El siguiente conjunto de datos contiene información de 85 empresas con sus correspondientes variables para medir la Gestión del Conocimiento mediante un analisis de ecuaciones estructurales. Para la realización de este trabajo se utilizan las librerías plspm, FactoMineR y factoextra.

Base de datos

pilares <- km_data %>% dplyr::select(P3_1:P3_8, P5_1:P9_6, P11_1:P13_16, P22_1:P25_5)
for(j in 1:ncol(pilares)){
  pilares[,j] <- factor(pilares[,j], levels = c("Totalmente en desacuerdo",
                                                "En desacuerdo",
                                                "Ni de acuerdo ni en desacuerdo",
                                                "De acuerdo",
                                                "Totalmente de acuerdo"), ordered = T)
}; rm(j)

Inicialmente y tras cargar la base de datos, se realiza un primer acercamiento mediante un análisis exploratorio. Para dicho análisis se tiene en cuenta 3 pilares que miden la Gestión del conocimiento como lo son la organización, liderazgo y gestión del conocimiento. Por lo cual se seleccionaran las variables que mejor representan a los 3 pilares.

Análisis exploratorio

Teniendo en cuenta un análisis previo de las variables, se procede a conformar los pilares con aquellas que mejor representan las características que se quieren estudiar.

Organización

Se muestran las variables que hacen parte del pilar de Organización:

organizacion <- pilares %>% dplyr::select(P5_1:P5_3, P6_3, P6_4, P7_1, P7_3, P8_2, P13_9, P13_11)
gg <- fqTable4 %>% ggplot(aes(x = Categoria, y = Porcentaje*100, fill=Categoria)) +
  geom_bar(stat = "identity", show.legend = T) +
  xlab("") + ylab("Porcentaje (%)") +
  coord_flip() +
  scale_y_continuous(limits = c(0, 100)) +
  facet_wrap(~ Variable) +
  theme_bw() +
  theme(strip.text = element_text(size = 12, face = "bold")) +
  theme(axis.title.x = element_text(size = 13, face = 'bold'),
        axis.title.y = element_text(size = 13, face = 'bold'),
        axis.text = element_text(size = 6))
ggplotly(gg)
## Warning: `group_by_()` is deprecated as of dplyr 0.7.0.
## Please use `group_by()` instead.
## See vignette('programming') for more help
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_warnings()` to see where this warning was generated.

Liderazgo

Se muestran las variables que hacen parte del pilar de Liderazgo:

liderazgo <- pilares %>% dplyr::select(P3_1:P3_3, P3_5:P3_8, P8_3, P8_4, P8_5, P13_1, P13_2, P13_3, P13_4)
gg <- fqTable3 %>% ggplot(aes(x = Categoria, y = Porcentaje*100, fill=Categoria)) +
  geom_bar(stat = "identity", show.legend = F) +
  xlab("") + ylab("Porcentaje (%)") +
  coord_flip() +
  scale_y_continuous(limits = c(0, 100)) +
  facet_wrap(~ Variable) +
  theme_bw() +
  theme(strip.text = element_text(size = 12, face = "bold")) +
  theme(axis.title.x = element_text(size = 13, face = 'bold'),
        axis.title.y = element_text(size = 13, face = 'bold'),
        axis.text = element_text(size = 6))
ggplotly(gg)

Gestión del conocimiento:

Se muestran las variables que hacen parte del pilar de Gestión del conocimiento:

gconocimiento <- pilares %>% dplyr::select(P9_1:P9_6)
gg <- fqTable5 %>% ggplot(aes(x = Categoria, y = Porcentaje*100, fill=Categoria)) +
  geom_bar(stat = "identity", show.legend = F) +
  xlab("") + ylab("Porcentaje (%)") +
  coord_flip() +
  scale_y_continuous(limits = c(0, 100)) +
  facet_wrap(~ Variable) +
  theme_bw() +
  theme(strip.text = element_text(size = 12, face = "bold")) +
  theme(axis.title.x = element_text(size = 13, face = 'bold'),
        axis.title.y = element_text(size = 13, face = 'bold'),
        axis.text = element_text(size = 6))
ggplotly(gg)

Como se observa en el análisis exploratorio es posible identificar las respuestas con mayor frecuencia y poder determinar las opiniones de las empresas encuestadas en términos generales, por ejemplo, opiniones positivas (+) u opiniones negativas (-). Lo que nos permitiría concluir que los empresarios encuestados tienen una postura positiva frente a las practicas que promuevan la gestión del conocimiento.

Ecuaciones estructurales (PLS-PM)

El objetivo principal de los modelos PLS-PM consiste en cuantificar la asociación a través de modelos de regresión entre variables latentes (o no observables) las cuales se miden a través de bloques de variables (Sanchez, 2013).

Organización, Liderazgo y Gestión del conocimiento

Se procede a formar el conjunto de datos para plantear el modelo estructural:

km_df <- km_data %>% dplyr::select(P5_1:P5_3, P6_3, P6_4, P7_1, P7_3, P8_2, P13_9, P13_11, # Organización
                                  P3_1:P3_3, P3_5:P3_8, P8_3, P8_4, P8_5, P13_1, P13_2, P13_3, P13_4, # Liderazgo
                                      P9_1:P9_6) # Gestion del conocimiento

Se crea la matriz con los pilares y se plantea el modelo teorico que se pretende evaluar

km_inner <- matrix(c(0,0,0,
                     0,0,0,
                     1,1,0), ncol = 3, byrow = T)
rownames(km_inner) <- colnames(km_inner) <- c("Organización", "Liderazgo", "G.Conocimiento")
innerplot(km_inner)

Se obtiene el modelo estimado que permite cuantificar la asociación entre las variables

plot(km_pls)

Los coeficientes que se observan en el modelo se encargan de cuantificar la razón de cambio que presentan los pilares Organización y Liderazgo frente a la Gestión del conocimiento.