Introducción

Según ^{Arocena (2001}, citado por ^{Cacciutto et al. en 2013}), un residente es un actor y un posible agente de desarrollo, ya que puede aportar propuestas políticas, económicas, sociales y culturales que impactan positivamente en su comunidad. Lo anterior puede categorizar los efectos positivos del desarrollo económico y social, así como los efectos negativos del desarrollo ambiental (^{Jurowski et al., 1997}). Ellos participan activamente en sus comunidades y obtienen recompensas o enfrentar rechazo (^{Ribes y Pulido, 2015}). La negación o compensación se manifiesta en un contexto social, es decir, como pertenencia y adhesión al grupo social o entorno en el que se desarrolla la relación.

Así, las representaciones sociales son formas de pensamiento práctico basadas en la experiencia y conocimiento adquirido a través de la tradición, educación y comunicación social. El conocimiento se elabora y comparte (^{Jodelet, 2018}). Las representaciones sociales combinan conceptos, creencias y significados construidos socialmente para estructurar y actuar en la realidad. Se transmiten entre generaciones a través de diferentes medios e interacciones (Moscovici, 1986; ^{Jodelet, 1986}).

Las representaciones sociales emergen en un grupo que las comparte en un contexto socio-histórico-cultural (^{Castorina, 2016}). Estos individuos poseen la capacidad de influir en su realidad social mediante el uso del lenguaje como práctica social (^{Torres, 2017}). Atribuyen, además, significado a los comportamientos y relaciones sociales, definiendo así las interacciones entre grupos (^{Jodelet, 2018}). Los valores, modelos mentales y normas grupales también influyen en la generación y transmisión de las representaciones sociales (^{González, 2021}). Según Hoijer (2011), las representaciones sociales abarcan diversas formas de conocimiento colectivo y se vinculan con objetos sociales, culturales o simbólicos.

En la búsqueda por comprender y analizar las actitudes de los residentes, varios autores han contribuido al proceso al clasificar y segmentar a los residentes en distintos tipos dentro de una comunidad, específicamente en cinco categorías: partidarios del desarrollo, proteccionistas, desarrolladores prudentes, desarrolladores alternativos y ambivalentes cautelosos. Entre esos autores se encuentran ^{Fredline y Faulkner (2000)}, ^{Pérez y Nadal (2005)}, ^{Andriotis y Vaughan (2003)}, ^{Davis, Allen y Cosenza (1988)}, ^{Evans (1993)}, ^{Madrigal (1995)}, ^{Ryan y Montgomery (1994)}, ^{Weaver y Lawton (2001)}, ^{Williams y Lawson (2001)}, ^{Jackson y Inbakaran (2006)} y ^{Sharpley (2014)}. ^{Marreiro et al. (2019)}. El objetivo del presente estudio fue validar y garantizar la fiabilidad de una escala diseñada para medir los diferentes tipos de residentes, empleando el enfoque de las representaciones sociales.

Metodología

El estudio se enmarca en un enfoque de investigación cuantitativa con un diseño no experimental de corte transversal. El análisis de la validez del instrumento se basó en el coeficiente de validez de contenido de Hernández-Nieto (2003), la validez de Aiken y el análisis de contenido de coeficiente de concordancia de W de Kendall. En ellos se consideraron criterios de suficiencia, claridad, coherencia y relevancia. La validación de la escala se realizó mediante el análisis factorial en SPSS (versión 26) y el análisis de compuestos confirmatorio PLS-SEM. El proceso de investigación se dividió en tres etapas: (i) elaboración de un cuestionario basado en la revisión de la literatura, (ii) determinación del índice de validez de contenido mediante juicio de expertos y (iii) validación de escalas de la medición del contenido del constructo mediante análisis factorial exploratorio y análisis de compuestos confirmatorio a través de PLS-SEM.

La validez del constructo implica evaluar la medición de un concepto teórico (Hernández-Sampieri y Mendoza-Torres, 2018) y permite juzgar la calidad de la medición (^{Gómez-Benito et al., 2015}). Además, da la posibilidad de relacionar y evaluar dicho constructo con otros (^{Prieto y Delgado, 2020}), es un paso fundamental para poner a prueba una teoría. El análisis de validez de contenido involucró el juicio de expertos, quienes validaron los ítems del cuestionario. En el proceso de validación, el cuestionario fue enviado a jueces expertos y se les proporcionó el objetivo, tema e intención de la investigación, así como la operacionalización de las variables. Los jueces calificaron la suficiencia, claridad, coherencia y relevancia del constructo en una escala desde 1 (no cumple el criterio) a 4 (alto nivel).

El análisis confirmatorio ha sido utilizado recientemente para evaluar la validez de constructos, tanto reflectivos como formativos (^{Hair et al., 2020}). Al emplear este análisis, es fundamental distinguir entre los modelos de medición reflectivos y formativos. En los modelos de medición reflectivos, los indicadores (variables medidas) son influenciados por la variable latente (constructos latentes compuestos), mientras que en los modelos de medición formativos, los indicadores causan la variable latente (^{Hair et al., 2020}; ^{Sarstedt et al., 2016}). En el contexto de este estudio, se utilizó un modelo de medición reflectivo, dado que los indicadores son causados por sus respectivas variables latentes. Para llevar a cabo el análisis de compuestos confirmatorio del modelo de medición reflectivo, se siguieron los siete pasos propuestos por ^{Hair et al. (2020)}. Los pasos consistieron en: 1) evaluar la significancia de las cargas factoriales, 2) evaluar la fiabilidad del indicador, 3) evaluar la fiabilidad del constructo, 4) evaluar la validez convergente, 5) evaluar la validez discriminante, 6) evaluar la validez nomológica y 7) evaluar la validez predictiva.

Análisis de resultados

Después de finalizar la recopilación de datos, se llevó a cabo un proceso de depuración y validación de los ítems utilizando el Coeficiente de Validez de Contenido de ^{Hernández-Nieto (2002)}. El método permitió evaluar el grado de concordancia entre los expertos en relación con cada uno de los ítems individuales y el conjunto del instrumento. Para lograrlo, se aplicó una escala tipo Likert de cuatro puntos a cada ítem y se le calculó su respectiva media. A partir de estos valores, se determinó el correspondiente Coeficiente de Validez de Contenido (CVC) correspondiente para cada elemento. El coeficiente se obtuvo mediante el uso de la siguiente fórmula.

Donde Mx representa la media del elemento en la puntuación proporcionada por los expertos y Vmáx la puntuación máxima que el ítem podría alcanzar. Además, se calculó el error asignado a cada ítem (Pei) para reducir el posible sesgo introducido por alguno de los jueces, siendo j el número de expertos participantes.

Finalmente, se calculó el CVC aplicando la fórmula CVC = CVCi - Pei. En cuanto a su interpretación, ^{Hernández-Nieto (2002)} sugiere mantener únicamente aquellos ítems con un CVC igual o superior a 0.80, aunque algunos criterios menos rigurosos consideran valores superiores a 0.70 (Balbinotti, 2004). Los resultados de la validación se muestran en Tabla 1.

En la Tabla 1, se muestran los resultados obtenidos en la validación del coeficiente propuesto por ^{Hernández-Nieto (2002)}. Los resultados reflejan el cumplimiento de la recomendación de mantener aquellos ítems con un valor de CVC superior a 0.80. Sin embargo, se tomó la decisión de eliminar el ítem 8D debido a que su resultado fue de 0.76, lo cual no cumple con el parámetro establecido de una carga superior a 0.8. Por lo tanto, se llega a la conclusión de que el cuestionario cumple con los criterios de validez necesarios para su utilización en la unidad de análisis.

Con el propósito de asegurar una mayor confiabilidad de los datos, se llevó a cabo una validación del contenido por parte de expertos mediante el método de ^{V. Aiken (1980)}. Este índice permite evaluar la pertinencia de cada ítem en relación con su correspondiente constructo. En nuestro caso, se consideraron tanto el número de categorías proporcionadas a los jueces como la cantidad de expertos participantes (^{Pedrosa et al., 2013}). El método se ajusta a las estimaciones de validez de contenido basadas en coeficientes, ya que es común encontrar distribuciones asimétricas negativas en las evaluaciones de validez, especialmente cuando los instrumentos han abordado de manera rigurosa el ámbito de contenido del constructo. En tales situaciones, las evaluaciones de validez tienden a concentrarse en las puntuaciones más altas de la escala de calificación (^{Merino, 2018}). Los resultados obtenidos se presentan en la Tabla 2.

Los resultados, presentados según el método de Validez de Aiken, evaluaron el grado en que los ítems demostraron una proporción adecuada en términos de claridad, coherencia, relevancia y suficiencia con respecto a las dimensiones correspondientes dentro de un determinado dominio de contenido. Se observa que se obtuvo satisfacción en los ítems que fueron validados, dado que se presentó una correlación significativa (valores de 0.6 a 0.79) (^{Merino et al., 2009}). Es importante destacar que en este análisis, el ítem 8D fue excluido por no cumplir con los criterios de validez establecidos por el método de ^{Hernández-Nieto (2002)}, lo que resultó en un reajuste secuencial de los ítems, dejando un total de 62 ítems validados.

Una vez completados los dos análisis anteriores, se procedió a llevar a cabo el análisis de Kendall (W). Es relevante destacar que este análisis evalúa la intensidad de la relación entre dos variables, las cuales podrían no tener una conexión causal directa, pero aun así hallarse vinculadas. La evaluación se aplica a variables cualitativas con escala de medida ordinal, según ^{Morales (2016)}. Asimismo, la prueba proporciona un valor que permite determinar el grado de concordancia entre los expertos. El valor de (W) Kendall varía entre 0 y 1, donde 1 indica una concordancia total en el acuerdo o desacuerdo, según ^{Morales (2016)}. El coeficiente de Kendall es una medida de asociación no paramétrica utilizada para analizar variables cualitativas ordinales o de razón. Las variables se agrupan en categorías con varios niveles que siguen un orden específico, por ejemplo: muy bajo, bajo, medio, alto y muy alto (^{Rodríguez et al., 2018}). A continuación, en las tablas siguientes, se presentan los resultados de las correlaciones de Kendall obtenidas para la satisfacción, coherencia, claridad y relevancia en el constructo (Tabla 3).

El coeficiente de Kendall (W) para la coherencia fue de 0.600.013 y presentó significancia estadística (p= 0.000). Para la claridad, el coeficiente fue de 0.599.932 (p= 0.000); para la relevancia, se obtuvo un valor de 0.692.602 (p= 0.000); y para la suficiencia, el coeficiente fue de 0.691.422 (p= 0.000). Se evaluaron 62 ítems relacionados con la variable tipos de residentes. En consecuencia, se observa una concordancia en las mediciones realizadas por los jueces.

Para validar la medida del contenido del constructo se llevó a cabo un análisis factorial exploratorio. Inicialmente, se aplicó la prueba de Kaiser-Meyer-Olkin (KMO), la cual evalúa el grado de correlación entre variables y ofrece un índice que oscila entre 0 y 1. Valores superiores a 0.60 (se sugieren valores mayores a 0.70) indican una correlación fuerte entre las variables. Posteriormente, se realizó la prueba de esfericidad de Bartlett para determinar la significancia de las correlaciones entre variables. La significancia se confirma cuando el estadístico chi-cuadrado arroja valores inferiores a 0.05, con un nivel de confianza del 95%, lo que demuestra la idoneidad del estudio. En la determinación de los factores, se utilizó el método de análisis de componentes principales. Los factores a extraer debieron tener auto-valores iniciales superiores a 1, y la varianza total explicada debía ser superior al 50% para asegurar la calidad del análisis. Adicionalmente, se aplicó el método de rotación ortogonal Varimax (Tabla 4), eliminando los ítems que presentaban cargas menores a 0.5.

En el contexto de esta investigación, se aplicó un total de 567 cuestionarios a diferentes tipos de residentes en dos ubicaciones distintas: el Valle de Guadalupe, Baja California y Matatlán, Oaxaca. Los resultados obtenidos se presentan en la Tabla 5. Se procedió al análisis de la matriz de componentes rotados, que reveló los nuevos ítems que contribuyeron a la transformación de la nueva variable. El análisis resultó en la identificación de cinco componentes, con un valor de Kaiser-Meyer-Olkin (KMO) de .807, considerado aceptable. Se logró, además, una varianza total explicada del 67.184% y se obtuvo un coeficiente alfa de Cronbach de .854 para la variable tipos de residentes. Los resultados respaldan la validez y la fiabilidad de la escala utilizada en el instrumento cuantitativo.

Para realizar el análisis de compuestos confirmatorio del modelo de acuerdo con ^{Hair et al. (2020)}, en primer lugar, se determinaron las cargas factoriales de los constructos, las cuales debían ser al menos de 0.708, y se evaluó su significancia (^{Hair et al., 2011}). Los ítems del modelo de medida que cumplieron con este criterio se presentan en la Tabla 5. De los 62 ítems iniciales, se conservaron 21.

En segundo lugar, se procedió a evaluar la fiabilidad de los indicadores. Para ello, se calculó el cuadrado de la carga factorial de cada indicador, el cual debía superar el umbral del 0.5, demostrando así que comparten al menos un 50% de varianza con su respectivo constructo (^{Hair et al., 2020}; ^{Máynez-Guaderrama, 2021}). La Tabla 5 presenta los valores de estas cargas factoriales, todos los cuales exceden el límite de 0.5.

En tercer lugar, se realizó una evaluación de la fiabilidad del constructo, utilizando tres indicadores de fiabilidad: el coeficiente alfa de Cronbach, la fiabilidad compuesta de ^{Dijkstra y Henseler (rho_a, 2015)} y la fiabilidad compuesta de ^{Jöreskog (rhor_c, 1971}). Se consideraron valores en el rango de 0.7 a 0.95 (^{Ali et al., 2018}; ^{Hair et al., 2017}), como se puede observar en la Tabla 6.

En cuarto lugar, se procedió a evaluar la validez convergente mediante el cálculo de la varianza extraída media, considerando un valor aceptable de al menos 0.5 (^{Máynez-Guaderrama, 2021}). Las cuatro variables del modelo cumplen con este criterio, como se detalla en la Tabla 7. En quinto lugar, se realizó una evaluación de la validez discriminante utilizando el índice Heterotrait-Monotrait. Se ha establecido que valores inferiores a 0.85 garantizan la existencia de validez discriminante entre las variables (^{Hair et al., 2019}). Todas las relaciones entre las variables presentaron valores por debajo de 0.85, confirmando así la validez discriminante, tal como se muestra en la Tabla 7.

Sexto, para evaluar la validez nomológica se llevaron a cabo análisis correlacionales con una variable no contemplada en el modelo (^{Hair et al., 2020}). En este caso, se empleó la variable género y se calculó la correlación de Pearson, tal como también lo hizo ^{Máynez-Guaderrama (2021)} en su estudio de validez mediante análisis de compuestos confirmatorio. Se pudo demostrar que las correlaciones entre las variables del modelo y el género no alcanzaron significancia, como se muestra en la Tabla 8, lo que respalda la validez nomológica (^{Hair et al., 2020}; ^{Máynez-Guaderrama, 2021}).

Séptimo, se evaluó la validez predictiva mediante el cálculo de la invarianza de medida de los modelos de compuestos (MICOM), con el propósito de demostrar que las diferencias en las estimaciones no se deben a cambios en la configuración, puntuaciones de los compuestos, ni a las medias y varianzas de los grupos (^{Henseler et al., 2016}; ^{Máynez-Guaderrama, 2021}). Para ello, se siguieron los tres pasos propuestos por ^{Henseler et al. (2016)}: determinar la invarianza de configuración, la invarianza de compuestos y la igualdad de medias y varianzas. La invarianza de configuración fue probada debido a que se utilizaron los mismos indicadores y escalas para ambos grupos (mujeres y hombres); además, se aplicó el mismo tratamiento de datos y algoritmos (^{Hair et al., 2021}). En las Tablas 9 y 10 se demuestra la existencia de invarianza de compuestos y la igualdad de medias y varianzas, ya que en todos los casos los valores p resultaron no significativos. Esto indica que no existen diferencias entre los grupos, como lo indican ^{Hair et al. (2021)} y ^{Henseler et al. (2016)}.

Después de haber evaluado el modelo de medida, se procedió a analizar el modelo estructural para concluir el análisis de compuestos confirmatorio (^{Hair et al., 2020}). En esta evaluación se determinaron los coeficientes path, los coeficientes de determinación y los valores Stone Geiser (^{Máynez-Guaderrama, 2021}).

De acuerdo con la Tabla 11 y la Figura 1, todas las relaciones propuestas resultaron ser significativas. Se observó que los residentes ambivalentes ejercieron una influencia positiva y significativa en los residentes partidarios (β=0.076, p=0.025). Asimismo, los residentes proteccionistas ejercieron una influencia positiva y significativa en los residentes partidarios (β=0.562, p=0.000). Además, se encontró que los residentes prudentes tuvieron una influencia positiva y significativa en los residentes proteccionistas (β=0.478, p=0.000). Los resultados validan empíricamente las relaciones teóricas (^{Henseler et al., 2009}).

Fuente: elaboración propia con base en datos estadísticos del programa PLS-SEM

Figura 1 Modelo estructural 

El coeficiente de determinación (R²) permite medir el grado de explicación proporcionado por las variables exógenas a la variable endógena (^{Hair et al., 2017}). Cuando este coeficiente cae entre 0.25 y 0.5, se considera que el poder explicativo es de naturaleza débil (^{Cohen, 1992}). En el contexto de este estudio, se encontró que las variables exógenas (partidarios y proteccionistas) poseían un poder explicativo débil respecto a las variables endógenas (Tabla 12). Por otro lado, el valor Stone Geiser (Q²) permite medir el poder predictivo de la variable endógena. Un valor de Q² superior a cero indica una relevancia predictiva significativa (^{Chin, 2010}; ^{Duarte y Raposo, 2010}). En el estudio, los valores de Q² se encuentran entre 0.15 y 0.35, lo que sugiere que las variables tienen un nivel de relevancia predictiva moderado (^{Ali et al., 2018}).

Discusiones

De acuerdo con diversos estudios que han validado instrumentos de medición en distintas áreas. Se destacan los métodos utilizados por Ponce de León et al. (2020), quienes aplicaron validación y análisis factorial a un cuestionario, involucrando a expertos y usando software SPSS. Los resultados demostraron la coherencia y relevancia de las preguntas en el cuestionario, respaldando su inclusión. Esto coincide con la presente investigación, donde se encontró que las preguntas eran adecuadas para el cuestionario al evaluarlas con expertos y análisis factorial.

Por lo tanto, ^{Cook et al. (2017)} señalan que los tipos de residentes pueden ser categorizados en varios niveles de independencia, funcionalidad y requisitos de cuidado, como independientes, semiindependientes, dependientes y con necesidades especiales. Sin embargo, estas categorías podrían variar según el entorno y las necesidades los residentes. En este estudio, se adopta la clasificación de tipos de residentes propuesta por varios autores, quienes consideran las necesidades y contextos comunitarios para la categorización. De acuerdo a ^{Eilersen et al. (2020)}, la validación de contenido de los tipos de residentes debe involucrar una revisión minuciosa de la literatura, así como consultas con expertos en el tema, para asegurar que se abarquen todas las dimensiones pertinentes de los residentes y para seleccionar un conjunto de categorías que sean auténticas y representativas. De manera similar, tal como se llevó a cabo en esta investigación, donde la validación fue realizada por expertos en la línea de investigación con una experiencia de más de 10 años en investigación, garantizando así la validez del constructo.

Jones et al. (2021) crearon un instrumento que identifica tipos de residentes. Utilizaron análisis de contenido para definir características clave entre residentes y luego formaron un cuestionario basado en esas categorías. La validación fue crucial para la aplicación del cuestionario en el trabajo de campo. La validación otorga mayor solidez al proceso, lo cual es esencial para obtener datos más confiables. Validar el constructo es esencial en la investigación, garantizando medidas confiables y válidas para evaluar un concepto específico. El Análisis de Ecuaciones Estructurales (SEM, por sus siglas en inglés) con Partial Least Squares (PLS) representa una técnica estadística empleada para evaluar tanto la validez convergente como la discriminante de los constructos, y para analizar la estructura de la relación entre los mismos (^{Hair et al., 2017}).

Conclusiones

El instrumento de medición ha demostrado su validez a través del Coeficiente de Validez de Contenido, así como por el método de V. Aiken. Los ítems del instrumento presentaron claridad, coherencia, relevancia y suficiencia. La consistencia entre los jueces se confirmó con el análisis de Kendall. La validez y confiabilidad de la escala cuantitativa relacionada con los tipos de residentes se cumplió. Respaldada por el análisis de compuestos confirmatorio con PLS-SEM. Este proceso validó el constructo y confirmó las relaciones teóricas de manera empírica.

Es necesario, resaltar que la validación de un constructo mediante juicios de expertos tiene importantes implicaciones tanto teóricas como prácticas. Teóricamente, los hallazgos validados enriquecen el conocimiento al proporcionar una comprensión más profunda, refinada y conceptualmente sólida del constructo en estudio. Esto puede conducir al desarrollo de nuevas hipótesis, contribuir a teorías existentes y mejorar la medición y conceptualización en futuras investigaciones. Desde una perspectiva práctica, los resultados validados tienen diversas aplicaciones. Pueden guiar el diseño de instrumentos de medición más precisos y confiables, facilitar investigaciones futuras en diferentes contextos, influir en políticas y prácticas, mejorar la formación y educación, y promover la validación de conceptos en distintos campos. La validación por juicios de expertos, no solo fortalece la base teórica del conocimiento, sino también tiene un impacto directo en la investigación aplicada y en la toma de decisiones.

Es esencial y de gran importancia considerar que el diseño de este instrumento de medición se basó en la revisión de la literatura, que en su mayoría se encuentra desactualizada debido a la escasez de investigaciones recientes en este campo. Este diseño posee un peso significativo para los investigadores que buscan utilizarlo, ya que está actualizado y proporciona una base sólida para las comunidades. No obstante, tanto académicos involucrados en este sector como administradores y personas interesadas podrían aprovechar la escala en investigaciones futuras o como una herramienta para abordar cuestiones relacionadas con una comunidad. Además, es esencial considerar que la validez de este constructo puede variar al ser utilizado en diversos contextos y en distintos países, ya que su validación se llevó a cabo en comunidades locales, turísticas y en desarrollo donde coexisten micro, pequeñas y medianas empresas (MiPyMEs).

Una de las limitaciones presentes en esta investigación radicó en la falta de una definición clara y ambigua del constructo en la literatura, lo cual dificultó su medición precisa y dio lugar a eliminar ítems que no pudieron ser validados. Que en esta investigación se vislumbró como una oportunidad para poder construir un instrumento válido y fiable para futuras investigaciones. Otra limitación de la validez del constructo se relaciona con su vulnerabilidad a cambios a lo largo del tiempo, influenciados por modificaciones en las condiciones sociales, culturales o tecnológicas, lo que podría impactar en su aplicabilidad y pertinencia en distintas comunidades. En conclusión, la validez de un constructo es un componente crucial en la investigación científica que impulsa avances, garantiza resultados fiables y contribuye al progreso del conocimiento en beneficio de la sociedad en su conjunto.