Abstract—- Based on the review and research on the teleworking modality and the variables that impact it atthe organizational level, such as quality of life, communication, organizational culture or productivity, a casestudy is proposed under the innovation and teleworking model of a company. Japanese automotive industryfor the application of Multivariate Analysis techniques such as Principal Component Analysis and LinearRegression, in order to condense the information provided by multiple variables into principal componentsand validate the relationships and impact that exist between them, thus determining the interdependenceand correlation of the same with the telework variable, allowing to simplify the complexity of sample spaceswith many dimensions. It was possible to identify the main components with the variables' own labels and thedependent and predictive variables of the case were statistically validated, through the use of the IBM SPSSsoftware.Keywords: telecommuting, multivariate analysis, principal components.Análisis multivariante del impacto e interdependencia del teletrabajo con variables de productividad, eficiencia, eficacia, satisfacción laboral y conocimiento en herramientas digitales: un caso de estudio. ISSN-E: 2697-3650Minerva JournalVol.3, Issue. 8, (pp. 42-53)Alviarez. Análisis multivariante del impacto e interdependencia del teletrabajo con variables de productividad, eficiencia, eficacia, satisfacción laboral y conocimiento en herramientas digitales: un caso de estudio.Resumen—A partir de la revisión e investigación sobre la modalidad del teletrabajo y las variables que loimpactan a nivel organizacional, como calidad de vida, comunicación, cultura organizacional o productividad,se propone un caso de estudio bajo el modelo de innovación y teletrabajo de una empresa automotrizjapones para la aplicación de técnicas de Análisis Multivariantes como el Análisis de ComponentesPrincipales y la Regresión lineal, a fines de condensar la información aportada por múltiples variables encomponentes principales y validar las relaciones e impacto que existen entre ellas, determinando así lainterdependencia y correlación de las mismas con la variable teletrabajo, permitiendo simplificar lacomplejidad de espacios muestrales con muchas dimensiones. Se lograron identificar los componentesprincipales con etiquetas propias de las variables y se validaron estadísticamente las variables dependientesy predictivas del caso, a través del uso del software IBM SPSS.Palabras clave: teletrabajo, análisis multivariante, componentes principales.Multivariate analysis of the impact and interdependence of teleworking with variables of productivity, efficiency, effectiveness, job satisfaction and knowledge in digital tools: a case study. 42Recibido(12/04/2022), Aceptado(30/04/2022)Alviarez Jesica direccionejecutiva.coachorg@gmail.comhttps://orcid.org/0000-0003-3124-2961Unexpo Puerto OrdazEstado Bolívar, Venezuela https://doi.org/10.47460/minerva.v3i8.63
I. INTRODUCCIÓN La crisis sanitaria mundial generada por la pandemia del COVID-19 ha logrado impactar considerablementelas estructuras organizacionales, desde las transformaciones radicales de sus naturalezas hasta susorganizaciones y sistemas, por lo que las mismas han buscado la forma de adaptarse a los vertiginososcambios dinámicos y demandantes de los consumidores. Desde las Tecnologías de la Información y laComunicación (TICs) las organizaciones han evolucionado a nuevos modelos productivos, lo que ha implicadoa su vez cambios importantes en sus estructuras internas [1]. Así, las organizaciones tradicionales hanadaptado de forma brusca sus metodologías de trabajo, la medición de objetivos, los resultados y entregablesa la nueva realidad de teletrabajo o trabajo remoto; en la cual el desempeño se ha visto significativamenteimpactado. Por ello, se desea determinar los componentes principales de las variables observablesorganizacionales relacionadas con el teletrabajo a partir de un caso de estudio vinculado a una empresaautomotriz japonesa; para lo cual se hará uso del software IBM SPSS a fines de llevar a cabo el análisismultivariante y la simulación de la data referencial sobre los indicadores de productividad, eficiencia, eficacia,satisfacción laboral y, de esta manera, obtener de la regresión lineal los coeficientes de los factores conmayores pesos de las varianzas asociadas a la variable del teletrabajo [2]. El presente caso de estudiocontiene como partes del trabajo: el desarrollo, la metodología, los resultados y conclusiones, así como lasreferencias bibliográficas de soporte.II. DESARROLLOEl teletrabajo consiste en una modalidad laboral desarrollada a distancia (fuera de la organización) a través delas tecnologías de la información y las comunicaciones (TIC), lo que genera el desplazamiento del “producto”hasta el sitio de interés en vez del individuo. Si la producción y los entregables del empleado son de carácterintelectual, la realización de las asignaciones y las tareas laborales podrían efectuarse desde cualquierlocación (siempre y cuando se tenga acceso a las TIC) [3]. En el proceso de investigación sobre el tema de teletrabajo, se consigue visualizar el uso de variedades detérminos que hacen alusión a la definición de la modalidad del trabajo remoto, como los vocablos telework,telecommuting (teledesplazamiento), networking (trabajo en red), remote working (trabajo a distancia), flexibleworking (trabajo flexible), o home working (trabajo a domicilio) [4].Existen diversos estudios y autores que proponen el vínculo entre algunas variables observables entorno alámbito laboral bienestar (personal) con el teletrabajo. Entre ellos, [3] plantea el teletrabajo con la calidad devida y la productividad como resultado de una relación recursiva así como un modelo organizacional deteletrabajo que comprenden dichos elementos esenciales objeto de estudio. Otra investigación analizadaincorpora un elemento adicional vinculado a las TIC´s y a las comunicaciones, en la cual se plantea el impactodel teletrabajo en la cultura organizacional y las posibilidades de intervención desde el campo de la tecnologíacon la evolución de la modalidad de teletrabajo [1].De igual forma, se consigue un modelo de ecuaciones estructurales puesto en prueba a través de un modelopredictivo, en donde se detectan que los factores demandantes, recursos laborales y recursos personalesque inciden significativamente en la productividad percibida por el empleado (afectada por el estrés) y susatisfacción laboral [5]. El proceso técnico generado para el presente caso de estudio de teletrabajo consiste en un modelo deestructura organizacional basado en la propuesta de tres (03) variables observables: la transformación delnegocio, la evolución de la cultura organizacional y la innovación como estilo de trabajo, el cual puedevisualizarse a continuación:43ISSN-E: 2697-3650Alviarez. Análisis multivariante del impacto e interdependencia del teletrabajo con variables de productividad, eficiencia, eficacia, satisfacción laboral y conocimiento en herramientas digitales: un caso de estudio.Minerva JournalVol.3, Issue. 8, (pp. 42-53)
Fig. 1 Modelo de nuevo estilo organizacional bajo el enfoque del teletrabajoPara ello, se identificaron las variables observadas vinculadas de forma interdependiente con los siguientesindicadores: eficiencia, eficacia, productividad y satisfacción laboral, para lo cual se propone el siguienteesquema de categorización de variables:44ISSN-E: 2697-3650Fig. 2 Modelo propuesto para el Análisis MultivariableEs importante destacar, que las variables latentes o constructos (componentes principales) son aquellos queno son directamente observables o medibles, por lo que no presentan una unidad de medida específica, y enconsecuencia, cualquier estimación supone un error asociado. Mientras que las variables observables son unconjunto de medidas que se utilizan para definir o inferir la variable latente [5].III. METODOLOGÍALa investigación se llevó a cabo con la aplicación de las técnicas multivariadas que permitieron unaaproximación de los datos dentro de un marco interpretativo, captar las complejidades e interrelaciones delfenómeno para así proveer un marco teórico que vislumbren los componentes principales [5]. Por ello, parael desarrollo del estudio de caso se aplicó el análisis de datos interdependientes denominada Análisis deComponentes Principales (ACP), la cual permite abordar de forma simultánea múltiples medidas de losobjetos bajo observación, creación de conocimiento y el mejoramiento en la toma de decisiones dentro de lasorganizaciones [6].Alviarez. Análisis multivariante del impacto e interdependencia del teletrabajo con variables de productividad, eficiencia, eficacia, satisfacción laboral y conocimiento en herramientas digitales: un caso de estudio.Minerva JournalVol.3, Issue. 8, (pp. 42-53)
45ISSN-E: 2697-3650De esta forma, el ACP busca hallar combinaciones lineales de las variables originales que expliquen la mayorparte de la variación total. El primer factor o componente será aquel que determina la mayor parte de lavarianza total y el segundo factor la mayor parte de la varianza restante, sucesivamente la relación de pesoentre varianzas [7]. También, ACP es considerado un análisis de tipo descriptivo con la función primordial esreducir el número de variables existentes, excluyendo aquellas que tengan menos influencia a la hora deestablecer diferencias entre los individuos [8]. Para estudiar las relaciones que se presentan entre p variables correlacionadas (que miden informacióncomún) se puede transformar el conjunto original de variables en otro conjunto de nuevas variablesincorrelacionadas entre sí (que no tenga repetición o redundancia en la información) llamado conjunto decomponentes principales [9].A. Cálculo de los componentes principales:Se considera una serie de variables (x1, x2, ... , xp) sobre un grupo de objetos o individuos y se trata decalcular, a partir de ellas, un nuevo conjunto de variables (y1, y2, ... , yp), incorrelacionadas entre sí, cuyasvarianzas vayan decreciendo progresivamente, generándose la siguiente ecuación matemática [9]:Para este caso, la metodología a seguir radica en que cada componente principal será expresado comofunción de p variables observadas correlacionadas entre sí, que se ponderan en dicho componente, mediantela siguiente expresión matemática [7]:Siendoun vector de constantes y se presenta comoDonde: = pesos o coeficientes de saturación X= variables, si están estandarizadas se sustituyen por Z [7]. De forma gráfica, el ACP se visualiza de la siguiente manera:Fig. 3 Matriz Variables Latentes vs Variables ObservadasAlviarez. Análisis multivariante del impacto e interdependencia del teletrabajo con variables de productividad, eficiencia, eficacia, satisfacción laboral y conocimiento en herramientas digitales: un caso de estudio.Minerva JournalVol.3, Issue. 8, (pp. 42-53)
Para el análisis de los componentes principales del caso se hizo uso del software IBM SPSS, para la corrida dela muestra de datos y variables observadas como: antigüedad del empleado, resultado de evaluación dedesempeño, nivel del cargo, condición laboral (fijo contratado), tipo de clase de nómina (gerencial,operativa), edad, sexo, departamento laboral, Horas anuales de formación técnica, asistencia promedio al mesy días de ausentismo al mes, el % de conocimientos de herramientas digitales,% de productividad (horaslaboradas vs entregables generados), % de eficiencia con base a objetivos alcanzados, % de eficacia(optimización de recursos) y el % de satisfacción laboral. B. Reducción de Dimensiones (Factor) -ACP.Se procede a la reducción de dimensiones a través de la función factor, estableciéndose como método deanálisis el ACP para el proceso de extracción. De igual forma, se configura el análisis para la generación de unamatriz de correlación, inicialmente sin la rotación del factor de solución y se especifica un número máximo decorrelaciones por convergencia de 25. De esta forma, se seleccionan las variables observadas objeto delpresente estudio, obteniéndose así las comunalidades y las varianzas para su respectivo análisis, así como lamatriz de Componentes principales, la cual nos presenta la solución factorial y estará constituida por lascorrelaciones entre las variables originales o saturaciones para cada componente o factor:C. Análisis Factorial.El análisis factorial busca identificar variables subyacentes, o factores, que expliquen la configuración de lascorrelaciones dentro de un conjunto de variables observadas. El análisis factorial se suele utilizar en lareducción de los datos para identificar un pequeño número de factores que explique la mayoría de la varianzaobservada en un número mayor de variables manifiestas. Dicho procedimiento de análisis factorial ofrece unalto grado de flexibilidad y métodos de rotación [10].Primero, se buscaron los estadísticos descriptivos de la data en estudio: Los descriptores univariados incluyen la media, la desviación estándar y el número de casos válidos paracada variable. La solución inicial muestra las comunalidades iniciales, los autovalores y el porcentaje devarianza explicada [10]. Matriz de correlaciones. Para el caso de estudio se aplicarán KMO y prueba de esfericidad de Bartlett., y lareproducida a fines de contrastar los resultados obtenidos.D.Tipo de datos a analizar:·Datos. Las variables son cuantitativas a nivel de intervalo o de razón. ·Supuestos. Los datos tienen una distribución normal bivariado para cada pareja de variables y lasobservaciones son independientes. El modelo de análisis factorial especifica que las variables vienendeterminadas por los factores comunes (los factores estimados por el modelo) y por factores exclusivos (loscuales no se superponen entre las distintas variables observadas); las estimaciones calculadas se basan en elsupuesto de que ningún factor único está correlacionado con los demás, ni con los factores comunes [10].46ISSN-E: 2697-3650Alviarez. Análisis multivariante del impacto e interdependencia del teletrabajo con variables de productividad, eficiencia, eficacia, satisfacción laboral y conocimiento en herramientas digitales: un caso de estudio.Minerva JournalVol.3, Issue. 8, (pp. 42-53)
IV. RESULTADOSA través del software SPSS se obtuvieron los siguientes resultados, a partir del Análisis de ComponentesPrincipales:A. Descriptores univariados:Se obtuvieron los estadísticos descriptivos de la tabla 1:Tabla 1. Estadísticos Descriptivos 47ISSN-E: 2697-3650A continuación, se presenta la matriz de correlación:Tabla 2. Matriz de correlaciónAlviarez. Análisis multivariante del impacto e interdependencia del teletrabajo con variables de productividad, eficiencia, eficacia, satisfacción laboral y conocimiento en herramientas digitales: un caso de estudio.Minerva JournalVol.3, Issue. 8, (pp. 42-53)
48ISSN-E: 2697-3650En la tabla anterior, se logra visualizar el valor del determinante en 0.268. Los determinantes próximos a cero,como resultante del caso en estudio, está indicando que las variables utilizadas están linealmenterelacionadas, lo que significa que el análisis factorial, es una técnica pertinente para analizar esas variables B.Comunalidades: La Comunalidad asociada a la variable jésima es la proporción de variabilidad de dicha variable explicada porlos k factores considerados. Se pueden visualizar las comunalidades asignadas a las variables (inicial) y laextracción vinculada a las variables generadas por la solución factorial, en la siguiente tabla: Tabla 3. ComunalidadesC. Total Varianza explicadaLos autovalores iniciales expresan la cantidad de varianza total que está explicada por cada componente ofactor. De esta forma, se obtuvieron cuatro (4) valores mayores a uno (1) que explican el 62.184% de lavarianza total. En este caso se sugiere retener 4 componentes. Se aplica criterio de Kaiser, que consiste enconservar aquellos factores cuyo autovalor asociado sea mayor que 1, según la tabla a continuación: Tabla 4. Explicación del Total de la Varianza D. Gráfico de sedimentación. De igual forma, se genera el gráfico de la varianza que está asociado a cada factor, el cual nos permitedeterminar cuántos factores se deben conservar. En el caso de estudio, se considerarán los componentes 1, 2,3 y 4, validando el método de Kaiser aplicado anteriormente.Alviarez. Análisis multivariante del impacto e interdependencia del teletrabajo con variables de productividad, eficiencia, eficacia, satisfacción laboral y conocimiento en herramientas digitales: un caso de estudio.Minerva JournalVol.3, Issue. 8, (pp. 42-53)
49ISSN-E: 2697-3650Fig. 4. Gráfico de sedimentación Se puede observar en el gráfico anterior que la trama muestra una ruptura distinta entre la pendientepronunciada de los factores grandes y la salida gradual del resto.E. Matriz de Componentes Principales: La Matriz de Componentes, Matriz de Cargas o Saturaciones Factoriales, señala la carga de cada variable encada factor, de forma que los factores con pesos factoriales más elevados en términos absolutos indican unarelación estrecha con las variables. De esta forma, la siguiente matriz presenta la solución factorial, la cual estáconstituida por las correlaciones entre las variables originales o saturaciones para cada componente o factor. Tabla 5. Matriz de Componentes PrincipalesAlviarez. Análisis multivariante del impacto e interdependencia del teletrabajo con variables de productividad, eficiencia, eficacia, satisfacción laboral y conocimiento en herramientas digitales: un caso de estudio.Minerva JournalVol.3, Issue. 8, (pp. 42-53)
F. Matriz de correlaciones resultantes-Test de esfericidad de Barlett. Para comprobar que las correlaciones entre las variables son distintas de cerode modo significativo, se comprueba si el determinante de la matriz es distinto de uno, es decir, si la matriz decorrelaciones es distinta de la matriz unidad.- La medida Kaiser-Meyer-Olkin de adecuación del muestreo obtenido en el caso fue 0.553 está entre 0.75 y0.5. por lo que es aceptable, tal y como se visualiza en la siguiente tabla:Tabla 6. KMO & Brlett´s Test50ISSN-E: 2697-3650Como p (el nivel de significancia) es menor que 0,05 se rechaza la Hipótesis nula, donde se expresa la matrizde correlación es una matriz de identidad. De esta forma, se acepta la Hipótesis alternativa: el modelo defactor es apropiado.-Reproducida. Representa la matriz de las correlaciones que se obtiene a partir de la solución factorial hallada.A continuación, se presenta la tabla con los resultados de la correlación reproducida, donde se logra obtenerun diagnóstico bueno del modelo y el número de factores el adecuado, ya que la estructura factorial fue capazde reproducir la matriz de correlaciones, en función de las comunalidades finales.Tabla 7. Correlación ReproducidaAlviarez. Análisis multivariante del impacto e interdependencia del teletrabajo con variables de productividad, eficiencia, eficacia, satisfacción laboral y conocimiento en herramientas digitales: un caso de estudio.Método de extracción: Análisis de Componentes Principalesa. Comunalidades reproducidas.b. Los residuos se calculan entre las correlaciones observadas y reproducidas. Hay 19 (52,0%) residuos no redundantes con valores absolutos superiores a 0,05.Minerva JournalVol.3, Issue. 8, (pp. 42-53)
-Representación tridimensional de los Componentes Principales: A partir del procesamiento del análisis decomponentes principales se obtuvo la siguiente graficación:51ISSN-E: 2697-3650Fig. 5, Representación tridimensional de los componentes principalesG. Propuestas de Etiquetas referenciales de los Nuevos Componentes.1er Componente, es un factor que vincula la variable Eficacia con la Productividad.2do Componente, es un factor que vincula Conocimientos de herramientas digitales con el nivel desatisfacción y el nivel laborales.3er Componente, es un factor que integra antigüedad, con la edad y el grado laboral.4to Componente, vinculado a la eficiencia según objetivos alcanzados.Posteriormente, se desarrolla un análisis de regresión de la variable Teletrabajo sobre los tres factores ocomponentes principales. Para ello, se utiliza el software SPSS y se obtiene el resumen del modelo, donde seobtiene el estadístico Durbin-Watson superior a 1, lo que implica la no autocorrelación entre factores:Tabla 8. Resumen del ModeloSe logra obtener un estadístico de Durbin-Watson mayor a 1: 1,387 Tabla 9. Anova del ModeloAlviarez. Análisis multivariante del impacto e interdependencia del teletrabajo con variables de productividad, eficiencia, eficacia, satisfacción laboral y conocimiento en herramientas digitales: un caso de estudio.Minerva JournalVol.3, Issue. 8, (pp. 42-53)
Tabla 10. Coeficientes52ISSN-E: 2697-3650Alviarez. Análisis multivariante del impacto e interdependencia del teletrabajo con variables de productividad, eficiencia, eficacia, satisfacción laboral y conocimiento en herramientas digitales: un caso de estudio.Se propone la siguiente ecuación final:Variable Teletrabajo = 54.549 + 6.392(factor score1) 3.266 (factor score2) 0.262 (factor score3) +0.457(factor score 4).CONCLUSIONESA través de la aplicación de las técnicas de análisis multivariante interdependiente: Análisis de ComponentesPrincipales y Análisis factorial, se lograron obtener los 04 componentes principales con una varianza total de62.184% (mayor a 60%), bajo las siguientes etiquetas: 1er Componente, es un factor que vincula la variableEficacia con la Productividad. 2do Componente, es un factor que vincula Conocimientos de herramientasdigitales con el nivel de satisfacción laboral y el nivel. 3er Componente, es un factor que integra Antigüedad,con la edad y el grado laboral. 4to Componente, vinculado a la eficiencia según objetivos alcanzados.Se presentaron los resultados de los descriptivos estadísticos: la media, la desviación estándar y el número decasos válidos para cada variable. KMO: arrojó aceptación de las variables con 0.553% (aceptable entre 0.5 y 075). La Prueba de esfericidad de Bartlett: Como p es menor que 0,05 se rechaza la Hipótesis nula, donde seexpresa la matriz de correlación es una matriz de identidad. De esta forma, se acepta la Hipótesis alternativa:el modelo de factor es apropiado.En la diagonal de la matriz reproducida se encuentran las Comunalidades finales. La matriz de lascorrelaciones que se obtiene a partir de la solución factorial hallada resultó demostrar que el modelo esaceptable y el número de factores el adecuado, ya que la estructura factorial fue capaz de reproducir la matrizde correlaciones junto con las comunalidades finales.Finalmente, partiendo de la Regresión lineal y vinculación de la variable teletrabajo con los componentesnuevos se obtiene la ecuación de teletrabajo: Teletrabajo = 54.549 + 6.392(factor score1) 3.266 (factorscore2) 0.262 (factor score3) + 0.457(factor score 4).Minerva JournalVol.3, Issue. 8, (pp. 42-53)
53Minerva JournalVol.3, Issue. 8, (pp. 42-53)ISSN-E: 2697-3650Alviarez. Análisis multivariante del impacto e interdependencia del teletrabajo con variables de productividad, eficiencia, eficacia, satisfacción laboral y conocimiento en herramientas digitales: un caso de estudio.REFERENCIAS[1] D. Colombo, «sedici.unlp.edu.ar,» Universidad Nacional de La Plata, 2008. [En línea]. Available:http://sedici.unlp.edu.ar/handle/10915/1933. [Último acceso: 9 Enero 2021].[2] TLAC Toyota, «Movility Toyota,» Argentina, 2020.[3]«scielo.org.co,» Universidad del Norte, 2013. [En línea]. Available:http://www.scielo.org.co/pdf/pege/n35/n35a05.pdf. [Último acceso: 10 Enero 2022].[4] A. Belzunegui, Diversificación en las formas de trabajo, Barcelona: Universidad Autónoma de Barcelona,2001. [5] O. Tapasco, Factores que inciden en la, Colombia: Universidad Nacional de Colombia Sede Manizales, 2021. [6] J. Hair, G. T. Hult, C. Ringle y M. Sarstedt, Structural equation modeling, Thousand Oaks, 2017. [7] C. Marvel, Introducción al Análisis de Datos, Puerto Ordaz: UNEXPO Doctorado, 2021. [8]«vivaelsoftwarelibre.com,» vivaelsoftwarelibre.com, [En línea]. Available:https://vivaelsoftwarelibre.com/fantasticos-graficos-de-analisis-de-componentes-principales-en-r/. [Últimoacceso: 3 1 2022].[9] estadistica.net, «estadistica.net,» [En línea]. Available: https://www.estadistica.net/Master-Econometria/Componentes_Principales.pdf. [Último acceso: 3 Enero 2022].[10] ibm.com, «ibm.com,» ibm.com, 1989. [En línea]. Available: https://www.ibm.com/docs/es/spss-statistics/SaaS?topic=analysis-factor-rotation. [Último acceso: 4 Enero 2022].[11] IBM SPSS , «Representación tridimensual de satuación,» 2021.