Tabla 9. Resultados de la regresión para la Hipótesis 3
Gestión real de resultados (REM)
Signo
Coeficiente
t
Uso interactivo de MACS (MAX)
(+)
0,241
2,441***
Edad
0,049
0,346
Género
0,134
1,274
Cargo
0,002
0,016
Eficiencia de la inversión
0,237
2,449**
Información voluntaria por riesgo de litigio
0,203
2,120**
Paquetes de información voluntaria.
0,183
1,854*
Activos (log)
0,059
0,590
Formación
0,057
0,548
ROA
0,165
1,697*
Presiones de flujos de caja libres (Inversa)
-0,180
-1,870*
Preferencia por beneficios con altibajos
-0,163
-1,669*
0,241
R 2
0,138
R 2 ajustado
F-estadístico
2,349**
Max. VIF
2,281
*, **, *** niveles de significatividad al 10%, 5% and 1 % respectivamente. Los niveles de significación son de una cola para las variables con una predicción direccional y de dos colas, de lo contrario, se presentan los coeficientes estandarizados.
5.2. Análisis de robustez
10. Los resultados son cualitativamente similares a los obtenidos a partir de regresiones previamente reportados. En esencia, los resultados sugieren que el uso diagnóstico puede desencadenar un uso interacti- vo, al menos a nivel operacional, de manera relativa- mente rápida. Esto implica que cuando se detectan grandes desviaciones y aumenta la presión, un uso intensivo de diagnóstico puede desencadenar que los administradores reconsideren sus operaciones, desdeñando el enfoque y el debate, el surgimiento de iniciativas y el descubrimiento e implementación de nuevos planes de acción. Una preocupación po- tencial es que esta secuencia de acontecimientos, mientras que plausible, puede requerir una serie de periodos para que se materialice. Esto sería particu- larmente cierto cuando el uso interactivo pretende lograr una revisión completa del modelo de negocio
Para comprobar la robustez de los resultados, se uti- lizaron modelos de ecuaciones estructurales como una técnica de estimación alternativa para probar el modelo de investigación. Se aplicó un enfoque ba- sado en la varianza (Smart pls ; Ringle et al., 2014), en lugar de en la covarianza basada (i.e. lisrel o amos ) por varias razones: ( i ) el algoritmo de pls es más apropiado cuando la teoría es relativamente nueva o el modelo estructural de la ecuación no se ha pro- bado (Trichterborn et al, 2016); ( ii ) pls funciona con un menor tamaño de la muestra que los enfoques basados en covarianzas (Bauer y Matzler, 2014); y ( iii ) el objetivo es explicar la gestión del resultados, y pls optimiza la variable dependiente en lugar de todo el modelo estructural, teniendo un mayor carácter predictivo (Bauer y Matzler, 2014). La R 2 y el Q 2 para las variables endógenas del modelo, junto con los coeficientes y estadísticos T se reportan en la tabla
36 | Anexo. Trabajo de investigación
Made with FlippingBook - Online Brochure Maker