Cifras extraídas de la página oficial de la Universidad Autónoma de Nuevo León (fuente: http://www.uanl.mx).

La LibQual+ es una herramienta que permite analizar la calidad de los servicios a partir de datos proporcionados por los usuarios. Es la adaptación del Servqual, desarrollado por Parasuraman et al. (1985) con la finalidad de crear un nuevo protocolo adaptado a las necesidades de las bibliotecas (Ferrer y Rey, 2005).

El muestreo casual o incidental le permite al investigador seleccionar directa e intencionalmente a los individuos de la población que van a ser entrevistados. En cambio, el muestreo por cuotas consiste en facilitar al entrevistador el perfil de las personas que se tienen que entrevistar, de modo que queda a su criterio la elección de estas, las cuales deben tener el perfil deseado. En nuestro caso, la población objetivo estuvo constituida por todos aquellos usuarios que se encontraban en el lugar cuando se levantó la encuesta en las diferentes bibliotecas de los campus de la UANL.

Heath, Kyrillidou, Webster, Choudlhury, Hobbs, Lorie y Flores (2003) y Cook, Heath, Kyrillidou, Lincoln, Thompson y Webster (2003) señalan que para medir la satisfacción de los usuarios con el servicio que prestan las bibliotecas existe un modelo de evaluación de calidad denominado LibQUAL+, el cual detecta la calidad de los servicios a partir de las percepciones de los usuarios. Dicho instrumento fue desarrollado por la Association of Research Libraries (ARL), y se considera una herramienta estándar para medir la calidad de los servicios a partir de las percepciones de los usuarios de las bibliotecas.

Las variables latentes son variables no observadas directamente, tales como la satisfacción por el servicio bibliotecario en la universidad, la cual se puede medir a través de las siguientes dimensiones: equipo e infraestructura, servicio o competencia de los bibliotecarios, hábitos de lectura, uso de internet, etc. Estas variables son también denominadas factores, y son estimadas o medidas con indicadores o variables observadas, como lo son los reactivos de un cuestionario (Ruiz, Pardo y San Martín, 2010).

Para un análisis más detallado del análisis factorial véanse los estudios de Peña (2002).

En este primer paso fue conveniente realizar una serie de pruebas para determinar si era pertinente, desde el punto de vista estadístico, llevar a cabo el AFCP con los datos y muestras disponibles. El primero de estos fue el test de adecuación de la muestra de KMO, que fue de 0.930, y el test de esfericidad de Bartlett, que fue significativo (p < 0.000), con lo cual se rechaza la hipótesis de que la matriz de correlaciones es una matriz identidad. Esto indica que existen correlaciones significativas, probablemente altas, dado que los valores hallados en estos test fueron significativamente elevados.

Para un análisis más detallado del método de ecuaciones estructurales véanse los estudios de Littlewood y Bernal (2011).

Ji cuadrada, Ji cuadrada escalada de Satorra-Bentler, índice de bondad de ajuste (GFI), índice de bondad de ajuste ajustada (AGFI), residuales de la media de raíz cuadrada (RMS, RMSR o RMR), residual estandarizado de la raíz cuadrada media (SRMR), Hoelter N crítico, Akaike criterio de información (AIC), BICp, BCC o criterio Browne-Cudeck, ECVI o índice esperado de validación cruzada, MECVI, CVI o índice de validación cruzada, BIC o criterio bayesiano de información, parámetro de no centralidad (NCP), etc.

AGFI. Es una variante del GFI, ya que lo ajusta por sus grados de libertad: la cantidad (1-GFI) es multiplicada por la razón de los grados de libertad del modelo dividido por los grados de libertad de la línea base del modelo, entonces AGFI es 1 menos el resultado. AGFI también debe ser mayor a .90. CFI. También se le conoce por el índice comparativo de ajuste de Bentler y compara el modelo teórico con el modelo nulo que asume que las variables latentes del modelo no se correlacionan entre sí (modelo de independencia). Eso es, compara la matriz de covarianza de datos observados con la matriz de covarianza del modelo nulo (matriz con ceros). CFI es similar a NFI, pero penaliza el tamaño de muestra. CFI y RMSEA son los estadísticos menos afectados por el tamaño de muestra, y un CFI cercano a 1.0 indica un muy buen ajuste, y valores superiores a .90 se consideran aceptables. El CFI también es usado para evaluar variables modificantes (aquellas que crean una relación heteroscedástica entre las variables independientes y dependientes, de tal manera que la relación varía por clase de modificador). GFI. Se le conoce como el gamma-hat o Jöreskog-Sörbom GFI. El valor de GFI varía entre cero y uno, pero pueden obtenerse valores negativos. Una muestra grande favorece el GFI. Aunque hay analogía con R cuadrada, el GFI no puede interpretarse como el porcentaje de error explicado por el modelo. Es el porcentaje de la covarianza observada explicada por la covarianza teórica. Es un acuerdo que valores superiores a .90 apoyan el modelo. RMSEA. Se le conoce también como RMS o RMSE o discrepancia por grado de libertad. Se considera que un RMSEA igual o menor a .08 es satisfactorio. RMSEA es un índice de ajuste popular porque no necesita compararse con un modelo nulo y tampoco requiere la propuesta de un modelo independiente. RMSEA tiene una distribución relacionada con la distribución Ji cuadrada no central y por ello no necesita de un muestro de tipo bootstrap para fijar intervalos de confianza.

Para un análisis más detallado del tratamiento de valores perdidos y confiabilidad de los indicadores en el modelo estructural véase el estudio de Henseler, Ringle y Sinkovics (2009).