados a las mismas. También se
muestran los resultados de los principales indicadores utilizados para eval=
uar
la fiabilidad de la escala y la adecuación del instrumento de medida=
. La
muestra considerada tiene 301 observaciones (199 de la provincia de
Córdoba y 102 de la provincia de Santa Fe). Se utilizó una
puntuación Likert de 7 puntos [1 a 7], en la cual: 1 →<=
span
lang=3Des-419 style=3D'font-size:10.0pt;line-height:115%;font-family:Roboto;
mso-fareast-font-family:Roboto;mso-bidi-font-family:Roboto'> completamente =
en
desacuerdo; 2 → muy en desacuerdo; 3 → en desacuerdo; 4 → ni en desacuerdo ni de acuerdo; 5 →<=
span
lang=3Des-419 style=3D'font-size:10.0pt;line-height:115%;font-family:Roboto;
mso-fareast-font-family:Roboto;mso-bidi-font-family:Roboto'> de acuerdo; 6 → muy de acuerdo; y 7 →<=
span
lang=3Des-419 style=3D'font-size:10.0pt;line-height:115%;font-family:Roboto;
mso-fareast-font-family:Roboto;mso-bidi-font-family:Roboto'> completamente =
de
acuerdo. Para los casos en que un ítem se asocia a una puntuaci&oacu=
te;n
invertida, se recodifica a un nuevo valor dado por: [puntaje nuevo =3D 8 &#=
8211;
puntaje original]. Estos
ítems se indican en la Tabla 1 mediante una (I), al final de la
pregunta. Tal recodificación, permite obtener puntuaciones que facil=
iten
la obtención de los indicadores, tanto los simples como el compuesto=
, en
las etapas correspondientes, pues los valores más altos reflejan de
forma consistente una percepción más favorable del ítem
medido. Para cada ítem, se observan la medida de adecuación
muestral de Kaiser-Meyer-Olkin (KMO)
(Kaiser, 1974), la correlación r(ítem–test) (Hair et al., 2019) y, al final de la Tabla, el KMO y el α de Cronbach (Cronbach, 1951) globales=
. Se
utilizó el software STATA 16.
La prueba de esfericidad de Barlett
fue significativa: χ² =3D 3909.670; <=
span
class=3DSpellE>gl =3D 66; p < 0.001, rechazándose la
hipótesis nula de no correlación entre las variables. En cuan=
to a
la idoneidad muestral, la medida Kaiser-Meyer-Olkin (KMO) global fue de 0.808, valor meritorio para proced=
er con
un AFE. A nivel individual por ítem, los valores KMO
fueron mayormente superiores al valor mínimo recomendado o (0.60). S=
olo
se identificaron dos ítems débiles (señalados en rojo =
en
la Tabla 1): ADOMB3 (KMO =3D
0.599) y COMSERV4 (KMO =3D
0.392). Por su parte, las correlaciones r(ítem–test), que i=
ndican
el grado de asociación entre las puntuaciones obtenidas de cada
ítem con la puntuación global del instrumento, resultaron moderadas (> 0.3) – altas=
(>
0.5), excepto para los ítems
que se identificaron como problemáticos dada su baja
adecuación: COMSERV4, con un
r(ítem-test) =3D 0.162, y ADOMB3 con un r(ítem-test) =3D 0.241, lo cual =
supone
con una pobre contribución de ambos a la consistencia interna global=
. El
alfa de Cronbach para todo el instrumento fue de 0.706, valor aceptable.
Una vez que se
validó la fiabilidad del instrumento y su adecuación muestral
para la identificación de factores latentes, se procedió con =
el
Análisis Factorial Exploratorio (AFE). Se utilizó el
método de factores principales (Principal Factor Analysis
– PFA), con una rotación (ortogona=
l) Varimax y, de forma complementaria, una rotació=
;n
(oblicua) Oblimin, para contrastar la estabilid=
ad de
la estructura factorial resultante. Estimada con los 12 ítems
originales, la solución sin rotación exhibe claramente una
estructura simple interpretable: se tienen tres factores bien definidos y un
cuarto factor cuyas características son residuales, espurio y carent=
e de
sustento teórico. Siguiendo el criterio de Kaiser para la
retención de factores latentes, el gráfico de
sedimentación mostró un ‘codo’ a partir del cuarto
autovalor. Los tres primeros factores explican el 72.600% de la varianza to=
tal,
mientras que el cuarto factor, de características residuales y compu=
esto
sólo por los ítems COMSERV4 (carg=
a l =3D
–0.720) y ADOMB3 (carga l =3D +0.720), el=
evaba el
porcentaje acumulado al 81.400%, pero sin aportar una interpretación
teórica que resultase consistente.
Tabla 1
Fiabilidad del Instrumento de Medida:
Estadísticos Descriptivos y): Medida de Adecuación (KMO), Correlación r (ítem-test) y α=
; de
Cronbach
|
Descriptivos – Adecuación Muest=
ral
y Fiabilidad del Instrumento |
Cuestionario |
||||||
|
Ítem |
Media |
Std. Dev. |
Min |
Max |
KMO |
r(ítem–test) |
Pregunta
[si adoptara BFP] |
|
3.512 |
1.969 |
1 |
7 |
0.858 |
0.715 |
Podría
calentar mi hogar de forma más eficaz |
|
|
COMSERV1 |
4.409 |
1.981 |
1 |
7 |
0.721 |
0.508 |
Me
resultaría más fácil conseguirla cuando la necesitar=
a |
|
ADOMB1 |
5.166 |
1.741 |
1 |
7 |
0.657 |
0.369 |
Instalar
y poner en marcha las estufas sería más simple |
|
FPCAL4 |
4.399 |
1.946 |
1 |
7 |
0.833 |
0.720 |
Se
generaría más humo y suciedad en el interior de la vivienda=
(I) |
|
COMSERV3 |
3.229 |
2.063 |
1 |
7 |
0.780 |
0.493 |
Los
puntos de venta en mi zona no serían suficientes (I) |
|
ADOMB2 |
5.545 |
1.729 |
1 |
7 |
0.611 |
0.362 |
El
encendido, limpieza y reposición de combustible en las estufas de
calefacción requerirían mucho tiempo y esfuerzo (I) |
|
FPCAL2 |
4.093 |
1.983 |
1 |
7 |
0.885 |
0.718 |
La
temperatura se podría regular, logrando ambientes confortables |
|
COMSERV2 |
4.907 |
2.108 |
1 |
7 |
0.788 |
0.499 |
Los
proveedores podrían brindar un servicio de venta rápido y
garantizado |
|
ADOMB3 |
4.000 |
2.003 |
1 |
7 |
0.599 |
0.241 |
Encender
y operar una estufa llevaría más tiempo y resultaría
difícil (I) |
|
ADOMB4 |
5.402 |
1.776 |
1 |
7 |
0.719 |
0.325 |
El
almacenamiento y mantenimiento del combustible me resultarían tare=
as
manejables |
|
FPCAL3 |
4.724 |
1.807 |
2 |
7 |
0.878 |
0.719 |
La
seguridad de calefaccionar de forma estable a lo largo del día ser=
ía
igual o mejor |
|
COMSERV4 |
4.000 |
2.003 |
1 |
7 |
0.392 |
0.162 |
Los
proveedores no responderían en tiempo y forma cuando existiese muc=
ha
demanda (I) |
|
|
Overall |
0.808 |
α =3D 0.706 |
|
Fuente: elaboración propia.
Las cargas factoriales (l) indican en qu&eacut=
e;
medida la variabilidad de un ítem es explicada por un factor
común al cual se asocia. Valores absolutos superiores a 0.50, se
consideran elevados, entre 0.30 y 0.49, moderados, y valores inferiores a 0=
.30
débiles. Como se presenta en la Tabla 2, los ítems asociados a
los tres primeros factores, presentan cargas l muy elevadas: sólo un
ítem, ADOMB4, con una carga l =3D 0.776,=
siendo
superiores a 0.820 para el resto. Esta situación evidencia la
saturación en un único factor, con una estructura bien defini=
da.
Sobre el cuarto factor, sin interpretación conceptual clara, s&oacut=
e;lo
cargan los ítems problemáticos: COMSERV4=
y ADOMB3.
Las unicidades reflejan la proporción d=
e la
varianza total de cada ítem que no es explicada por los factores com=
unes
extraídos (unicidad =3D 1 − comunalidad).V=
alores ≤ 0.30, implican una unicida=
d muy
buena (el factor explica ≥ 70 % de la varianza del ítem); entre 0.31 – 0.50, aceptable;
entre 0.51 – 0.70, ´débil; y > 0.7, inaceptable. Se observa que los dos ítems
problemáticos son los de unicidades mayores, cercanas a la
condición de débiles.
Dado que el PFA su= giere la retención de cuatro factores latentes, cuyos autovalores (ui) resultan mayores o igual a 1: (Factor 1, u1 =3D 3.938; Factor 2, u2 =3D 2.717; Factor 3, u3 =3D 2.059; Factor 4, u4 =3D 1.056), se realizó complementariamente el Análisis Parale= lo de Horn (Horn, 1965), utiliz= ando 500 iteraciones. Este método compara los autovalores obtenidos de la mat= riz de correlaciones observada, con la correspondiente a una matriz de datos, c= on el mismo número de variables y tamaño muestral, derivados des= de un gran número de matrices generadas aleatoriamente. Se conservan aquellos factores cuyos autovalores superan el umbral del percentil 95 de l= os valores generados aleatoriamente, lo cual expresa que no se deben al azar.<= o:p>
Tabla 2
Factorial Exploratorio (AFE, método de
Factores Principales, sin rotación): Cargas factoriales y unicidades=
del
análisis. (Se reportan únicamente las cargas factoriales con
valor absoluto igual o superior a 0.15)
|
Ítem |
Factor 1 |
Factor 2 |
Factor 3 |
Factor 4 |
Unicidad |
|
FPCAL1 |
0.984 |
|
|
|
0.024 |
|
FPCAL2 |
0.985 |
|
|
|
0.022 |
|
FPCAL3 |
0.983 |
|
|
|
0.027 |
|
FPCAL4 |
0.989 |
|
|
|
0.016 |
|
COMSERV1 |
|
0.949 |
|
|
0.090 |
|
COMSERV2 |
|
0.937 |
|
|
0.112 |
|
COMSERV3 |
|
0.941 |
|
|
0.107 |
|
COMSERV4 |
|
|
|
|
0.462 |
|
ADOMB1 |
|
|
0.822 |
|
0.312 |
|
ADOMB2 |
|
|
0.868 |
|
0.227 |
|
ADOMB3 |
|
|
|
0.720 |
0.467 |
|
ADOMB4 |
|
|
0.776 |
|
0.364 |
Fuente: elaboración propia.
De manera que, =
por
todo lo analizado sobre las métricas obtenidas, son retenidos 3 Fact=
ores
Latentes, coincidentes con la estructura de diseño del cuestionario
administrado a los encuestados, sobre las tres dimensiones fundamentales que
ratifica la literatura: calidad energética, comercialización y
logística, y dificultades operativas de uso. Son referidos como:
Favorabilidad en la Percepción de la Calidad (F=
PCAL),
con cuatro ítems (FPCAL1, FPCAL2,
FPCAL3 y FPCAL4);
Comercialización y Servicio (COMSERV), c=
on
tres ítems (COMSERV1, COMSERV2
y COMSERV3); y Adaptabilidad y Dificultad Opera=
tiva
para el Mantenimiento Básico (ADOMB), co=
n tres
ítems (ADOMB1, ADOM=
B2
y ADOMB4). Al correr un nuevo AFE – PFA con los 10 ítems finales, los mismos tres
factores obtenidos explican el 86.930% de la variabilidad de los datos. Esto
indica que el modelo factorial final, con el cual se trabaja en las etapas =
siguientes, exh=
ibe
una mayor capacidad para captar la estructura de variabilidad de los datos,
reduciendo notablemente la proporción de varianza residual no explic=
ada.
Etapa II: Análisis Factorial Confirmatorio
Multi-Grupo. Comprobación del Nivel de Invarianza de Medida
En la Figura 1,=
se
representa conceptualmente el Modelo de Medida a estimar. Los dos grupos (G=
rupo
1: hogares de Córdoba; Grupo 2: hogares de Santa Fe) para la
región analizada, son considerados ante a posibles impactos debido a=
la
existencia de políticas diferentes, referidas al fomento para el uso=
de
la BFP. En Argentina, los Entes que regulan la
energía en general, son autárquicos para cada provincia. Esta
condición podría afectar la percepción de los individu=
os
jefes de hogar encuestados, conforme la provincia donde residen, más
allá de la relativa homogeneidad en los patrones de consumo que exhi=
ba
la región considerada.
En primer
término, se lleva a cabo un Análisis Factorial Confirmatorio =
(AFC) para el Modelo de Medida completo, sin considera=
r los
dos grupos en los cuales se divide la muestra. Los resultados de la
estimación se presentan en la Tabla 3 y 4, siguiendo a Aldás y
Uriel (2017). Luego, a efectos de comprobar la Invarianza Factorial del Mod=
elo,
se siguen los pasos que son detallados en Schweickardt=
(2024), con el mismo sustento teórico que proporciona la literatura,
principalmente: Joaquín
Aldás en su capítulo del libro de Sarabia Sánchez (201=
3),
(Meredith, 1993), (Cheung y Rensvold, 2002; Byr=
ne,
2012), Koufteros y Marcoul=
ides
(2006). Los resultados se presentan en las Tablas 5, 6 y 7.
Figura 1
Modelo Conceptu=
al
de Medida. Constructos e Ítems
Fuente: elaboración propia.
Tabla 3
Propiedades Psicométricas del Modelo de
Medida
|
Cargas Factoriales, Fiabilidad y Validez |
||||||||
|
Factores, Ítems y Cargas Factoriales<= o:p> |
Fiabilidad y Validez Convergente |
|||||||
|
Factor |
Ítem |
λ (z-valor) |
α- Crombach=
|
RC |
AVE |
|||
|
FPCAL1 |
0.985 (40.010***) |
0.992 |
0.993 |
0.971 |
||||
|
FPCAL2 |
0.984 (37.453***) |
|
||||||
|
FPCAL3 |
0.980 (40.111***) |
|||||||
|
FPCAL4 |
0.991 (39.081***) |
|||||||
|
COMSERV |
COMSERV1 |
0.946 (31.476***) |
0.944 |
0.944 |
0.848 |
|||
|
COMSERV2 |
0.905 (36.957***) |
|
||||||
|
COMSERV3 |
0.914 (30.065***) |
|||||||
|
ADOMB |
ADOMB1 |
0.709 (10.436***) |
0.776 |
0.781 |
0.547 |
|||
| ADOMB2 |
0.861 (12.671***) |
|||||||
|
ADOMB4 |
0.637 (9.0800***) |
|||||||
|
Indicadores de Bondad de Ajuste (S-B o Robus=
tos) |
||||||||
|
S-Bχ² =
(32 df) |
S-B CFI |
S-B TLI |
S-Bχ²/=
df |
SRMR |
S-B RMSEA (90% C=
I) |
|||
|
59.670 (p-Chi2 =3D 0.00=
2) |
0.993 |
0.990 |
1.0864 |
0.021 |
0.053(0.031|0.073) |
|||
Nota: λ =3D Cargas Factoriale=
s
estandarizadas; α =3D Alfa de Crombach<=
/span> (Crombach, 1951) -Fiabilidad
Simple-; RC =3D Fiabilidad Compuesta
(Bagozzi & YI, 1998); (Fornell
& Larker, 1981); (Sarabia Sánchez, 2=
013);
AVE =3D Average Variance Extracted (Fornell y L=
arker,
1981); S-Bχ² =3D χ
Fuente: elaboración propia.
Tabla 4
Propiedades Psicométricas del Modelo de
Medida. Validez Discriminante. Ratio HT/MT
|
Validez Discriminante: Ratio HT/MT
(Henseler et al., 2015) |
|||
|
|
FPCAL |
COMSERV |
ADOMB |
|
FPCAL |
1.000 |
|
|
|
COMSERV |
0.026 |
1.000 |
|
|
ADOMB |
0.064 |
0.040 |
1.000 |
Nota: La ratio HT/MT resulta
< 1 entre pares de Factores distintos: < 0.900.
Fuente:<=
/i> elaboraci&oacu=
te;n
propia.
Tabla 5
Indicadores de Ajuste para los Modelos de
Invarianza por Nivel
|
Nivel |
S-Bχ²<= o:p> |
df |
S-Bχ²/=
df |
S-B CFI |
S-B TLI |
S-B RMSEA (90% C=
I) |
SRMR |
|
97.678 |
64 |
1.526 |
0.992 |
0.988 |
0.058 (0.033–0.080) |
0.030 |
|
|
Métrica |
101.480 |
74 |
1.371 |
0.993 |
0.992 |
0.048 (0.021–0.070) |
0.035 |
|
Escalar |
112.275 |
81 |
1.386 |
0.993 |
0.992 |
0.049 (0.024–0.070) |
0.036 |
|
Estricta |
115.807 |
91 |
1.273 |
0.994 |
0.994 |
0.041 (0.009–0.062) |
0.038 |
Fuente: elaboración propia.
Tabla 6
Tests de Diferencia =
Chi2 Robusta (𝚫S-Bχ²) por Comparación entre Niveles de
Invarianza Factorial
|
Comparación |
Restricción añadida |
𝚫<=
b>S-Bχ²<=
/span>
(df) |
p |
Decisión |
|
Igualdad de cargas (=
|
2.640 (10) |
0. 989 |
Invarianza Métrica |
|
|
Escalar vs. Métrica |
Igualdad de interceptos=
( |
9.940 (7) |
0. 192 |
Invarianza Escalar |
|
Estricta vs. Escalar |
Igualdad de residuos (![](3D"1613_Schweickardt_archivos/image012.gif") ) |
3.290 (10) |
0. 974 |
Invarianza Estricta |
Fuente: elaboración propia.
Tabla 7
Tests de Diferencia
(Δ) de Indicadores de Ajuste (SRMR - S-B <=
span
class=3DSpellE>CFI - S-B RMSEA) entre Ni=
veles de
Invarianza Factorial
|
Comparación |
𝚫<=
span
class=3DSpellE>SRMR |
𝚫<=
b>S-B CFI |
𝚫<=
b>S-B RMSEA=
|
Decisión |
|
0.005 |
+0.001 |
-0.010 |
Invarianza Métrica |
|
|
Escalar vs. Métrica |
0.001 |
0.000 |
+0.001 |
Invarianza Escalar |
|
Estricta vs. Escalar |
0.002 |
+0.001 |
-0.008 |
Invarianza Estricta |
Nota:
Fuente: elaboración propia.
En cuanto al AFC, =
Tabla
3, las cargas factoriales para los factores FPCAL y COMSERV son muy elevadas, y los valores de α-
En cuanto al Análisis Multigrupo, la
Invarianza Factorial fue comprobada mediante dos enfoques: a) Pruebas de
diferencia de χ², y b) Diferencias (&=
#916;)
entre Indicadores de Ajuste SRMR, S-B CFI y S-B RMSEA. La Tabla=
5,
muestra los indicadores de ajuste para los Modelos de Invarianza por Nivel.=
Las
Tablas 6 y 7, presentan los resultados del enfoque a) y b), respectivamente=
. El
ajuste en todos los casos fue muy satisfactorio, y se comprobó que el
Modelo alcanza el nivel de Invarianza Estricta.
El nivel de
Invarianza Escalar, es el suficiente para la comparación de medias
latentes entre los dos grupos considerados (Córdoba y Santa Fe). Este
paso, final y fundamental para la Etapa II, está orientado, como se
dijo, a evaluar si existen diferencias estadísticamente significativ=
as
en la percepción de los encuestados, según residan en una u o=
tra
provincia, como potenciales adoptantes de la BFP.
Como se explicó, podrían existir e influir políticas
diferenciadas de incentivos para el fomento de este energético, dado=
que
cada provincia es autárquica respecto de las normativas reguladora de
energía. Esta comparación se presenta en la Tabla 8. Si bien =
es
suficiente reportar la comparación de medias latentes para el nivel
Escalar, dado que el Modelo alcanzó Invarianza Estricta tales
estimaciones son también reportadas en este nivel. Se observa que, en
ambos niveles, las estimaciones arrojan resultados prácticamente
idénticos.
Tabla 8
Comparación de Medias Latentes por
constructo y Nivel de invarianza (Escalar y Estricta)
| Constructo |
Nivel de Invarianza |
Δμ (SF̵=
1;Cba) |
EE |
z |
p |
IC 95% |
| Escalar |
0.122 |
|
0.347 |
|||
| Estricta |
0.122 |
|
0.350 |
|||
|
COMSERV |
Escalar |
0.124 |
|
0.757 |
||
| Estricta |
0.124 |
|
0.747 |
|||
|
ADOMB |
Escalar |
+0.019 |
0.132 |
+0.144 |
0.886 |
|
| Estricta |
+0.024 |
0.132 |
+0.183 |
0.855 |
Nota: EE: error
estándar; Δμ(SF–Cba):
diferencia de medias latentes estimada entre los grupos (Grupo 1,
Córdoba, es el de referencia); z: estadístico de contraste (<=
span
class=3DSpellE>Δμ/EE); p: p-valor. IC 95%: todos incluyen =
el
valor 0.
Fuente: elaboración propia.
La Tabla 8 muestra que en la comparació=
n inter-grupo de medias latentes para cada factor de Mo=
delo
no se evidencian diferencias estadísticamente significativas. Esta
condición se sostiene, inclusive, en el nivel de Invarianza Estricta=
. De
modo que la percepción de los potenciales adoptantes se considera
equivalente en ambas provincias. Los resultados no excluyen la existencia de
políticas de incentivo diferenciadas entre Córdoba y Santa
Etapa III: Construcción de los Indicadores
Simples asociados a cada Factor
En base a los resultados de la Etapa II, se
adoptan los puntajes factoriales, ![](3D"1613_Schweickardt_archivos/image014.gif")
<=
![endif]>, (factor ![](3D"1613_Schweickardt_archivos/image016.gif")
<=
![endif]> para cada individuo ![](3D"1613_Schweickardt_archivos/image018.gif")
<=
![endif]> ) como ‘insumo’ o entra=
das
para construir tres índices simples. Las razones de tal adopci&oacut=
e;n
estriban en que:
Constituyen la síntesis de mayor simplicidad para captar la
información inherente a los ítems de cada factor del Modelo. =
El
pasaje de: ítems ![](3D"1613_Schweickardt_archivos/image020.gif")
<=
![endif]> factor latente <=
![endif]> índice simple, preserva la
estructura confirmada por el AFC.
Al haber probado Invarianza Estricta, l=
os
puntajes <=
![endif]> se encuentran en una misma escala l=
atente
entre provincias. Esto asegura que cualquier transformación
monótona posterior de <=
![endif]>, mantenga el o=
rden
relativo y no introduzca sesgos de escala por grupo.
El método de agregación de los índices simples=
en
uno compuesto aquí empleado, DEA-IC, requiere entradas
homogéneas, no negativas y de ‘beneficio’. Por ello, cada
puntaje <=
![endif]> se transforma de forma simple en un
índice normalizado en [0, 1] orientado a un criterio ‘cuanto
más, mejor’, lo cual evita sesgos por heterogeneidad de
‘unidades’ (empleando la terminología DEA, las observaci=
ones
resultan ser las unidades de análisis), facilitando, a su vez, la in=
terpretación
y el agregado para obtener el indicador compuesto.
Operativamente: para cada Factor ![](3D"1613_Schweickardt_archivos/image022.gif")
<=
![endif]>FPCAL, COMSERV,
ADOMB![](3D"1613_Schweickardt_archivos/image024.gif")
<=
![endif]> y cada individuo <=
![endif]>, se calcula un
índice simple, IS como:
![](3D"1613_Schweickardt_archivos/image026.gif")
<=
![endif]> &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp; (1)
donde ![](3D"1613_Schweickardt_archivos/image028.gif")
<=
![endif]> es una transformación
monótona que mapea los puntajes latentes a ![](3D"1613_Schweickardt_archivos/image030.gif")
<=
![endif]>. Como <=
!--[if gte msEquation 12]><=
![endif]>, se consideran=
dos
transformaciones equivalentes: por intervalo Min–Max directo y
Min–Max robusto (winsorizado por percentiles). La expresión
general, en ambos casos, resulta:
![](3D"1613_Schweickardt_archivos/image032.gif")
<=
![endif]> &nb=
sp; =
&nb=
sp; =
&nb=
sp; =
&nb=
sp; =
(2)
El winsorizado,
propuesto por Tukey (1962), supone una versión ‘robusta’=
de
la transformación Min–Max directa, en la cual los puntajes
factoriales se recortan por percentiles (1%–99%) antes de la
normalización. Teniendo los resultados para el método directo,
expresión (2),&=
nbsp;
y los de esta versión robusta (wi=
nsorizada),
se compararon ambas transformaciones mediante diversas métricas de
concordancia y distancia. Los resultados se presentan en las Tablas 9 y 10.=
En la Tabla 9, se observa que los
estadísticos descriptivos de los índices directos y winsorizados son prácticamente idéntico=
s. En
la comparación de las dos transformaciones monótonas, Tabla 1=
0,
se tienen también resultados de equivalencia conforme las
métricas empleadas.
Tabla 9
Estadísticos descriptivos y diferencias
absolutas entre índices simples directos y wins=
orizados
|
I-Factor |
n |
Media (Directo) |
SD (Directo) |
Media (Winsor) |
SD (Winsor) |
Dif. media |
Dif. Mediana |
Max. dif. abs. |
|
I-FPCAL |
301 |
0.5184 |
0.3289 |
0.5184 |
0.3290 |
0.00005 |
0.00004 |
0.00016 |
|
I-COMSERV |
301 |
0.5336 |
0.3224 |
0.5334 |
0.3225 |
|
|
0.00051 |
|
I-ADOMB |
301 |
0.7349 |
0.2484 |
0.7356 |
0.2489 |
0.00068 |
0.00082 |
0.00122 |
Nota: I-Factor: indicador resultante,
según la transformación, asociado a cada factor; n: N°
observaciones; SD: desviación estándar; =
Dif.:
diferencia; Max. Dif. Abs<=
/span>:
máxima diferencia absoluta entre el índice winsorizado
y el índice directo, observada a nivel individual.
Fuente: elaboración propia.
El coeficiente de correlación r de Pearson resultó la
unidad para los tres indicadores asociados a sendos factores, y los
coeficientes de correlación ρ de Spearman confirman una
concordancia monótona perfecta (=3D 0.999);
Los tamaños del efecto inter-grupal (d
de Cohen) no se modifican entre ambas transformaciones, lo cual sugiere que=
el winsorizado no modifica la relación entre los =
grupos
considerados.
Tabla 10
Correlación, equivalencia distributiva y
efecto inter-grupo de los índices simple=
s
|
I-Factor |
r |
ρ |
KS-D |
d (Directo) |
d (Winsor) |
|
1.000 |
0.999998 |
0.056 |
0.114 |
0.114 |
|
|
I-COMSERV |
1.000 |
0.999998 |
0.043 |
0.038 |
0.038 |
|
I-ADOMB |
1.000 |
0.999998 |
0.043 |
|
|
Nota: I-Factor:
indicador resultante, según la transformación, asociado a cada
factor; r: coeficiente de Pearson; ρ: coeficiente de Spearman; KS-D:
estadístico de Kolmogorov-Smirnov (Steph=
ens,
1992); d: d de Cohen (Cohen, 1988).
Fuente: elaboración propia.
Se concluye, de esta manera, que la
transformación winsorizada no introduce
beneficios adicionales respecto de la normalización directa por
intervalo, dada por la expresión (2), cuyos valores son los operativ=
os
para las etapas siguientes.
Etapa IV: Construcción del Indicador
Compuesto (IC): Método DEA-IC con restricciones de proporción=
y
modificación en dos niveles de optimización para el IC de
Mínima Dispersión
El modelo de agregación de indicadores
simples (o subindicadores, IS) en un indicador compuesto (IC) DEA-IC,
constituye un enfoque sustentado programación lineal eficiencia no
paramétrica, que resuelve de forma conjuntamente los esquemas de
ponderación y agregación, evitando imponer, a priori, pesos f=
ijos
(Lovell & Pastor, 1999). Para cada unidad de
análisis, el modelo elige aquellos pesos que maximizan su propio
desempeño relativo, dentro de restricciones de equidad y
participación mínima por componente. Esto confiere al
índice compuesto obtenido, una estructura endógena
empíricamente fundada, libre de arbitrariedades y coherente con la
heterogeneidad de las percepciones (Zhu, 2014) y Zhou et al. (2007, 2021). =
De
esta forma, su elección para la presente etapa se sintetiza en los
siguientes puntos:
Como se sustenta en una técnica DEA (Da=
ta Envelopment Analysis R=
11;
Análisis Envolvente de Datos), tiene un esquema de ponderación
que carece de subjetividad por parte del tomador de decisiones, ya que los
pesos de los ISs son determinados a travé=
;s un
proceso de optimización iterativo.
Las tareas de ponderación y agregaci&oa=
cute;n
se realizan al mismo tiempo.
El esquema de ponderación tiene una
estructura de ponderación simple, SAW - =
Simple
Additive Weighting =
–,
pero con la diferencia de que los pesos SAW son=
fijos
y exógenos, mientras que los obtenidos mediante DEA-IC son variables
(para cada unidad) y endógenos.
El único aspecto rígido que pres=
enta
este enfoque, estriba en que todos los subindicadores deben ser de
‘beneficio’ – criterio ‘cuanto más,
mejor’-. Como se ha visto en las secciones anteriores, tal condici&oa=
cute;n
no implica ninguna limitación para este estudio, pues los índ=
ices
simples factoriales, por construcción, cumplen con ese criterio. En
general, si algún subindicador fuese de ‘costo’, -criter=
io
‘cuanto menos, mejor’- ´tendrá que ser transformad=
o en
uno de ‘beneficio’, lo cual no entraña dificultades, sal=
vo
casos específicos.
El método DEA-IC como lo formulan Zhou =
et
al. (2007, 2021), formalmente requiere de tres pasos que arriban a sendos
modelos operacionales:
1er Paso: Modelo (=
I):
Son considerados ![](3D"1613_Schweickardt_archivos/image034.gif")
<=
![endif]> ISs, y ![](3D"1613_Schweickardt_archivos/image036.gif")
<=
![endif]> unidades-observaciones de la muestr=
a,
cuyos valores son designados como: ![](3D"1613_Schweickardt_archivos/image038.gif")
<=
![endif]>, <=
![endif]> en [1, <=
![endif]>], j en [1, m].
Resolviendo iterativamente <=
![endif]> veces, una por cada unidad, se obti=
ene el
conjunto de índices,{![](3D"1613_Schweickardt_archivos/image040.gif")
<=
![endif]>, ![](3D"1613_Schweickardt_archivos/image042.gif")
<=
![endif]>, …,![](3D"1613_Schweickardt_archivos/image044.gif")
<=
![endif]>}. ![](3D"1613_Schweickardt_archivos/image046.gif")
<=
![endif]>, es el peso del
indicador <=
![endif]>, asignado a la=
por
el modelo a la unidad <=
![endif]>, en el agregad=
o de
su indicador, ![](3D"1613_Schweickardt_archivos/image048.gif")
<=
![endif]>:
![](3D"1613_Schweickardt_archivos/image050.gif")
<=
![endif]> &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp; (3)
Sujeto a:
![](3D"1613_Schweickardt_archivos/image052.gif")
<=
![endif]> &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp; (4)
Se trata de un
modelo DEA multiplicador, que maximiza la eficiencia, con salidas
múltiples y entradas constantes. Mide ‘cuán lejos’
está la entidad evaluada de la entidad de mejor práctica,
‘bajo los mejores pesos posibles’ (desde aquí la ‘=
![](3D"1613_Schweickardt_archivos/image054.gif")
<=
![endif]>’ en <=
![endif]>). Los valores =
de <=
![endif]>, resultar&aacu=
te;n
en el intervalo [0, 1].
Si fuese considerado únicamente el Mode=
lo
(I) en la construcción del indicador compuesto (IC), se
presentarían dos inconvenientes: a) si una unidad tuviese un valor p=
ara
determinado subindicador, que domina a las otras unidades siempre
obtendrá una puntuación de 1, aun teniendo valores muy pobres=
en
los otros subindicadores; b) puede conducir a una situación en la que
una gran cantidad de unidades tengan una puntuación de desempe&ntild=
e;o
igual a 1, y cualquier diferenciación o clasificación entre l=
as
mismas resulte dificultosa. El Modelo (I) por sí mismo carece, enton=
ces,
de una cualidad imprescindible para un indicador compuesto, que es referida
como ‘poder o capacidad de discriminación’. Los autores
introducen un segundo modelo de programación lineal, que resuelve es=
tos
dos inconvenientes.
2do Paso: Modelo (=
II):
Con la misma estructura en la notación, se expresa como:
![](3D"1613_Schweickardt_archivos/image056.gif")
<=
![endif]> &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp; (5)
Sujeto a:
![](3D"1613_Schweickardt_archivos/image058.gif")
<=
![endif]> &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp; (6)
Este modelo mide ‘cuán cerca
está la entidad evaluada de la entidad de peor práctica’=
;,
bajo ‘los peores pesos posibles’ (desde aquí la ‘<=
/span>![](3D"1613_Schweickardt_archivos/image060.gif")
<=
![endif]>’ en ![](3D"1613_Schweickardt_archivos/image062.gif")
<=
![endif]> y en los pesos ![](3D"1613_Schweickardt_archivos/image064.gif")
<=
![endif]>). Los valores
obtenidos para <=
![endif]>, serán
mayores o iguales a 1. Por esta razón, se normalizan ambos indicador=
es
por intervalo min-max, y se los agrega en el te=
rcer
paso.
3er Paso: Modelo (III): Se integran los dos
aspectos complementarios de la eficiencia para cada unidad, sintetizados por
los valores <=
![endif]> y <=
![endif]>,en un modelo de
operación (no de optimización) que genera los valores
individuales para el indicador compuesto,
![](3D"1613_Schweickardt_archivos/image066.gif")
<=
![endif]> &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp; (7=
)
Los valores ![](3D"1613_Schweickardt_archivos/image068.gif")
<=
![endif]>, ![](3D"1613_Schweickardt_archivos/image070.gif")
<=
![endif]> y ![](3D"1613_Schweickardt_archivos/image072.gif")
<=
![endif]>,![](3D"1613_Schweickardt_archivos/image074.gif")
<=
![endif]>, corresponden =
al
máximo y mínimo de los indicadores parciales obtenidos desde =
los
Modelos (I) y (II), respectivamente, para la normalización por inter=
valo
referida. Los autores introducen el parámetro ![](3D"1613_Schweickardt_archivos/image008.gif")
<=
![endif]>, que toma valo=
res
discretos con incrementos de 0.1 en el intervalo [0.1, 0.9]. Su funci&oacut=
e;n
es permitir una ponderación hacia una de las dos métricas de
eficiencia, pero en las aplicaciones que presentan establecen <=
![endif]> =3D 0.5, lo cual equivale a promedi=
ar los
dos componentes. Los valores que asume ![](3D"1613_Schweickardt_archivos/image076.gif")
<=
![endif]>, independiente=
mente
del valor fijado para <=
![endif]>, siempre
estarán en el intervalo [0, 1]. También consideran lo que
denominan ‘restricciones de proporción’ en la
participación de cada indicador simple en su agregado para obtener el
compuesto, con iguales límites inferior, ![](3D"1613_Schweickardt_archivos/image078.gif")
<=
![endif]>, y superior, <=
/span>![](3D"1613_Schweickardt_archivos/image080.gif")
<=
![endif]>, para cada
indicador ![](3D"1613_Schweickardt_archivos/image082.gif")
<=
![endif]>. Estas
restricciones se expresan como:
![](3D"1613_Schweickardt_archivos/image084.gif")
<=
![endif]> &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; (8)
De forma que pueden ser considerados dos
indicadores compuestos en la ecuación (7): Sin y Con restricciones de
proporción. Se describen sus simulaciones, utilizando los
software R y Python.
Solución DEA-IC para el Indicador de Propensión Perceptual a la adopció= ;n de BFP, Sin restricciones de Proporción<= o:p>
Los valores de =
los
subindicadores, en este caso, son los puntajes factoriales normalizados que
arroja la ecuación (2). Dado que el parámetro <=
![endif]>, adopta valores
discretizados en [0.1, 0.9] con saltos de 0.1, para cada unidad se
tendrá dispersión en los valores de <=
![endif]>. Como no es
posible, por cuestiones de espacio, presentar valores individuales, se
optó por reportar un gráfico box-plot para 50
unidades-observaciones, elegidas aleatoriamente desde los 301 totales que t=
iene
la muestra, gráfico 1.
Gráfico 2
![](3D"1613_Schweickardt_archivos/image086.gif")
Gráficos
Box-Plot del <=
![endif]> para 50 individuos de la muestra el=
egidos
aleatoriamente
Fuente: elaboración propia.
En esta figura =
se
observa dónde se ubica la mediana (coincidente con <=
![endif]> =3D 0.5) del valor de <=
![endif]>, y la muy elev=
ada
dispersión que tiene, en general, el indicador compuesto al variar el
parámetro![](3D"1613_Schweickardt_archivos/image088.gif")
<=
![endif]>. No podr&iacut=
e;a
garantizarse la misma clasificación u ordenamiento para <=
![endif]> en esta submuestra, que resulte
independiente del valor asignado al parámetro. En indicador compuesto
carece de robustez, y no tiene mucho sentido ‘colapsar’ sus val=
ores
en <=
![endif]> =3D 0.5.
Solución DEA-IC para el Indicador de Propensión Perceptual a la adopció= ;n de BFP, Con restricciones de Proporción<= o:p>
En este caso, la propuesta para el presente
estudio es novedosa y constituye un aporte respecto a la formulación=
del
método DEA-IC en su forma original. La estrategia consiste en incorp=
orar
restricciones de proporción, respecto a la participación de l=
os
subindicadores factoriales, proponiendo una optimización en dos nive=
les,
que se realiza en forma conjunta. Los pasos operativos se presentan a
continuación:
Límites Inferior y Superior de las restricciones de
proporción para cada subindicador factorial: Se define un
intervalo en el que pueden variar las restricciones para cada subindicador =
<=
![endif]>, conjunto indi=
cado
en las Tablas 9 y 10 como {I-FPCAL, I-COMSERV e I-ADOMB}, =
![](3D"1613_Schweickardt_archivos/image090.gif")
<=
![endif]>, cuyos valores
límite inferior (![](3D"1613_Schweickardt_archivos/image092.gif")
<=
![endif]>) y superior ( =
![](3D"1613_Schweickardt_archivos/image094.gif")
<=
![endif]>; ![](3D"1613_Schweickardt_archivos/image096.gif")
<=
![endif]>) se fijan en
proporción a la varianza media extraída para cada factor, AVE,
mediante dos multiplicadores, ![](3D"1613_Schweickardt_archivos/image098.gif")
<=
![endif]> y ![](3D"1613_Schweickardt_archivos/image100.gif")
<=
![endif]>, con <=
![endif]> < <=
![endif]>:
![](3D"1613_Schweickardt_archivos/image102.gif")
<=
![endif]> &nb=
sp; =
&nb=
sp; (9)
Optimización en dos Niveles:=
Se define,
primeramente, el Rango Intercuartílico para cada individuo <=
![endif]> -ésimo, como:
![](3D"1613_Schweickardt_archivos/image104.gif")
<=
![endif]> &=
nbsp; &nbs=
p; &=
nbsp; (10)
Como se observa en la expresión (10), e=
ste
valor será una función de los multiplicadores <=
![endif]> y <=
![endif]>. Luego, la
función objetivo de nivel superior que ingresa en un contexto de
minimización, es el el Rango Intercuartílico Promedio Global =
(u
objetivo de Mínima Dispersión),![](3D"1613_Schweickardt_archivos/image106.gif")
<=
![endif]>, definido como=
:
![](3D"1613_Schweickardt_archivos/image108.gif")
<=
![endif]> &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; (11)
La minimización de<=
![endif]>, permite
identificar los valores óptimos de =
![](3D"1613_Schweickardt_archivos/image110.gif")
<=
![endif]>:
![](3D"1613_Schweickardt_archivos/image112.gif")
<=
![endif]> &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; (12)<=
o:p>
Y con ello los valores óptimos para las
restricciones óptimas para cada subindicador factorial ![](3D"1613_Schweickardt_archivos/image114.gif")
<=
![endif]>, desde la
expresión (9). Los resultados, al igual que en la Figura 2 y para los
mismos 50 individuos seleccionados aleatoriamente sobre los 301 de la muest=
ra,
se presentan en el gráfico 2.
![](3D"1613_Schweickardt_archivos/image116.gif")
Gráficos Box-Plot<=
/span>
del =
![](3D"1613_Schweickardt_archivos/image118.gif")
<=
![endif]> de Mínima Dispersión =
para
los 50 individuos de la muestra elegidos aleatoriamente
Fuente: elaboración propia.
Los valores de =
AVE
(Tabla 3), resultaron: FPCAL, AVE =3D 0.971; ![](3D"1613_Schweickardt_archivos/image120.gif")
<=
![endif]>, se adopt&oacu=
te;:
<=
![endif]> en [0.95, 0.99] y <=
![endif]> en [1.10, 1.20]. Para ejecutar la
optimización en dos niveles (nivel superior →![](3D"1613_Schweickardt_archivos/image122.gif")
<=
![endif]> y nivel inferior→ ![](3D"1613_Schweickardt_archivos/image124.gif")
<=
![endif]>) se aplic&oacu=
te;
el método de Montecarlo. Se consideraron Bmax
=3D 1000 réplicas, repitiendo cada simulación para cuatro sem=
illas
estocásticas: [127, 3597, 978 y 98765]. Como se presenta en la Figur=
a 4,
las cuatro trayectorias convergen hacia el mismo valor, con diferencias <=
![endif]> al valor <=
![endif]> =3D 0.5, mediana de cada box-plots =
<=
![endif]>–é=
simo.
Este resultará el valor operativo del Indicador de Propensión
Perceptual a la adopción de BFP.
Análisis
Estabilidad del Índice Compuesto Operativo: El coeficiente de congruencia de
Tucker–Tukey (φ) resulta la métrica más adecuada p=
ara
evaluar la robustez estructural o estabilidad del índice compuesto
operativo. El proceso final de agregación del IC operativo no guarda
linealidad con los subindicadores factoriales. (φ), al medir el coseno=
del
ángulo entre los vectores no centrados, no depende de la linealidad,
sino de la semejanza direccional entre los patrones de variación. Los
valores obtenidos: I-FPCAL, φ =3D 0.868; I=
-COMSERV, φ =3D 0.886; I-ADO=
MB,
φ =3D 0.856, evidencian una congruencia muy alta entre el IC (λ =
=3D 0.5)
y sus subindicadores factoriales. En términos geométricos, se
tienen ángulos de 29.773°, 27.625° y 31.130°,
respectivamente, inferiores a 32°, indicando que los vectores asociados=
al
índice compuesto operativo y a cada subindicador factorial, mantienen
una orientación prácticamente coincidente dentro del espacio =
de
percepción, con muy alta alineación geométrica.
Comparación de Medias inter-grupo
de (IC (λ =3D 0.5)): Dado el tamaño muestral desigual entre gru=
pos y
la ausencia de evidencia de diferencias, se optó por la prueba t de
Welch como contraste, por ser robusta ante posibles heterocedasticidades. L=
os
resultados se presentan en la Tabla (11).
![](3D"1613_Schweickardt_archivos/image126.jpg")
Curvas ‘<=
span
class=3DSpellE>Best-so-far’ –
‘Mejor hasta Ahora’, ![](3D"1613_Schweickardt_archivos/image128.gif")
<=
![endif]>=3D f(B) (Bmax =
=3D
1000; 4 semillas)
Fuente: elaboración propia.
Tabla 11
Diferencia de medias inte=
r-grupo
para IC (λ =3D 0.5) el evaluada mediante prueba t de Welch
|
Provincia |
n |
Media IC (λ =3D 0.5) |
ΔMedia (SF̵=
1;Cba) |
IC 95% |
p (Welch) |
Tamaño de efecto |
|
199 |
0.403 |
|
|
0.453 |
|
|
|
Santa Fe |
102 |
0.427 |
Nota: n: número de observaciones para
cada grupo-provincia; g de Hedges (tamañ=
o del
efecto).
Fuente: elaboración propia.
No existen
diferencias significativas en las medias del IC (λ =3D 0.5), como Indi=
cador
de Propensión Perceptual a la adopción de BFP
operativo, IPP-BFP, entre ambos grupos. Se conf=
irma,
de esta manera, que las propiedades perceptuales se sostienen a lo largo de
toda la metodología propuesta para su construcción. Finalment=
e,
si los hogares cuyos IPP-BFPi superan o igualan=
al
promedio del indicador fuesen identificados como adoptantes de BFP, se tendría la distribución del
gráfico 4.
Gráfico 4
Distribución del I=
PP-BFP
con grupos de adopción
![](3D"1613_Schweickardt_archivos/image130.gif")
Fuente: elaboración propia.
CONCLUSIONES
Son sintetizados los siguientes puntos como
conclusiones finales del trabajo de investigación abordado:
Se ha presentado una novedosa metodologí=
;a
de cuatro etapas, que permite, partiendo de un cuestionario afín
aplicado en una región argentina, obtener un indicador perceptual de
propensión a la adopción de biomasa forestal pelletizada
como energético sustituto a nivel residencial. Esta región
integra individuos que residen en las provincias de Córdoba y Santa =
Fe,
y cuyos patrones de consumo energético para calefacción tienen
características similares (hogares del segmento suburbano).
El enfoque metodológico es mixto (o
Los resultados, si bien se corresponden con el
caso de estudio particular, no quitan generalidad al
la metodología propuesta, la cual puede ser replicada en otros
contextos, siempre que incorporen las tres dimensiones que respalda la
literatura en los estudios de pre-adopción de BFP, aquí representadas por los tres factores
latentes confirmados: Favorabilidad en la Percepción de la Calidad (=
FPCAL),
Comercialización y Servicio (COMSERV),
y Adaptabilidad y Dificultad Operativa para el Mantenimiento Básico =
(ADOMB). Es de importancia, en potenciales replicacion=
es de
esta metodología, considerar que la segmentación regional,
integrando hogares con similares patrones de consumo energético (para
calefacción, sin pérdida de generalidad), proporciona un cont=
exto
de mayor validez de contenido que el análisis sobre regiones amplias=
y
heterogéneas. Asimismo, el Indicador obtenido resultó de gran
utilidad para la definición de políticas de incentivos que
favorezcan la penetración de la BFP en f=
orma
para la región considerada.
REFERENCIAS
Ajzen, I. (1991=
).
The theory of planned behavior. Organizational behavior and human decision
processes, 50(2), pp. 179-211. https://doi.org/10.1016/0749-5978(91)90020-T=
Aldás, J., Uriel, E. (2017).
Análisis Multivariante Aplicado con R. 2da
Edición. Paraninfo.
Álvarez,=
B.,
Boso, À., Rodríguez-Rodríguez, I., & Espluga-Trenc, J. (2024). Engaging communities in energy transitions:=
A
study on attitudes towards sustainable heating technologies and the role of
peer effects in Southern Chile. Sustainability, 16(20), 9115.
https://doi.org/10.3390/su16209115
Antar, M., Lyu, D., Nazari, M., Shah, A., Zhou, X., & Smith,=
D. L.
(2021). Biomass for a sustainable bioeconomy: An overview of world biomass
production and utilization. Renewable and Sustainable Energy Reviews, 139,
110691. https://doi.org/10.1016/j.rser.2020.110691
Anukam, A., Berghel, J., Henrikson, G=
., Frodeson, S., & Ståhl<=
/span>,
M. (2021). A review of the mechanism of bonding in densified biomass pellet=
s.
Renewable and Sustainable Energy Reviews, 148, 111249. https://doi.org/10.1=
016/j.rser.2021.111249
Bagozzi<=
/span>, R.P., YI, Y.
(1998). On the Evaluation of Structural Equation Models. JAMS 16, pp.
74–94.
Bar-On, Y. M., Phillips, R., & Milo, R.
(2018). The biomass distribution on Earth. Proceedings of the National Acad=
emy
of Sciences, 115(25), pp. 6506–6511. https://doi.org/10.1073/pnas.1711842115
Bentler<=
/span>, 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://d=
oi.org/10.1037/0033-2909.88.3.588
Bonechi<=
/span>, C., Consumi, M., Donati, A., =
Leone,
G., Magnani, A., Tamasi, G., & Rossi, C. (2=
017).
Biomass: An overview. In Bioenergy systems for the future (pp. 3–42).
Academic Press. https://doi.org/10.1016/B978-0-=
08-101031-0.00001-6
Boso, À.,
Bridgwater, T. (2006).
Biomass for energy. Journal of the Science of Food and Agriculture, 86(12),=
pp.
1755–1768. https://doi.org/10.1002/jsfa.2605
Byrne, B. M. (2012). Structural Equation
Modeling with Mplus: Basic Concepts, Applicatio=
ns,
and Programming. New York, NY: Routledge. https://doi.org/10.4324/978020380=
7644
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 Equa=
tion
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. (2013). Statistical power analysis
for the behavioral sciences. Routledge. https://doi.org/10.4324/97802037715=
87.
Cronbach, L. J. (1951). Coefficient alpha a=
nd
the internal structure of tests. Psychometrika. 16 (3): pp. 297-334.
Davis, F. D. (1989). Technology acceptance
model: TAM. Al-Suqri, MN, Al-Aufi,
AS: Information Seeking Behavior and Technology Adoption, 205(219), 5.
Dickinson, K. L=
.,
Piedrahita, R., Coffey, E. R., Kanyomse, E.,
Field, C. B., Campbell, J. E., & Lobell=
, D.
B. (2008). Biomass energy: The scale of the potential resource. Trends in
Ecology & Evolution, 23(2), pp. 65–72. https://doi.org/10.1016/
Fornell<=
/span>, C., Larcker, D. F. (1981). Evaluating Structural Equation
Models with Unobservable Variables and Measurement Error. Journal of Market=
ing
Research, 18(1), 39. https://d=
oi.org/10/cwp
García, =
R.
C., Galán, G., & Martin, M. (2024). =
Multiscale
analysis for the valorization of biomass via pellets production towards ene=
rgy
security. Journal of Cleaner Production, 461, 142663. https://doi.org/10.10=
16/j.jclepro.2024.142663
Garcia-Maraver,=
A.,
& Pérez-Jiménez, J. A. (Eds.). (2015). Biomass pelletization: Standards and production. WIT Press.
García-Maroto, I., Muñoz-Leiva, =
F.,
Higueras-Castillo, E., & Liébana-Cabanillas, F. (2020). <=
span
style=3D'font-size:10.0pt;line-height:115%;font-family:Roboto;mso-fareast-f=
ont-family:
Roboto;mso-bidi-font-family:Roboto;mso-ansi-language:EN-US'>The main
determinants of adopting domestic biomass heating systems: An integrating m=
odel.
Sustainability Accounting, Management and Policy Journal, 11(2), pp.
409–428. https://doi.org/10.1108/SAMPJ-03=
-2019-0133
García-Maroto, I., Muñoz-Leiva, =
F.,
Higueras-Castillo, E., & Liébana-Cabanillas, F. (2021). <=
span
class=3DSpellE>Characterisation of potential adopters of domestic biomass
heating. International Journal of Green Energy, 18(3), pp. 219–230.
https://doi.org/10.1080/15435075.2020.1854262
Gómez-Gil, M., Etxebarria-Mallea, M.,
Arbulu, M., Grijalba-Aseguinolaza, O.,
Espinosa-Fernández, A., & Monzón-Cha=
varrías,
M. (2024). Indicators and data in Spain regarding evidence-based estimate of
expected energy savings and of reduction of costs for health systems from
buildings renovation. In Assessing Progress in Decarbonizing Spain’s
Building Stock: Indicators and Data Availability (pp. 245–259). Sprin=
ger
Nature Switzerland. https://doi.org/10.1007/978-3-031-51829-4_9
Hair, J. F., Black, W. C., Babin,
B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.).
Cengage.
Hall, D. O., Rosillo-Calle,
F., Woods, J., & Williams, R. H. (1993). Biomass for energy: Supply
prospects. Renewable Energy, 3(4–5), pp. 487–497.
https://doi.org/10.1016/0960-1481(93)90064-C
Henseler=
, J., Ringle, C.M. and Sarstedt=
, M.
(2015). A new criterion for assessing discriminant validity in variance-bas=
ed
structural equation modeling. Journal of the Academy of Marketing Science, =
Vol.
43 No. 1, pp. 115-135. https://d=
oi.org/10.1007/s11747-014-0403-8
Jagger, P., Das, I., H=
anda,
S., Nylander-French, L. A., & Yeatts, K. B.
(2019). Early adoption of an improved household energy system in urban Rwan=
da. EcoHealth, 16(1), pp. 7–20. https://doi.org/10.=
1007/s10393-018-1382-4
J&oum=
l;reskog, K. =
G.,
y Sörbom, D. (1981). =
LISREL
V: Analysis of linear structural relationships by maximum likelihood and le=
ast
squares methods (Research Report 81−8). Uppsala, Sweden: University of
Uppsala, Department of Statistics.
Kaiser H. (1974). An index of factorial
simplicity. Psychometrika, Vol. 39, pp 31–36.
Kenny, D. A., McCoach<=
/span>,
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
Koufteros, X., &
Lasker, J. (2024). Measurement Invariance
Testing Works. Applied Psychological Measurement, 48(6), pp. 257-275.
https://doi.org/10.1177/01466216241261708
Lovell, C. A. K., & Pastor, J. T. (1999=
).
Radial and non-radial measures of productivity change. European Journal of
Operational Research, 117(2), pp. 262–271. https://doi.org/10.1016/
Marsh, H. W., <=
span
class=3DSpellE>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 Ben=
tler’s
(1999) findings. Structural Equation Modeling: A Multidisciplinary Journal,
11(3), pp. 320-341.
https://doi.org/10.1207/s15328007sem1103_2
Mawusi, S. K., Shrest=
ha,
P., Xue, C., & Liu, G. (2023). A comprehens=
ive
review of the production, adoption and sustained use of biomass pellets in
Ghana. Heliyon, 9(6), e16652. https://doi.org/10.1016=
/j.heliyon.2023.e16652
McKendry, P. (2002). Energy production from
biomass (Part 1): Overview of biomass. Bioresource Technology, 83(1), pp.
37–46. https://doi.org/10.1016/S0960-8524=
(01)00118-3
Meade, A. W., Johnson, E. C., & Braddy, P. W. (2008). Power and sensitivity of altern=
ative
fit indices in tests of measurement invariance. Journal of Applied Psycholo=
gy,
93(3), pp. 568-592. https://doi.org/10.1037/0021-9010.93.3.568
Meredith, W.
(1993). Measurement invariance, factor analysis and factorial invariance. <=
/span>Psychometrika, 58(4), pp.
525–543.
https://doi.org/10.1007/BF02294825
Miranda, T., Montero, I., Sepúlveda, F.=
J.,
Arranz, J. I., Rojas, C. V., & Nogales, S. (2015). A review of pel=
lets
from different sources. Materials, 8(4), pp. 1413–1427.
https://doi.org/10.3390/ma8041413
Nyrud, A. Q., Roos, A., & Sopha, B.=
M.
(2010). Wood-pellet heating in Norway: Early adopters’ satisfaction a=
nd
problems that have been experienced. Biomass and Bioenergy, 34(12), pp.
1840–1848. https://doi.org/10.1016/j.biombioe.20=
10.07.001
Pardo, J. E., Mej&iacu=
te;as,
A., & Sartal, A. (2020). Assessing the impo=
rtance
of biomass-based heating systems for more sustainable buildings: A case stu=
dy
based in Spain. Energies, 13(5), 1025. https://doi.org/10.3390/=
en13051025
Pavlov, G., Maydeu-Olivares,
A., Shi, D. (2021). Using the Standardized Root Mean Squared Residual =
(SRMR) to Assess Exact Fit in Structural Equation Mode=
ls.
Educational and Psychological Measurement, 81(1), pp. 110–130. https://doi.org/10.1177/0013164420=
926231
Rosillo<=
/span>-Calle, F., &am=
p;
Woods, J. (2012). The biomass assessment handbook (Vol. 4). Taylor &
Francis. https://doi.org/10.4324/9780203121442
Sarabia Sánchez, F. J. (2013).
Métodos de Investigación Social y de la Empresa. Ediciones Pirámide.
Satorra<=
/span>, 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).
Schweickardt, G. (2024). Percepción de la calidad de servicio técnico en distribución eléctrica: un análisis multi-grupo entre clientes residenciales urbanos y suburbanos. LATAM Revista Latinoamericana De Ciencias Sociales Y Humanidades, 5(6), pp. 2658 – 2683. https://doi.org/10.56712/latam.v5i6.3190<= o:p>
Seguin, R., Flax, V. L., & Jagger, P.
(2018). Barriers and facilitators to adoption and use of fuel pellets and
improved cookstoves in urban Rwanda. PLOS ONE, 13(10), e0203775.
https://doi.org/10.1371/journal.pone.0203775
Sopha, B. M., Klöckner, C. A., & Hert= wich, E. G. (2011). Adopters and non-adopters of wood pellet heating in Norwegian households. Biomass and Bioenergy, 35(1), pp. 652–662. https://doi.org/10.1016/j.biombioe.2010.10.005<= o:p>
Steiger<=
/span>, J. H. (1990).
Structural model evaluation and modification: An interval estimation approa=
ch.
Multivariate Behavioral Research, 25, pp. 173–180. Steiger<=
/span>, 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.=
Thek, G., & Tucker, L. R., Lewis, C. (1973). A reliabil=
ity
coefficient for maximum likelihood factor analysis. Psychometrika, 38, pp.
1–10. Wheaton, B., Muthen,
B., Alwin, D. F., Summers, G. (1977). Assessing Reliability and Stability in
Panel Models. Sociological Methodology, 8 (1), pp. 84-136. Zhou, P., Ang, B. W., & Poh,
K. L. (2007). A mathematical programming approach to constructing composite
indicators. Ecological Economics, 62(2), pp. 291–297.
https://doi.org/10.1016/j.ecolecon.2006.12.020<=
o:p> Zhou, P., Ang, B. W., & Zhou, D. Q. (20=
21).
Weighting and aggregation in composite indicators: A comparative review and
unifying framework. Omega, 101, 102261. https://doi.org/10.1016/j.=
omega.2020.102261 &n=
bsp; =
; &n=
bsp; =
; &n=
bsp; =
; &n=
bsp; =
; &n=
bsp; =
; &n=
bsp; Todo el contenido
de LATAM Revista Latinoameric=
ana de
Ciencias Sociales y Humanidades, publicados en este sitio está
disponibles bajo Licencia Creative Commons ![3D"https://revistacientifica.uamericana.edu.py/public/site/images/aduar=](3D"1613_Schweickardt_archivos/image131.jpg")
.
L= ATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.<= o:p>
ISSN en línea: 2789-3855, diciembre, 2025,
Volumen VI, Número 6 p 2466. =
![](3D"1613_Schweickardt_archivos/image002.jpg")
![](3D"1613_Schweickardt_archivos/image010.gif")